[論文レビュー] A Machine Learning-Enhanced Hopf-Cole Formulation for Nonlinear Gas Flow in Porous Media

V. S. Maduru, K. B. Nakshatrala|arXiv (Cornell University)|Mar 11, 2026

CO2 Sequestration and Geologic Interactions被引用数 0

ひとこと要約

この論文は、Hopf–Cole変換を用いてKlinkenberg非線形ガス流を線形化し、共有トランクニューラルネットワークと安定で正確な圧力・速度予測および逆パラメータ推定のためのDeep Least-Squaresソルバーを組み合わせたDeepLSフレームワークを提案します。

ABSTRACT

Accurate modeling of gas flow through porous media is critical for many technological applications, including reservoir performance prediction, carbon capture and sequestration, and fuel cells and batteries. However, such modeling remains challenging due to strong nonlinear behavior and uncertainty in model parameters. In particular, gas slippage effects described by the Klinkenberg model introduce pressure-dependent permeability, which complicates numerical simulation and obscures deviations from classical Darcy flow behavior. To address these challenges, we present an integrated modeling framework for gas transport in porous media that combines a Klinkenberg-enhanced constitutive relation, Hopf-Cole-transformed mixed-form linear governing equations, a shared-trunk neural network architecture, and a Deep Least-Squares (DeepLS) solver. The Hopf-Cole transformation reformulates the original nonlinear flow equations into an equivalent linear system closely related to the Darcy model, while the mixed formulation, together with a shared-trunk neural architecture, enables simultaneous and accurate prediction of both pressure and velocity fields. A rigorous convergence analysis is performed both theoretically and numerically, establishing the stability and convergence properties of the proposed solver. Importantly, the proposed framework also naturally facilitates inverse modeling of pressure-dependent permeability and slippage parameters from limited or indirect observations, enabling efficient estimation of flow properties that are difficult to measure experimentally. Numerical results demonstrate accurate recovery of flow dynamics and parameters across a wide range of pressure regimes, highlighting the framework's robustness, accuracy, and computational efficiency for gas transport modeling and inversion in tight formations.

研究の動機と目的

• 圧力依存透過率（Klinkenberg効果）を伴う非線形ガス流モデルの収束性と安定性の課題に対処する。
• 多孔性媒体における圧力場と速度場の両方の正確で安定した予測を達成する。
• 限られたデータから圧力依存透過率と滑りパラメータの効率的な逆モデリングを可能にする。

提案手法

• Hopf–Cole変換を適用して非線形Klinkenbergベースの流れを変換された圧力で線形ダルシー型系に変換する。
• 混合型の圧力–速度系を定式化し、重み付き残差汎関数から構築されるDeep Least-Squares（DeepLS）目的関数でそれを課す。
• 変換圧力に対して分かれたヘッドを持つ共有トランクニューラルネットワークを用いて物理的結合を課す。
• ニューラル入力のフーリエ特徴リフティングを用いて異質な場を捉え、微分を自動微分で計算する。
• DeepLS汎関数の積分をドメインと境界上のモンテカルロ配置点で近似する。
• トレーニング時に interior residuals と boundary residuals のバランスを取る適応的損失重み付け戦略を採用する。

実験結果

リサーチクエスチョン

• RQ1 Hopf–Cole変換がKlinkenberg効果を伴う非線形ガス流方程式の解法可能性と条件付けにどのような影響を及ぼすか。
• RQ2 共有トランクニューラルネットワークとDeepLSで非線形多孔媒体流れに対して圧力・速度場の正確で安定した予測を提供できるか。
• RQ3 フレームワークは間接観測から圧力依存透過率と滑りパラメータをどれだけ効果的に回復できるか。
• RQ4 提案ソルバーの収束性と安定性の理論的・数値的特性はどうか。
• RQ5 異なる圧力 regime において逆モデリング機能はどの程度 performantか。

主な発見

• Hopf–Cole変換により変換後圧力の線形系が得られ、非線形ガス流方程式の解法がより扱いやすくなる。
• 共用トランクニューラルネットワークを用いた混合定式化は、圧力と速度の間の結合を一貫して課すことで速度場の忠実度を向上させる。
• DeepLSソルバーは非負・対称・正定値の目的関数を生み出し、安定で頑健な学習と解の精度に寄与する。
• フレームワークは限られた観測から圧力依存透過率と滑りパラメータの逆モデリングをサポートする。
• 数値結果は広範な圧力 regime において流れダイナミクスとパラメータの正確な回復を示し、ロバスト性と計算効率を示す。