論文の概要: Hybrid Evolutionary Optimization Approach for Oilfield Well Control
Optimization
- arxiv url: http://arxiv.org/abs/2103.15608v1
- Date: Mon, 29 Mar 2021 13:36:51 GMT
- ステータス: 処理完了
- システム内更新日: 2023-04-06 06:09:22.363549
- Title: Hybrid Evolutionary Optimization Approach for Oilfield Well Control
Optimization
- Title（参考訳）: 油田井戸制御最適化のためのハイブリッド進化最適化手法
- Authors: Ajitabh Kumar
- Abstract要約: 油田生産の最適化は、地下モデルの複雑さと関連する非線形性のために困難である。
本稿では,2つのハイブリッドな進化的最適化手法の有効性について述べる。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Oilfield production optimization is challenging due to subsurface model
complexity and associated non-linearity, large number of control parameters,
large number of production scenarios, and subsurface uncertainties.
Optimization involves time-consuming reservoir simulation studies to compare
different production scenarios and settings. This paper presents efficacy of
two hybrid evolutionary optimization approaches for well control optimization
of a waterflooding operation, and demonstrates their application using Olympus
benchmark. A simpler, weighted sum of cumulative fluid (WCF) is used as
objective function first, which is then replaced by net present value (NPV) of
discounted cash-flow for comparison. Two popular evolutionary optimization
algorithms, genetic algorithm (GA) and particle swarm optimization (PSO), are
first used in standalone mode to solve well control optimization problem. Next,
both GA and PSO methods are used with another popular optimization algorithm,
covariance matrix adaptation-evolution strategy (CMA-ES), in hybrid mode.
Hybrid optimization run is made by transferring the resulting population from
one algorithm to the next as its starting population for further improvement.
Approximately four thousand simulation runs are needed for standalone GA and
PSO methods to converge, while six thousand runs are needed in case of two
hybrid optimization modes (GA-CMA-ES and PSO-CMA-ES). To reduce turn-around
time, commercial cloud computing is used and simulation workload is distributed
using parallel programming. GA and PSO algorithms have a good balance between
exploratory and exploitative properties, thus are able identify regions of
interest. CMA-ES algorithm is able to further refine the solution using its
excellent exploitative properties. Thus, GA or PSO with CMA-ES in hybrid mode
yields better optimization result as compared to standalone GA or PSO
algorithms.
- Abstract（参考訳）: 油田生産の最適化は、地下モデル複雑さと関連する非線形性、多数の制御パラメータ、多数の生産シナリオ、および地下不確実性のために困難である。
最適化には、異なる生産シナリオと設定を比較するための時間消費型貯留層シミュレーション研究が含まれる。
本稿では,2つのハイブリッドな進化的最適化手法の有効性を示し,Olympusベンチマークを用いてその応用を実証する。
まず、簡易で重み付けされた累積流体(WCF)を目的関数として使用し、その後、割引キャッシュフローの純現在値(NPV)に置き換えて比較する。
遺伝的アルゴリズム (GA) と粒子群最適化 (PSO) の2つの一般的な進化的最適化アルゴリズムは、まず独立モードでよく制御される最適化問題を解くために用いられる。
次に、GA法とPSO法の両方を、共分散行列適応進化法(CMA-ES)をハイブリッドモードで用いる。
ハイブリッド最適化は、結果の集団を1つのアルゴリズムから次のアルゴリズムに移行して、さらなる改善のために開始する。
2つのハイブリッド最適化モード(GA-CMA-ESとPSO-CMA-ES)の場合、約4万回のシミュレーション実行が必要である。
ターンアラウンド時間を短縮するため、商用クラウドコンピューティングを使用し、シミュレーションワークロードを並列プログラミングを用いて分散する。
GAアルゴリズムとPSOアルゴリズムは探索的特性と搾取的特性のバランスが良く、興味のある領域を特定することができる。
