AT
Alexandre Tartakovsky
Author with expertise in Physics-Informed Neural Networks for Scientific Computing
Achievements
Cited Author
Open Access Advocate
Key Stats
Upvotes received:
0
Publications:
7
(86% Open Access)
Cited by:
1,112
h-index:
42
/
i10-index:
119
Reputation
Biology
< 1%
Chemistry
< 1%
Economics
< 1%
Show more
How is this calculated?
Publications
0

Modeling and simulation of pore‐scale multiphase fluid flow and reactive transport in fractured and porous media

Paul Meakin et al.Jul 13, 2009
In the subsurface, fluids play a critical role by transporting dissolved minerals, colloids, and contaminants (sometimes over long distances); by mediating dissolution and precipitation processes; and by enabling chemical transformations in solution and at mineral surfaces. Although the complex geometries of fracture apertures, fracture networks, and pore spaces may make it difficult to accurately predict fluid flow in saturated (single‐phase) subsurface systems, well‐developed methods are available. The simulation of multiphase fluid flow in the subsurface is much more challenging because of the large density and/or viscosity ratios found in important applications (water/air in the vadose zone; water/oil, water/gas, gas/oil, and water/oil/gas in hydrocarbon reservoirs; water/air/nonaqueous phase liquids (nonaqueous phase liquids/dense nonaqueous phase liquids) in contaminated vadose zone systems; and gas/molten rock in volcanic systems, for example). In addition, the complex behavior of fluid‐fluid‐solid contact lines and their impact on dynamic contact angles must also be taken into account and coupled with the fluid flow. Here we review the methods that are currently being used to simulate pore‐scale multiphase fluid flow and reactive transport in fractured and porous media. After the introduction, the review begins with an overview of the fundamental physics of multiphase fluids flow followed by a more detailed discussion of the complex dynamic behavior of contact lines and contact angles, an important barrier to accurate pore‐scale modeling and simulation. The main part of the review focuses on five different approaches: pore network models, lattice gas and lattice Boltzmann methods, Monte Carlo methods, particle methods (molecular dynamics, dissipative particle dynamics, and smoothed particle hydrodynamics), and traditional grid‐based computational fluid dynamics coupled with interface tracking and a contact angle model. Finally, the review closes with a discussion of future trends and challenges.
0
Paper
Citation353
0
Save
0

Physics‐Informed Deep Neural Networks for Learning Parameters and Constitutive Relationships in Subsurface Flow Problems

Alexandre Tartakovsky et al.Apr 4, 2020
Abstract We present a physics‐informed deep neural network (DNN) method for estimating hydraulic conductivity in saturated and unsaturated flows governed by Darcy's law. For saturated flow, we approximate hydraulic conductivity and head with two DNNs and use Darcy's law in addition to measurements of hydraulic conductivity and head to train these DNNs. For unsaturated flow, we approximate unsaturated conductivity function and capillary pressure with DNNs and train these DNNs using measurements of capillary pressure and the Richards equation. Because it is difficult to measure unsaturated conductivity in the field, we assume that no measurements of unsaturated conductivity are available. The proposed approach enforces the partial differential equation (PDE) (Darcy or Richards equation) constraints by minimizing the PDE residual at select points in the simulation domain. We demonstrate that physics constraints increase the accuracy of DNN approximations of sparsely observed functions and allow for training DNNs when no direct measurements of the functions of interest are available. For the saturated conductivity estimation problem, we show that the physics‐informed DNN method is more accurate than the state‐of‐the‐art maximum a posteriori probability method. For the unsaturated flow in homogeneous porous media, we find that the proposed method can accurately estimate the pressure‐conductivity relationship based on the capillary pressure measurements only, even in the presence of measurement noise.
0
Paper
Citation308
0
Save