×
约翰·汉娜（John M.Hanna）。；JoséV·阿瓜多。；塞巴斯蒂安·卡多纳；拉姆齐·阿斯克里；多梅尼科·博尔扎奇埃罗

基于残差的自适应性，用于基于物理信息的神经网络的多孔介质两相流模拟。 （英语） Zbl 1507.76198号

计算。方法应用。机械。工程师。 396，文章ID 115100，16 p.（2022）.
摘要：本文旨在提供一个机器学习框架来模拟多孔介质中的两相流。该算法基于物理信息神经网络（PINN）。提出了一种新的基于残差的自适应PINN，并与基于残差自适应精化（RAR）方法和固定配置点的PINN进行了比较。该算法有望应用于需要自适应性的不同领域。本文主要研究多孔介质中的两相流问题。我们提供了两个数值例子来证明新算法的有效性。研究发现，自适应性对于捕捉运动的流动前沿至关重要。我们展示了通过这种方法获得的结果如何比使用固定配置点的RAR方法或PINN更准确，同时具有可比的计算成本。

引用于2文件

MSC公司：

76S05号 多孔介质中的流动；过滤；渗流

关键词：

基于物理的神经网络；适应性；两相流
PDF格式BibTeX公司 XML格式引用
\textit{J.M.Hanna}等人，计算。方法应用。机械。Eng.396，文章ID 115100，第16页（2022；Zbl 1507.76198）
全文： 内政部 arXiv公司

