利用主动学习建模纳米限域效应
应用物理
2020-09-25 v2 机器学习
流体动力学
摘要
预测页岩地层纳米孔隙中气体分子的空间构型对于流体流动预测和烃类储量估算至关重要。这些致密地层的关键挑战在于其大部分孔径小于 50 nm。在此尺度下，由于流体-固体相互作用增强，流体性质受到纳米限域效应的影响。例如，在致密储层中，吸附到孔壁的气体可占总烃类体积的至多 85%。尽管存在描述简单几何中该现象的解析解，但它们不适用于描述真实孔隙，其中表面粗糙度和几何各向异性起重要作用。为描述这些，采用分子动力学(MD)模拟，因其考虑了分子尺度的流体-固体与流体-流体相互作用。然而，MD模拟计算代价高昂，且无法模拟大于少数连通纳米孔隙的尺度。我们提出一种构建并训练基于物理的深度学习代理模型的方法，以对纳米孔隙内气体的分子构型进行快速准确的预测。由于训练深度学习模型需要大量计算昂贵的数据集，我们采用主动学习(AL)。AL通过确定模型不确定性最大的位置并即时运行模拟以最小化之，降低了创建全面高保真数据集的开销。所提工作流使得在介观尺度严格考虑纳米限域效应成为可能，其中复杂的连通纳米孔隙集合控制着烃类开采和CO2封存等关键应用。
引用
@article{arxiv.2005.02587,
title = {Modeling nanoconfinement effects using active learning},
author = {Javier E. Santos and Mohammed Mehana and Hao Wu and Masa Prodanovic and Michael J. Pyrcz and Qinjun Kang and Nicholas Lubbers and Hari Viswanathan},
journal= {arXiv preprint arXiv:2005.02587},
year = {2020}
}
备注
Full paper