В инженерных задачах повсеместно используются математические модели физических систем, например - гидродинамическая модель резервуара в нефтяном инжиниринге. Расчеты с использованием данных моделей могут быть затратны по времени. Поэтому методы машинного обучения используются для построения быстрых, но менее точных, прокси-моделей. В данной работе предлагается разработать алгоритм машинного обучения на основе Physics Informed Neural Networks (PINNs) для приближенного решения задачи течения...Подробнее

Physics Informed Neural Networks (PINNs) - метод построения прокси-моделей физических систем, В данном проекте - пористая среда с жидкостью и/или газом (модель месторождения углеводородов). Функция потерь PINNs опирается на три слагаемых: невязка при подстановке в систему дифференциальных уравнений, ошибка в граничных условиях и разница с результатами расчетов классическими методами. Оптимальная балансировка данных слагаемых является открытым вопросом, который будет исследоваться в данном...Подробнее

Еженедельные встречи с руководителем проекта для обсуждения проделанной работы, обсуждения трудностей и корректировки плана.

Репозиторий с программным кодом проекта. Презентация работы на конференции.

Личный компьютер студента и доступные вычислительные мощности ВШЭ. Источник данных: программный код для расчета движения жидкости в пористой среде и публичные модели резевуаров нефти и газа: https://www.sintef.no/projectweb/mrst/modules/mrst-core/data-sets/

Опыт руководителя в нефтегазе + публикации и код руководителя проекта по оптимизации системы сбора данных.