論文の概要: Graph Network Surrogate Model for Subsurface Flow Optimization
- arxiv url: http://arxiv.org/abs/2312.08625v1
- Date: Thu, 14 Dec 2023 03:13:12 GMT
- ステータス: 処理完了
- システム内更新日: 2023-12-16 00:10:04.544309
- Title: Graph Network Surrogate Model for Subsurface Flow Optimization
- Title(参考訳): 地下流れ最適化のためのグラフネットワークサロゲートモデル
- Authors: Haoyu Tang and Louis J. Durlofsky
- Abstract要約: 井戸の位置と制御の最適化は、地下流れの操作の設計において重要なステップである。
本稿では,適切な配置と制御を最適化するためのグラフネットワーク代理モデル(GNSM)を提案する。
GNSMは、フローモデルを符号化-処理-復号アーキテクチャを含む計算グラフに変換する。
- 参考スコア(独自算出の注目度): 3.04585143845864
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The optimization of well locations and controls is an important step in the
design of subsurface flow operations such as oil production or geological CO2
storage. These optimization problems can be computationally expensive, however,
as many potential candidate solutions must be evaluated. In this study, we
propose a graph network surrogate model (GNSM) for optimizing well placement
and controls. The GNSM transforms the flow model into a computational graph
that involves an encoding-processing-decoding architecture. Separate networks
are constructed to provide global predictions for the pressure and saturation
state variables. Model performance is enhanced through the inclusion of the
single-phase steady-state pressure solution as a feature. A multistage
multistep strategy is used for training. The trained GNSM is applied to predict
flow responses in a 2D unstructured model of a channelized reservoir. Results
are presented for a large set of test cases, in which five injection wells and
five production wells are placed randomly throughout the model, with a random
control variable (bottom-hole pressure) assigned to each well. Median relative
error in pressure and saturation for 300 such test cases is 1-2%. The ability
of the trained GNSM to provide accurate predictions for a new (geologically
similar) permeability realization is demonstrated. Finally, the trained GNSM is
used to optimize well locations and controls with a differential evolution
algorithm. GNSM-based optimization results are comparable to those from
simulation-based optimization, with a runtime speedup of a factor of 36. Much
larger speedups are expected if the method is used for robust optimization, in
which each candidate solution is evaluated on multiple geological models.
- Abstract(参考訳): 井戸の位置と制御の最適化は、石油生産や地質的なCO2貯蔵などの地下流動操作の設計において重要なステップである。
しかし、これらの最適化問題は計算量的に高価であり、多くの候補解を評価する必要がある。
本研究では,適切な配置と制御を最適化するためのグラフネットワークサロゲートモデル(GNSM)を提案する。
GNSMはフローモデルを符号化・処理・復号アーキテクチャを含む計算グラフに変換する。
圧力と飽和状態変数のグローバル予測を提供するために、別々のネットワークが構築されている。
モデル性能は単相定常圧力溶液を特徴として含むことで向上する。
多段階のマルチステップ戦略が訓練に使用される。
訓練されたGNSMを用いて,流路型貯水池の2次元非構造モデルにおける流れの応答を予測する。
実験では, モデル全体を通して5つの射出井戸と5つの生産井戸をランダムに配置し, それぞれの井戸にランダム制御変数(ボトムホール圧力)を割り当てた。
圧力および飽和の中間的相対誤差は300例で1-2%であった。
トレーニングされたGNSMが、新しい(地質学的に類似した)透水性実現の正確な予測を提供する能力を示す。
最後に、訓練されたGNSMは、微分進化アルゴリズムを用いて井戸の位置と制御を最適化するために使用される。
GNSMベースの最適化結果はシミュレーションベースの最適化と同等であり、実行時の高速化は36。
