論文の概要: Bayesian Neural Networks for Virtual Flow Metering: An Empirical Study
- arxiv url: http://arxiv.org/abs/2102.01391v1
- Date: Tue, 2 Feb 2021 09:05:19 GMT
- ステータス: 処理完了
- システム内更新日: 2021-02-03 16:32:26.835753
- Title: Bayesian Neural Networks for Virtual Flow Metering: An Empirical Study
- Title（参考訳）: 仮想フロー計測のためのベイジアンニューラルネットワーク:実証的研究
- Authors: Bjarne Grimstad, Mathilde Hotvedt, Anders T. Sandnes, Odd
Kolbj{\o}rnsen, Lars S. Imsland
- Abstract要約: ベイズニューラルネットワークに基づく確率的VFMを提示することにより,データ駆動型仮想フローメータの開発に寄与する。
5つの石油・ガス資産にまたがる60の井戸からなる大規模で異質なデータセットをモデル化し,本手法について検討した。
予測性能は過去のテストデータと将来のテストデータに基づいて分析され,50%の性能モデルの平均誤差は5～6%,9～13%となる。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Recent works have presented promising results from the application of machine
learning (ML) to the modeling of flow rates in oil and gas wells. The
encouraging results combined with advantageous properties of ML models, such as
computationally cheap evaluation and ease of calibration to new data, have
sparked optimism for the development of data-driven virtual flow meters (VFMs).
We contribute to this development by presenting a probabilistic VFM based on a
Bayesian neural network. We consider homoscedastic and heteroscedastic
measurement noise, and show how to train the models using maximum a posteriori
estimation and variational inference. We study the methods by modeling on a
large and heterogeneous dataset, consisting of 60 wells across five different
oil and gas assets. The predictive performance is analyzed on historical and
future test data, where we achieve an average error of 5-6% and 9-13% for the
50% best performing models, respectively. Variational inference appears to
provide more robust predictions than the reference approach on future data. The
difference in prediction performance and uncertainty on historical and future
data is explored in detail, and the findings motivate the development of
alternative strategies for data-driven VFM.
- Abstract（参考訳）: 最近の研究は、機械学習(ML)を油井やガス井の流量のモデリングに適用することで有望な成果を上げている。
計算的に安い評価や新しいデータへのキャリブレーションの容易さといったMLモデルの有利な特性と組み合わせることで、データ駆動型仮想フローメータ(VFM)の開発に楽観的になった。
ベイズニューラルネットワークに基づく確率的VFMを提示することにより,この発展に寄与する。
均質および異方性測定ノイズを考察し、最大後オリ推定と変動推論を用いたモデルの訓練方法を示す。
5つの異なる石油およびガス資産にまたがる60の井戸からなる大規模で不均一なデータセットをモデル化して手法を研究します。
予測性能は過去のデータと将来のテストデータに基づいて分析され、50%のベストパフォーマンスモデルの平均誤差は5-6%と9-13%であった。
変動推論は、将来のデータに対する参照アプローチよりも堅牢な予測を提供するように見える。
歴史的および将来のデータに対する予測性能と不確実性の違いを詳細に検討し、調査結果はデータ駆動VFMのための代替戦略の開発を動機づける。
関連論文リスト
- An Investigation on Machine Learning Predictive Accuracy Improvement and Uncertainty Reduction using VAE-based Data Augmentation [2.517043342442487]
深層生成学習は、特定のMLモデルを使用して、既存のデータの基盤となる分布を学習し、実際のデータに似た合成サンプルを生成する。