参考文献：

[1] 帕克，C.H。；Woo，L.，《液体复合材料成型过程中孔隙形成和非饱和流动建模：综述》，J.Reinf。塑料。组成。，30, 11, 957-977 (2011)
[2] Pillai，K.M.，《液体复合材料成型过程中的非饱和流动建模：回顾与思考》，J.Compos。材料。，38, 23, 2097-2118 (2004)
[3] 洛杉矶迪拉德。；Essaid，H.I。；Herkelrath，W.N.，具有双峰渗透率分布的原油泄漏现场的多相流建模，Water Resour。第33、7、1617-1632号决议（1997年）
[4] 格里森，M.G。；Durlowsky，L.J.，《油藏流体流动建模》，年。Rev.流体机械。，37, 211-238 (2005) ·Zbl 1082.76107号
[5] Abriola，L.M。；Pinder，G.F.，有机化合物对多孔介质污染建模的多相方法：1。方程式开发，水资源。Res.，21，1，11-18（1985年）
[6] Allen，M.B.，《为什么上卷是合理的》（水资源有限元（1984），Springer），13-23
[7] 陈，Z。；Huan，G。；Ma，Y.，多孔介质中多相流的计算方法（2006），SIAM·兹比尔1092.76001
[8] 萨斯曼，M。；斯梅雷卡，P。；Osher，S.，《计算不可压缩两相流解的水平集方法》，J.Compute。物理。，114, 1, 146-159 (1994) ·Zbl 0808.76077号
[9] 希尔特，C.W。；Nichols，B.D.，自由边界动力学的流体体积（VOF）方法，计算机杂志。物理。，39, 1, 201-225 (1981) ·Zbl 0462.76020号
[10] Chen，L.-Q.，微观结构演化的相场模型，年。修订版材料。研究，32，1，113-140（2002）
[11] Gingold，R.A。；Monaghan，J.J.，《平滑粒子流体动力学：非球形恒星的理论和应用》，蒙大拿州。不是。R.阿斯顿。《社会学杂志》，181，3，375-389（1977）·兹比尔0421.76032
[12] 王，Z.-B。；陈，R。；王，H。；廖琦（Liao，Q.）。；朱，X。；Li，S.-Z.，用于模拟多相流的光滑粒子流体动力学概述，应用。数学。型号。，40, 23-24, 9625-9655 (2016) ·Zbl 1443.76084号
[13] Sawley，M。；克利里，P。；Ha，J.，使用平滑粒子流体动力学对多孔介质中的流动和树脂传递模塑进行建模（1999）
[14] 刘，B。；比克顿，S。；Advani，S.G.，树脂传递模塑（RTM）的建模和模拟-浇口控制、通风和干点预测，复合材料A，27，2，135-141（1996）
[15] Piller，M。；Schena，G。；Nolich，M。；Favretto，S。；Radaelli，F。；Rossi，E.，《多孔介质水力渗透性分析：从高分辨率X射线层析成像到直接数值模拟》，交通。多孔介质，80，1，57-78（2009）
[16] 瓦尔迪兹，A.R。；罗查，B.M。；Chapiro，G。；dos Santos，R.W.，多孔介质两相流相对渗透率模型的不确定性量化和敏感性分析，J.Pet。科学。工程，192，第107297条pp.（2020）
[17] Kim，B.-Y。；Nam，G.-J。；Ryu，H.-S。；Lee，J.-W.，使用遗传算法优化RTM中的填充过程，韩国-澳大利亚Rheol。J.，12，1，83-92（2000）
[18] 方，H。；龚，C。；李，C。；李，X。；苏，H。；Gu，L.，基于代理模型的嵌套优化框架，用于考虑区间不确定性的反问题，结构。多学科。最佳。，58, 3, 869-883 (2018)
[19] 米尔加尼，B.Y。；Zechman，E.M。；Ranjithan，R.S。；Mahinthakumar，G.，使用代理建模解决反问题的增强模拟优化方法，环境。法医学，13，4，348-363（2012）
[20] Krogstad，S.，多相可压缩流模型简化的稀疏基POD，（SPE油藏模拟研讨会（2011），OnePetro）
[21] 班萨尔，H。；Rave，S。；伊皮奇诺，L。；Schilders，W.H.A。；van de Wouw，N.，移动不连续性问题的模型降阶框架，（ENUMATH（2019）），83-91·Zbl 1470.65179号
[22] 科尔达·T·G。；Bader，B.W.，张量分解与应用，SIAM Rev.，51，3，455-500（2009）·Zbl 1173.65029号
[23] Oseledets，I.V。；Savostianov，D。；Tyrtyshnikov，E.E.，《线性时间三维阵列的塔克维数缩减》，SIAM J.矩阵分析。申请。，30, 3, 939-956 (2008) ·Zbl 1180.15025号
[24] 阿瓜多，J.V。；Borzacchielo，D。；Kollepara，K.S。；Chinesta，F。；Huerta，A.，使用交叉近似的非线性模型的张量表示，科学杂志。计算。，81, 1, 22-47 (2019) ·Zbl 1484.65084号
[25] Neron，D。；Ladeveze，P.，Idelsohns基准（2013），技术报告
[26] 彭，L。；Mohseni，K.，《通过局部加权POD方法进行非线性模型简化》，国际期刊数值。梅托。工程，106，5，372-396（2016）·Zbl 1352.65535号
[27] 费雷罗，A。；艾奥洛，A。；Larocca，F.，用DG方法预测可压缩流动的全球和局部POD模型，国际。J.数字。方法工程，116，5，332-357（2018）
[28] 莱斯，M。；佩迪卡里斯，P。；Karniadakis，G.E.，《基于物理的神经网络：解决涉及非线性偏微分方程的正问题和逆问题的深度学习框架》，J.Compute。物理。，378, 686-707 (2019) ·Zbl 1415.68175号
[29] 雅格塔普，A.D。；Karniadakis，G.E.，扩展物理知情神经网络（xpinns）：一种基于广义时空域分解的非线性偏微分方程深度学习框架，Commun。计算。物理。，28, 5, 2002-2041 (2020) ·Zbl 07419158号