この手法がロバストな最適化に使われ、それぞれの候補解が複数の地質モデルで評価される場合、より大きなスピードアップが期待される。
関連論文リスト
- Federated Conditional Stochastic Optimization [110.513884892319]
条件付き最適化は、不変学習タスク、AUPRC、AMLなど、幅広い機械学習タスクで見られる。
本稿では,分散フェデレーション学習のためのアルゴリズムを提案する。
論文 参考訳(メタデータ) (2023-10-04T01:47:37Z) - Sample-Efficient and Surrogate-Based Design Optimization of Underwater
Vehicle Hulls [1.023712090082156]
物理シミュレーションはコンピュータ支援設計(CAD)最適化プロセスにおける計算ボトルネックである。
本研究では、最適化と人工知能(AI)の最近の進歩を活用して、これらの潜在的なソリューションの両方に対処する。
我々は、CFDソルバを用いた直接数値シミュレーションにより計算されるドラグフォースを近似するディープニューラルネットワーク(DNN)に基づく代理モデルを開発した。
論文 参考訳(メタデータ) (2023-04-24T19:52:42Z) - An Empirical Evaluation of Zeroth-Order Optimization Methods on
AI-driven Molecule Optimization [78.36413169647408]
分子目的を最適化するための様々なZO最適化手法の有効性について検討する。
ZO符号に基づく勾配降下(ZO-signGD)の利点を示す。
本稿では,Guurcamol スイートから広く使用されているベンチマークタスクに対して,ZO 最適化手法の有効性を示す。
論文 参考訳(メタデータ) (2022-10-27T01:58:10Z) - Data-driven evolutionary algorithm for oil reservoir well-placement and
control optimization [3.012067935276772]
一般化されたデータ駆動進化アルゴリズム(GDDE)は、適切な配置と制御最適化問題で実行されるシミュレーションの数を減らすために提案される。
確率的ニューラルネットワーク(PNN)は、情報的および有望な候補を選択するための分類器として採用されている。
論文 参考訳(メタデータ) (2022-06-07T09:07:49Z) - Convolutional-Recurrent Neural Network Proxy for Robust Optimization and
Closed-Loop Reservoir Management [0.0]
畳み込みリカレントニューラルネットワーク(CNN-RNN)プロキシモデルを開発した。
この能力は、頑健な最適化に必要な目的関数と非線形制約値の推定を可能にする。
論文 参考訳(メタデータ) (2022-03-14T22:11:17Z) - A Graph Neural Network Framework for Grid-Based Simulation [0.9137554315375922]
本稿では,シミュレーションの実行を置き換え,最適化プロセスを高速化する代理フィードフォワードモデルを構築するためのグラフニューラルネットワーク(GNN)フレームワークを提案する。
我々のGNNフレームワークは、石油やガス、炭素捕獲シークエンス(CCS)など、よく関連する地下最適化の応用に大きな可能性を示している。
論文 参考訳(メタデータ) (2022-02-05T22:48:16Z) - Use of low-fidelity models with machine-learning error correction for
well placement optimization [1.14219428942199]
低忠実度(LF)モデルを用いてシミュレーションを行う最適化フレームワークを提案する。
木に基づく機械学習手法,特にランダムフォレストと光勾配促進機を適用した。
3次元バイモーダル水路モデルにおける鉛直坑井の設置に関する2つの事例について検討した。
論文 参考訳(メタデータ) (2021-10-30T19:21:54Z) - Self Normalizing Flows [65.73510214694987]
本稿では,各層における学習された近似逆数により,勾配の高価な項を置き換えることで,フローの正規化を訓練するための柔軟なフレームワークを提案する。
これにより、各レイヤの正確な更新の計算複雑性が$mathcalO(D3)$から$mathcalO(D2)$に削減される。
実験により,これらのモデルは非常に安定であり,正確な勾配値と類似したデータ可能性値に最適化可能であることが示された。
論文 参考訳(メタデータ) (2020-11-14T09:51:51Z) - A Primer on Zeroth-Order Optimization in Signal Processing and Machine
Learning [95.85269649177336]
ZO最適化は、勾配推定、降下方向、ソリューション更新の3つの主要なステップを反復的に実行する。
我々は,ブラックボックス深層学習モデルによる説明文の評価や生成,効率的なオンラインセンサ管理など,ZO最適化の有望な応用を実証する。
論文 参考訳(メタデータ) (2020-06-11T06:50:35Z) - Global Optimization of Gaussian processes [52.77024349608834]
少数のデータポイントで学習したガウス過程を訓練した空間定式化を提案する。
このアプローチはまた、より小さく、計算的にもより安価なサブソルバを低いバウンディングに導く。
提案手法の順序の順序による時間収束を,総じて低減する。
論文 参考訳(メタデータ) (2020-05-21T20:59:11Z) - Self-Directed Online Machine Learning for Topology Optimization [58.920693413667216]
自己指向型オンライン学習最適化は、ディープニューラルネットワーク(DNN)と有限要素法(FEM)計算を統合している。
本アルゴリズムは, コンプライアンスの最小化, 流体構造最適化, 伝熱促進, トラス最適化の4種類の問題によって検証された。
その結果, 直接使用法と比較して計算時間を2~5桁削減し, 実験で検証した全ての最先端アルゴリズムより優れていた。
論文 参考訳(メタデータ) (2020-02-04T20:00:28Z)
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。