[论文解读] Neural Network Based Pore Flow Field Prediction in Porous Media Using Super Resolution

Xuhui Zhou, James McClure+2 more|arXiv (Cornell University)|Sep 20, 2021

Seismic Imaging and Inversion Techniques被引用 4

一句话总结

本文提出一种深度学习方法，通过将粗网格速度场作为神经网络的附加输入，显著提升了多孔介质中孔隙尺度流场预测的准确性，尤其在非均质、溶孔型多孔介质中表现更优，相比仅依赖几何结构的模型。该方法利用低成本的粗网格模拟提供全局物理约束，增强了模型泛化能力，而无需显式引入基于物理的损失函数。

ABSTRACT

Direct pore-scale simulations of fluid flow through porous media are computationally expensive to perform for realistic systems. Previous works have demonstrated using the geometry of the microstructure of porous media to predict the velocity fields therein based on neural networks. However, such trained neural networks do not perform well for unseen porous media with a large degree of heterogeneity. In this study we propose that incorporating a coarse velocity field in the input of neural networks is an effective way to improve the prediction performance. The coarse velocity field can be simulated with a low computational cost and provides global information to regularize the ill-posedness of the learning problem, which is usually caused by the use of local geometries due to the computational resource constraints. We show that incorporating the coarse-mesh velocity field significantly improves the prediction accuracy of the fine-mesh velocity field by comparison to the prediction that relies on geometric information alone, especially for the porous medium with a large interior vuggy pore space. We also show the flexibility of training the network in using coarse velocity fields with various resolutions. The results suggest that even using coarse velocity field with a very low resolution, the predictions are still enhanced and close to the ground truths. The feasibility of the method is further demonstrated by testing the trained network on real rocks. This study highlights the merits of incorporating a coarse-mesh velocity field into the input for neural networks, which provides global, physics-based information for the model, thereby improving the model's generalization capability.

研究动机与目标

• 解决利用深度学习准确预测多孔介质中高分辨率孔隙尺度速度场的挑战。
• 克服仅依赖几何结构的神经网络在应用于未见的、高度非均质多孔介质时泛化能力差的问题。
• 探究将粗网格速度场作为输入是否能提升预测精度与模型鲁棒性。
• 评估不同分辨率的粗速度场在提升细尺度流场预测性能方面的有效性。
• 在真实岩心样品上验证该方法，证明其在合成模拟之外的实际可行性。

提出的方法

• 训练一个卷积神经网络（CNN），根据包含多孔微观结构几何形状和粗网格速度场的输入特征，预测细网格速度场。
• 粗速度场通过低保真度模拟（如LBM）在较低分辨率下计算得出，以极低计算成本提供全局流体物理信息。
• 网络通过高保真度直接数值模拟（DNS）生成的标注数据进行端到端训练，未施加任何物理约束。
• 采用三立方插值作为基线方法，用于与粗速度场对比重建细尺度速度场。
• 在具有不同孔隙复杂度的合成子体积上测试该方法，包括完全填充和溶孔型孔隙结构。
• 通过在真实岩心微观结构上测试训练好的模型，评估其泛化能力，验证其可迁移性。

实验结果

研究问题

• RQ1 将粗网格速度场作为输入是否能显著提升基于深度学习的细尺度孔隙流场预测精度？
• RQ2 粗速度场的分辨率如何影响神经网络的预测性能？
• RQ3 在预测未见的、高度非均质多孔介质中的流动时，所提方法是否比仅依赖几何结构的模型具有更好的泛化能力？
• RQ4 在合成数据上训练的模型是否能准确预测真实岩心微观结构中的流场？
• RQ5 粗速度场在多大程度上缓解了由局部几何输入引起的病态学习问题？

主要发现

• 与仅依赖几何结构的模型相比，引入粗速度场可将预测误差降低高达50%，尤其在具有大尺寸内部溶孔空间的多孔介质中效果显著。
• 即使粗速度场分辨率仅为16³，vuggy子体积的预测误差也降至36.4%，而仅使用三立方插值的误差为58.0%。
• 当使用更高分辨率的粗速度场（32³）时，vuggy子体积的误差进一步降低至19.1%，证明了该方法的可扩展性。
• 在合成数据上训练的模型在真实岩心微观结构上表现出良好的泛化能力，证实了该方法的实际可行性与鲁棒性。
• 在复杂、非均质介质中，该方法的改进最为显著，因为仅依赖几何结构的模型因缺乏全局上下文信息而失效。
• 该方法在不显式引入质量守恒等物理约束的情况下增强了泛化能力，表明粗网格物理信息作为输入可隐式正则化学习过程。