論文の概要: Development of Deep Transformer-Based Models for Long-Term Prediction of
Transient Production of Oil Wells
- arxiv url: http://arxiv.org/abs/2110.06059v1
- Date: Tue, 12 Oct 2021 15:00:45 GMT
- ステータス: 処理完了
- システム内更新日: 2021-10-13 18:11:01.954498
- Title: Development of Deep Transformer-Based Models for Long-Term Prediction of
Transient Production of Oil Wells
- Title（参考訳）: 油井の過渡生産の長期予測のための深層変圧器モデルの開発
- Authors: Ildar Abdrakhmanov, Evgenii Kanin, Sergei Boronin, Evgeny Burnaev,
Andrei Osiptsov
- Abstract要約: 本稿では,油井の過渡生産に関するデータ駆動型モデリング手法を提案する。
油井の様々なパラメータからなる多変量時系列に基づいて訓練された変圧器ベースニューラルネットワークを適用した。
複素過渡的な油田レベルのパターンをシミュレートするために,複数井戸に対するトランスフォーマーアーキテクチャに基づく単一井戸モデルを一般化する。
- 参考スコア（独自算出の注目度）: 9.832272256738452
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: We propose a novel approach to data-driven modeling of a transient production
of oil wells. We apply the transformer-based neural networks trained on the
multivariate time series composed of various parameters of oil wells measured
during their exploitation. By tuning the machine learning models for a single
well (ignoring the effect of neighboring wells) on the open-source field
datasets, we demonstrate that transformer outperforms recurrent neural networks
with LSTM/GRU cells in the forecasting of the bottomhole pressure dynamics. We
apply the transfer learning procedure to the transformer-based surrogate model,
which includes the initial training on the dataset from a certain well and
additional tuning of the model's weights on the dataset from a target well.
Transfer learning approach helps to improve the prediction capability of the
model. Next, we generalize the single-well model based on the transformer
architecture for multiple wells to simulate complex transient oilfield-level
patterns. In other words, we create the global model which deals with the
dataset, comprised of the production history from multiple wells, and allows
for capturing the well interference resulting in more accurate prediction of
the bottomhole pressure or flow rate evolutions for each well under
consideration. The developed instruments for a single-well and oilfield-scale
modelling can be used to optimize the production process by selecting the
operating regime and submersible equipment to increase the hydrocarbon
recovery. In addition, the models can be helpful to perform well-testing
avoiding costly shut-in operations.
- Abstract（参考訳）: 本稿では,油井の過渡生産に関するデータ駆動型モデリング手法を提案する。
本研究では,様々な油井のパラメータからなる多変量時系列で学習したトランスベースニューラルネットワークを適用した。
オープンソースフィールドデータセット上で1つの井戸(隣接する井戸の影響を無視する)に対する機械学習モデルをチューニングすることにより、ボトムホール圧力ダイナミクスの予測において、トランスフォーマーがLSTM/GRUセルとの繰り返しニューラルネットワークよりも優れていることを示す。
本研究では,変圧器を用いたサロゲートモデルに適用し,特定の井戸からのデータセットの初期訓練とターゲット井戸からのデータセットの重み付けの追加チューニングを含む。
トランスファーラーニングアプローチは、モデルの予測能力を改善するのに役立つ。
次に,複数井戸の変圧器構造に基づく単一ウェルモデルを一般化し,複雑な過渡油田レベルパターンをシミュレートする。
言い換えると、我々は、複数の井戸から生産履歴で構成されたデータセットを扱うグローバルモデルを作成し、井戸の干渉を捉え、それぞれの井戸の底穴圧力や流量の進化をより正確に予測することができる。
単孔油田スケールモデリングのための開発した機器は、炭化水素の回収を増加させるために運転体制と潜水装置を選択して製造プロセスを最適化するために使用できる。
さらに、モデルはコストのかかるシャットイン操作を避けるために、十分にテストするのに役立つ。
関連論文リスト
- Physics-integrated generative modeling using attentive planar normalizing flow based variational autoencoder [0.0]
