Partial Learning Using Partially Explicit Discretization for Multicontinuum/Multiscale Problems with Limited Observation: Dual Continuum Heterogeneous Poroelastic Media Simulation
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
In this paper, we consider the poroelasticity problem in heterogeneous media. The mathematical model is described by a coupled system of equations for displacement and pressure in the coupled dual continuum porous media. We propose a new method based on hybrid explicit–implicit (HEI) learning to solve the poroelasticity problem in dual continuum heterogeneous media. We use a finite element method with standard linear basis functions for spatial approximation. We apply the explicit–implicit time scheme, where the explicit scheme is used for the low-conductive continuum and the implicit scheme for the high-conductive. The fixed-strain splitting scheme is used to accelerate the computation and decouple the flow and mechanics problems. The main idea of the proposed method is partial learning of particular degrees of freedom of the high-conductive continuum’s pressure (implicit part of the flow). First, we train a deep neural network (DNN) to obtain values of the implicit part of the flow at some spatial points at some time moments. Then, we apply the Discrete Empirical Interpolation Method (DEIM) combined with Proper Orthogonal Decomposition (POD) to restore the complete implicit parts and perform linear interpolation over time. Consequently, we treat the high-conductive continuum’s pressure as a known function and use it to find the other continuum’s pressure and displacements. Numerical results for the two-dimensional model problem are presented. The results demonstrate that the proposed method provides fast and accurate predictions.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle