一个用于训练、验证和测试耦合地质力学过程降阶模型的引导策略

17天前浏览1555

摘要：这篇论文提出了一种从高保真数值模拟中开发复杂地质力学系统的降阶模型（ROMs）的方法。该方法使用状态变量的适当正交分解进行模型简化，结合长短时记忆神经网络以响应变化的边界条件更新模拟。创建这些模型的一个关键挑战是在训练和测试期间有效地采样系统状态的需求。太少（或分布不良）的训练模拟会导致不准确的模型，而太多会导致浪费精力。然而，确定所需的确切数量在先是困难的，因为它既依赖于上下文又依赖于模型。在这里，我们提出了一种自举策略来估计开发降阶模型所需的模拟数量。该策略使用迭代方法结合准随机采样技术，以确保对样本空间的一致覆盖。我们通过开发描述露天煤矿一部分的耦合水力响应的降阶模型来演示该方法。与原始的高保真模拟相比，取得了极好的一致性，而计算工作量明显减少。

这篇文章介绍了一种用于开发复杂岩土系统降阶模型（Reduced Order Models, ROMs）的方法，该方法基于高保真数值模拟。以下是主要内容概述：

1. 引言：

- 许多岩土系统涉及复杂的耦合物理过程，需要数值模拟来正确描述。

- 直接模拟这些系统可能因高计算成本而受限，因此通常寻求降阶模型来解释这些过程。

2. 方法论：

- 介绍了基于神经网络的降阶模型的一般策略，包括对模拟状态变量进行POD。

- 由于POD无法保留数据的时间序列并计算未来时间步的值，因此训练了一个LSTM神经网络来推进计算权重的时间序列。

- 描述了一种增量方法，用于从高保真模型中产生独立的训练、验证和测试集。

3. 应用：

- 应用采样策略开发了一个复垦煤矿斜坡的降阶模型。

- 基础的高保真模型是一个水力-力学耦合的三维模拟，包含了异质裂缝网络。

- 训练和验证了降阶模型，直到达到所需的精度。

4. 结论：

- 本文概述了一种用于复杂岩土问题的降阶模型开发策略。

- 该方法结合了状态变量的POD和LSTM神经网络，通过增量方法训练、验证和测试神经网络，基于准随机采样的参数空间。

- 通过这种方法开发的降阶模型在模拟煤矿斜坡时，能够准确再现高保真模拟中的耦合物理效应。

参考文献

Hua, R., Kumar, A., Yellishetty, M., & Walsh, S.D.C. (2024). A bootstrap strategy to train, validate and test reduced order models of coupled geomechanical processes. Computers and Geotechnics, 167, 106094. https://doi.org/10.1016/j.compgeo.2024.106094

来源：现代石油人