STONet：用于模型微裂缝储层中溶质输运的神经算子
机器学习
2025-07-02 v2 计算工程、金融与科学
神经与进化计算
流体动力学
摘要
本文介绍了一种新型神经算子——溶质输运算子网络 (STONet)，用于高效模型化微裂缝多孔介质中的污染物输运。STONet 的模型架构专为此问题设计，独特地将富化 DeepONet 结构与基于转换器的多头注意力机制相集成，在不增加额外计算开销的情况下提升了性能。该模型组合不同网络以有效编码异构属性，并预测浓度场变化率，以准确模型化输运过程。训练数据通过有限元 (FEM) 模拟获得，对微裂缝分布和应用压力边界条件进行随机抽样，这捕获了裂缝密度、方向、张开度、长度以及压力驱动与浓度驱动流动的多样化场景。我们的数值实验表明，训练后，STONet 相对于 FEM 模拟的相对误差通常低于 1%，同时将运行时间大约缩短两个数量级。这种计算效率促进了构建用于快速评估地下水源污染风险和优化环境修复策略的数字孪生体。论文的数据和代码将发布于 https://github.com/ehsanhaghighat/STONet。
引用
@article{arxiv.2412.05576,
title = {STONet: A neural operator for modeling solute transport in micro-cracked reservoirs},
author = {Ehsan Haghighat and Mohammad Hesan Adeli and S Mohammad Mousavi and Ruben Juanes},
journal= {arXiv preprint arXiv:2412.05576},
year = {2025}
}