Jove
Visualize
Contáctanos
JoVE
x logofacebook logolinkedin logoyoutube logo
ACERCA DE JoVE
Visión GeneralLiderazgoBlogCentro de Ayuda JoVE
AUTORES
Proceso de PublicaciónConsejo EditorialAlcance y PolíticasRevisión por ParesPreguntas FrecuentesEnviar
BIBLIOTECARIOS
TestimoniosSuscripcionesAccesoRecursosConsejo Asesor de BibliotecasPreguntas Frecuentes
INVESTIGACIÓN
JoVE JournalMethods CollectionsJoVE Encyclopedia of ExperimentsArchivo
EDUCACIÓN
JoVE CoreJoVE BusinessJoVE Science EducationJoVE Lab ManualCentro de Recursos para ProfesoresSitio de Profesores
Términos y Condiciones de Uso
Política de Privacidad
Políticas

Videos de Conceptos Relacionados

Typical Model Studies01:30

Typical Model Studies

649
Fluid mechanics model studies often utilize scaled-down systems to predict fluid behavior in full-scale environments, such as river flows, dam spillways, and structures interacting with open surfaces. Maintaining Froude number similarity in river models is crucial, as it replicates surface flow features like wave patterns and velocities.
649
Plane Potential Flows01:23

Plane Potential Flows

1.0K
Plane potential flows simplify fluid motion by assuming the fluid to be irrotational and incompressible. These characteristics allow these flows to be described by a velocity potential function, ϕ, representing the flow speed in a given direction, and a stream function, ψ, that visualizes the flow path, both governed by Laplace's equation. These parameters help in estimating flow patterns, velocity distributions, and pressure fields around various hydraulic structures.
Uniform...
1.0K
Rapidly Varying Flow01:24

Rapidly Varying Flow

545
Rapidly varying flow (RVF) in open channels is characterized by abrupt changes in flow depth over a short distance, with the rate of depth change relative to distance often approaching unity. These flows are inherently complex due to their transient and multi-dimensional nature, making exact analysis difficult. However, approximate solutions using simplified models provide valuable insights into their behavior.Key Features of Rapidly Varying FlowRVF is commonly observed in scenarios involving...
545
Pressure Variation in a Fluid at Rest01:11

Pressure Variation in a Fluid at Rest

892
In a fluid at rest, the pressure at any point beneath the fluid surface depends solely on the depth, not on the container's shape or size. This principle, known as hydrostatic pressure, arises because, in stationary fluids, there is no acceleration, meaning the forces within the fluid balance out. Only vertical forces, caused by the weight of the fluid above, contribute to pressure changes with depth.
When measuring pressure at two different levels within the fluid, the difference in...
892
Uniform Depth Channel Flow01:27

Uniform Depth Channel Flow

675
Uniform depth channel flow keeps fluid depth consistent along channels such as irrigation canals. In natural channels, such as rivers, approximate uniform flow is often assumed. This condition occurs when the channel’s bottom slope matches the energy slope, balancing potential energy lost from gravity with head loss due to shear stress. This balance prevents depth changes along the channel length, resulting in a steady, uniform flow.Uniform flow in open channels with a constant cross-section...
675
Bernoulli's Equation for Flow Normal to a Streamline01:16

Bernoulli's Equation for Flow Normal to a Streamline

1.4K
Bernoulli's equation for flow normal to a streamline explains how pressure varies across curved streamlines due to the outward centrifugal forces induced by the fluid's curvature. The pressure is higher on the inner side of the curve, near the center of curvature, and decreases outward to balance these centrifugal forces.
The pressure difference depends on the fluid's velocity and radius of curvature. The pressure variation is minimal in flows with nearly straight streamlines. However, the...
1.4K

También podría leer

Artículos Relacionados

Artículos vinculados a este trabajo por autores compartidos, revista y gráfico de citas.

Ordenar por
Same author

Synthetic Training Enables Deployment on Raw Drone Data: An Attention-Based Framework for Detecting Orphan Wells.

Sensors (Basel, Switzerland)·2026
Same author

Knowledge distillation of noisy force labels for improved coarse-grained force fields.

The Journal of chemical physics·2026
Same author

Material Fracturing and Failure Simulation Datasets.

Scientific data·2025
Same author

Effects of Stevia on Inflammatory Markers, Renal and Hematological Parameters in Patients With Stage I-III Chronic Kidney Disease: A Randomized, Placebo-Controlled Clinical Trial in Bangladesh.

Cureus·2025
Same author

Metastatic Renal Cell Carcinoma Presenting a Maxillary Mucosal Lesion as a First Visible Sign of Disease: A Case Report and Review of Literature.

Diagnostics (Basel, Switzerland)·2025
Same author

Information extraction from historical well records using a large language model.

