論文の概要: Deep-learning-based Early Fixing for Gas-lifted Oil Production
Optimization: Supervised and Weakly-supervised Approaches
- arxiv url: http://arxiv.org/abs/2309.00197v1
- Date: Fri, 1 Sep 2023 01:23:28 GMT
- ステータス: 処理完了
- システム内更新日: 2023-09-04 14:50:43.523675
- Title: Deep-learning-based Early Fixing for Gas-lifted Oil Production
Optimization: Supervised and Weakly-supervised Approaches
- Title（参考訳）: 石油生産最適化のための深層学習に基づく早期固定:監督的および弱監督的アプローチ
- Authors: Bruno Machado Pacheco and Laio Oriel Seman and Eduardo Camponogara
- Abstract要約: 混合整数線形計画(MILP)は、ガス回収油井からの石油生産を最大化するために用いられる。
本稿では,全ての整数変数に値を提供するために訓練されたディープラーニングモデルに基づくテーラーメイドのソリューションを提案する。
- 参考スコア（独自算出の注目度）: 7.676408770854476
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Maximizing oil production from gas-lifted oil wells entails solving
Mixed-Integer Linear Programs (MILPs). As the parameters of the wells, such as
the basic-sediment-to-water ratio and the gas-oil ratio, are updated, the
problems must be repeatedly solved. Instead of relying on costly exact methods
or the accuracy of general approximate methods, in this paper, we propose a
tailor-made heuristic solution based on deep learning models trained to provide
values to all integer variables given varying well parameters, early-fixing the
integer variables and, thus, reducing the original problem to a linear program
(LP). We propose two approaches for developing the learning-based heuristic: a
supervised learning approach, which requires the optimal integer values for
several instances of the original problem in the training set, and a
weakly-supervised learning approach, which requires only solutions for the
early-fixed linear problems with random assignments for the integer variables.
Our results show a runtime reduction of 71.11% Furthermore, the
weakly-supervised learning model provided significant values for early fixing,
despite never seeing the optimal values during training.
- Abstract（参考訳）: ガス回収油井からの石油生産の最大化には、混合整数線形計画(MILP)の解決が必要である。
基礎沈降水比やガス・油比などの井戸のパラメータが更新されるため、問題を繰り返し解決する必要がある。
本稿では,一般近似法のコストのかかる方法や精度に頼らず,様々なパラメータが与えられたすべての整数変数に値を提供し,整数変数を早期に固定し,元の問題を線形プログラム (lp) に還元するように訓練したディープラーニングモデルに基づく,仕立て型ヒューリスティック解を提案する。
学習に基づくヒューリスティックを開発するための2つのアプローチを提案する:教師あり学習アプローチは、トレーニングセット内の元の問題に最適な整数値を必要とするが、弱い教師あり学習アプローチは、整数変数にランダムに代入された初期固定線形問題に対する解のみを必要とする。
さらに, トレーニング中に最適な値が見つからなかったにもかかわらず, 早期修正には弱い教師付き学習モデルが有意な値を与えた。
関連論文リスト
- Learning Constrained Optimization with Deep Augmented Lagrangian Methods [54.22290715244502]
機械学習(ML)モデルは、制約付き最適化ソルバをエミュレートするために訓練される。
本稿では,MLモデルを用いて2つの解推定を直接予測する手法を提案する。
これにより、双対目的が損失関数であるエンドツーエンドのトレーニングスキームと、双対上昇法をエミュレートした原始的実現可能性への解推定を可能にする。
