基于深度神经网络的多相流预测
机器学习
2021-03-15 v1 计算物理
机器学习
摘要
本文提出一种深度神经网络方法，用于以高计算效率预测异质域中的多相流。该深度神经网络模型能够处理高维系统中的渗透率非均质性，并能从小数据集中学习黏性、重力和毛细管力的相互作用。以二氧化碳（CO2）封存为例，我们证明该模型在给定渗透率场、注入时长、注入速率和注入位置的情况下，能够生成高度准确的 CO2 饱和度分布预测。训练好的神经网络模型具有优异的内插能力，并在有限程度上具备外推至训练数据范围之外的能力。为提高神经网络模型需要外推时的预测精度，我们提出了一种迁移学习（微调）流程，可在无需进行大量数据收集和重新训练的情况下快速教会网络新信息。基于该训练好的神经网络模型，我们提供了一个基于网络的工具，允许用户在线执行 CO2-水多相流计算。借助本文所提供的工具，该深度神经网络方法可作为重复性正演多相流模拟的高效计算替代方案，并可被采用于历史拟合与不确定性量化等场景。
引用
@article{arxiv.1910.09657,
title = {Multiphase flow prediction with deep neural networks},
author = {Gege Wen and Meng Tang and Sally M. Benson},
journal= {arXiv preprint arXiv:1910.09657},
year = {2021}
}