机器学习渗流模型
无序系统与神经网络
2021-01-25 v1
摘要
机器学习的近期进展在相变与临界现象应用中日益流行。我们通过机器学习方法尝试识别二维渗流模型中的物理特征。为此,我们首先采用蒙特卡洛模拟生成数据集,然后使用多种方法分析该数据集。使用了四种卷积神经网络(CNN)、一个变分自编码器(VAE)、一个卷积VAE(cVAE)、一个主成分分析(PCA)和一个 -means 来识别序参数、渗透率和临界相变点。前三种CNN能以高精度和良好外推性能模拟两个序参数与渗透率,且前两种CNN具有高抗噪能力。为验证前三种CNN的鲁棒性,我们还使用VAE和cVAE生成新的渗流构型,以向原始构型中引入扰动。我们发现,在具有相应标签的前提下,使用原始或扰动构型识别物理特征没有差异。在缺乏标签的情况下,我们使用无监督学习来检测物理特征。经典无监督学习PCA在识别渗透率时表现良好,但无法推导序参数。因此,我们应用带有不同预设阈值的第四种CNN,识别出一个新序参数和临界相变点。我们的发现表明,在相变与临界现象应用中,机器学习的有效性仍待评估。
引用
@article{arxiv.2101.08928,
title = {Machine Learning Percolation Model},
author = {Shu Cheng and Fei He and Huai Zhang and Ka-Di Zhu and Yaolin Shi},
journal= {arXiv preprint arXiv:2101.08928},
year = {2021}
}
备注
13 pages, 15 figures