coc.ufrj.br

이 이메일 도메인이 관측된 논문 2건

arXiv:2606.19562v1cs.LG

결합 유동 및 수송을 위한 과학적 기계 학습의 발전

Advances in Scientific Machine Learning for Coupled Fluid Flow and Transport

이 장에서는 비압축성 나비에-스토크(Navier-Stokes) 방정식과 스칼라 수송 방정식으로 지배되는 결합 유동 및 수송 현상을 모델링하기 위한 과학적 기계 학습(SciML)의 최신 발전 사항을 검토합니다. 혼탁류(turbidity currents)나 열 대류(thermal convection)와 같은 응용 분야에서 발견되는 이러한 시스템들은 강력한 비선형 결합과 다중 스케일(multiscale) 거동을 특징으로 하여, 고충실도(high-fidelity) 시뮬레이션에 높은 계산 비용이 듭니다. 이를 해결하기 위해 이 장에서는 효율적인 대리 모델(surrogate model)을 구축하기 위한 최첨단 SciML 방법들을 조사합니다. 여기에는 특이값 분해(Singular Value Decomposition)에 기반한 선형 차수 축소 기법(예: 동적 모드 분해(Dynamic Mode Decomposition))과 물리 정보 신경망(Physics-Informed Neural Networks, PINNs) 및 $β$-변이형 오토인코더($β$-Variational Autoencoders, $β$-VAEs)와 같은 비선형 신경망(neural network) 접근 방식이 포함됩니다. 먼저 적응형 메시 세분화/조잡화(Adaptive Mesh Refinement/Coarsening, AMR/C) 및 과학적 부동소수점 데이터 압축을 포함하여, 이러한 모델들을 고성능 컴퓨팅(High Performance Computing, HPC) 전략과 결합한 저자들의 연구 내용을 다룹니다. 그 다음 PINNs를 통한 혼탁류(turbidity currents)의 대리 모델링과 $β$-VAEs를 사용하여 열 유동(thermal flows)에서 분리된(disentangled) 비선형 모드를 추출하는 두 가지 새로운 기여를 제시합니다. 락-익스체인지 유동(lock-exchange flows) 및 레일리-베나르 대류(Rayleigh-Bénard convection)를 포함한 지배 방정식과 대표적인 벤치마크(benchmark)가 이러한 방법론들을 예시로 보여줍니다. 이 장은 결합 유동의 수학적 및 물리적 기초와 최첨단 모델링의 계산적 측면을 모두 다루고 있어 의도적으로 길게 작성되었습니다. 전반적으로, 고려된 특정 데이터 체제(data regimes) 및 모델링 가정 내에서 SciML이 복잡한 결합 시스템에 대해 전체 차수 시뮬레이션(full-order simulations)에 비해 계산 비용을 상당히 줄이면서도 빠르고 정확한 근사를 어떻게 가능하게 하는지 보여줍니다. 실시간 예측 및 불확실성 정량화(uncertainty quantification)와 같은 더 광범위한 기능들은 여전히 활발한 연구 방향이며, 그 실현 가능성은 당면한 문제에 크게 좌우됩니다.

arXiv:2606.17180v1cs.LG

복잡한 지질 구조에서 CO₂ 이전 예측을 위한 빠른 GNN 대리 모델

Towards Fast GNN Surrogates for CO2 Migration in Complex Geological Formations

이 장에서는 데이터 기반 머신러닝 접근법이 복잡한 지질 구조에서의 다상(multiphase) 유동 물리 거동의 핵심 측면을 어떻게 재현할 수 있는지 논의한다. 우리는 지질 저장소에서 CO₂ plume 이전 예측에 맞춘 end-to-end 그래프 신경 대리 모델을 제안한다. 해당 방법은 CO₂ 저장 시나리오 평가를 위해 설계된 잘 알려진 산업 테스트 케이스인 SPE11A 벤치마크에서 평가되며, 이 벤치마크는 날카로운 기-수 계면, 강한 이류(advective) 수송, fingering 발생과 함께 이르는 급격한 대류(convective) 혼합이 특징이다. 벤치마크는 노드가 계산 셀을 나타내고 간선이 기하학적 속성으로 보강된 투과율(transmissibility) 기반 상호작용을 인코딩하는 그래프로 재구성된다. 격자 기하학, 투과율 대비, 지질 이질성에서 비롯되는 방향성 수송은, 상호작용 가중치가 기하학 조건(edge) 임베딩을 통해 계산되고 메시지 집계를 물리적으로 관련 있는 수송 방향으로 편향시키는 이방성(anisotropic) 메시지 전달(message-passing) 메커니즘을 통해 포착된다. 시간적 진화는 다단계(multi-step) 지도 학습으로 학습된 자기회귀(autoregressive) 잔차(residual) 표현을 사용하여 잠재 공간(latent space)에서 모델링된다. 제안된 모델은 CO₂ 저장 모니터링의 핵심 지표인 기체 포화도(gas saturation)와 액상(liquid-phase) 밀도에 대해 경쟁력 있는 예측을 생성하며, 누적 오차는 장기 예측 구간(extended forecasting horizons)에서도 적당한 수준을 유지한다.