論文の概要: Deep Reinforcement Learning for Constrained Field Development Optimization in Subsurface Two-phase Flow

• arxiv url: http://arxiv.org/abs/2104.00527v1
• Date: Wed, 31 Mar 2021 07:08:24 GMT
• ステータス: 処理完了
• システム内更新日: 2021-04-03 10:33:56.749442
• Title: Deep Reinforcement Learning for Constrained Field Development Optimization in Subsurface Two-phase Flow
• Title（参考訳）: 地下二相流における拘束場開発最適化のための深部強化学習
• Authors: Yusuf Nasir, Jincong He, Chaoshun Hu, Shusei Tanaka, Kainan Wang and XianHuan Wen
• Abstract要約: 最適化された開発計画を提供できる深層強化学習型人工知能エージェントを紹介します。 エージェントは、貯水池モデル、制約、および経済状態の特定の状態から最適な決定へのマッピングを提供します。
• 参考スコア（独自算出の注目度）: 0.32622301272834514
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: We present a deep reinforcement learning-based artificial intelligence agent that could provide optimized development plans given a basic description of the reservoir and rock/fluid properties with minimal computational cost. This artificial intelligence agent, comprising of a convolutional neural network, provides a mapping from a given state of the reservoir model, constraints, and economic condition to the optimal decision (drill/do not drill and well location) to be taken in the next stage of the defined sequential field development planning process. The state of the reservoir model is defined using parameters that appear in the governing equations of the two-phase flow. A feedback loop training process referred to as deep reinforcement learning is used to train an artificial intelligence agent with such a capability. The training entails millions of flow simulations with varying reservoir model descriptions (structural, rock and fluid properties), operational constraints, and economic conditions. The parameters that define the reservoir model, operational constraints, and economic conditions are randomly sampled from a defined range of applicability. Several algorithmic treatments are introduced to enhance the training of the artificial intelligence agent. After appropriate training, the artificial intelligence agent provides an optimized field development plan instantly for new scenarios within the defined range of applicability. This approach has advantages over traditional optimization algorithms (e.g., particle swarm optimization, genetic algorithm) that are generally used to find a solution for a specific field development scenario and typically not generalizable to different scenarios.
• Abstract（参考訳）: 本稿では,貯留層と岩石・流体特性の基本的な記述を最小の計算コストで考慮し,最適な開発計画を提供できる深層強化学習型人工知能エージェントを提案する。 畳み込みニューラルネットワークからなる人工知能エージェントは、決定された逐次フィールド開発計画プロセスの次の段階において、貯水池モデルの所定の状態、制約及び経済状態から取るべき最適決定(ドリル・ド・ドリル及び適切な位置)までのマッピングを提供する。 貯水池モデルの状態は、二相流の制御方程式に現れるパラメータを用いて定義される。 このような能力を持つ人工知能エージェントを訓練するために、深層強化学習と呼ばれるフィードバックループトレーニングプロセスが使用される。 トレーニングには、様々な貯水池モデル記述(構造、岩石、流体特性)、運用上の制約、経済条件を含む数百万のフローシミュレーションが含まれる。 貯水池モデル、運用制約、経済条件を定義するパラメータは、定義された適用範囲からランダムにサンプリングされる。 人工知能エージェントのトレーニングを強化するために、いくつかのアルゴリズム処理が導入されている。 適切なトレーニングの後、人工知能エージェントは、定義された適用範囲内の新しいシナリオのために即座に最適化されたフィールド開発計画を提供する。 このアプローチは、特定のフィールド開発シナリオの解決策を見つけるために一般的に使用される従来の最適化アルゴリズム(例えば、パーティクルスワム最適化、遺伝的アルゴリズム)よりも利点があり、一般的に異なるシナリオに一般化できない。

