考虑双重激波与相间溶解度的多孔介质多相流物理信息神经网络
流体动力学
2024-10-01 v2
摘要
物理信息神经网络（PINNs）将物理原理融入机器学习，在各个科学和工程领域得到了广泛应用。然而，由于解中固有的不连续性，使用 PINNs 求解非线性双曲偏微分方程（PDEs）面临挑战。对于多孔介质中多相流体流动的关键模型 Buckley-Leverett (B-L) 方程而言尤为如此。在本文中，我们证明了 PINNs 结合 Welge 构造法可以在不同场景下实现对 B-L 方程的高精度处理，这些场景包括一个激波和一个稀疏波、由沿相同方向传播的稀疏波连接的两个激波，以及由沿相反方向传播的稀疏波连接的两个激波。我们的方法考虑了流体迁移率、流体溶解度和重力效应的变化，可应用于一维水驱、聚合物驱替、重力流以及向盐水层注入 CO 的建模。此外，我们将 PINNs 应用于逆问题，从观测数据中估计多个 PDE 参数，证明了该方法在标注数据轻微不足且含有高达 5% 杂质以及配置点数据短缺条件下的鲁棒性。
引用
@article{arxiv.2404.12502,
title = {Physics-Informed Neural Networks for Multi-Phase Flow in Porous Media Considering Dual Shocks and Interphase Solubility},
author = {Jingjing Zhang and Ulisses Braga-Neto and Eduardo Gildin},
journal= {arXiv preprint arXiv:2404.12502},
year = {2024}
}