CMA-ESアルゴリズムは、その優れたエクスプロイト特性を用いて解をさらに洗練することができる。
したがって、CMA-ESをハイブリッドモードとしたGAまたはPSOは、スタンドアローンのGAまたはPSOアルゴリズムと比較して、より良い最適化結果が得られる。
関連論文リスト
- Adaptive Bayesian Optimization for High-Precision Motion Systems [2.073673208115137]
低レベル制御パラメータをオンラインチューニングすることで、適応制御のためのリアルタイム純粋データ駆動モデルフリーアプローチを提案する。
我々は安全かつサンプル効率のよいベイズ最適化アルゴリズムであるGoOSEをベースとした。
半導体産業に応用した実精度運動システムにおけるアルゴリズムの性能評価を行った。
論文 参考訳（メタデータ） (2024-04-22T21:58:23Z) - Federated Conditional Stochastic Optimization [110.513884892319]
条件付き最適化は、不変学習タスク、AUPRC、AMLなど、幅広い機械学習タスクで見られる。
本稿では,分散フェデレーション学習のためのアルゴリズムを提案する。
論文 参考訳（メタデータ） (2023-10-04T01:47:37Z) - Evolutionary Solution Adaption for Multi-Objective Metal Cutting Process
Optimization [59.45414406974091]
我々は,従来の最適化タスクから解を転送するアルゴリズムの能力を研究することのできる,システムの柔軟性のためのフレームワークを提案する。
NSGA-IIの柔軟性を2つの変種で検討し,1)2つのタスクの解を同時に最適化し,より適応性が高いと期待されるソース間の解を得る,2)活性化あるいは非活性化の異なる可能性に対応する能動的非アクティブなジェノタイプについて検討した。
その結果,標準NSGA-IIによる適応は目標目標への最適化に必要な評価回数を大幅に削減し,提案した変種は適応コストをさらに向上することがわかった。
論文 参考訳（メタデータ） (2023-05-31T12:07:50Z) - An Empirical Evaluation of Zeroth-Order Optimization Methods on
AI-driven Molecule Optimization [78.36413169647408]
分子目的を最適化するための様々なZO最適化手法の有効性について検討する。
ZO符号に基づく勾配降下(ZO-signGD)の利点を示す。
本稿では,Guurcamol スイートから広く使用されているベンチマークタスクに対して,ZO 最適化手法の有効性を示す。
論文 参考訳（メタデータ） (2022-10-27T01:58:10Z) - Accelerating the Evolutionary Algorithms by Gaussian Process Regression
with $\epsilon$-greedy acquisition function [2.7716102039510564]
本稿では,最適化の収束を早めるために,エリート個人を推定する新しい手法を提案する。
我々の提案には、エリート個人を推定し、最適化の収束を加速する幅広い見通しがある。
論文 参考訳（メタデータ） (2022-10-13T07:56:47Z) - Data-driven evolutionary algorithm for oil reservoir well-placement and
control optimization [3.012067935276772]
一般化されたデータ駆動進化アルゴリズム(GDDE)は、適切な配置と制御最適化問題で実行されるシミュレーションの数を減らすために提案される。
確率的ニューラルネットワーク(PNN)は、情報的および有望な候補を選択するための分類器として採用されている。
論文 参考訳（メタデータ） (2022-06-07T09:07:49Z) - Bilevel Optimization: Convergence Analysis and Enhanced Design [63.64636047748605]
バイレベル最適化は多くの機械学習問題に対するツールである。
Stoc-BiO という新しい確率効率勾配推定器を提案する。
論文 参考訳（メタデータ） (2020-10-15T18:09:48Z) - EOS: a Parallel, Self-Adaptive, Multi-Population Evolutionary Algorithm
for Constrained Global Optimization [68.8204255655161]
EOSは実数値変数の制約付きおよび制約なし問題に対する大域的最適化アルゴリズムである。
これはよく知られた微分進化(DE)アルゴリズムに多くの改良を加えている。
その結果、EOSisは、最先端の単一人口自己適応Dアルゴリズムと比較して高い性能を達成可能であることが証明された。
論文 参考訳（メタデータ） (2020-07-09T10:19:22Z) - Adaptation of Engineering Wake Models using Gaussian Process Regression
and High-Fidelity Simulation Data [0.0]
本稿では,9基の風力発電所のヨー制御入力の最適化について検討する。
高忠実度シミュレータSOWFAを用いて風力発電を模擬する。
論文 参考訳（メタデータ） (2020-03-30T10:22:57Z) - Generalized Self-Adapting Particle Swarm Optimization algorithm with
archive of samples [0.0]
本稿では,M-GAPSOと呼ばれるアルゴリズムの新バージョンを紹介する。
GAPSOの当初の定式化と比較すると、グローバル再起動管理スキーム、R-Treeベースインデックス内のサンプル収集、グローバルな粒子性能に基づくサンプリング動作の適応、ローカル検索への具体的なアプローチの4つの特徴がある。
論文 参考訳（メタデータ） (2020-02-28T00:03:17Z) - Adaptivity of Stochastic Gradient Methods for Nonconvex Optimization [71.03797261151605]
適応性は現代最適化理論において重要であるが、研究されていない性質である。
提案アルゴリズムは,PL目標に対して既存のアルゴリズムよりも優れた性能を保ちながら,PL目標に対して最適な収束性を実現することを実証した。
論文 参考訳（メタデータ） (2020-02-13T05:42:27Z)
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。