関連論文リスト

• Using Parametric PINNs for Predicting Internal and External Turbulent Flows [6.387263468033964]
  提案するRANS-PINNフレームワークは,シリンダー上の流れの予測にのみ焦点をあてたものである。 本研究では,内流と外流の双方に対して,関連する乱流変数を予測する際の精度について検討する。
  論文  参考訳（メタデータ） (2024-10-24T17:08:20Z)
• Optimization Hyper-parameter Laws for Large Language Models [56.322914260197734]
  ハイパーパラメータとトレーニング結果の関係をキャプチャするフレームワークであるOps-Lawsを提案する。 さまざまなモデルサイズとデータスケールにわたる検証は、Opt-Lawsのトレーニング損失を正確に予測する能力を示しています。 このアプローチは、全体的なモデル性能を高めながら、計算コストを大幅に削減する。
  論文  参考訳（メタデータ） (2024-09-07T09:37:19Z)
• Diffusion Model for Data-Driven Black-Box Optimization [54.25693582870226]
  我々は、強力な生成AI技術である拡散モデルに注目し、ブラックボックス最適化の可能性について検討する。 本研究では,1)実数値報酬関数のノイズ測定と,2)対比較に基づく人間の嗜好の2種類のラベルについて検討する。 提案手法は,設計最適化問題を条件付きサンプリング問題に再構成し,拡散モデルのパワーを有効活用する。
  論文  参考訳（メタデータ） (2024-03-20T00:41:12Z)
• On efficient computation in active inference [1.1470070927586016]
  計算量を大幅に減らした有限時間地平線に対する新しい計画アルゴリズムを提案する。 また、新規かつ既存のアクティブな推論計画スキームに対して適切な目標分布を設定するプロセスを簡単にする。
  論文  参考訳（メタデータ） (2023-07-02T07:38:56Z)
• Neural Fields with Hard Constraints of Arbitrary Differential Order [61.49418682745144]
  我々は、ニューラルネットワークに厳しい制約を課すための一連のアプローチを開発する。 制約は、ニューラルネットワークとそのデリバティブに適用される線形作用素として指定することができる。 私たちのアプローチは、広範囲の現実世界のアプリケーションで実証されています。
  論文  参考訳（メタデータ） (2023-06-15T08:33:52Z)
• Optimization of a Hydrodynamic Computational Reservoir through Evolution [58.720142291102135]
  我々は,スタートアップが開発中の流体力学系のモデルと,計算貯水池としてインターフェースする。 我々は、進化探索アルゴリズムを用いて、読み出し時間と入力を波の振幅や周波数にどのようにマッピングするかを最適化した。 この貯水池システムに進化的手法を適用することで、手作業パラメータを用いた実装と比較して、XNORタスクの分離性が大幅に向上した。
  論文  参考訳（メタデータ） (2023-04-20T19:15:02Z)
• Annealing Optimization for Progressive Learning with Stochastic Approximation [0.0]
  計算資源が限られているアプリケーションのニーズを満たすために設計された学習モデルを導入する。 我々は,オンラインな勾配近似アルゴリズムとして定式化されたオンラインプロトタイプベースの学習アルゴリズムを開発した。 学習モデルは、教師なし、教師なし、強化学習に使用される、解釈可能で、徐々に成長する競争的ニューラルネットワークモデルと見なすことができる。
  論文  参考訳（メタデータ） (2022-09-06T21:31:01Z)
• De-homogenization using Convolutional Neural Networks [1.0323063834827415]
  本稿では,構造コンプライアンス最小化のための深層学習に基づく非均質化手法を提案する。 パラメータの適切な選択のために、非均質化設計は、均質化に基づく解の7-25%以内で実行される。
  論文  参考訳（メタデータ） (2021-05-10T09:50:06Z)
• An AI-Assisted Design Method for Topology Optimization Without Pre-Optimized Training Data [68.8204255655161]
  トポロジ最適化に基づくAI支援設計手法を提示し、最適化された設計を直接的に得ることができる。 設計は、境界条件と入力データとしての充填度に基づいて、人工ニューラルネットワーク、予測器によって提供される。
  論文  参考訳（メタデータ） (2020-12-11T14:33:27Z)
• Decentralized MCTS via Learned Teammate Models [89.24858306636816]
  本稿では,モンテカルロ木探索に基づくトレーニング可能なオンライン分散計画アルゴリズムを提案する。 深層学習と畳み込みニューラルネットワークを用いて正確なポリシー近似を作成可能であることを示す。
  論文  参考訳（メタデータ） (2020-03-19T13:10:20Z)

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。