論文の概要: Surrogate-assisted level-based learning evolutionary search for heat
extraction optimization of enhanced geothermal system
- arxiv url: http://arxiv.org/abs/2212.07666v2
- Date: Fri, 16 Dec 2022 14:03:29 GMT
- ステータス: 処理完了
- システム内更新日: 2022-12-19 14:54:33.150519
- Title: Surrogate-assisted level-based learning evolutionary search for heat
extraction optimization of enhanced geothermal system
- Title（参考訳）: 拡張地熱系の熱抽出最適化のためのサーロゲート支援レベルベース学習進化探索
- Authors: Guodong Chen, Xin Luo, Chuanyin Jiang, Jiu Jimmy Jiao
- Abstract要約: 地熱システムの強化は、持続的かつ長期的な地熱エネルギー供給と二酸化炭素排出量の削減に不可欠である。
改良された地熱系の熱抽出最適化のために,SLLES (Surrogate-assisted level-based learning evolution search algorithm) を提案する。
- 参考スコア（独自算出の注目度）: 3.012067935276772
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: An enhanced geothermal system is essential to provide sustainable and
long-term geothermal energy supplies and reduce carbon emissions. Optimal
well-control scheme for effective heat extraction and improved heat sweep
efficiency plays a significant role in geothermal development. However, the
optimization performance of most existing optimization algorithms deteriorates
as dimension increases. To solve this issue, a novel surrogate-assisted
level-based learning evolutionary search algorithm (SLLES) is proposed for heat
extraction optimization of enhanced geothermal system. SLLES consists of
classifier-assisted level-based learning pre-screen part and local evolutionary
search part. The cooperation of the two parts has realized the balance between
the exploration and exploitation during the optimization process. After
iteratively sampling from the design space, the robustness and effectiveness of
the algorithm are proven to be improved significantly. To the best of our
knowledge, the proposed algorithm holds state-of-the-art simulation-involved
optimization framework. Comparative experiments have been conducted on
benchmark functions, a two-dimensional fractured reservoir and a
three-dimensional enhanced geothermal system. The proposed algorithm
outperforms other five state-of-the-art surrogate-assisted algorithms on all
selected benchmark functions. The results on the two heat extraction cases also
demonstrate that SLLES can achieve superior optimization performance compared
with traditional evolutionary algorithm and other surrogate-assisted
algorithms. This work lays a solid basis for efficient geothermal extraction of
enhanced geothermal system and sheds light on the model management strategies
of data-driven optimization in the areas of energy exploitation.
- Abstract（参考訳）: 地熱システムの強化は、持続可能な長期地熱エネルギー供給と二酸化炭素排出量削減に不可欠である。
地熱開発において,有効熱抽出と改良熱浄化効率の最適化が重要な役割を担っている。
しかし,既存の最適化アルゴリズムの最適化性能は次元が大きくなるにつれて低下する。
本研究では,改良地熱系の熱抽出最適化のために,新しいサーロゲート支援レベルベース学習進化探索アルゴリズム(slles)を提案する。
sllesは、レベルベース学習プリスクリーン部と局所進化探索部で構成される。
両者の協力により,最適化過程における探索と搾取のバランスが達成された。
設計空間から繰り返しサンプリングした後、アルゴリズムの堅牢性と有効性が著しく向上することが証明された。
我々の知る限り、提案アルゴリズムは最先端のシミュレーション関連最適化フレームワークを備えている。
ベンチマーク関数, 2次元破壊貯留層, 3次元強化地熱系について比較実験を行った。
提案アルゴリズムは,すべてのベンチマーク関数において,他の5つの最先端サーロゲート支援アルゴリズムよりも優れている。
