×
丹尼尔·阿米尼;埃桑·哈格海亚特;鲁本·胡安斯

使用物理信息神经网络对非等温多相多孔介质力学进行反向建模。 （英语） Zbl 07715252号

J.计算。物理学。 490，文章ID 112323，17 p.（2023）.
小结：我们提出了一种利用物理信息神经网络（PINNs）识别多孔介质中多相热工水力（THM）过程参数的解决方案。我们采用了一种特别适合于反问题的无量纲形式的THM控制方程，并利用了我们在先前工作中开发的序列多物理PINN求解器。我们在多个基准问题上验证了所提出的反模型方法，包括Terzaghi等温固结问题，Barry-Merker的等温注射-生产问题和非饱和土层的非等温固结。我们报告了所提出的序列PINN-THM逆求解器的优异性能，从而为PINN在复杂非线性多物理问题逆建模中的应用铺平了道路。

引用于1文件

MSC公司：

74平方英尺 固体力学与其他效应的耦合
74Sxx型 固体力学中的数值方法和其他方法
68泰克 人工智能

关键词：

逆向建模;材料特性;多重物理量;深度学习

软件：

亚当;SciANN公司;PIN码NTK码;XPIN编号;梯度规范;NSF网络;PyTorch公司;TensorFlow公司;DiffSharp（差异锐化）
PDF格式BibTeX公司 XML格式引用
\textit{D.Amini}等人，《计算杂志》。物理学。490，文章ID 112323，17 p.（2023；Zbl 07715252）
全文： 内政部 arXiv公司

