論文の概要: A Graph Neural Network Framework for Grid-Based Simulation
- arxiv url: http://arxiv.org/abs/2202.02652v1
- Date: Sat, 5 Feb 2022 22:48:16 GMT
- ステータス: 処理完了
- システム内更新日: 2022-02-08 15:08:22.777435
- Title: A Graph Neural Network Framework for Grid-Based Simulation
- Title(参考訳): グリッドベースシミュレーションのためのグラフニューラルネットワークフレームワーク
- Authors: Haoyu Tang, Wennan Long
- Abstract要約: 本稿では,シミュレーションの実行を置き換え,最適化プロセスを高速化する代理フィードフォワードモデルを構築するためのグラフニューラルネットワーク(GNN)フレームワークを提案する。
我々のGNNフレームワークは、石油やガス、炭素捕獲シークエンス(CCS)など、よく関連する地下最適化の応用に大きな可能性を示している。
- 参考スコア(独自算出の注目度): 0.9137554315375922
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Reservoir simulations are computationally expensive in the well control and
well placement optimization. Generally, numerous simulation runs (realizations)
are needed in order to achieve the optimal well locations. In this paper, we
propose a graph neural network (GNN) framework to build a surrogate
feed-forward model which replaces simulation runs to accelerate the
optimization process. Our GNN framework includes an encoder, a process, and a
decoder which takes input from the processed graph data designed and generated
from the simulation raw data. We train the GNN model with 6000 samples
(equivalent to 40 well configurations) with each containing the previous step
state variable and the next step state variable. We test the GNN model with
another 6000 samples and after model tuning, both one-step prediction and
rollout prediction achieve a close match with the simulation results. Our GNN
framework shows great potential in the application of well-related subsurface
optimization including oil and gas as well as carbon capture sequestration
(CCS).
- Abstract(参考訳): 貯留層シミュレーションは、井戸制御と井戸配置最適化において計算コストがかかる。
一般に、最適な井戸位置を達成するために、多数のシミュレーション実行(実現)が必要である。
本稿では,シミュレーションの実行を置き換え,最適化プロセスを高速化するサロゲートフィードフォワードモデルを構築するためのグラフニューラルネットワーク(GNN)フレームワークを提案する。
我々のGNNフレームワークは、シミュレーション生データから設計および生成した処理グラフデータから入力を受信するエンコーダ、プロセス、デコーダを含む。
6000のサンプル(40の井戸構成に相当する)でGNNモデルをトレーニングし、それぞれが前のステップ状態変数と次のステップ状態変数を含む。
6000個のサンプルを用いてGNNモデルをテストし、モデルチューニング後、一段階予測とロールアウト予測の両方がシミュレーション結果と密に一致した。
我々のGNNフレームワークは、石油やガス、炭素捕獲隔離(CCS)など、よく関連する地下最適化の応用に大きな可能性を示している。
関連論文リスト
- Graph Network Surrogate Model for Subsurface Flow Optimization [2.5782420501870296]
井戸の位置と制御の最適化は、地下流れの操作の設計において重要なステップである。
本稿では,適切な配置と制御を最適化するためのグラフネットワーク代理モデル(GNSM)を提案する。
GNSMは、フローモデルを符号化-処理-復号アーキテクチャを含む計算グラフに変換する。
論文 参考訳(メタデータ) (2023-12-14T03:13:12Z) - A Hybrid GNN approach for predicting node data for 3D meshes [0.0]
現在,有限要素法による最適パラメータの予測を行っている。
新たなデータシミュレーションの処理と生成を支援するハイブリッドアプローチを導入する。
新しいモデルは、シミュレーションを作成するために適用された場合、既存のPointNetや単純なグラフニューラルネットワークモデルよりも優れています。