本研究では,変分オートエンコーダ(VAE)を用いた深部生成モデルを用いて,データ拡張の有効性を評価することを目的とする。
本研究では,拡張データを用いてトレーニングしたディープニューラルネットワーク(DNN)モデルの予測において,データ拡張が精度の向上につながるかどうかを検討した。
論文 参考訳（メタデータ） (2024-10-24T18:15:48Z) - Diffusion posterior sampling for simulation-based inference in tall data settings [53.17563688225137]
シミュレーションベース推論(SBI)は、入力パラメータを所定の観測に関連付ける後部分布を近似することができる。
本研究では、モデルのパラメータをより正確に推測するために、複数の観測値が利用できる、背の高いデータ拡張について考察する。
提案手法を,最近提案した各種数値実験の競合手法と比較し,数値安定性と計算コストの観点から,その優位性を実証した。
論文 参考訳（メタデータ） (2024-04-11T09:23:36Z) - A Priori Uncertainty Quantification of Reacting Turbulence Closure Models using Bayesian Neural Networks [0.0]
反応流モデルにおける不確実性を捉えるためにベイズニューラルネットワークを用いる。
我々は、BNNモデルが、データ駆動クロージャモデルの不確実性の構造に関するユニークな洞察を提供することができることを示した。
このモデルの有効性は,様々な火炎条件と燃料からなるデータセットに対する事前評価によって実証される。
論文 参考訳（メタデータ） (2024-02-28T22:19:55Z) - Towards Theoretical Understandings of Self-Consuming Generative Models [56.84592466204185]
本稿では,自己消費ループ内で生成モデルを訓練する新たな課題に取り組む。
我々は,このトレーニングが将来のモデルで学習したデータ分布に与える影響を厳格に評価するための理論的枠組みを構築した。
カーネル密度推定の結果は,混合データトレーニングがエラー伝播に与える影響など,微妙な洞察を与える。
論文 参考訳（メタデータ） (2024-02-19T02:08:09Z) - EquiDiff: A Conditional Equivariant Diffusion Model For Trajectory
Prediction [11.960234424309265]
本研究では,将来の車両軌道予測のための深部生成モデルであるEquiDiffを提案する。
EquiDiffは、過去の情報とランダムなガウスノイズを組み込んで将来の軌跡を生成する条件拡散モデルに基づいている。
以上の結果から,EquiDiffは短期予測では他のベースラインモデルよりも優れているが,長期予測では誤差が若干高いことがわかった。
論文 参考訳（メタデータ） (2023-08-12T13:17:09Z) - DeepVol: Volatility Forecasting from High-Frequency Data with Dilated Causal Convolutions [53.37679435230207]
本稿では,Dilated Causal Convolutionsに基づくDeepVolモデルを提案する。
実験結果から,提案手法は高頻度データからグローバルな特徴を効果的に学習できることが示唆された。
論文 参考訳（メタデータ） (2022-09-23T16:13:47Z) - An Empirical Study on Distribution Shift Robustness From the Perspective
of Pre-Training and Data Augmentation [91.62129090006745]
本稿では,事前学習とデータ拡張の観点から分布シフト問題を考察する。
我々は,事前学習とデータ拡張に焦点を当てた,最初の総合的な実証的研究を行った。
論文 参考訳（メタデータ） (2022-05-25T13:04:53Z) - Back2Future: Leveraging Backfill Dynamics for Improving Real-time
Predictions in Future [73.03458424369657]
公衆衛生におけるリアルタイム予測では、データ収集は簡単で要求の多いタスクである。
過去の文献では「バックフィル」現象とそのモデル性能への影響についてはほとんど研究されていない。
我々は、与えられたモデルの予測をリアルタイムで洗練することを目的とした、新しい問題とニューラルネットワークフレームワークBack2Futureを定式化する。
論文 参考訳（メタデータ） (2021-06-08T14:48:20Z) - Comparing Test Sets with Item Response Theory [53.755064720563]
我々は,18の事前学習トランスフォーマーモデルから予測した29のデータセットを個別のテスト例で評価した。
Quoref、HellaSwag、MC-TACOは最先端のモデルを区別するのに最適である。
また、QAMRやSQuAD2.0のようなQAデータセットに使用されるスパン選択タスク形式は、強いモデルと弱いモデルとの差別化に有効である。
論文 参考訳（メタデータ） (2021-06-01T22:33:53Z) - On gray-box modeling for virtual flow metering [0.0]
石油生産システムにおける流量の連続予測を可能にする仮想流量計(vfm)。
グレーボックスモデリングは、機械性とデータ駆動モデリングを組み合わせたアプローチです。
本論文は,石油油井10箇所の工業ケーススタディにおいて,グレーボックス型5種について検討する。
論文 参考訳（メタデータ） (2021-03-23T13:17:38Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。