参考文献：

[1] 马丁·阿巴迪；Paul Barham；陈建民；陈志峰；安迪·戴维斯；迪恩，杰弗里；马蒂厄·德文；桑杰·盖马瓦特；杰弗里·欧文；Michael Isard，TensorFlow:大规模机器学习系统，（第12届USENIX操作系统设计与实现研讨会（OSDI 16）（2016）），265-283
[2] 阿迈勒省阿尔哈姆迪；马克·黑塞（Marc A.Hesse）。；陈景毅；Ghattas，Omar，InSAR表面变形数据中贝叶斯多孔弹性含水层特征。第一部分：最大后验估计，水资源。决议，56，10，条款e2020 WR027391 pp.（2020）
[3] 穆罕默德·阿尔马吉德。；Abu-Alsaud，Moataz O.，《利用物理信息神经网络预测多孔介质流体流动》，J.Pet。科学。工程，208，第109205条pp.（2021）
[4] 阿米尼，丹尼尔；埃桑，哈格海亚特；Juanes，Ruben，多孔介质中热工水力（THM）过程的基于物理的神经网络解决方案，J.Eng.Mech。，148，第0402270条pp.（2022）·Zbl 1507.74119号
[5] Armero，Francisco，完全饱和条件下有限应变下耦合多孔塑性乘法模型的公式化和有限元实现，计算。方法应用。机械。工程，171，3-4，205-241（1999）·Zbl 0968.74062号
[6] 巴里，S.I。；Mercer，G.N.，多孔弹性介质中二维含时流动和变形的精确解，J.Appl。机械。，66, 2, 536-540 (1999)
[7] Baydin，A.G。；Pearlmutter，B.A。；Radul，A.A。；Siskind，J.M.，《机器学习中的自动差异化：一项调查》，J.Mach。学习。研究，18，1，5595-5637（2017）
[8] Bekele，Yared W.，《多孔弹性介质中流动和变形的物理基础深度学习》（2020年），预印本
[9] Bekele，Yared W.，《一维固结的物理信息深度学习》，J.Rock Mech。岩土工程。工程师，13，2，420-430（2021）
[10] Bense，V.F。；Gleeson，T。；无爱，S.E。；布尔·O。；Scibek，J.，断裂带水文地质，Earth-Sci。版本127171-192（2013）
[11] Biot，Maurice A.，《三维固结的一般理论》，J.Appl。物理。，12, 2, 155-164 (1941)
[12] 布鲁克斯，皇家哈佛大学；Corey，Arthur T.，《影响流体流动的多孔介质特性》，J.Irrig。排水管。第92、2、61-88分册（1966年）
[13] 蔡盛泽；王志成；王思凡；巴黎佩迪卡里斯；Karniadakis，George Em，《传热问题的物理信息神经网络》，J.heat Transf。，143，6，第060801条pp.（2021）
[14] 蔡盛泽；毛志平；王志成；尹明朗；Karniadakis，George Em，《流体力学物理信息神经网络：综述》，《机械学报》。罪。，1-12 (2022)
[15] Carrera，J。；Neuman，S.P.，瞬态和稳态条件下含水层参数的估计：1。结合先验信息的最大似然法，Water Resour。研究，22，2，199-210（1986）
[16] Carrera，J。；Alcolea，A。；麦地那，A。；伊达尔戈，J。；Slooten，L.J.，《水文地质学中的反问题》，《水文地质》。J.，13，1，206-222（2005）
[17] 陈，赵；维杰省巴德里纳亚南；李、陈瑜；Gradnorm，Andrew Rabinovich，深度多任务网络中自适应损失平衡的梯度归一化，（机器学习国际会议（2018），PMLR），794-803
[18] Coussy，Olivier，《孔隙力学》（2004），John Wiley&Sons·Zbl 1120.74447号
[19] 崔，T。；马丁，J。；Marzouk，Y.M。；Solonen，A。；Spantini，A.，非线性反问题的似然信息降维，逆问题。，第30、11条，第114015页（2014年）·Zbl 1310.62030
[20] 萨尔瓦多科莫；Schiano Di Cola，Vincenzo；法比奥·詹保罗；Gianluigi Rozza；梅扎尔·莱斯；Piccialli，Francesco，《通过基于物理的神经网络进行科学机器学习：我们在哪里，下一步会发生什么》，科学杂志。计算。，92, 3, 88 (2022) ·Zbl 07568980号
[21] Dakshanamurthy，V。；Fredlund，D.G.，《在水力和温度梯度下预测非饱和土壤水分流动的数学模型》，《水资源》。Res.，17，3714-722（1981年）
[22] Ellsworth，W.L.，《注入诱发地震》，《科学》，第341页，第1225942条，pp.（2013）
[23] 塞德里克·弗雷斯。；Tchelepi，Hamdi，Physics为多孔介质中流动和传输的深入学习提供了信息，（SPE油藏模拟会议，SPE油藏仿真会议，OnePetro（2021）），第SPE-203934-MS页
[24] 塞德里克·弗雷斯。；阿德里安·帕皮奥安诺；Tchelepi，Hamdi，Physics为多孔介质传输的深度学习提供了信息。Buckley Leverett问题（2020年），预印
