| Title: | Вычислительные алгоритмы на основе искусственного интеллекта для моделирования подземных гидрогеологических систем |
| Other Titles: | Artificial intelligence-based computational algorithms for modeling groundwater hydrogeological systems |
| Authors: | Бекиева, М. |
| Keywords: | материалы конференций;искусственный интеллект;PINN;нейронные операторы;гидрогеологическое моделирование;машинное обучение |
| Issue Date: | 2026 |
| Publisher: | БГУИР |
| Citation: | Бекиева, М. Вычислительные алгоритмы на основе искусственного интеллекта для моделирования подземных гидрогеологических систем = Artificial intelligence-based computational algorithms for modeling groundwater hydrogeological systems / М. Бекиева // Компьютерное проектирование в электронике = Electronic Design Automation : сборник научных трудов Международной научно-практической конференции, Минск, 23 октября 2026 г. / Белорусский государственный университет информатики и радиоэлектроники ; редкол.: В. Р. Стемпицкий [и др.]. – Минск, 2026. – С. 273–277. |
| Abstract: | В статье рассматривается применение вычислительных алгоритмов на основе искусственного интеллекта для моделирования движения подземных вод в неоднородных пористых средах. В качестве физической основы используется обобщённая модель Дарси-Бринкмана Форхгеймера. Исследуются три подхода: физически-информированные нейронные сети (PINN), свёрточные нейронные сети как суррогатные модели и нейронные операторы Фурье (FNO). На модельном гидрогеологическом участке проводится сравнение с эталонным решением методом конечных элементов. Полученные результаты показывают возможность существенного сокращения времени получения решения после обучения AI-моделей при сохранении приемлемой точности восстановления поля гидравлического напора. Наибольший практический интерес методы искусственного интеллекта представляют при многовариантных расчётах, сценарном анализе и решении обратных задач. |
| Alternative abstract: | This article examines the application of artificial intelligence-based computational algorithms to model groundwater flow in heterogeneous porous media. The generalized Darcy-Brinkman-Forchheimer model serves as the physical basis. Three approaches are investigated: physics-informed neural networks (PINNs), convolutional neural networks acting as surrogate models, and Fourier neural operators (FNOs). A comparison with a reference solution obtained via the finite element method is conducted using a model hydrogeological site. The results demonstrate the potential to significantly reduce solution times after training the AI models while maintaining acceptable accuracy in reconstructing the hydraulic head field. Artificial intelligence methods are of particular practical interest for multi-variant calculations, scenario analysis, and the solution of inverse problems. |
| URI: | https://libeldoc.bsuir.by/handle/123456789/66041 |
| Appears in Collections: | Компьютерное проектирование в электронике (2026)
|
