×
阿里·塔基里·博鲁杰尼;哈迪·卡泽米;纳赛尔·纳斯拉巴迪

多孔介质中基于图像的流动模拟的数据驱动替代物。 （英语） Zbl 1519.76262号

计算。流体 201，文章ID 104475，12 p.（2020）.
摘要：本工作的目标是利用多孔介质的数字图像开发一种数据驱动的替代品，用于高保真数值流动模拟。该模型可以捕获由随机二维（2D）圆形包创建的大量数字多孔介质中的像素级速度矢量。为了开发模型，使用2D介质的图像（固体颗粒和孔隙空间的二值图像）及其相应的像素级速度矢量（使用格子Boltzmann模拟运行计算）来训练和预测解决方案，所需的计算时间要少得多。代理模型的速度矢量预测用于计算训练中未使用的样本的渗透率张量。结果表明，速度矢量和渗透率张量的预测精度都很高。提出的方法利用高保真流动模拟生成的大量数据来解码模拟中经常未充分利用的模式，并准确预测新情况的解决方案。所开发的模型可以真正捕捉问题的物理性质，并以更低的成本增强模拟的预测能力。这些预测模型本质上并没有降低问题的空间顺序。然而，它们具有与Lattice Boltzmann模拟等价物相同的数值分辨率，其最大优点是可以通过显著降低计算成本（速度和内存）来实现其解。

引用于5文件

MSC公司：

76米28 粒子法和晶格气体法
76S05号 多孔介质中的流动；过滤；渗流

关键词：

格子Boltzmann模拟;多孔介质;机器学习;数据驱动模型;深度学习;卷积神经网络

软件：

帕拉博斯;亚当;掌中宽带
PDF格式BibTeX公司 XML格式引用
\textit{A.Takbiri-Borujeni}等人，计算。液体201，文章ID 104475，12 p.（2020；Zbl 1519.76262）
全文： 内政部 arXiv公司