[25] 奥尔加福克斯；Tchelepi，Hamdi A.，多孔介质中非线性两相传输的物理机器学习的局限性，J.马赫。学习。模型。计算。，1, 1, 19-37 (2020)
[26] Gabrielli，P。；Poluzzi，A。；Kramer，G.J。；斯皮尔斯，C。；Mazzotti，M。；Gazzani，M.，《通过地下储氢实现零排放多能源系统的季节性储能》，更新。维持。《能源评论》，121，第109629条pp.（2020）
[27] 加洛韦，D.L。；Burbey，T.J.，《伴随地下水开采的区域地面沉降》，《水文地质》。J.，19，8，1459-1486（2011）
[28] Dariusz Gawin；Schrefler，Bernhard A。；Galindo，M.，部分饱和多孔材料的热工水力力学分析，工程计算。，13, 7, 113-143 (1996) ·Zbl 0983.76514号
[29] Gorelick，S.M。；郑，C.，《全球变化与地下水管理挑战》，《水资源》。研究，51，5，3031-3051（2015）
[30] 伊桑·哈希亚特；SciANN，Ruben Juanes，使用人工神经网络进行科学计算和基于物理的深度学习的Keras/TensorFlow包装器，Compute。方法应用。机械。工程，373，第113552条pp.（2021）·Zbl 1506.65251号
[31] 埃桑，哈格海亚特；马齐亚·莱斯；阿德里安·穆尔（Adrian Moure）；赫克托尔·戈麦斯（Hector Gomez）；Juanes，Ruben，《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。Eng.，379，第113741条，第（2021）页·Zbl 1506.74476号
[32] 伊桑·哈希亚特；阿米尼，丹尼尔；Juanes，Ruben，使用应力分裂序列训练对多相孔隙弹性进行基于物理的神经网络模拟，计算。方法应用。机械。工程，397，第115141条pp.（2022）·Zbl 1507.74119号
[33] 竖琴，迪伦·罗伯特；Dan O'Malley；严必成；Rajesh Pawar，《关于将物理信息机器学习用于地下油藏压力管理的可行性》，专家系统。应用。，178，第115006条pp.（2021）
[34] 马克·黑塞（Marc A.Hesse）。；Stadler，Georg，耦合准静态孔隙弹性的联合反演，J.Geophys。固体地球研究，119，2，1425-1445（2014）
[35] 马可·A·伊格莱西亚斯。；McLaughlin，Dennis，耦合地下水流和地质力学模型中的数据反演，反演问题。，第28、11条，第115009页（2012年）·Zbl 1282.86015号
[36] Ipcc，《二氧化碳捕获和储存特别报告》，B.Metz等人（编辑）（2005年），剑桥大学出版社
[37] 贾加卢·莫汉（Jagalur-Mohan），贾扬斯（Jayanth）；贾·比伦德拉；王、郑；朱安斯（Juanes）、鲁本（Ruben）；Marzouk，Youssef，从注入诱发的地震活动推断断层摩擦和储层水力特性，Geophys。Res.Lett.公司。，45, 3, 1313-1320 (2018)
[38] 阿米亚·贾格塔普（Ameya D.Jagtap）。；Karniadakis，George Em，《扩展物理信息神经网络（xPINNs）：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
[39] 阿米亚·贾格塔普（Ameya D.Jagtap）。；Ehsan Kharazmi；Karniadakis，George Em，守恒定律离散域上的保守物理信息神经网络：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）·兹比尔1442.92002
[40] 贾·比伦德拉；Juanes，Ruben，《耦合流和油藏地质力学模拟的局部保守有限元框架》，《岩土学报》。，2, 3, 139-153 (2007)
[41] 贾·比伦德拉；Juanes，Ruben，耦合多相流和孔隙力学：孔隙压力对断层滑动和地震触发影响的计算模型，水资源。研究，50，5，3776-3808（2014）
[42] 贾·比伦德拉；弗朗西斯卡·博塔齐；Rafal Wojcik；Coccia，Martina；诺亚·贝科；丹尼斯·麦克劳林（Dennis McLaughlin）；Thomas Herring；Bradford H.哈格。；曼蒂卡、斯特凡诺；Juanes，Ruben，《使用流量和大地测量数据联合反演地下储气场中的储层特征》，国际期刊Numer。分析。方法地质力学。，39, 14, 1619-1638 (2015)
[43] 金小伟；蔡盛泽；李慧；Karniadakis，George Em，NSFnets（Navier-Stokes流网）：不可压缩Navier-Stokes方程的物理信息神经网络，J.Compute。物理。，426，第109951条pp.（2021）·Zbl 07510065号
[44] 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 pp.（2020）
