論文の概要: Prediction of single well production rate in water-flooding oil fields
driven by the fusion of static, temporal and spatial information
- arxiv url: http://arxiv.org/abs/2302.11195v1
- Date: Wed, 22 Feb 2023 08:10:25 GMT
- ステータス: 処理完了
- システム内更新日: 2023-02-23 15:58:29.136022
- Title: Prediction of single well production rate in water-flooding oil fields
driven by the fusion of static, temporal and spatial information
- Title（参考訳）: 静的, 時間的, 空間的情報の融合による流出油田の単一井戸生産速度の予測
- Authors: Chao Min, Yijia Wang, Huohai Yang and Wei Zhao
- Abstract要約: 隣接する水井の静的な地質情報、動的生産履歴、空間的な情報を融合するために、新しい機械学習モデルを構築した。
提案したモデルが,データの特徴と専門家の知識を統合するために,モデル構造を十分に活用できることを理論的・実用的に証明した。
- 参考スコア（独自算出の注目度）: 3.743500951752524
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: It is very difficult to forecast the production rate of oil wells as the
output of a single well is sensitive to various uncertain factors, which
implicitly or explicitly show the influence of the static, temporal and spatial
properties on the oil well production. In this study, a novel machine learning
model is constructed to fuse the static geological information, dynamic well
production history, and spatial information of the adjacent water injection
wells. There are 3 basic modules in this stacking model, which are regarded as
the encoders to extract the features from different types of data. One is
Multi-Layer Perceptron, which is to analyze the static geological properties of
the reservoir that might influence the well production rate. The other two are
both LSTMs, which have the input in the form of two matrices rather than
vectors, standing for the temporal and the spatial information of the target
well. The difference of the two modules is that in the spatial information
processing module we take into consideration the time delay of water flooding
response, from the injection well to the target well. In addition, we use
Symbolic Transfer Entropy to prove the superiorities of the stacking model from
the perspective of Causality Discovery. It is proved theoretically and
practically that the presented model can make full use of the model structure
to integrate the characteristics of the data and the experts' knowledge into
the process of machine learning, greatly improving the accuracy and
generalization ability of prediction.
- Abstract（参考訳）: 油井の生産速度の予測は非常に困難であり, 油井生産における静的, 時間的, 空間的特性の影響を暗黙的に, 明示的に示すような, 様々な不確実な要因に敏感である。
本研究では, 静的な地質情報, 動的井戸生産履歴, 隣り合う水道井の空間情報とを融合させるために, 新たな機械学習モデルを構築した。
この積み重ねモデルには3つの基本モジュールがあり、異なるタイプのデータから特徴を抽出するエンコーダと見なされている。
ひとつはMulti-Layer Perceptronで、井戸の生産速度に影響を与える可能性のある貯水池の静的な地質特性を分析する。
他の2つはどちらも lstm であり、これはベクトルではなく2つの行列の形で入力を持ち、対象井戸の時間的情報と空間的情報を表す。
2つのモジュールの違いは, 空間情報処理モジュールでは, 浸水応答の時間遅延を考慮した場合, 注入井戸からターゲット井戸への時間遅延を考慮したものである。
さらに, 因果関係の発見の観点から, 積み重ねモデルの優越性を証明するために記号伝達エントロピーを用いた。
提案モデルでは,モデル構造を十分に活用して,データの特徴と専門家の知識を機械学習のプロセスに統合し,予測の精度と一般化能力を大幅に向上できることが理論的に実証されている。
関連論文リスト
