Belangrijke wereldwijde uitdagingen met betrekking tot energie, grondwater en milieu houden verband met
de gelijktijdige stroom van meerdere vloeistoffen in poreuze gesteenten en sedimenten, b.v. water, lucht, verontreinigende stoffen
en CO2. Dit proces, genaamd multi-phase flow, wordt geregeld door de microstructuur van de poriën in
deze materialen. Echter, gedetailleerde computersimulaties van meerfasige stroom door deze poriën
zijn computationeel intensief en lijden aan een breed scala aan onzekerheden. Dit onderzoek
voorstel presenteert een nieuw modelleerparadigma waarin deze onzekerheden ten volle worden erkend, en
probeert ze te verminderen door experimentele gegevens rechtstreeks op te nemen in machine learning
technieken. De experimentele gegevens worden verkregen uit tijdgeregelde röntgenmicrotomografie (micro-
CT), waardoor de vloeistofverdeling in een gesteente in de loop van de tijd tijdens stroomexperimenten kan worden gevolgd. In de
eerste fase van het project, een methodologie om porie-schaalmodellen op een porie-voor-porie basis te valideren
het gebruik van deze gegevens zal worden vastgesteld. In de tweede fase werden nieuwe data-geassisteerde modellen getraind op de
micro-CT-experimenten zullen worden ontwikkeld, met behulp van machine learning methoden in hybride combinaties
met op fysica gebaseerde modellen. Vergelijking met pure op fysica gebaseerde modellen maakt nieuw en opwindend
mogelijkheden om meerfasestroming beter te begrijpen en de modellering door verbeterd te verbeteren
validatie, kalibratie en extrapolatie. Dit resulteert op zijn beurt in grotere beperkingen voor grootschaligheid
simulaties van stroming in het onderoppervlak.