Physics Informed Deep Learning for Flow and Transport in Porous Media
2024-10-21 06:27:31
Paper presented at the SPE Reservoir Simulation Conference, On-Demand, October 2021.
这篇论文关注石油储藏模拟问题，应用PINN解决该领域的问题，并对标准PINN进行了改进来适应本领域的问题。显然，本篇论文专业性较强，很多东西我未能理解。因此对于本篇工作我只有一个大概模糊的理解：对于标准PINN，作者从物理规律方面入手进行了改进，不同于我此前看过的聚焦于神经网络（也就是从深度学习的角度进行改进）。此前读到过这方面的一些介绍，在PDE约束之外，在具体的问题中，往往还有其他的物理条件存在（如守恒条件，以及本文提到的熵条件），如果能妥善的处理这些条件，则可以为PINN提供更多的信息，来帮助神经网络的收敛。
在面对冲击时，标准PINN是无力去寻找到一个令人满意得解决方案。
因此，作者使用了一个凸包来替换原始的分数流（具体的我并不了解）
作者说明，可以观察到PINN明显的改善当熵条件被添加到问题中时。这就表明通过物理推理，而不是纯粹的网络参数调优，也可以显著的提高PINN的适用性。这大概就是这篇文章目前带给我的收获吧，剩余部分受限于目前PDE理论基础薄弱，未能继续阅读下去，甚是遗憾。
最新文章
- Myeclipse安装SVN插件（转）
- SetForegroundWindow激活窗口
- 一句SQL实现获取自增列操作
- 关于API的设计与实现
- Android之Fragment学习笔记①
- Android开发之手势滑动（滑动手势监听）详解
- JAVASCRIPT实现XML分页
- 基于visual Studio2013解决C语言竞赛题之1015日期计算
- 数据结构 - AVL木
- 案例研究：Web应用出现间歇性的SqlException
- linux下mysql启动出错
- IdentityServer Topics（5）- 使用第三方登录
- PostgreSQL=>递归查询
- ELK学习总结（2-4）bulk 批量操作-实现多个文档的创建、索引、更新和删除
- Ubuntu 插入鼠标自动禁用触控板
- c# 在.NET使用Newtonsoft.Json转换,读取,写入json
- Docker自动补全容器名
- sqlzoo 之 nobel 错题集
- Python：导入自定义模块
- Python3字符编码