XINFORMAÇÕES SOBRE DIREITOS AUTORAIS
As obras disponibilizadas nesta Biblioteca Digital foram publicadas sob expressa autorização dos respectivos autores, em conformidade com a Lei 9610/98.
A consulta aos textos, permitida por seus respectivos autores, é livre, bem como a impressão de trechos ou de um exemplar completo exclusivamente para uso próprio. Não são permitidas a impressão e a reprodução de obras completas com qualquer outra finalidade que não o uso próprio de quem imprime.
A reprodução de pequenos trechos, na forma de citações em trabalhos de terceiros que não o próprio autor do texto consultado,é permitida, na medida justificada para a compreeensão da citação e mediante a informação, junto à citação, do nome do autor do texto original, bem como da fonte da pesquisa.
A violação de direitos autorais é passível de sanções civis e penais.
As obras disponibilizadas nesta Biblioteca Digital foram publicadas sob expressa autorização dos respectivos autores, em conformidade com a Lei 9610/98.
A consulta aos textos, permitida por seus respectivos autores, é livre, bem como a impressão de trechos ou de um exemplar completo exclusivamente para uso próprio. Não são permitidas a impressão e a reprodução de obras completas com qualquer outra finalidade que não o uso próprio de quem imprime.
A reprodução de pequenos trechos, na forma de citações em trabalhos de terceiros que não o próprio autor do texto consultado,é permitida, na medida justificada para a compreeensão da citação e mediante a informação, junto à citação, do nome do autor do texto original, bem como da fonte da pesquisa.
A violação de direitos autorais é passível de sanções civis e penais.
Coleção Digital
Título: PHYSICS INFORMED NEURAL NETWORK APPLIED TO FRACTIONAL FLOW EQUATIONS Autor: ATILA LUNA AMBROSIO DA SILVA
Instituição: PONTIFÍCIA UNIVERSIDADE CATÓLICA DO RIO DE JANEIRO - PUC-RIO
Colaborador(es):
SINESIO PESCO - ADVISOR
ABELARDO BORGES BARRETO JR - CO-ADVISOR
Nº do Conteudo: 65007
Catalogação: 21/11/2023 Idioma(s): ENGLISH - UNITED STATES
Tipo: TEXT Subtipo: THESIS
Natureza: SCHOLARLY PUBLICATION
Nota: Todos os dados constantes dos documentos são de inteira responsabilidade de seus autores. Os dados utilizados nas descrições dos documentos estão em conformidade com os sistemas da administração da PUC-Rio.
Referência [pt]: https://www.maxwell.vrac.puc-rio.br/colecao.php?strSecao=resultado&nrSeq=65007@1
Referência [en]: https://www.maxwell.vrac.puc-rio.br/colecao.php?strSecao=resultado&nrSeq=65007@2
Referência DOI: https://doi.org/10.17771/PUCRio.acad.65007
Resumo:
Título: PHYSICS INFORMED NEURAL NETWORK APPLIED TO FRACTIONAL FLOW EQUATIONS Autor: ATILA LUNA AMBROSIO DA SILVA
ABELARDO BORGES BARRETO JR - CO-ADVISOR
Nº do Conteudo: 65007
Catalogação: 21/11/2023 Idioma(s): ENGLISH - UNITED STATES
Tipo: TEXT Subtipo: THESIS
Natureza: SCHOLARLY PUBLICATION
Nota: Todos os dados constantes dos documentos são de inteira responsabilidade de seus autores. Os dados utilizados nas descrições dos documentos estão em conformidade com os sistemas da administração da PUC-Rio.
Referência [pt]: https://www.maxwell.vrac.puc-rio.br/colecao.php?strSecao=resultado&nrSeq=65007@1
Referência [en]: https://www.maxwell.vrac.puc-rio.br/colecao.php?strSecao=resultado&nrSeq=65007@2
Referência DOI: https://doi.org/10.17771/PUCRio.acad.65007
Resumo:
Physics Informed Machine Learning is the strategy of developing a neural
network with physical constraints, commonly expressed in partial differential
equations (PDEs) and their initial and boundary conditions. In this approach,
the main idea is to incorporate underlying physical laws expressed in these
PDEs as prior information for the neural network. In this work, we investigate
the applicability of this technique to the direct problem of two-phase fluid
transport in porous media, particularly in the context of gas injection in an
oil reservoir, whose physical constraints are described using nonlinear first order hyperbolic PDEs, subject to specific initial and boundary conditions.
Initially, we develop the equations governing the problem without considering
the fluid volume change factor to study the convergence of the solutions to
these PDEs. Based on the obtained results, we introduce the volume change
equations to capture the gas phase’s behavior better. The fractional flux
functions used in our examples were chosen as non-convex to include shock
and refraction phenomena in the solutions. We also incorporate a diffusive
factor, transforming the hyperbolic PDEs into parabolic ones. Through this
approach, the neural network could learn consistent approximate solutions.
Consequently, this effect smoothens the solution curves at the points of shock.
Descrição | Arquivo |
COMPLETE |