[45] Kang，P.K。；郑毅。；方，X。；Wojcik，R。；McLaughlin，D。；布朗，S。；费勒，M.C。；伯恩斯，D.R。；Juanes，R.，《用于改进裂隙介质特征的联合流动-地震反演的序贯方法》，Water Resour。决议，52，2，903-919（2016）
[46] 乔治·埃姆（George Em），卡尼亚达基斯（Karniadakis）；Ioannis G.Kevrekidis。；卢，卢；巴黎佩迪卡里斯；王思凡；Yang，Liu，Physics-informated machine learning，国家物理评论。，3, 6, 422-440 (2021)
[47] Keranen，K.M。；温加滕，M。；阿伯斯，G.A。；Bekins，学士。；Ge，S.，大规模废水注入导致2008年以来俄克拉荷马州中部地震活动急剧增加，《科学》，345448-451（2014）
[48] 阿米尔·R·科伊。；阿米尼，达尼尔；穆罕默德，S。；Mortazavi，S.，《使用扩展有限元法模拟可变形裂隙多孔介质中具有相变的非等温两相流体流动》，国际期刊数值。方法工程，122，4378-4426（2021）
[49] Kim，Jihoon；哈姆迪·A·切列皮。；Juanes，Ruben，耦合流和地质力学序列方法的稳定性和收敛性：固定应力和固定应变分裂，计算。方法应用。机械。工程，200,13-161591-1606（2011）·Zbl 1228.74101号
[50] 金，吉洪；哈姆迪·A·切列皮。；Juanes，Ruben，地质力学与强毛细多相流的严格耦合，SPE J.，18，06，1123-1139（2013）
[51] Kingma，Diederik P。；Ba Adam，Jimmy，《随机优化方法》（2014），预印本
[52] Laubscher，Ryno，使用物理信息神经网络模拟多物种流动和传热，Phys。流体，33，8，第087101条pp.（2021）
[53] 罗兰·刘易斯。；Schrefler，B.A.，多孔介质静态和动态变形与固结的有限元方法（1998），John Wiley&Sons·Zbl 0935.74004号
[54] David E.Lumley，《时间推移地震储层监测》，《地球物理学》，第66、1、50-53页（2001年）
[55] 毛志平；阿米亚·贾格塔普（Ameya D.Jagtap）。；Karniadakis，George Em，《高速流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
[56] McLaughlin，D。；Townley，L.R.，地下水反问题的重新评估，水资源。决议，32，5，1131-1161（1996）
[57] Caterina Millevoi、Nicolo Spiezia、Massimiliano Ferronato，《关于耦合水-气-机械问题的物理信息神经网络架构》，见SSRN 40744162022。
[58] Milora，S.L。；Tester，J.W.，《地热能作为电力来源：热力学和经济设计标准》（1976年），麻省理工学院出版社
[59] 穆罕默德·内贾德，T。；Khoei，A.R.，使用扩展有限元法对多相多孔介质中粘性裂纹扩展的流体力学建模，国际期刊数值。分析。方法地质力学。，37, 10, 1247-1279 (2013)
[60] 国家研究委员会，《能源技术诱发地震潜力》（2013年），国家科学院出版社：华盛顿特区国家科学院
[61] Niaki、Sina Amini；伊桑·哈希亚特；特雷弗·坎贝尔；Poursartip，Anoush；Vaziri，Reza，《制造过程中复合物-酚系统热化学固化过程建模的物理信息神经网络》，计算机。方法应用。机械。Eng.，384，第113959条，第（2021）页·Zbl 1506.74123号
[62] 迪安·奥利弗（Dean S.Oliver）。；陈燕，储层历史拟合的最新进展：综述，计算。地质科学。，15, 1, 185-221 (2011) ·Zbl 1209.86001号
[63] 亚当·帕斯克（Adam Paszke）；格罗斯，萨姆；马萨，弗朗西斯科；亚当·勒勒；詹姆斯·布拉德伯里（James Bradbury）；格雷戈里·查南（Gregory Chanan）；特雷弗·基林；林泽明；纳塔利亚·吉梅尔谢恩（Natalia Gimelshein）；Antiga、Luca、Pytorch：一个命令式、高性能的深度学习库，Adv.Neural Inf.Process。系统。，2019, 32 (2019)
[64] 菲利普·约瑟夫·菲利普斯；Wheeler，Mary F.，多孔弹性的混合和连续Galerkin有限元方法耦合I：时间连续情况，计算。地质科学。，11, 2, 131-144 (2007) ·Zbl 1117.74015号
[65] 菲利普·约瑟夫·菲利普斯；Wheeler，Mary F.，多孔弹性的混合和连续Galerkin有限元方法耦合II：离散时间情况，计算。地质科学。，11, 2, 145-158 (2007) ·Zbl 1117.74016号
[66] 马齐亚·莱斯；巴黎佩迪卡里斯；George E.Karniadakis，《基于物理的神经网络：用于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
