基于耦合 TgNN 代理模型的多孔介质两相流不确定性量化
流体动力学
2023-09-08 v1 人工智能
机器学习
计算物理
摘要
地下两相流的不确定性量化（UQ）通常需要在变化条件下大量执行前向模拟。本工作中，构建了一种新颖的基于耦合理论引导神经网络（TgNN）的代理模型，以在满意精度前提下提升计算效率。该方法的核心思想是在一个整体网络之上桥接两个独立模块。它们以耦合形式构成 TgNN 模型的基础，反映了两相流方程中压力与水饱和度的耦合本质。TgNN 模型不仅依赖标注数据，还将底层科学理论与经验规则（如控制方程、随机参数场、边界与初始条件、井条件及专家知识）作为附加组件纳入损失函数。该基于 TgNN 的代理模型对两相流问题的性能通过不同数量的标注数据与配点以及数据噪声的存在进行了测试。所提基于 TgNN 的代理模型为解决耦合非线性两相流问题提供了有效途径，并与纯数据驱动代理模型相比展现出良好精度与强鲁棒性。通过将精确的基于 TgNN 的代理模型与蒙特卡洛方法结合，UQ 任务可以最小代价执行以评估统计量。由于随机场的非均质性强烈影响代理模型结果，将相应的方差与相关长度加入神经网络输入以维持其预测能力。结果表明，基于 TgNN 的代理模型在地下两相流 UQ 问题中取得了满意的精度、稳定性与效率。
引用
@article{arxiv.2205.14301,
title = {Uncertainty quantification of two-phase flow in porous media via coupled-TgNN surrogate model},
author = {Jian Li and Dongxiao Zhang and Tianhao He and Qiang Zheng},
journal= {arXiv preprint arXiv:2205.14301},
year = {2023}
}