Scientific reports·2024

Video Experimental Relacionado

Updated: Feb 25, 2026

A Modeling and Simulation Method for Preliminary Design of an Electro-Variable Displacement Pump
09:04

A Modeling and Simulation Method for Preliminary Design of an Electro-Variable Displacement Pump

Published on: June 1, 2022

3.7K

Modelo de flujo multifásico diferenciable para el aprendizaje automático basado en la física en la gestión de la

Harun Ur Rashid1, Aleksandra Pachalieva2, Daniel O'Malley2

  • 1Earth and Environmental Sciences Division, Los Alamos National Laboratory, Los Alamos, NM, 87545, USA. hrashid@lanl.gov.

Scientific reports
|February 23, 2026
PubMed
Resumen

Este estudio introduce un modelo de aprendizaje automático basado en la física para el control de la presión de los depósitos subterráneos. Reduce significativamente la necesidad de costosas simulaciones mediante el uso de aprendizaje de transferencia, lo que permite predicciones prácticas y precisas.

Más Videos Relacionados

Assessing Cerebral Autoregulation via Oscillatory Lower Body Negative Pressure and Projection Pursuit Regression
11:26

Assessing Cerebral Autoregulation via Oscillatory Lower Body Negative Pressure and Projection Pursuit Regression

Published on: December 10, 2014

12.9K
Reservoir Condition Pore-scale Imaging of Multiple Fluid Phases Using X-ray Microtomography
08:02

Reservoir Condition Pore-scale Imaging of Multiple Fluid Phases Using X-ray Microtomography

Published on: February 25, 2015

13.1K

Videos de Experimentos Relacionados

Last Updated: Feb 25, 2026

A Modeling and Simulation Method for Preliminary Design of an Electro-Variable Displacement Pump
09:04

A Modeling and Simulation Method for Preliminary Design of an Electro-Variable Displacement Pump

Published on: June 1, 2022

3.7K
Assessing Cerebral Autoregulation via Oscillatory Lower Body Negative Pressure and Projection Pursuit Regression
11:26

Assessing Cerebral Autoregulation via Oscillatory Lower Body Negative Pressure and Projection Pursuit Regression

Published on: December 10, 2014

12.9K
Reservoir Condition Pore-scale Imaging of Multiple Fluid Phases Using X-ray Microtomography
08:02

Reservoir Condition Pore-scale Imaging of Multiple Fluid Phases Using X-ray Microtomography

Published on: February 25, 2015

13.1K

Área de la Ciencia:

  • Las geociencias son ciencias geológicas.
  • Ciencias computacionales Ciencias computacionales.
  • Aprendizaje automático Aprendizaje automático.

Sus antecedentes:

  • El control de la presión de los depósitos subterráneos es complejo debido a la heterogeneidad geológica y a la dinámica del flujo multifásico.
  • Las simulaciones basadas en la física de alta fidelidad son computacionalmente costosas y a menudo prohibitivas para predecir el comportamiento del depósito.
  • Las propiedades inciertas y heterogéneas de los reservorios requieren numerosas simulaciones, lo que supone un desafío significativo.

Objetivo del estudio:

  • Desarrollar un método computacionalmente eficiente y preciso para el control de presión de los depósitos subterráneos.
  • Para abordar las limitaciones de las simulaciones tradicionales basadas en la física en el manejo de complejas dinámicas de reservorios.
  • Para permitir predicciones prácticas para escenarios de inyección-extracción realistas.

Principales métodos:

  • Un flujo de trabajo de aprendizaje automático basado en la física que acopla un simulador de flujo multifásico diferenciable (marco DPFEHM) con una red neuronal convolucional (CNN).
  • La CNN aprende a predecir las tasas de extracción de fluidos de campos de permeabilidad heterogéneos para hacer cumplir los límites de presión.
  • Se emplea el aprendizaje de transferencia, preentrenando el modelo en simulaciones de estado estacionario de una sola fase menos costosas antes de ajustar los escenarios de múltiples fases.

Principales resultados:

  • El método desarrollado logra un entrenamiento de alta precisión con un número significativamente menor de simulaciones (menos de tres mil) en comparación con las estimaciones anteriores (hasta diez millones).
  • La incorporación de la física del flujo multifásico transitorio mejora la precisión de la predicción para los escenarios de inyección-extracción.
  • El flujo de trabajo demuestra predicciones prácticas y precisas para flujos subterráneos complejos.

Conclusiones:

  • El aprendizaje automático basado en la física ofrece una alternativa computacionalmente eficiente a las simulaciones tradicionales para el control de la presión del depósito.
  • La transferencia de aprendizaje de simulaciones más simples reduce drásticamente el costo computacional de entrenar modelos complejos de flujo multifásico.
  • Este enfoque permite una gestión más accesible y precisa de las reservas subterráneas.