[67] 饶成平；孙浩；Liu，Yang，Physics-informated deep learning for uncompressive layeral flows，Theor（刘，杨，物理-不可压缩层流的深入学习）。申请。机械。莱特。，10, 3, 207-212 (2020)
[68] 饶成平；孙浩；Liu，Yang，Physics-informed deep learning for computational弹性动力学，无标记数据，J.Eng.Mech。，147，8，第04021043条pp.（2021）
[69] Schrefler，B.A.，饱和/非饱和多孔材料和定量溶液的力学和热力学，应用。机械。修订版，55、4、351-388（2002）
[70] Schrefler，B.A.，多孔材料变形中的多相流动，国际数字杂志。方法工程，60，1，27-50（2004）·Zbl 1060.74536号
[71] Bernard A.Schrefler。；詹晓勇；Simoni，Luciano，《可变形多孔介质中水流、气流和热流的耦合模型》，国际期刊编号。热流体流动方法，5，6（1995）·Zbl 0847.76083号
[72] 安东宁·塞塔利（Antonin Settari）；Mourits，F.M.，储层和地质力学模拟系统耦合，SPE J.，3，03，219-226（1998）
[73] Shokouhi，P。；库马尔，V。；Prathipati，S。；侯赛尼，S.A。；贾尔斯，C.L。；Kifer，D.，Physics-informated deep learning for prediction of CO2 storage site response，J.Contam，《预测CO2储存场所响应的物理信息深度学习》。水文。，第103835条pp.（2021）
[74] Sophocleous，M.，《地下水和地表水之间的相互作用：科学现状》，《水文地质学》。J.，10，1，52-67（2002）
[75] Szulczewski，M.L。；麦克明，C.W。；Herzog，H.J。；Juanes，R.，作为气候变化缓解技术的碳捕获和储存寿命，Proc。国家。阿卡德。科学。美国，109，14，5185-5189（2012）
[76] 亚历山大·塔塔科夫斯基（Alexandre M.Tartakovsky）。；Ortiz Marrero，C。；巴黎佩迪卡里斯；塔塔科夫斯基（Guzel D.Tartakovsky）。；Barajas-Solano，David，Physics-informated deep neural networks for learning parameters and construction relationship in surface flow problems，Water Resour，《物理深层神经网络在地下水流问题中学习参数和本构关系》。决议，56，5，条款e2019WR026731 pp.（2020）
[77] 托马斯·L·K。；Chin，L.Y。；皮尔森，R.G。；Sylte，J.E.，地质力学与储层模拟耦合，SPE J.，8，04，350-358（2003）
[78] Vasco，D.W。；Karasaki，Kenzi；Kishida，Kiyoshi，《压力和地表位移的耦合反演》，《水资源》。第37、12、3071-3089号决议（2001年）
[79] Veil，John A.，《钻井废物管理：过去、现在和未来》，（SPE年度技术会议和展览。SPE年度科技会议和展览，OnePetro（2002）），第SPE-77388-MS页
[80] 王海峰，《线性多孔弹性理论》（2000），普林斯顿大学出版社
[81] 王思凡；滕玉君；Perdikaris，巴黎，《理解和缓解物理信息神经网络中的梯度病理学》，SIAM J.Sci。计算。，43、5、A3055-A3081（2021）·Zbl 1530.68232号
[82] 王思凡；Shyam Sankaran；Perdikaris，Paris，《尊重因果关系是训练物理知情神经网络所需要的一切》（2022），预印本
[83] 王思凡；于新玲；佩迪卡里斯（Perdikaris），巴黎，《PINN未能训练的时间和原因：神经切线内核视角》，J.Compute。物理。，449，第110768条pp.（2022）·Zbl 07524768号
[84] 约书亚·A·怀特。；Borja，Ronaldo I.，耦合固体变形/流体扩散的稳定低阶有限元及其在断层带瞬变中的应用，计算。方法应用。机械。工程，197，49-50，4353-4366（2008）·Zbl 1194.74480号
[85] 吴金龙；肖恒；Paterson，Eric，《增强湍流模型的基于物理的机器学习方法：综合框架》，Phys。流体版本，第3、7条，第074602页（2018年）
[86] 齐恩基维茨，O.C。；Chan，A.H.C。；Pastor，M。；Schrefler，B.A。；Shiomi，T.，《特别参考地震工程的计算地质力学》（1999），威利·Zbl 0932.74003号
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。