論文の概要: Learning Large-scale Subsurface Simulations with a Hybrid Graph Network Simulator

• arxiv url: http://arxiv.org/abs/2206.07680v1
• Date: Wed, 15 Jun 2022 17:29:57 GMT
• ステータス: 処理完了
• システム内更新日: 2022-06-16 17:12:43.833700
• Title: Learning Large-scale Subsurface Simulations with a Hybrid Graph Network Simulator
• Title（参考訳）: ハイブリッドグラフネットワークシミュレータによる大規模地下シミュレーションの学習
• Authors: Tailin Wu and Qinchen Wang and Yinan Zhang and Rex Ying and Kaidi Cao and Rok Sosi\v{c} and Ridwan Jalali and Hassan Hamam and Marko Maucec and Jure Leskovec
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 57.57321628587564
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Subsurface simulations use computational models to predict the flow of fluids (e.g., oil, water, gas) through porous media. These simulations are pivotal in industrial applications such as petroleum production, where fast and accurate models are needed for high-stake decision making, for example, for well placement optimization and field development planning. Classical finite difference numerical simulators require massive computational resources to model large-scale real-world reservoirs. Alternatively, streamline simulators and data-driven surrogate models are computationally more efficient by relying on approximate physics models, however they are insufficient to model complex reservoir dynamics at scale. Here we introduce Hybrid Graph Network Simulator (HGNS), which is a data-driven surrogate model for learning reservoir simulations of 3D subsurface fluid flows. To model complex reservoir dynamics at both local and global scale, HGNS consists of a subsurface graph neural network (SGNN) to model the evolution of fluid flows, and a 3D-U-Net to model the evolution of pressure. HGNS is able to scale to grids with millions of cells per time step, two orders of magnitude higher than previous surrogate models, and can accurately predict the fluid flow for tens of time steps (years into the future). Using an industry-standard subsurface flow dataset (SPE-10) with 1.1 million cells, we demonstrate that HGNS is able to reduce the inference time up to 18 times compared to standard subsurface simulators, and that it outperforms other learning-based models by reducing long-term prediction errors by up to 21%.
• Abstract（参考訳）: 地下シミュレーションは計算モデルを用いて多孔質媒質中の流体(例えば油、水、ガス)の流れを予測する。 これらのシミュレーションは、例えば位置最適化や現地開発計画など、高速で正確な意思決定モデルを必要とする石油生産などの産業応用において重要なものである。 古典的有限差分数値シミュレータは大規模な実世界の貯留層をモデル化するために膨大な計算資源を必要とする。 あるいは、ストリームラインシミュレータとデータ駆動サーロゲートモデルは、近似物理モデルに依存することで計算効率が向上するが、大規模に複雑な貯留層ダイナミクスをモデル化するには不十分である。 本稿では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データ駆動サロゲートモデルであるHybrid Graph Network Simulator (HGNS)を紹介する。 局所的および大域的に複雑な貯留層力学をモデル化するために、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で構成される。 HGNSは、従来のサロゲートモデルよりも2桁高く、時間ステップ当たり数百万セルのグリッドにスケールすることができ、何十年もの間、流体の流れを正確に予測することができる。 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倍の推論時間を短縮し,長期予測誤差を最大21%削減することで,他の学習モデルよりも優れていることを示した。

