基于图神经网络从实验数据学习孔隙尺度多相流动
流体动力学
2024-11-22 v1 机器学习
摘要
理解多相流体通过孔隙介质的过程对于许多气候变化缓解技术至关重要，包括 CO 地质储存、氢气储存和燃料电池。然而，当前的数值模型往往无法准确捕捉实验中观察到的复杂孔隙尺度物理过程。本研究采用基于图神经网络的方法，直接从微型 CT 实验数据中学习孔隙尺度流体流动。我们提出了一种长短边网格网络 (LSE-MGN)，预测孔隙空间中每个节点在每个时间步的状态。推理期间，给定初始状态，模型可自回归预测多相流动过程随时间的演化。该方法成功地从高分辨率实验数据中捕捉物理过程，同时保持计算效率，为准确且高效地对复杂多相流体流动动力学进行孔隙尺度建模提供了前景。
引用
@article{arxiv.2411.14192,
title = {Learning Pore-scale Multi-phase Flow from Experimental Data with Graph Neural Network},
author = {Yuxuan Gu and Catherine Spurin and Gege Wen},
journal= {arXiv preprint arXiv:2411.14192},
year = {2024}
}
备注
Accpeted for Machine Learning and the Physical Sciences Workshop at the 38th conference on Neural Information Processing Systems (NeurIPS 2024)