PoreML：用于学习多孔介质中多相流的数据驱动框架

arXiv:2610.10314v1 公告类型：新 摘要：多孔微结构中的多相流是 CO$_2$封存、燃料电池运行和倒装芯片封装的核心。由于润湿性和复杂孔隙几何结构决定了流体界面的非线性演化，对这类流动进行预测仍然极具挑战性。机器学习为推动该领域发展带来了巨大潜力，但时间分辨率三维数据集的稀缺，以及缺乏用于模型训练和评估的统一工作流程，限制了相关研究进展。为弥补这一关键空白，我们提出了开源框架 PoreML，该框架以孔隙尺度物理为基础，统一了数据生成、模型训练和评估流程。该框架包含三个核心组件。(a) 一种现代化的 GPU 原生格子Boltzmann求解器，并通过解析解和已发表的实验结果进行验证，可实现可复现的数据生成。(b) 一个容量为 3.3 TB 的数据集，包含 560 次模拟运行，以及在四种面向应用场景中存储的 158,546 个时间步。这些轨迹涵盖合成结构和源自真实材料微型CT扫描的几何结构，并覆盖多种润湿条件和黏度比。(c) 一个统一的学习框架，用于评估单步预测和自回归展开预测。其面向特定领域的评估协议能够评估预测准确性和物理一致性。我们在这些协议下评估了五种架构各异的模型。两个互补挑战分别用于评估模型向更大领域的迁移能力，以及从合成结构向源自微型CT的结构迁移的能力。PoreML 为多孔介质多相流机器学习研究提供了共享基础，旨在助力研究群体开发可靠的预测模型并推动该领域发展。