[30] 雅格塔普，A.D。；Kharazmi，E。；Karniadakis，G.E.，守恒定律离散域上的守恒物理信息神经网络：正问题和逆问题的应用，计算。方法应用。机械。工程，365，第113028条pp.（2020）·Zbl 1442.92002号
[31] 毛，Z。；雅格塔普，A.D。；Karniadakis，G.E.，《高速流动的物理信息神经网络》，计算。方法应用。机械。工程，360，第112789条pp.（2020）·兹比尔1442.76092
[32] 庞，G。；卢，L。；Karniadakis，G.E.，Fpinns:分数物理信息神经网络，SIAM J.Sci。计算。，41、4、A2603-A2626（2019）·Zbl 1420.35459号
[33] Shukla，K。；Di Leoni，P.C。；J·布莱克郡。；斯帕克曼，D。；Karniadakis，G.E.，《表面断裂裂纹超声无损定量物理信息神经网络》，J.Nondestrust。评估。，39，3，1-20（2020）
[34] 朱，Q。；刘，Z。；Yan，J.，《金属添加剂制造的机器学习：使用物理信息神经网络预测温度和熔池流体动力学》，计算机。机械。，67, 2, 619-635 (2021) ·兹伯利07360521
[35] Haghighat，E。；莱斯，M。；A.穆尔。；戈麦斯，H。；Juanes，R.，《固体力学反演和代理建模的基于物理的深度学习框架》，计算。方法应用。机械。工程，379，第113741条pp.（2021）·Zbl 1506.74476号
[36] 尼亚基，S.A。；Haghighat，E。；坎贝尔，T。；Poursartip，A。；Vaziri，R.，《制造过程中模拟复合材料-苯酚系统热化学固化过程的物理信息神经网络》，计算机。方法应用。机械。工程，384，第113959条pp.（2021）·Zbl 1506.74123号
[37] Sun，L。；高，H。；潘，S。；Wang，J.-X.，基于物理约束的无模拟数据深度学习的流体流动替代建模，计算。方法应用。机械。工程，361，第112732条pp.（2020）·Zbl 1442.76096号
[38] 塔塔科夫斯基，A.M。；马里罗，哥伦比亚特区。；佩迪卡里斯，P。；塔塔科夫斯基，G.D。；Barajas-Solano，D.，《用于地下水流问题中学习参数和本构关系的基于物理的深层神经网络》，《水资源》。决议，56，5，条款e2019WR026731 pp.（2020）
[39] Goswami，S。；Anitescu，C。；Chakraborty，S。；Rabczuk，T.，传输学习增强的物理信息神经网络，用于断裂的相场建模，Theor。申请。分形。机械。，第106条，第102447页（2020年）
[40] 伯杰，M.J。；Oliger，J.，双曲型偏微分方程的自适应网格加密，J.Compute。物理。，53, 3, 484-512 (1984) ·兹伯利0536.65071
[41] Díez，P。；Huerta，A.，有限元自适应重网格策略的统一方法，计算。方法应用。机械。工程，176，1-4，215-229（1999）·Zbl 0942.74071号
[42] Askes，H。；Rodríguez-Ferran，A.，基于域细分的组合rh-自适应方案。公式和线性示例，国际。J.数字。方法工程，51，3，253-273（2001）·Zbl 1031.74047号
[43] Askes，H。；Rodríguez-Ferran，A.，基于域细分的组合rh-自适应方案。公式和线性示例，国际。J.数字。方法工程，51，3，253-273（2001）·Zbl 1031.74047号
[44] 巴布什卡，I。；Suri，M.，有限元方法的p和h-p版本，基本原理和特性，SIAM Rev.，36，4，578-632（1994）·Zbl 0813.65118号
[45] 张晓东。；Trépanier，J.-Y。；Camarero，R.，双曲守恒律有限体积解的后验误差估计，计算。方法应用。机械。工程，185，1，1-19（2000）·Zbl 0954.65071号
[46] Lee，D。；Tsuei，Y.，曲线坐标系中对流项截断误差的估算公式，J.Compute。物理。，98,190-100（1992年）·Zbl 0800.76295号
[47] McRae，D.S.，R-精化网格自适应算法和问题，计算。方法应用。机械。工程师，189，41161-1182（2000）·Zbl 0995.76078号
[48] Choudhary，A。；Roy，C.，《1D和2D CFD应用中基于残差的高效网格适配》（第49届AIAA航空航天科学会议，包括新视野论坛和航空航天博览会（2011年）），214
[49] Roy，C.，CFD中驱动网格自适应的策略，（第47届美国航空航天协会航空航天科学会议，包括新视野论坛和航空航天博览会（2009）），1302
[50] Dwight，R.P.，《有限体积格式中耗散引起的误差后验估计及其在网格自适应中的应用》，J.Compute。物理。，227, 5, 2845-2863 (2008) ·Zbl 1169.76039号
[51] 卢，L。；X孟。；毛，Z。；Karniadakis，G.E.，Deepxde:解微分方程的深度学习库，SIAM Rev.，63，1，208-228（2021）·Zbl 1459.65002号
[52] Kadeethum，T。；约根森，T.M。；Nick，H.M.，《用于求解非线性扩散率和Biot方程的基于物理的神经网络》，《公共科学图书馆·综合》，第15、5期，文章e0232683页，（2020年）
[53] 韦岑伯克，J。；Shenoi，R。；Wilson，P.，径向流动渗透率测量。第a部分：理论，复合材料a，30，6，781-796（1999）
此参考列表基于出版商或数字数学图书馆提供的信息。其项与zbMATH标识符进行启发式匹配，可能包含数据转换错误。在某些情况下，zbMATH Open的数据对这些数据进行了补充/增强。这试图尽可能准确地反映原始论文中列出的参考文献，而不要求完整或完全匹配。