論文 参考訳(メタデータ) (2023-10-23T08:47:27Z) - T-GAE: Transferable Graph Autoencoder for Network Alignment [79.89704126746204]
T-GAEはグラフオートエンコーダフレームワークで、GNNの転送性と安定性を活用して、再トレーニングなしに効率的なネットワークアライメントを実現する。
実験の結果、T-GAEは最先端の最適化手法と最高のGNN手法を最大38.7%、50.8%で上回っていることがわかった。
論文 参考訳(メタデータ) (2023-10-05T02:58:29Z) - Geometry-Informed Neural Operator for Large-Scale 3D PDEs [76.06115572844882]
大規模偏微分方程式の解演算子を学習するために,幾何インフォームド・ニューラル演算子(GINO)を提案する。
我々はGINOを訓練し、わずか500点のデータポイントで車両表面の圧力を予測することに成功した。
論文 参考訳(メタデータ) (2023-09-01T16:59:21Z) - Surrogate Neural Networks for Efficient Simulation-based Trajectory
Planning Optimization [28.292234483886947]
本稿では、ニューラルネットワークの形で代理モデルを用いて、参照軌道のシミュレーションに基づく最適化の計算時間を短縮する手法を提案する。
提案手法は,従来よりも74%優れた参照軌道が得られており,計算時間が大幅に短縮されることが明らかとなった。
論文 参考訳(メタデータ) (2023-03-30T15:44:30Z) - Learning Large-scale Subsurface Simulations with a Hybrid Graph Network
Simulator [57.57321628587564]
本研究では3次元地下流体の貯留層シミュレーションを学習するためのハイブリッドグラフネットワークシミュレータ (HGNS) を提案する。
HGNSは、流体の進化をモデル化する地下グラフニューラルネットワーク(SGNN)と、圧力の進化をモデル化する3D-U-Netで構成されている。
産業標準地下フローデータセット(SPE-10)と1100万セルを用いて,HGNSが標準地下シミュレータの18倍の推算時間を短縮できることを実証した。
論文 参考訳(メタデータ) (2022-06-15T17:29:57Z) - Active Learning for Computationally Efficient Distribution of Binary
Evolution Simulations [0.19359975080269876]
我々は,データ収集プロセスにおける機械学習を用いて,対象とするシミュレーションを適応的かつ反復的に選択する,新しい能動的学習アルゴリズムであるpsy-crisを提案する。
おもちゃの問題に対してpsy-crisを試験し、その結果のトレーニングセットが正規またはランダムにサンプリングされたグリッドよりも正確な分類と回帰のシミュレーションを少なくする必要があることを発見した。
論文 参考訳(メタデータ) (2022-03-30T21:36:32Z) - Convolutional-Recurrent Neural Network Proxy for Robust Optimization and
Closed-Loop Reservoir Management [0.0]
畳み込みリカレントニューラルネットワーク(CNN-RNN)プロキシモデルを開発した。
この能力は、頑健な最適化に必要な目的関数と非線形制約値の推定を可能にする。
論文 参考訳(メタデータ) (2022-03-14T22:11:17Z) - Policy-GNN: Aggregation Optimization for Graph Neural Networks [60.50932472042379]
グラフニューラルネットワーク(GNN)は、局所的なグラフ構造をモデル化し、隣人からの情報を集約することで階層的なパターンを捉えることを目的としている。
複雑なグラフとスパースな特徴を与えられた各ノードに対して効果的なアグリゲーション戦略を開発することは難しい課題である。
本稿では,GNNのサンプリング手順とメッセージパッシングを複合学習プロセスにモデル化するメタ政治フレームワークであるPolicy-GNNを提案する。
論文 参考訳(メタデータ) (2020-06-26T17:03:06Z) - Bayesian Graph Neural Networks with Adaptive Connection Sampling [62.51689735630133]
グラフニューラルネットワーク(GNN)における適応接続サンプリングのための統一的なフレームワークを提案する。
提案フレームワークは,深部GNNの過度なスムース化や過度に適合する傾向を緩和するだけでなく,グラフ解析タスクにおけるGNNによる不確実性の学習を可能にする。
論文 参考訳(メタデータ) (2020-06-07T07:06:35Z) - Self-Directed Online Machine Learning for Topology Optimization [58.920693413667216]
自己指向型オンライン学習最適化は、ディープニューラルネットワーク(DNN)と有限要素法(FEM)計算を統合している。
本アルゴリズムは, コンプライアンスの最小化, 流体構造最適化, 伝熱促進, トラス最適化の4種類の問題によって検証された。
その結果, 直接使用法と比較して計算時間を2~5桁削減し, 実験で検証した全ての最先端アルゴリズムより優れていた。
論文 参考訳(メタデータ) (2020-02-04T20:00:28Z)
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。