Fugu-MT 論文翻訳(概要): Convolutional-Recurrent Neural Network Proxy for Robust Optimization and Closed-Loop Reservoir Management

論文の概要: Convolutional-Recurrent Neural Network Proxy for Robust Optimization and Closed-Loop Reservoir Management

arxiv url: http://arxiv.org/abs/2203.07524v1
Date: Mon, 14 Mar 2022 22:11:17 GMT
ステータス: 処理完了
システム内更新日: 2022-03-16 15:46:34.588109
Title: Convolutional-Recurrent Neural Network Proxy for Robust Optimization and Closed-Loop Reservoir Management
Title（参考訳）: 畳み込み-リカレントニューラルネットワークプロキシによるロバスト最適化と閉ループ貯留層管理
Authors: Yong Do Kim and Louis J. Durlofsky
Abstract要約: 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。
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: Production optimization under geological uncertainty is computationally expensive, as a large number of well control schedules must be evaluated over multiple geological realizations. In this work, a convolutional-recurrent neural network (CNN-RNN) proxy model is developed to predict well-by-well oil and water rates, for given time-varying well bottom-hole pressure (BHP) schedules, for each realization in an ensemble. This capability enables the estimation of the objective function and nonlinear constraint values required for robust optimization. The proxy model represents an extension of a recently developed long short-term memory (LSTM) RNN proxy designed to predict well rates for a single geomodel. A CNN is introduced here to processes permeability realizations, and this provides the initial states for the RNN. The CNN-RNN proxy is trained using simulation results for 300 different sets of BHP schedules and permeability realizations. We demonstrate proxy accuracy for oil-water flow through multiple realizations of 3D multi-Gaussian permeability models. The proxy is then incorporated into a closed-loop reservoir management (CLRM) workflow, where it is used with particle swarm optimization and a filter-based method for nonlinear constraint satisfaction. History matching is achieved using an adjoint-gradient-based procedure. The proxy model is shown to perform well in this setting for five different (synthetic) `true' models. Improved net present value along with constraint satisfaction and uncertainty reduction are observed with CLRM. For the robust production optimization steps, the proxy provides O(100) runtime speedup over simulation-based optimization.
Abstract（参考訳）: 地質学的不確実性の下での生産最適化は計算量的に高価である。本研究では,コンボリューショナル・リカレント・ニューラルネットワーク (CNN-RNN) のプロキシモデルを構築し,アンサンブル内の各実現のために,時間変化のよいボトムホール圧力 (BHP) スケジュールに対して,油と水率を適切に予測する。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。プロキシモデルは、最近開発された長い短期記憶(LSTM)RNNプロキシの拡張であり、単一のジオモデルに対するウェルレートを予測するように設計されている。 CNNは、透過性の実現をプロセスするために導入され、RNNの初期状態を提供する。 CNN-RNNプロキシは300種類のBHPスケジュールと透過性実現のためのシミュレーション結果を用いて訓練される。本研究では,3次元マルチガウス透水率モデルの多重実現による油-水流のプロキシ精度を示す。その後、プロキシはクローズドループ貯水池管理(clrm)ワークフローに組み込まれ、粒子群最適化と非線形制約満足のためのフィルタベースの手法で使用される。履歴マッチングは随伴勾配に基づく手順で実現される。プロキシモデルは、この設定で5つの異なる(合成)`true'モデルでうまく機能することが示されている。 CLRMでは,制約満足度および不確実性低減とともにネット提示値が改善された。堅牢なプロダクション最適化ステップでは、プロキシはシミュレーションベースの最適化よりもO(100)ランタイムのスピードアップを提供する。

