[논문 리뷰] A Machine Learning-Enhanced Hopf-Cole Formulation for Nonlinear Gas Flow in Porous Media

V. S. Maduru, K. B. Nakshatrala|arXiv (Cornell University)|2026. 03. 11.

CO2 Sequestration and Geologic Interactions인용 수 0

한 줄 요약

본 논문은 Hopf–Cole 변환을 사용하여 Klinkenberg 비선형 가스 흐름을 선형화하고, 공유-트렁크 신경망과 Deep Least-Squares 솔버를 결합한 DeepLS 프레임워크를 제안하여 안정적이고 정확한 압력 및 속도 예측과 역 매개변수 추정 성능을 제공합니다.

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.

연구 동기 및 목표

• 압력 의존 침투율(Klinkenberg 효과)을 갖는 비선형 가스 흐름 모델에서 수렴성과 안정성 문제를 해결한다.
• 다공성 매질에서 압력 및 속도 필드의 정확하고 안정적인 예측을 달성한다.
• 제한된 데이터로부터 압력 의존 침투율 및 미끄러짐 매개변수를 효율적으로 역모형화할 수 있도록 한다.

제안 방법

• Hopf–Cole 변환을 적용하여 Klinkenberg 기반의 비선형 흐름을 변환된 압력에서 선형 Darcy 유형 시스템으로 변환하기 위해 Hopf–Cole 변환을 적용한다.
• 가압-속도 혼합 시스템을 구성하고 가중 잔차 함수에서 구축된 Deep Least-Squares (DeepLS) 목표를 통해 이를 강제한다.
• 변환된 압력에 대해 분리된 헤드를 갖는 공유-트렁크 신경망을 사용하여 물리적 결합을 강제한다.
• 이질적인 필드를 포착하기 위해 신경 입력에 Fourier-feature 리프팅을 적용하고 자동 미분으로 도함수를 계산한다.
• 도메인 및 경계에 걸친 몬테카를로 콜로케이션 포인트를 사용하여 DeepLS 함수적의 적분을 근사한다.
• 학습 중 내부 잔차와 경계 잔차의 균형을 맞추기 위해 적응형 손실 가중치 전략을 채택한다.

실험 결과

연구 질문

• RQ1 Hopf–Cole 변환이 Klinkenberg 효과를 갖는 비선형 가스 흐름 방정식의 해법 가능성과 조건화에 어떤 영향을 미치는가?
• RQ2 공유-트렁크 신경망과 DeepLS가 비선형 다공성 매질 흐름에서 압력 및 속도 필드에 대해 정확하고 안정적인 예측을 제공할 수 있는가?
• RQ3 간접 관측으로부터 압력 의존 침투율과 미끄러짐 매개변수를 얼마나 효과적으로 복원할 수 있는가?
• RQ4 이론상 및 수치적으로 제안된 해법의 수렴성과 안정성 특성은 무엇인가?
• RQ5 다양한 압력 분위기에서 역모형화 능력은 어떻게 작동하는가?

주요 결과

• Hopf–Cole 변환은 변환된 압력에서 선형 시스템을 산출하여 비선형 가스 흐름 방정식의 해를 더 수월하게 만든다.
• 공유-트렁크 신경망을 통한 혼합 형식은 압력과 속도 간의 일관된 결합을 강제하여 속도-필드의 정밀도를 향상시킨다.
• DeepLS 해법은 비음수, 대칭적, 양의 정의인 목적 함수를 산출하여 안정적이고 강건한 학습 및 해의 정확성에 기여한다.
• 이 프레임워크는 제한된 관측으로부터 압력 의존 침투율과 미끄러짐 매개변수를 추정하는 역 모형화를 지원한다.
• 수치 결과는 다양한 압력 구간에서 흐름 역학 및 매개변수의 정확한 복원을 입증하며, 강건성과 계산 효율성을 보여준다.