論文 参考訳（メタデータ） (2024-03-06T04:43:22Z) - When, Why and How Much? Adaptive Learning Rate Scheduling by Refinement [51.12097770185634]
実際に使用される学習率のスケジュールは、理論によって推奨されるものとはほとんど似ていない。
我々はこの理論と実践的ギャップの多くを閉じ、その結果、新しい問題適応型学習率スケジュールを導き出すことができる。
論文 参考訳（メタデータ） (2023-10-11T19:16:35Z) - Pruning Pre-trained Language Models with Principled Importance and
Self-regularization [18.088550230146247]
反復プルーニングは、事前訓練された言語モデルにおいて最も効果的な圧縮手法の1つである。
モデル予測を最新のチェックポイントで正規化する自己正規化手法を提案する。
自然言語理解,質問応答,名前付きエンティティ認識,および様々なトランスフォーマーベースのPLMを用いたデータ・テキスト生成に関する実験により,様々な空間レベルにおけるアプローチの有効性が示された。
論文 参考訳（メタデータ） (2023-05-21T08:15:12Z) - Learning To Dive In Branch And Bound [95.13209326119153]
グラフニューラルネットワークを用いて特定の潜水構造を学習するためのL2Diveを提案する。
我々は、変数の割り当てを予測するために生成モデルを訓練し、線形プログラムの双対性を利用して潜水決定を行う。
論文 参考訳（メタデータ） (2023-01-24T12:01:45Z) - Learning to Optimize Permutation Flow Shop Scheduling via Graph-based
Imitation Learning [70.65666982566655]
置換フローショップスケジューリング(PFSS)は製造業で広く使われている。
我々は,より安定かつ正確に収束を加速する専門家主導の模倣学習を通じてモデルを訓練することを提案する。
我々のモデルのネットワークパラメータはわずか37%に減少し、エキスパートソリューションに対する我々のモデルの解のギャップは平均6.8%から1.3%に減少する。
論文 参考訳（メタデータ） (2022-10-31T09:46:26Z) - A framework for bilevel optimization that enables stochastic and global
variance reduction algorithms [17.12280360174073]
双レベル最適化は、他の関数のarg最小値を含む値関数を最小化する問題である。
本稿では, 内部問題の解, 線形系の解, 主変数を同時に発展させる新しい枠組みを提案する。
我々のフレームワークにおけるSAGAアルゴリズムの適応であるSABAは$O(frac1T)$収束率を持ち、Polyak-Lojasciewicz仮定の下で線形収束を達成することを示した。
論文 参考訳（メタデータ） (2022-01-31T18:17:25Z) - Learning to Reformulate for Linear Programming [11.628932152805724]
本稿では,リニアプログラミング(LP)の強化学習に基づく再構成手法を提案する。
本研究では,2つの公共研究用LPデータセットと,実運用シナリオから収集した大規模LPデータセットに対して提案手法を実装した。
論文 参考訳（メタデータ） (2022-01-17T04:58:46Z) - Learning Primal Heuristics for Mixed Integer Programs [5.766851255770718]
本研究は,機械学習を用いて効果的な霊長類を自動学習できるかどうかを考察する。
本稿では,最適化問題をグラフとして表現するための新しい手法を提案する。
可変解の予測はB&B法の新たな構成であるProbabilistic Branching with guided Depth-first Searchによって行われる。
論文 参考訳（メタデータ） (2021-07-02T06:46:23Z) - Combining Deep Learning and Optimization for Security-Constrained
Optimal Power Flow [94.24763814458686]
セキュリティに制約のある最適電力フロー(SCOPF)は、電力システムの基本である。
SCOPF問題におけるAPRのモデル化は、複雑な大規模混合整数プログラムをもたらす。
本稿では,ディープラーニングとロバスト最適化を組み合わせた新しい手法を提案する。
論文 参考訳（メタデータ） (2020-07-14T12:38:21Z) - Automatically Learning Compact Quality-aware Surrogates for Optimization
Problems [55.94450542785096]
未知パラメータで最適化問題を解くには、未知パラメータの値を予測し、これらの値を用いて問題を解くための予測モデルを学ぶ必要がある。
最近の研究によると、複雑なトレーニングモデルパイプラインのレイヤーとして最適化の問題を含めると、観測されていない意思決定の繰り返しを予測することになる。
我々は,大規模最適化問題の低次元サロゲートモデルを学習することにより,解の質を向上させることができることを示す。
論文 参考訳（メタデータ） (2020-06-18T19:11:54Z)
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。