Physics-informed convolutional neural networks for fluid flow through porous media

En 3 lignesFramework de CNN avec encoder-decoder pour prédire les champs de vitesse à l'échelle des pores dans les milieux poreux. La fonction de perte combine reconstruction de vélocité, incompressibilité et contraintes physiques. Tests sur géométries hors distribution et accélération de simulations Lattice-Boltzmann (90% des cas).

Résumé généré par Claude — vérifié par l'humain