Rapid Permeability Upscaling of Digital Porous Media via Physics‐Informed Neural Networks
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
Abstract Subsurface processes are important in solving many of the grand challenges facing our society today, including the sustainable extraction of hydrocarbons, the permanent geological sequestration of carbon dioxide, and the seasonal storage of renewable energy underground. Permeability characterization of underground rocks is the critical first step in understanding and engineering these processes. While recent advances in machine learning methods have enabled fast and efficient permeability prediction of digital rock samples, their practical use remains limited since they can only accommodate subsections of the digital rock samples, which is often not representative of properties at the core‐scale. Here, we derive a novel analytical solution that approximates the effective permeability of a three‐dimensional (3D) digital rock consisting of 2 × 2 × 2 anisotropic cells based on the physical analogy between Darcy’s law and Ohm’s law. We further develop physics‐informed neural network (PINN) models that incorporate the analytical solution and subsequently demonstrate that the PINN equipped with the physics‐informed module achieves excellent accuracy, even when used to upscale previously unseen samples over multiple levels of upscaling. Our work elevates the potential of machine learning models such as 3D convolutional neural network for rapid, end‐to‐end digital rock analysis at the core‐scale.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| 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