参考文献：

[1] 奥吉尔，F。；Idoux，F。；Delenne，J.-Y.，球形颗粒填充床内传输和传输特性的数值模拟，化学工程科学，65，3，1055-1064（2010）
[2] Bosl，W.J。；德沃金，J。；Nur，A.，《使用格子Boltzmann模拟研究孔隙度和渗透率》，Geophys-Res-Lett，25，9，1475-1478（1998）
[3] 陈，S。；马丁内斯（D.Martinez）。；Mei，R.，关于格子Boltzmann方法中的边界条件，Phys。流体，8，9，2527-2536（1996）·Zbl 1027.76630号
[4] Chukwudozie，C。；Tyagi，M.，使用格子Boltzmann方法在三维光滑和粗糙球体包中进行孔隙尺度惯性流模拟，AlChE J，59，12，4858-4870（2013）
[5] Chukwudozie，C.P.，《真实多孔介质中惯性流动的孔隙尺度格子Boltzmann模拟：Forchheimer关系的第一原理分析》（2011），路易斯安那州立大学，硕士论文
[6] Ciresan，D。；Giusti，A。；甘巴德拉，L.M。；Schmidhuber，J.，电子显微镜图像中的深层神经网络分割神经元膜，神经信息处理系统进展，2843-2851（2012）
[7] Darcy，H.，Dalmont（1856年），巴黎：达尔蒙特
[8] d’Humieres，d.，三维多重弛豫时间晶格Boltzmann模型，Philos Trans R Soc Lond Ser A，3601792437-451（2002）·Zbl 1001.76081号
[9] 费雷奥，B。；Rothman，D.H.，Fontainebleau砂岩流动的Lattice-Boltzmann模拟，多孔介质中的多相流动，3-20（1995），Springer
[10] Ghassemi，A。；Pak，A.，《使用格子Boltzmann方法对流经颗粒介质的渗透性和曲折性进行孔隙尺度研究》，《国际数值分析方法-地质力学》，35，8，886-901（2011）·Zbl 1274.76312号
[11] 金兹堡，I。；Adler，P.，三维格子Boltzmann模型的边界流动条件分析，J Phys II，4，2，191-214（1994）
[12] 格洛洛特，X。；Bengio，Y.，《理解深度前馈神经网络训练的困难》，第十三届人工智能与统计国际会议论文集，249-256（2010）
[13] 古德费罗，I。；Pouget-Abadie，J。；米尔扎，M。；徐，B。；Warde Farley博士。；Ozair，S.，《生成对抗网》，神经信息处理系统进展，2672-2680（2014）
[14] Grigo，C。；Koutsourelakis，P.-S.，《不确定性传播的贝叶斯模型和降维：在随机介质中的应用》，SIAM/ASA J Uncertain Quantif，7，1，292-323（2019）·Zbl 1422.62377号
[15] Grigo C.，Koutsourelakis P.-S.一种物理感知的概率机器学习框架，用于小数据领域中的粗粒度高维系统。arXiv:190203968 2019a·Zbl 1453.62414号
[16] He，K。；张，X。；任，S。；Sun，J.，图像识别的深度剩余学习，IEEE计算机视觉和模式识别会议论文集，770-778（2016）
[17] Ioffe S.，Szegedy C.批量规范化：通过减少内部协变量偏移来加速深层网络训练。arXiv:150203167 2015年。
[18] Jin，G。；Patzek，T.W.，T.W.，T.W.，帕泽克（Patzek，T.W.）。；Silin，D.B.，《松散和固结储层岩石绝对渗透率的直接预测》，SPE年度技术会议和展览（2004年），石油工程师学会
[19] Kameda，A.，《砂岩渗透率演化：数字岩石方法》（2004），斯坦福大学博士论文
[20] Kingma D.P.，Ba J.Adam：随机优化方法。arXiv:14126980 2014年。
[21] Kutz，J.N.，《流体动力学深度学习》，《流体力学杂志》，814，1-4（2017）·Zbl 1383.76380号
[22] Latt，J.，Palabos，平行晶格玻尔兹曼解算器（2009），FlowKit，瑞士洛桑·Zbl 1524.76288号
[23] Lee，C.-Y。；谢S。；加拉赫，P。；张，Z。；Tu，Z.，深度监控网络，人工智能与统计，562-570（2015）
[24] Long，J。；谢尔哈默，E。；Darrell，T.，语义分割的完全卷积网络，IEEE计算机视觉和模式识别会议论文集，3431-3440（2015）
[25] R·迈尔。；Bernard，R.，Lattice-Boltzmann在孔隙尺度流动模拟中的精度，《计算物理杂志》，229，2，233-255（2010）·Zbl 1213.76203号
[26] 迈尔，R.S。；Kroll，D。；库佐夫斯基，Y。；Davis，H。；Bernard，R.S.，使用格子Bboltzmann方法模拟通过珠包的流动，《物理流体》，10，1，60-74（1998）
[27] 迈尔，R.S。；Kroll，D.M。；Bernard，R.S。；Howington，S.E。；彼得斯，J.F。；Davis，H.T.，分散的孔隙尺度模拟，物理流体，12，8，2065-2079（2000）·Zbl 1184.76340号
[28] 曼沃特，C。；阿尔托萨尔米，美国。；Koponen，A。；Hilfer，R。；Timonen，J.，三维多孔介质渗透率的Lattice Boltzmann和有限差分模拟，Phys Rev E，66，1，016702（2002）
[29] 新南威尔士州马提斯。；Chen，H.，用格子Boltzmann方法模拟复杂三维几何中的多组分流体，Phys Rev E，53，1，743（1996）
[30] 潘，C。；希尔伯特，M。；Miller，C.T.，《随机球形填料饱和渗透率的孔隙尺度模型》，《物理评论E》，64，6，066702（2001）
[31] 潘，C。；Luo，L.-S。；Miller，C.T.，多孔介质流动模拟的格子Boltzmann方案评估，计算流体，35，8-9，898-909（2006）·Zbl 1177.76323号
[32] Psihogios，J。；Kainourgiakis，M。；Yiotis，A。；帕帕约安努，A.T。；Stubos，A.，《数字重建多孔域中非牛顿流动的格子Boltzmann研究》，Transp porous Media，70，2，279-292（2007）
[33] 钱，Y.-H。；d’Humières，d。；Lallemand，P.，Navier-Stokes方程的格子BGK模型，EPL（Europhys Lett），17，6，479（1992）·Zbl 1116.76419号
[34] Raissi，M.，《深层隐藏物理模型：非线性偏微分方程的深层学习》，J Mach Learn Res，19，1，932-955（2018）·Zbl 1439.68021号
[35] Raissi M.、Perdikaris P.、Karniadakis G.E.物理学为深度学习提供了信息（第一部分）：非线性偏微分方程的数据驱动解。arXiv:171110561 2017年·Zbl 1382.65229号
[36] Raissi M.、Yazdani A.、Karniadakis G.E.隐藏流体力学：一个基于Navier-Stokes的深度学习框架，用于同化流动可视化数据。arXiv:180804327 2018年。
[37] O.Ronneberger。；菲舍尔，P。；Brox，T.，U-net：生物医学图像分割的卷积网络，医学图像计算和计算机辅助干预国际会议，234-241（2015），Springer
[38] Sanematsu，P。；沈毅。；汤普森，K。；Yu，T。；Wang，Y。；Chang，D.-L.，高加载应力下散装支撑剂充填和支撑裂缝中基于图像的stokes流建模，《Pet Sci Eng杂志》，135，391-402（2015）
[39] Seyedhosseni，M。；萨贾迪，M。；Tasdizen，T.，级联层次模型和逻辑析取正态网络的图像分割，IEEE计算机视觉国际会议论文集，2168-2175（2013）
[40] V03AT15A012-V03AT15 A012
[41] Simonyan K.，Zisserman A.用于大规模图像识别的深度卷积网络。arXiv:14091556 2014年。
[42] Srivastava R.K.、Greff K.、Schmidhuber J.公路网。arXiv:150500387 2015年。
[43] Stewart，M.L。；Ward，A.L。；Rector，D.R.，《使用格子Boltzmann方法研究孔隙几何形状对水力渗透率各向异性的影响》，Adv Water Resour，29，9，1328-1340（2006）
[44] Struchtrup，H.，稀薄气体流动的宏观输运方程，稀薄气流的宏观输运方程，145-160（2005），Springer·Zbl 1119.76002号
[45] Succi，S。；Foti，E。；Higuera，F.，用格子Boltzmann方法研究复杂几何体中的三维流动，EPL（Europhys Lett），10，5，433（1989）
[46] Sukop，M。；Thorne，D.J.，Lattice Boltzmann建模（2006），施普林格
[47] 瑞士R。；Mainini，L。；佩赫斯托弗，B。；Willcox，K.，《基于投影的模型简化：基于物理的机器学习公式》，计算流体，179，704-717（2019）·Zbl 1411.65061号
[48] Takbiri Borujeni，A.，通过支撑裂缝的惯性流多尺度建模（2013），路易斯安那州立大学博士论文
[49] Takbiri-Borujeni，A.和Ayoobi，M.（2019年）。基于物理的机器学习在燃烧建模中的应用，第11届美国国家燃烧会议，加利福尼亚州帕萨迪纳。
[50] Takbiri-Borujeni A.、Kazemi H.、Nasrabadi N.多孔介质中stoke's流动的数据驱动代理。arXiv:190506327 2019年·Zbl 1519.76262号
[51] Takbiri-Borujeni，A。；莱恩，北。；汤普森，K。；Tyagi，M.，图像分辨率和数值分辨率对使用lb和fem孔隙尺度模拟计算的固结填料渗透率的影响，计算流体，88，753-763（2013）·Zbl 1391.76715号
[52] Takbiri Borujeni，A。；Tyagi，M.，《支撑裂缝中渗透率和非达西系数的多尺度建模》，《水力压裂杂志》，3，2，64-74（2016）
[53] 特蕾西，B。；Duraisamy，K。；Alonso，J.，应用监督学习量化湍流和燃烧建模中的不确定性，第51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，259（2013）
[54] 王，Q。；赫塞文，J.S。；Ray，D.，使用人工神经网络对非定常流动进行非侵入降阶建模并应用于燃烧问题，《计算物理杂志》，384，289-307（2019）·Zbl 1459.76117号
[55] Whitaker，S.，多孔介质中的流动I：达西定律的理论推导，Transp porous media，1，1，3-25（1986）
[56] Zagoruyko S.、Komodakis N.Wide剩余网络。arXiv:16507146 2016年。
[57] Zeiler M.D.、Krishnan D.、Taylor G.W.、Fergus R.反褶积网络2010年。
[58] 詹，X。；施瓦茨，L.M。；Toksöz，M.N。；史密斯，W.C。；Morgan，F.D.，贝里亚砂岩中电性和流体运移的孔隙尺度模型，地球物理，75，5，F135-F142（2010）
[59] Zhu，Y。；Zabaras，N.，《替代建模和不确定性量化的贝叶斯深度卷积编解码网络》，《计算物理杂志》，366415-447（2018）·Zbl 1407.62091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。