論文の概要: Sequential Monte Carlo applied to virtual flow meter calibration
- arxiv url: http://arxiv.org/abs/2304.06310v1
- Date: Thu, 13 Apr 2023 07:35:18 GMT
- ステータス: 処理完了
- システム内更新日: 2023-04-14 15:21:41.446334
- Title: Sequential Monte Carlo applied to virtual flow meter calibration
- Title（参考訳）: 仮想流量計校正における逐次モンテカルロの適用
- Authors: Anders T. Sandnes, Bjarne Grimstad, Odd Kolbj{\o}rnsen
- Abstract要約: 油とガスの製造において、仮想フロー計測(VFM)は、マルチフェーズ流量をリアルタイムで推定しようとする一般的なソフトセンサーである。
キャリブレーションは、モデルの大きな多様性と利用可能な測定値の両方のために、アプリケーションに大きく依存する。
本稿では,生産セパレータによって提供される測定値に基づいてキャリブレーション手法を提案する。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Soft-sensors are gaining popularity due to their ability to provide estimates
of key process variables with little intervention required on the asset and at
a low cost. In oil and gas production, virtual flow metering (VFM) is a popular
soft-sensor that attempts to estimate multiphase flow rates in real time. VFMs
are based on models, and these models require calibration. The calibration is
highly dependent on the application, both due to the great diversity of the
models, and in the available measurements. The most accurate calibration is
achieved by careful tuning of the VFM parameters to well tests, but this can be
work intensive, and not all wells have frequent well test data available. This
paper presents a calibration method based on the measurement provided by the
production separator, and the assumption that the observed flow should be equal
to the sum of flow rates from each individual well. This allows us to jointly
calibrate the VFMs continuously. The method applies Sequential Monte Carlo
(SMC) to infer a tuning factor and the flow composition for each well. The
method is tested on a case with ten wells, using both synthetic and real data.
The results are promising and the method is able to provide reasonable
estimates of the parameters without relying on well tests. However, some
challenges are identified and discussed, particularly related to the process
noise and how to manage varying data quality.
- Abstract（参考訳）: ソフトセンサーは、資産にほとんど介入することなく、低コストで重要なプロセス変数の見積もりを提供する能力により、人気が高まっている。
油とガスの製造において、仮想フロー計測(VFM)は、マルチフェーズ流量をリアルタイムで推定しようとする一般的なソフトセンサーである。
VFMはモデルに基づいており、これらのモデルは校正を必要とする。
キャリブレーションは、モデルの大きな多様性と利用可能な測定値の両方のために、アプリケーションに大きく依存する。
最も正確なキャリブレーションは、よくテストするためにvfmパラメータを注意深くチューニングすることで達成されるが、これは作業集約的であり、すべての井戸が頻繁にテストデータを持っているわけではない。
本稿では, 製造分離器による測定値に基づく校正法と, 個々の井戸からの流量の和と等しければよいという仮定について述べる。
これにより、連続してvfmを調整できます。
本手法は, 逐次モンテカルロ (SMC) を用いて, 各井戸のチューニング係数と流量組成を推定する。
この方法は合成データと実データの両方を使用して、10の井戸を持つケースでテストされる。
結果は有望であり、十分なテストに頼らずにパラメータを合理的に見積もることができる。
しかしながら、特にプロセスノイズやさまざまなデータ品質の管理方法に関して、いくつかの課題が特定され、議論されている。
関連論文リスト
- Calibrating Language Models with Adaptive Temperature Scaling [58.056023173579625]
