CNN с физическим обучением предсказывают течение жидкости в пористых средах
Ученые представили новую нейросетевую методику для моделирования течения жидкости в пористых средах. Работа опубликована на arXiv (ID: 2605.20250) и описывает архитектуру сверточной нейронной сети, которая предсказывает поля скорости на уровне пор непосредственно по геометрии образца.
Традиционное численное моделирование таких течений связано с решением уравнений Навье-Стокса и требует значительных вычислительных затрат, особенно при многократных расчетах. Предложенный подход использует кодер-декодер со skip-соединениями для сохранения пространственных деталей и извлечения мультимасштабных признаков.
Особенность метода — кастомная функция потерь, включающая не только реконструкцию скорости, но и условия несжимаемости, непроницаемости твердых тел, периодичности и соответствия глобальному показателю извилистости. Авторы проанализировали влияние весов этих компонентов на точность прогнозов.
Модель протестирована на образцах, выходящих за пределы обучающей выборки: с измененной геометрией препятствий, граничными условиями, пористостью и реалистичной структурой. Результаты показали высокую обобщающую способность сети.
Практическое применение продемонстрировано через разогрев (warm-start) симуляций Lattice-Boltzmann: предсказанные сеткой поля скорости использовались как начальные условия, что сократило число итераций более чем в 90% тестовых случаев. Это может существенно ускорить расчеты в инженерных задачах, связанных с фильтрацией, нефтедобычей и гидрогеологией.
В работе также сравнивались различные backbone-архитектуры CNN для выбора оптимальной по точности и устойчивости. Исследование подчеркивает потенциал физически-информированного глубокого обучения для ускорения вычислительной гидродинамики.