関連論文リスト

OPUS: Occupancy Prediction Using a Sparse Set [64.60854562502523]
学習可能なクエリの集合を用いて、占有された場所とクラスを同時に予測するフレームワークを提案する。 OPUSには、モデルパフォーマンスを高めるための非自明な戦略が組み込まれている。最も軽量なモデルではOcc3D-nuScenesデータセットの2倍 FPS に優れたRayIoUが得られる一方、最も重いモデルは6.1 RayIoUを上回ります。
論文参考訳（メタデータ） (2024-09-14T07:44:22Z)
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)
Fast and Accurate Reduced-Order Modeling of a MOOSE-based Additive Manufacturing Model with Operator Learning [1.4528756508275622]
本研究は, 高速かつ高精度な減階モデル (ROM) を構築し, 加法製造 (AM) モデルを構築することを目的とする。従来のディープニューラルネットワーク(DNN)ベースのROMに対して,これらのOL法の性能をベンチマークした。
論文参考訳（メタデータ） (2023-08-04T17:00:34Z)
Improving Urban Flood Prediction using LSTM-DeepLabv3+ and Bayesian Optimization with Spatiotemporal feature fusion [7.790241122137617]
本研究では,都市洪水予測のためのCNN-RNNハイブリッド機能融合モデリング手法を提案する。空間的特徴の処理におけるCNNの長所と、時系列の異なる次元の分析におけるRNNの長所を統合した。
論文参考訳（メタデータ） (2023-04-19T22:00:04Z)
Deep Equilibrium Optical Flow Estimation [80.80992684796566]
最近のSOTA(State-of-the-art)光フローモデルでは、従来のアルゴリズムをエミュレートするために有限ステップの更新操作を使用する。これらのRNNは大きな計算とメモリオーバーヘッドを課し、そのような安定した推定をモデル化するために直接訓練されていない。暗黙的層の無限レベル固定点として直接流れを解く手法として,Deep equilibrium Flow estimatorを提案する。
論文参考訳（メタデータ） (2022-04-18T17:53:44Z)
Parameter estimation for WMTI-Watson model of white matter using encoder-decoder recurrent neural network [0.0]
本研究では,ラットおよびヒト脳のデータセット上でのNLLS,RNN法および多層パーセプトロン(MLP)の性能を評価する。提案手法は,NLLSよりも計算時間を大幅に短縮できるという利点を示した。
論文参考訳（メタデータ） (2022-03-01T16:33:15Z)
RoMA: Robust Model Adaptation for Offline Model-based Optimization [115.02677045518692]
入力出力クエリの静的データセットからブラックボックス目的関数を最大化する入力を探索する問題を考える。この問題を解決するための一般的なアプローチは、真の客観的関数を近似するプロキシモデルを維持することである。ここでの大きな課題は、検索中に逆最適化された入力を避ける方法である。
論文参考訳（メタデータ） (2021-10-27T05:37:12Z)
A Meta-Learning Approach to the Optimal Power Flow Problem Under Topology Reconfigurations [69.73803123972297]
メタラーニング(MTL)アプローチを用いて訓練されたDNNベースのOPF予測器を提案する。開発したOPF予測器はベンチマークIEEEバスシステムを用いてシミュレーションにより検証される。
論文参考訳（メタデータ） (2020-12-21T17:39:51Z)
Self Normalizing Flows [65.73510214694987]
本稿では,各層における学習された近似逆数により,勾配の高価な項を置き換えることで,フローの正規化を訓練するための柔軟なフレームワークを提案する。これにより、各レイヤの正確な更新の計算複雑性が$mathcalO(D3)$から$mathcalO(D2)$に削減される。実験により,これらのモデルは非常に安定であり,正確な勾配値と類似したデータ可能性値に最適化可能であることが示された。
論文参考訳（メタデータ） (2020-11-14T09:51:51Z)
Automatic Remaining Useful Life Estimation Framework with Embedded Convolutional LSTM as the Backbone [5.927250637620123]
組込み畳み込みLSTM(E NeuralTM)と呼ばれる新しいLSTM変種を提案する。 ETMでは、異なる1次元の畳み込みの群がLSTM構造に埋め込まれている。 RUL推定のために広く用いられているいくつかのベンチマークデータセットに対する最先端のアプローチよりも,提案したEMMアプローチの方が優れていることを示す。
論文参考訳（メタデータ） (2020-08-10T08:34:20Z)
Toward fast and accurate human pose estimation via soft-gated skip connections [97.06882200076096]
本稿では,高精度かつ高効率な人間のポーズ推定について述べる。我々は、最先端技術よりも精度と効率を両立させる文脈において、この設計選択を再分析する。本モデルでは,MPII と LSP のデータセットから最先端の結果が得られる。
論文参考訳（メタデータ） (2020-02-25T18:51:51Z)

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。