本稿では,各トークンの温度スケーリングパラメータを予測するポストホックキャリブレーション法であるAdaptive Temperature Scaling (ATS)を紹介する。
ATSは、以前のキャリブレーション法と比較して、3つの下流自然言語評価ベンチマークで10-50%以上のキャリブレーションを改善する。
論文 参考訳（メタデータ） (2024-09-29T22:54:31Z) - Consistency Flow Matching: Defining Straight Flows with Velocity Consistency [97.28511135503176]
本稿では,速度場の自己整合性を明示する新しいFM法であるConsistency Flow Matching(Consistency-FM)を紹介する。
予備実験により、一貫性FMは、一貫性モデルよりも4.4倍速く収束することにより、トレーニング効率を著しく向上することが示された。
論文 参考訳（メタデータ） (2024-07-02T16:15:37Z) - Deterministic and statistical calibration of constitutive models from full-field data with parametric physics-informed neural networks [36.136619420474766]
フルフィールド変位データからモデルキャリブレーションを行うためのパラメトリック物理インフォームドニューラルネットワーク(PINN)について検討した。
PINNの高速評価により、ほぼリアルタイムでキャリブレーションを行うことができる。
論文 参考訳（メタデータ） (2024-05-28T16:02:11Z) - Calibrating Large Language Models with Sample Consistency [76.23956851098598]
本稿では,複数サンプルモデル生成系の分布から信頼度を導出する可能性について,一貫性の3つの尺度を用いて検討する。
その結果、一貫性に基づくキャリブレーション手法は、既存のポストホック手法よりも優れていることがわかった。
種々のLMの特性に合わせて,キャリブレーションに適した整合性指標を選択するための実用的なガイダンスを提供する。
論文 参考訳（メタデータ） (2024-02-21T16:15:20Z) - Online Variational Sequential Monte Carlo [49.97673761305336]
我々は,計算効率が高く正確なモデルパラメータ推定とベイジアン潜在状態推定を提供する変分連続モンテカルロ法(VSMC)を構築した。
オンラインVSMCは、パラメータ推定と粒子提案適応の両方を効率よく、完全にオンザフライで実行することができる。
論文 参考訳（メタデータ） (2023-12-19T21:45:38Z) - Bayesian Calibration of MEMS Accelerometers [0.0]
誤差補正関数のパラメータは、校正プロセス中に決定される。
様々なノイズ源のため、これらのパラメータは精度で決定できないため、キャリブレーションモデルに不確かさを組み込むことが望ましい。
本研究では,MEMS加速度計データのキャリブレーションにおけるベイズ法について,近年の確率計画法を応用した簡単な手法を提案する。
論文 参考訳（メタデータ） (2023-06-09T09:10:28Z) - Passive learning to address nonstationarity in virtual flow metering
applications [0.0]
本稿では,定常仮想フローメータの予測精度を維持するために,学習手法の適用方法について検討する。
周期的バッチ学習とオンライン学習という2つの受動的学習法を、様々なキャリブレーション周波数で応用し、仮想フローメーターを訓練する。
第1に、頻繁な到着測定が存在する場合、頻繁なモデル更新は、時間とともに優れた予測性能を保ち、第2に、間欠的かつ頻繁な到着測定が存在する場合、頻繁な更新は、性能の精度を高めるために不可欠である。
論文 参考訳（メタデータ） (2022-02-07T14:42:00Z) - SWAT Watershed Model Calibration using Deep Learning [0.860255319568951]
深層学習(DL)を用いたSWATモデルの校正のための高速で正確で信頼性の高い手法を提案する。
畳み込みニューラルネットワークに基づくDL対応逆モデルを構築し,ストリームフローデータを取り込み,SWATモデルパラメータを推定する。
その結果,従来のパラメータ推定法よりもDLモデルに基づくキャリブレーションが優れていることがわかった。
論文 参考訳（メタデータ） (2021-10-06T22:56:23Z) - Automatic Extrinsic Calibration Method for LiDAR and Camera Sensor
Setups [68.8204255655161]
本論文では,LiDAR,単眼,ステレオカメラを含む任意のセンサのパラメータを校正する手法を提案する。
提案手法は、通常、車両のセットアップで見られるように、非常に異なる解像度とポーズのデバイスを扱うことができる。
論文 参考訳（メタデータ） (2021-01-12T12:02:26Z) - Uncertainty Quantification and Deep Ensembles [79.4957965474334]
ディープアンサンブルが必ずしもキャリブレーション特性の改善につながるとは限らないことを示す。
そこで本研究では,混成正規化などの現代的な手法と併用して標準アンサンブル法を用いることで,キャリブレーションの少ないモデルが得られることを示す。
このテキストは、データが不足しているときにディープラーニングを活用するために、最も単純で一般的な3つのアプローチの相互作用を調べる。
論文 参考訳（メタデータ） (2020-07-17T07:32:24Z)
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。