本研究の目的は,物理統合生成モデルにおける再構成の忠実さとノイズの改善である。
モデルに注入されたノイズに対する生成モデルのロバスト性を改善するため,正規化フローベースVAEのエンコーダ部分の変更を提案する。
論文 参考訳（メタデータ） (2024-04-18T15:38:14Z) - A Transformer-based Framework For Multi-variate Time Series: A Remaining
Useful Life Prediction Use Case [4.0466311968093365]
本研究は,時系列予測のためのエンコーダ変換アーキテクチャに基づくフレームワークを提案する。
C-MAPPSベンチマークデータセットの4セットすべてに対して,提案手法の有効性を検証した。
機械寿命の初期段階と劣化経路のモデル認識を可能にするため, 新たな拡張窓手法が提案された。
論文 参考訳（メタデータ） (2023-08-19T02:30:35Z) - Differential Evolution Algorithm based Hyper-Parameters Selection of
Transformer Neural Network Model for Load Forecasting [0.0]
トランスフォーマーモデルは、そのアテンションメカニズムから派生した長距離依存を学習できるため、ロード予測を改善する可能性がある。
我々の研究は,平均二乗誤差 (MSE) や平均絶対パーセンテージ誤差 (MAPE) といった数値に基づく負荷予測において,異なるメタヒューリスティックアルゴリズムと統合されたトランスフォーマーベースニューラルネットワークモデルを比較した。
論文 参考訳（メタデータ） (2023-07-28T04:29:53Z) - Emergent Agentic Transformer from Chain of Hindsight Experience [96.56164427726203]
簡単なトランスフォーマーベースモデルが時間差と模倣学習に基づくアプローチの両方と競合することを示す。
単純なトランスフォーマーベースのモデルが時間差と模倣学習ベースのアプローチの両方で競合するのはこれが初めてである。
論文 参考訳（メタデータ） (2023-05-26T00:43:02Z) - End-to-End Meta-Bayesian Optimisation with Transformer Neural Processes [52.818579746354665]
本稿では,ニューラルネットワークを一般化し,トランスフォーマーアーキテクチャを用いて獲得関数を学習する,エンド・ツー・エンドの差別化可能な最初のメタBOフレームワークを提案する。
我々は、この強化学習(RL)によるエンドツーエンドのフレームワークを、ラベル付き取得データの欠如に対処できるようにします。
論文 参考訳（メタデータ） (2023-05-25T10:58:46Z) - VTAE: Variational Transformer Autoencoder with Manifolds Learning [144.0546653941249]
深層生成モデルは、多くの潜伏変数を通して非線形データ分布の学習に成功している。
ジェネレータの非線形性は、潜在空間がデータ空間の不満足な射影を示し、表現学習が不十分になることを意味する。
本研究では、測地学と正確な計算により、深部生成モデルの性能を大幅に向上させることができることを示す。
論文 参考訳（メタデータ） (2023-04-03T13:13:19Z) - Towards Long-Term Time-Series Forecasting: Feature, Pattern, and
Distribution [57.71199089609161]
長期的時系列予測(LTTF)は、風力発電計画など、多くのアプリケーションで需要が高まっている。
トランスフォーマーモデルは、高い計算自己認識機構のため、高い予測能力を提供するために採用されている。
LTTFの既存の手法を3つの面で区別する,Conformer という,効率的なTransformer ベースモデルを提案する。
論文 参考訳（メタデータ） (2023-01-05T13:59:29Z) - Real-time Forecast Models for TBM Load Parameters Based on Machine
Learning Methods [6.247628933072029]
本論文では, TBM運用データに基づいて機械学習(ML)手法を用いて, TBM負荷パラメータのリアルタイム予測モデルを構築する。
モデル複雑性を低減し、一般化を改善するため、予測タスクの本質的特徴を抽出するために、最小絶対縮小および選択法(Lasso)を適用した。
論文 参考訳（メタデータ） (2021-04-12T07:31:39Z) - VAE-LIME: Deep Generative Model Based Approach for Local Data-Driven
Model Interpretability Applied to the Ironmaking Industry [70.10343492784465]
モデル予測だけでなく、その解釈可能性も、プロセスエンジニアに公開する必要があります。
LIMEに基づくモデルに依存しない局所的解釈可能性ソリューションが最近出現し、元の手法が改良された。
本稿では, 燃焼炉で生成する高温金属の温度を推定するデータ駆動型モデルの局所的解釈可能性に関する新しいアプローチ, VAE-LIMEを提案する。
論文 参考訳（メタデータ） (2020-07-15T07:07:07Z) - Fast, Accurate, and Simple Models for Tabular Data via Augmented
Distillation [97.42894942391575]
本研究では、FAST-DADを用いて、任意の複雑なアンサンブル予測を、高木、無作為林、深層ネットワークなどの個々のモデルに抽出する。
我々の個々の蒸留モデルは、H2O/AutoSklearnのようなAutoMLツールが生成するアンサンブル予測よりも10倍高速で精度が高い。
論文 参考訳（メタデータ） (2020-06-25T09:57:47Z) - Developing a Hybrid Data-Driven, Mechanistic Virtual Flow Meter -- a
Case Study [0.0]
本研究は、上記の2つの専門分野の技術を生かしたハイブリッド・モデリング手法について検討し、良好な生産チョークをモデル化する。
チョークは、第1原理方程式の単純化されたセットとニューラルネットワークで表現され、弁流係数を推定する。
論文 参考訳（メタデータ） (2020-02-07T12:35:33Z)
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。