基于理论引导卷积神经网络的多孔介质两相流代理与反演建模
地球物理
2022-08-15 v1 机器学习
计算物理
流体动力学
摘要
理论引导卷积神经网络（TgCNN）框架可将离散化控制方程残差纳入卷积神经网络（CNNs）的训练中，本文将其推广至多孔介质两相流问题。所考虑问题的两个主要变量——压力和饱和度，分别用两个CNN同时近似。压力和饱和度在控制方程中相互耦合，因此两个网络在训练过程中也通过离散化控制方程相互制约，这也增加了模型训练的困难。耦合且离散化的方程可在训练过程中提供有价值的信息。在理论引导的辅助下，TgCNN代理在两相流问题中能比普通CNN代理达到更好的精度。此外，针对井控变化的情景提出了分段训练策略，其中TgCNN代理针对时间维度上的不同段构建并堆叠以预测整个时间跨度的解。对于地层属性场方差较大的情景，TgCNN代理也能取得令人满意的性能。所构建的TgCNN代理进一步通过与迭代集合平滑（IES）算法结合用于渗透率场反演，并以提升的效率获得了足够的反演精度。
引用
@article{arxiv.2110.10080,
title = {Surrogate and inverse modeling for two-phase flow in porous media via theory-guided convolutional neural network},
author = {Nanzhe Wang and Haibin Chang and Dongxiao Zhang},
journal= {arXiv preprint arXiv:2110.10080},
year = {2022}
}
备注
35 pages, 20 figures