[論文レビュー] PINNs for the Solution of the Hyperbolic Buckley-Leverett Problem with a Non-convex Flux Function

Waleed Diab, Mohammed Al Kobaisi|arXiv (Cornell University)|Dec 29, 2021

Model Reduction and Neural Networks被引用数 7

ひとこと要約

本稿では、非凸フラックス関数を伴う双曲型Buckley-Leverett方程式を解くための物理情報付きニューラルネットワーク（PINN）手法を提案する。人工的粘性を追加せずに、Oleinikのエントロピー条件を残差損失に直接埋め込むことで、物理的整合性を確保する。Adam最適化子と残差に基づく適応的リファインメント（RAR）を用いることで、L2損失が1×10⁻⁶、L2検証誤差が2×10⁻²にまで低下し、追加の正則化や損失重み付けなしにショックフロントを正確に捉えることに成功した。

ABSTRACT

The displacement of two immiscible fluids is a common problem in fluid flow in porous media. Such a problem can be posed as a partial differential equation (PDE) in what is commonly referred to as a Buckley-Leverett (B-L) problem. The B-L problem is a non-linear hyperbolic conservation law that is known to be notoriously difficult to solve using traditional numerical methods. Here, we address the forward hyperbolic B-L problem with a nonconvex flux function using physics-informed neural networks (PINNs). The contributions of this paper are twofold. First, we present a PINN approach to solve the hyperbolic B-L problem by embedding the Oleinik entropy condition into the neural network residual. We do not use a diffusion term (artificial viscosity) in the residual-loss, but we rely on the strong form of the PDE. Second, we use the Adam optimizer with residual-based adaptive refinement (RAR) algorithm to achieve an ultra-low loss without weighting. Our solution method can accurately capture the shock-front and produce an accurate overall solution. We report a L2 validation error of 2 x 10-2 and a L2 loss of 1x 10-6. The proposed method does not require any additional regularization or weighting of losses to obtain such accurate solution.

研究の動機と目的

• 非凸フラックス関数を伴う双曲型Buckley-Leverett問題を物理情報付きニューラルネットワーク（PINN）を用いて解く挑戦に応えること。
• Oleinikのエントロピー条件をPINNフレームワークに直接埋め込むことで、残差損失に人工的粘性や拡散項を追加する必要を排除すること。
• 追加の正則化や損失重み付けなしに、ショックフロントのダイナミクスに対する高精度な解を得ること。
• 残差に基づく適応的リファインメント（RAR）とAdam最適化子を組み合わせることで、双曲型保存則の損失を最小化する有効性を示すこと。

提案手法

• PINNフレームワークは、拡散項を追加せずに、強形式の双曲型Buckley-Leverett PDEを解く。
• Oleinikのエントロピー条件をニューラルネットワークの残差に直接埋め込み、物理的整合性を確保する。
• Adam最適化子を残差に基づく適応的リファインメント（RAR）と組み合わせ、トレーニング中の重みを動的に調整して損失を低減する。
• 損失関数はPDEとエントロピー条件の残差のみで定義され、追加の重み付けや正則化は行わない。
• ドメイン全体に散らばるコロケーション点を用いて、PDEとエントロピー条件を同時に強制する。
• エンドツーエンドのトレーニングにより、残差損失を最小化すると同時に、シャープなショックフロントの解像度を維持する。

実験結果

リサーチクエスチョン

• RQ1 PINNは人工的粘性を用いずに、非凸フラックス関数を伴う双曲型Buckley-Leverett問題を正確に解くことができるか？
• RQ2 Oleinikのエントロピー条件をPINNの残差に直接埋め込む手法は、ショック不連続性の捉え方にどの程度効果的か？
• RQ3 Adam最適化子と組み合わせた残差に基づく適応的リファインメント（RAR）は、損失重み付けや正則化なしに超低損失を達成できるか？
• RQ4 この挑戦的な双曲型保存則において、L2損失と検証誤差はどの程度の精度に達するか？

主な発見

• L2損失が1×10⁻⁶に達し、PDEの強制に起因する残差誤差が極めて小さいことを示している。
• L2検証誤差が2×10⁻²であり、未学習のテストポイントに対しても高い精度を示している。
• 人工的粘性や数値的拡散を導入せずに、ショックフロントが正確に捉えられている。
• 追加の正則化や損失重み付けを必要とせず、解は安定的かつ高精度を維持している。
• 残差に基づく適応的リファインメント（RAR）は、トレーニング中の収束性を効果的に改善し、損失を最小化した。
• PINNフレームワークは、PDEの強形式とエントロピー条件のみを用いて、非凸フラックスを伴うBuckley-Leverett問題を成功裏に解いた。