基于 LSTM 驱动的多孔介质中 CO2 注入预测
地球物理
2022-03-11 v1 流体动力学
摘要
模拟控制多孔介质中多相流的偏微分方程的能力对于不同的应用至关重要，例如 CO2 的地质封存、地下水流监测以及从地质构造中开采碳氢化合物 [1]。这些多相流问题可以通过使用各种离散化方案（如有限元、有限体积、谱方法等）数值求解控制 PDE 来进行模拟。最近，应用机器学习（ML）来近似 PDE 的解一直是一个非常活跃的研究领域。然而，大多数研究人员关注的是其模型在训练时空域内的性能。在这项工作中，我们应用 ML 技术来近似 PDE 的解，并重点关注训练域之外的预测问题。为此，我们使用了两种不同的 ML 架构——前馈神经网络（FFN）和基于长短期记忆（LSTM）的神经网络，以根据过去的解来预测未来时间的 PDE 解。我们方法的结果在两个示例 PDE 上进行了展示——即一种模拟地下 CO2 注入的 PDE 形式及其双曲极限，后者是一个常见的基准案例。在这两种情况下，LSTM 架构都显示出基于先验数据预测未来时间解行为的巨大潜力。
引用
@article{arxiv.2203.05021,
title = {LSTM-driven Forecast of CO2 Injection in Porous Media},
author = {Gerald Kelechi Ekechukwu and Romain de Loubens and Mauricio Araya-Polo},
journal= {arXiv preprint arXiv:2203.05021},
year = {2022}
}