関連論文リスト

• Machine learning surrogates for efficient hydrologic modeling: Insights from stochastic simulations of managed aquifer recharge [0.0]
  プロセスベース水理モデルと機械学習サロゲートモデルのためのハイブリッドモデリングワークフローを提案する。 ケーススタディでは, このワークフローを, 将来的な管理型帯水層帯水層における飽和地下水流のシミュレーションに応用する。 以上の結果から,MLサロゲートモデルでは,絶対誤差率10%以下で絶対誤差を達成でき,大域保存の順序付けが可能であることが示唆された。
  論文  参考訳（メタデータ） (2024-07-30T15:24:27Z)
• Three-dimensional granular flow simulation using graph neural network-based learned simulator [2.153852088624324]
  グラフニューラルネットワーク(GNN)を用いて粒状フローのシミュレータを開発する。 シミュレータは、様々なアスペクト比でカラム崩壊の全体的な挙動を再現する。 GNSの速度は300倍の高忠実度数値シミュレータを上回る。
  論文  参考訳（メタデータ） (2023-11-13T15:54:09Z)
• 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)
• Graph Convolutional Networks for Simulating Multi-phase Flow and Transport in Porous Media [0.0]
  データ駆動サロゲートモデリングは、高忠実度数値シミュレータの安価な代替手段を提供する。 CNNは偏微分方程式の解を近似するのに強力であるが、CNNが不規則かつ非構造的なシミュレーションメッシュを扱うことは依然として困難である。 グラフ畳み込みネットワーク(GCN)に基づく代理モデルを構築し,多相流と多孔質媒体の輸送過程の時空間解を近似する。
  論文  参考訳（メタデータ） (2023-07-10T09:59:35Z)
• Learning Controllable Adaptive Simulation for Multi-resolution Physics [86.8993558124143]
  完全深層学習に基づくサロゲートモデルとして,LAMP(Learning Controllable Adaptive Simulation for Multi- resolution Physics)を導入した。 LAMPは、前方進化を学習するためのグラフニューラルネットワーク(GNN)と、空間的洗練と粗大化のポリシーを学ぶためのGNNベースのアクター批判で構成されている。 我々は,LAMPが最先端のディープラーニングサロゲートモデルより優れており,長期予測誤差を改善するために,適応的なトレードオフ計算が可能であることを実証した。
  論文  参考訳（メタデータ） (2023-05-01T23:20:27Z)
• Continual learning autoencoder training for a particle-in-cell simulation via streaming [52.77024349608834]
  今後のエクサスケール時代は 次世代の物理シミュレーションを 高解像度で提供します これらのシミュレーションは高解像度であり、ディスク上に大量のシミュレーションデータを格納することはほぼ不可能であるため、機械学習モデルのトレーニングに影響を与える。 この研究は、ディスク上のデータなしで、実行中のシミュレーションにニューラルネットワークを同時にトレーニングするアプローチを示す。
  論文  参考訳（メタデータ） (2022-11-09T09:55:14Z)
• Physics-informed machine learning with differentiable programming for heterogeneous underground reservoir pressure management [64.17887333976593]
  地下貯水池の過圧化を避けることは、CO2の沈殿や排水の注入といった用途に欠かせない。 地中における複雑な不均一性のため, 噴射・抽出制御による圧力管理は困難である。 過圧化防止のための流体抽出速度を決定するために、フル物理モデルと機械学習を用いた微分可能プログラミングを用いる。
  論文  参考訳（メタデータ） (2022-06-21T20:38:13Z)
• A Physics-Constrained Deep Learning Model for Simulating Multiphase Flow in 3D Heterogeneous Porous Media [1.4050836886292868]
  物理制約付き深層学習モデルを構築し, 多相多孔質体における多相流の解法について検討した。 モデルは物理に基づくシミュレーションデータから訓練され、物理過程をエミュレートする。 このモデルは物理シミュレーションと比較して1400倍のスピードアップで予測を行う。
  論文  参考訳（メタデータ） (2021-04-30T02:15:01Z)
• A Gradient-based Deep Neural Network Model for Simulating Multiphase Flow in Porous Media [1.5791732557395552]
  多孔質媒体の多相流に関する物理に制約された勾配に基づくディープニューラルネットワーク(GDNN)について述べる。 GDNNが非線型応答の非線型パターンを効果的に予測できることを実証する。
  論文  参考訳（メタデータ） (2021-04-30T02:14:00Z)
• Machine learning for rapid discovery of laminar flow channel wall modifications that enhance heat transfer [56.34005280792013]
  任意の, 平坦な, 非平坦なチャネルの正確な数値シミュレーションと, ドラッグ係数とスタントン数を予測する機械学習モデルを組み合わせる。 畳み込みニューラルネットワーク(CNN)は,数値シミュレーションのわずかな時間で,目標特性を正確に予測できることを示す。
  論文  参考訳（メタデータ） (2021-01-19T16:14:02Z)

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。