- Causal Deciphering and Inpainting in Spatio-Temporal Dynamics via Diffusion Model [45.45700202300292]
CaPaintは2段階のプロセスで因果推論能力を備えたデータとエンドウモデルの因果領域を特定することを目的としている。
微調整未条件拡散確率モデル(DDPM)を生成前として, 環境成分として定義されたマスクを埋め込む。
5つの実世界のSTベンチマークで実施された実験は、CaPaintの概念の統合により、モデルが4.3%から77.3%の改善を達成できることを示した。
論文 参考訳（メタデータ） (2024-09-29T08:18:50Z) - Synthetic location trajectory generation using categorical diffusion
models [50.809683239937584]
拡散モデル(DPM)は急速に進化し、合成データのシミュレーションにおける主要な生成モデルの一つとなっている。
本稿では,個人が訪れた物理的位置を表す変数列である合成個別位置軌跡(ILT)の生成にDPMを用いることを提案する。
論文 参考訳（メタデータ） (2024-02-19T15:57:39Z) - Towards Interpretable Physical-Conceptual Catchment-Scale Hydrological Modeling using the Mass-Conserving-Perceptron [1.1510009152620668]
本研究では, ニューラル・アーキテクチャー・サーチを用いて, 異なる気候環境下での漁獲量に対する最小限の表現を適切に決定することにより, 地域規模のMPPに基づく水文モデル(大規模なサンプルデータを用いた)の解釈の段階を定めている。
論文 参考訳（メタデータ） (2024-01-25T21:26:49Z) - IntraSeismic: a coordinate-based learning approach to seismic inversion [14.625250755761662]
IntraSeismicは、座標に基づく学習とポストスタックモデリング演算子の物理をシームレスに組み合わせた、新しいハイブリッド地震インバージョン手法である。
IntraSeismicの主な特徴は、2Dおよび3D後の地震インバージョン、高速収束率、およびシームレスにハード制約を含む能力である。
提案手法の有効性を検証するために, 震源内データの合成とフィールドデータの適用について述べる。
論文 参考訳（メタデータ） (2023-12-17T00:29:25Z) - Multi-Modal Learning-based Reconstruction of High-Resolution Spatial
Wind Speed Fields [46.72819846541652]
本稿では,Variデータ同化とディープラーニングの概念に基づくフレームワークを提案する。
この枠組みは、海面風速に関する高解像度のリッチインタイムを回復するために応用される。
論文 参考訳（メタデータ） (2023-12-14T13:40:39Z) - Mitigation of Spatial Nonstationarity with Vision Transformers [1.690637178959708]
深層学習モデル予測性能に対する2種類の測地的空間非定常性の影響を示す。
本稿では,自己注意モデル(ビジョン・トランスフォーマー)を用いて,そのような影響の緩和を提案する。
論文 参考訳（メタデータ） (2022-12-09T02:16:05Z) - Modeling Oceanic Variables with Dynamic Graph Neural Networks [0.09830751917335563]
ブラジルのサントス・サンテ・ビセンテ・ベルティオガ地域における環境変数を予測するためのデータ駆動手法について述べる。
我々のモデルは、最先端のシーケンスモデルとリレーショナルモデルとを結合することにより、時間的および空間的帰納バイアスの両方を利用する。
実験の結果、柔軟性とドメイン知識の依存性のほとんどを維持しながら、私たちのモデルによってより良い結果が得られます。
論文 参考訳（メタデータ） (2022-06-25T22:43:02Z) - 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) - Deep-learning-based coupled flow-geomechanics surrogate model for CO$_2$
sequestration [4.635171370680939]
3次元リカレントr-u-netモデルは、深い畳み込みとリカレントニューラルネットワークを組み合わせて、飽和、圧力、表面変位場の空間分布と時間変化を捉える。
サーロゲートモデルは、貯留層内の3D CO2飽和と圧力場、および地球の表面の2D変位マップを予測するために訓練されています。
論文 参考訳（メタデータ） (2021-05-04T07:34:15Z) - Semi-Supervised Video Deraining with Dynamic Rain Generator [59.71640025072209]
本稿では,降雨層に適合する動的降雨発生器を用いた半教師付きビデオデレーシング手法を提案する。
具体的には、1つのエミッションモデルと1つのトランジションモデルから成り、空間的物理的構造と時系列の雨の連続的な変化を同時にエンコードする。
ラベル付き合成およびラベルなしの実データのために、それらの基礎となる共通知識を十分に活用するために、様々な先行フォーマットが設計されている。
論文 参考訳（メタデータ） (2021-03-14T14:28:57Z) - Hybrid and Automated Machine Learning Approaches for Oil Fields
Development: the Case Study of Volve Field, North Sea [58.720142291102135]
本稿では,意思決定プロセスを支援する分野開発タスクにおけるインテリジェントなアプローチの利用について述べる。
我々は,油田立地最適化の問題と,その中の2つの課題に注目し,石油生産量推定の品質向上と貯水池特性の評価を行う。
実装されたアプローチは、異なる油田を解析したり、同様の物理問題に適応することができる。
論文 参考訳（メタデータ） (2021-03-03T18:51:46Z)
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。