Learning Pore-scale Multiphase Flow from 4D Velocimetry
作者: Chunyang Wang, Linqi Zhu, Yuxuan Gu, Robert van der Merwe, Xin Ju, Catherine Spurin, Samuel Krevor, Rex Ying, Tobias Pfaff, Martin J. Blunt, Tom Bultreys, Gege Wen
分类: cs.LG, physics.flu-dyn
发布日期: 2026-03-12
💡 一句话要点
提出多模态学习框架以解决多相流在孔隙介质中的预测问题
🎯 匹配领域: 支柱九：具身大模型 (Embodied Foundation Models)
关键词: 多相流 孔隙介质 四维微速度测量 图网络 三维U-Net 数字实验 能源技术 流动动态
📋 核心要点
- 现有方法难以准确表征和预测真实三维材料中的孔隙尺度多相流动态，尤其是在复杂的流动条件下。
- 本文提出的多模态学习框架通过结合图网络和三维U-Net，能够有效推断多相流的流速和界面演变。
- 实验结果表明，该框架能够捕捉瞬态流动扰动和界面重排，推断时间显著缩短，提升了预测效率。
📝 摘要（中文）
多相流在孔隙介质中的动态特性对地下能源和环境技术至关重要，但在真实三维材料中难以表征和预测。本文提出了一种多模态学习框架，直接从时间分辨的四维微速度测量中推断孔隙尺度的多相流。该模型结合了图网络模拟器和三维U-Net，用于流速和多相界面的预测，显著提高了对流动扰动和界面重排的捕捉能力，同时将数小时的直接数值模拟缩短至几秒的推断时间。此框架为数字实验提供了快速、实验指导的预测，助力于地下碳和氢储存的研究。
🔬 方法详解
问题定义：本文旨在解决在孔隙介质中多相流的动态特性难以表征和预测的问题。现有方法在复杂流动条件下的准确性和效率不足，限制了其在实际应用中的有效性。
核心思路：论文提出的多模态学习框架通过将图网络与三维U-Net结合，能够直接从四维微速度测量中推断多相流的流速和界面演变。这种设计使得模型能够在每个时间步迭代更新流速和界面预测，增强了对流动动态的捕捉能力。
技术框架：整体架构包括两个主要模块：图网络用于模拟拉格朗日追踪粒子的运动，三维U-Net用于处理体素化的界面演变。孔隙几何形状作为边界约束，确保流速和界面预测的准确性。
关键创新：该研究的核心创新在于将图网络与U-Net结合，形成了一种新颖的多模态学习框架，能够在复杂流动条件下有效捕捉瞬态流动特征，显著提高了预测的准确性和效率。
关键设计：模型采用自回归训练方式，针对毛细支配条件下的实验序列进行训练。损失函数设计考虑了流速和界面预测的耦合更新，确保了模型在每个时间步的准确性。
🖼️ 关键图片
📊 实验亮点
实验结果显示，该框架能够在毛细支配条件下有效捕捉瞬态流动扰动和界面重排，推断时间从数小时的直接数值模拟缩短至几秒，显著提高了效率和准确性，为数字实验提供了新的可能性。
🎯 应用场景
该研究的潜在应用领域包括地下二氧化碳储存和氢气储存等能源技术。通过快速、实验指导的预测，该框架能够为研究人员提供有效工具，探索注入条件和孔隙几何形状对多相流动的影响，推动相关技术的发展。
📄 摘要（原文）
Multiphase flow in porous media underpins subsurface energy and environmental technologies, including geological CO$_2$ storage and underground hydrogen storage, yet pore-scale dynamics in realistic three-dimensional materials remain difficult to characterize and predict. Here we introduce a multimodal learning framework that infers multiphase pore-scale flow directly from time-resolved four-dimensional (4D) micro-velocimetry measurements. The model couples a graph network simulator for Lagrangian tracer-particle motion with a 3D U-Net for voxelized interface evolution. The imaged pore geometry serves as a boundary constraint to the flow velocity and the multiphase interface predictions, which are coupled and updated iteratively at each time step. Trained autoregressively on experimental sequences in capillary-dominated conditions ($Ca\approx10^{-6}$), the learned surrogate captures transient, nonlocal flow perturbations and abrupt interface rearrangements (Haines jumps) over rollouts spanning seconds of physical time, while reducing hour-to-day--scale direct numerical simulations to seconds of inference. By providing rapid, experimentally informed predictions, the framework opens a route to ''digital experiments'' to replicate pore-scale physics observed in multiphase flow experiments, offering an efficient tool for exploring injection conditions and pore-geometry effects relevant to subsurface carbon and hydrogen storage.