2つの熱抽出実験の結果、SLLESは従来の進化的アルゴリズムや代用補助アルゴリズムと比較して優れた最適化性能が得られることを示した。
この研究は、改良された地熱系の効率的な地熱抽出の基礎を固め、エネルギー利用分野におけるデータ駆動最適化のモデル管理戦略に光を当てる。
関連論文リスト
- Provably Faster Algorithms for Bilevel Optimization via Without-Replacement Sampling [96.47086913559289]
勾配に基づくアルゴリズムはバイレベル最適化に広く用いられている。
本研究では,より高速な収束率を実現する非置換サンプリングに基づくアルゴリズムを提案する。
合成および実世界の両方のアプリケーションに対してアルゴリズムを検証する。
論文 参考訳（メタデータ） (2024-11-07T17:05:31Z) - Machine Learning-Accelerated Multi-Objective Design of Fractured Geothermal Systems [17.040963667188525]
本稿では, フラクチャードメディアにおける熱水シミュレーションと統合した, 能動学習による進化的多目的最適化アルゴリズムについて報告する。
ALEMO法は従来の進化法に比べて1～2桁の速度(10～100倍)で、必要なシミュレーションを著しく削減することを示した。
論文 参考訳（メタデータ） (2024-11-01T10:39:23Z) - The Firefighter Algorithm: A Hybrid Metaheuristic for Optimization Problems [3.2432648012273346]
The Firefighter Optimization (FFO) algorithm is a new hybrid metaheuristic for optimization problem。
FFOの性能を評価するため、FFOは13の最適化アルゴリズムに対して広範な実験を行った。
その結果、FFOは比較性能を達成し、いくつかのシナリオでは、得られた適合性、正確性に要する時間、時間単位でカバーされる研究空間の点で、一般的に採用されている最適化アルゴリズムよりも優れていることが示された。
論文 参考訳（メタデータ） (2024-06-01T18:38:59Z) - 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) - Efficient Non-Parametric Optimizer Search for Diverse Tasks [93.64739408827604]
興味のあるタスクを直接検索できる,スケーラブルで汎用的なフレームワークを初めて提示する。
基礎となる数学表現の自然木構造に着想を得て、空間を超木に再配置する。
我々は,モンテカルロ法を木探索に適用し,レジェクションサンプリングと等価形状検出を備える。
論文 参考訳（メタデータ） (2022-09-27T17:51:31Z) - Machine learning based surrogate models for microchannel heat sink
optimization [0.0]
本稿では,二次チャネルとリブを用いたマイクロチャネルの設計を計算流体力学を用いて検討する。
ラテンハイパーキューブサンプリング、機械学習に基づく代理モデリング、多目的最適化を組み合わせたワークフローを提案する。
論文 参考訳（メタデータ） (2022-08-20T13:49:11Z) - On the Convergence of Distributed Stochastic Bilevel Optimization
Algorithms over a Network [55.56019538079826]
バイレベル最適化は、幅広い機械学習モデルに適用されている。
既存のアルゴリズムの多くは、分散データを扱うことができないように、シングルマシンの設定を制限している。
そこで我々は,勾配追跡通信機構と2つの異なる勾配に基づく分散二段階最適化アルゴリズムを開発した。
論文 参考訳（メタデータ） (2022-06-30T05:29:52Z) - Deep learning based closed-loop optimization of geothermal reservoir
production [0.0]
本研究では,深部地熱貯留層を最適に制御するために,深部学習サロゲートに基づくクローズドループ最適化フレームワークを提案する。
我々は,畳み込みニューラルネットワーク(CNN)と長期記憶(LSTM)を組み合わせたハイブリッド畳み込み再帰型ニューラルネットワークサロゲートを構築した。
提案手法は, 地熱貯留層生産プロセスにおいて, 効率的かつ効率的なリアルタイム最適化とデータ同化を実現することができることを示す。
論文 参考訳（メタデータ） (2022-04-15T14:37:28Z) - Optimization and benchmarking of the thermal cycling algorithm [0.5879782260984691]
最適化問題のほとんどは、不規則に複雑な構造を持ち、不必要なタスクを見つける。
本稿では,非最適化問題におけるエネルギー障壁を温度差で克服するアルゴリズムをベンチマークし,改良する。
並列サイクリングやアイソエネルゲティックな動きなど,最先端のアルゴリズムと密接に競合することを示す。
論文 参考訳（メタデータ） (2020-12-17T18:07:04Z) - Bilevel Optimization: Convergence Analysis and Enhanced Design [63.64636047748605]
バイレベル最適化は多くの機械学習問題に対するツールである。
Stoc-BiO という新しい確率効率勾配推定器を提案する。
論文 参考訳（メタデータ） (2020-10-15T18:09:48Z) - Large Batch Training Does Not Need Warmup [111.07680619360528]
大きなバッチサイズを使用してディープニューラルネットワークをトレーニングすることは、有望な結果を示し、多くの現実世界のアプリケーションに利益をもたらしている。
本稿では,大規模バッチ学習のための全層適応レートスケーリング(CLARS)アルゴリズムを提案する。
分析に基づいて,このギャップを埋め,3つの一般的な大規模バッチトレーニング手法の理論的洞察を提示する。
論文 参考訳（メタデータ） (2020-02-04T23:03:12Z)
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。