Abstract The objective for this work is to develop a data-driven surrogate to high-fidelity numerical flow simulations using digital images of porous media. The proposed model can capture the pixel-scale velocity vectors in a large verity of digital porous media created by random two-dimensional (2D) circle packs. To develop the model, images of the 2D media (binary images of solid grains and void spaces) along with their corresponding velocity vectors at the pixel level computed using lattice Boltzmann simulation runs are used to train and to predict the solutions with a high accuracy in much less computational time. The velocity vector predictions made by the surrogate models are used to compute the permeability tensor for samples that have not been used in the training. The results show high accuracy in the prediction of both velocity vectors and permeability tensors. The proposed methodology harness the enormous amount of generated data from high-fidelity flow simulations to decode the often under-utilized patterns in simulations and to accurately predict solutions to new cases. The developed model can truly capture the physics of the problem and enhance the prediction capabilities of the simulations at a much lower cost. These predictive models, in essence, do not spatially reduce the order of the problem. They, however, possess the same numerical resolutions as their Lattice Boltzmann simulations equivalents do with the great advantage that their solutions can be achieved by a significant reduction in computational costs (speed and memory).

中文翻译：

---

多孔介质中基于图像的流动模拟的数据驱动替代品

摘要 这项工作的目标是开发一种数据驱动的替代品，以使用多孔介质的数字图像进行高保真数值流动模拟。所提出的模型可以捕获由随机二维 (2D) 圆包创建的大量数字多孔介质中的像素级速度向量。为了开发模型，使用 2D 介质的图像（固体颗粒和空隙空间的二进制图像）以及使用晶格 Boltzmann 模拟运行计算出的像素级相应速度矢量被用于训练和预测高精度的解。更少的计算时间。代理模型做出的速度矢量预测用于计算未在训练中使用的样本的渗透率张量。结果表明，速度矢量和渗透率张量的预测精度很高。所提出的方法利用从高保真流模拟中生成的大量数据来解码模拟中经常未充分利用的模式，并准确预测新案例的解决方案。开发的模型可以真正捕捉问题的物理特性，并以更低的成本增强模拟的预测能力。这些预测模型本质上不会在空间上降低问题的顺序。然而，它们拥有与它们的格子玻尔兹曼模拟等效物相同的数值分辨率，其巨大优势是它们的解决方案可以通过显着降低计算成本（速度和内存）来实现。所提出的方法利用从高保真流模拟中生成的大量数据来解码模拟中经常未充分利用的模式，并准确预测新案例的解决方案。开发的模型可以真正捕捉问题的物理特性，并以更低的成本增强模拟的预测能力。这些预测模型本质上不会在空间上降低问题的顺序。然而，它们拥有与它们的格子玻尔兹曼模拟等效物相同的数值分辨率，其巨大优势是它们的解决方案可以通过显着降低计算成本（速度和内存）来实现。所提出的方法利用从高保真流模拟中生成的大量数据来解码模拟中经常未充分利用的模式，并准确预测新案例的解决方案。开发的模型可以真正捕捉问题的物理特性，并以更低的成本增强模拟的预测能力。这些预测模型本质上不会在空间上降低问题的顺序。然而，它们具有与它们的格子玻尔兹曼模拟等效物相同的数值分辨率，其巨大优势在于它们的解决方案可以通过显着降低计算成本（速度和内存）来实现。开发的模型可以真正捕捉问题的物理特性，并以更低的成本增强模拟的预测能力。这些预测模型本质上不会在空间上降低问题的顺序。然而，它们拥有与它们的格子玻尔兹曼模拟等效物相同的数值分辨率，其巨大优势是它们的解决方案可以通过显着降低计算成本（速度和内存）来实现。开发的模型可以真正捕捉问题的物理特性，并以更低的成本增强模拟的预测能力。这些预测模型本质上不会在空间上降低问题的顺序。然而，它们拥有与它们的格子玻尔兹曼模拟等效物相同的数值分辨率，其巨大优势是它们的解决方案可以通过显着降低计算成本（速度和内存）来实现。