近日，张凯团队对油藏数值模拟领域中机器学习与传统数值算法集成的进展与挑战进行总结与综述，相关研究成果在期刊Mathematics上发表，论文题为《Progress and Challenges of Integrated Machine Learning and Traditional Numerical Algorithms: Taking Reservoir Numerical Simulation as an Example》（机器学习与传统数值算法集成的进展与挑战——以油藏数值模拟为例）。

创新性：针对油藏数值模拟领域中，机器学习方法与传统数值方法集成的热点问题，对传统数值方法与机器学习的结合进行综述。文章整理了现今主流的数值方法，并对机器学习方法结合数值方法求解油藏偏微分方程进行总结，详细阐述了机器学习方法方法在求解油藏偏微分方程中的应用，对目前主流的深度学习方法求解油藏偏微分方程的方法进行了详尽分类及总结，并对未来该领域的研究方向及热点进行了展望。

中文摘要：机器学习技术由于其潜力和优势，在各种工程学科中引起了显著关注。在油藏数值模拟中，核心过程围绕着解决描绘多孔介质中油、气和水流动动力学的偏微分方程。通过数值方法对这些偏微分方程进行离散化是模拟过程的基本过程。传统数值方法与机器学习的协同作用可以提高偏微分方程离散化的精度。此外，机器学习算法可用于直接解决偏微分方程，实现快速收敛、提高计算效率，并超过95%的准确性。本文概述了油藏模拟中主要的数值方法，重点关注机器学习方法与传统数值方法的整合。论文详细阐述了将深度学习技术融入解决油藏偏微分方程的创新，同时简要讨论了其固有优势和限制。随着机器学习的不断发展，其与数值方法的结合在解决复杂的油藏工程问题方面将发挥关键作用。

Mathematics（ISSN 2227-7390）专门发表纯数学和应用数学各领域的高质量评论、定期研究论文和短篇通讯。此外，Mathematics还及时发表有关数学不同分支的当前趋势、新理论技术、新观点和新数学工具的深入调查文章。该期刊最新影响因子为2.4，近5年平均影响因子IF为2.3，JCR分区为Q1区，中科院数学大类3区。

文章链接：https://doi.org/10.3390/math11214418

引用格式：

Chen X, Zhang K, Ji Z, et al. Progress and Challenges of Integrated Machine Learning and Traditional Numerical Algorithms: Taking Reservoir Numerical Simulation as an Example[J]. Mathematics, 2023, 11(21): 4418.