論文の概要: Physics-Informed Neural Networks with Skip Connections for Modeling and Control of Gas-Lifted Oil Wells

• arxiv url: http://arxiv.org/abs/2403.02289v1
• Date: Mon, 4 Mar 2024 18:18:52 GMT
• ステータス: 処理完了
• システム内更新日: 2024-03-06 17:50:17.318552
• Title: Physics-Informed Neural Networks with Skip Connections for Modeling and Control of Gas-Lifted Oil Wells
• Title（参考訳）: ガスリフティング油井のモデリングと制御のためのスキップ接続型物理インフォームニューラルネットワーク
• Authors: Jonas Ekeland Kittelsen, Eric Aislan Antonelo, Eduardo Camponogara, Lars Struen Imsland
• Abstract要約: 本研究では, 気化油井などの高非線形系をモデル化するためのPINCを改良する。 提案した改良PINCは優れた性能を示し,検証誤差を平均67%低減する。 実験では、油井の底孔圧力を調節するモデル予測制御(MPC)の有効性を示す。
• 参考スコア（独自算出の注目度）: 5.238209518666572
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Neural networks, while powerful, often lack interpretability. Physics-Informed Neural Networks (PINNs) address this limitation by incorporating physics laws into the loss function, making them applicable to solving Ordinary Differential Equations (ODEs) and Partial Differential Equations (PDEs). The recently introduced PINC framework extends PINNs to control applications, allowing for open-ended long-range prediction and control of dynamic systems. In this work, we enhance PINC for modeling highly nonlinear systems such as gas-lifted oil wells. By introducing skip connections in the PINC network and refining certain terms in the ODE, we achieve more accurate gradients during training, resulting in an effective modeling process for the oil well system. Our proposed improved PINC demonstrates superior performance, reducing the validation prediction error by an average of 67% in the oil well application and significantly enhancing gradient flow through the network layers, increasing its magnitude by four orders of magnitude compared to the original PINC. Furthermore, experiments showcase the efficacy of Model Predictive Control (MPC) in regulating the bottom-hole pressure of the oil well using the improved PINC model, even in the presence of noisy measurements.
• Abstract（参考訳）: ニューラルネットワークは強力だが、しばしば解釈可能性に欠ける。 物理情報ニューラルネットワーク(PINN)は、物理法則を損失関数に組み込むことで、通常の微分方程式(ODE)と部分微分方程式(PDE)の解法に適用することができる。 最近発表されたpincフレームワークは、pinnを拡張してアプリケーションを制御し、動的システムのオープンエンドな長距離予測と制御を可能にする。 本研究では, ガスリフト油井などの高非線形システムのモデリングにおいて, pinc を強化する。 PINCネットワークにスキップ接続を導入し、ODEの特定の項を精錬することにより、訓練中により正確な勾配を達成し、油井システムの効率的なモデリングプロセスを実現する。 提案した改良PINCは優れた性能を示し, 油井における平均67%のバリデーション予測誤差を低減し, ネットワーク層内の勾配流を著しく増大させ, 元のPINCに比べて4桁の規模を増大させた。 さらに, 改良型pincモデルを用いた油井底孔圧力制御におけるモデル予測制御(mpc)の有効性を示す実験を行った。

関連論文リスト

• Causal Context Adjustment Loss for Learned Image Compression [72.7300229848778]
  近年,学習画像圧縮(lic)技術は,特にRD性能の点で従来の手法を上回りつつある。 現在の技術のほとんどは、自己回帰エントロピーモデルを備えたVAEベースで、デコードされた因果コンテキストを利用してRD性能を向上する。 本稿では,提案した因果文脈調整損失を用いて因果文脈を的確に調整する方法を初めて検討する。
  論文  参考訳（メタデータ） (2024-10-07T09:08:32Z)
• Domain-decoupled Physics-informed Neural Networks with Closed-form Gradients for Fast Model Learning of Dynamical Systems [2.8730926763860687]
  物理インフォームドニューラルネットワーク(PINN)は、物理方程式を用いて訓練され、データから学習することで、モデル化されていない効果を組み込むことができる。 本稿では、大規模で複雑な非線形力学系を扱う場合のPINCの現在の限界に対処するために、ドメイン分離された物理情報ニューラルネットワーク(DD-PINN)を導入する。
  論文  参考訳（メタデータ） (2024-08-27T10:54:51Z)
• Graph neural network-based surrogate modelling for real-time hydraulic prediction of urban drainage networks [1.8073031015436376]
  物理モデルに基づくモデルは、計算に時間がかかり、都市排水網のリアルタイムシナリオには有効ではない。 完全に接続されたニューラルネットワーク(NN)は、潜在的な代理モデルであるが、複雑なターゲットに適合する際の解釈可能性と効率の低下に悩まされる可能性がある。 本研究は, 排水網の水理予測問題に対する流路モデルのGNNに基づくサロゲートを提案する。
  論文  参考訳（メタデータ） (2024-04-16T07:08:04Z)
• Enriched Physics-informed Neural Networks for Dynamic Poisson-Nernst-Planck Systems [0.8192907805418583]
  本稿では、動的Poisson-Nernst-Planck(PNP)方程式を解くために、メッシュレス深層学習アルゴリズム、EPINN(enriched Physics-informed Neural Network)を提案する。 EPINNは、従来の物理インフォームドニューラルネットワークを基盤フレームワークとして、損失関数のバランスをとるために適応的な損失重みを追加する。 数値計算の結果, 結合された非線形系の解法において, 従来の数値法よりも適用性が高いことがわかった。
  論文  参考訳（メタデータ） (2024-02-01T02:57:07Z)
• Physics-Informed Neural Network for Discovering Systems with Unmeasurable States with Application to Lithium-Ion Batteries [6.375364752891239]
  本稿では,損失項の少ないPINNをトレーニングするためのロバストな手法を導入し,最適化のためのより複雑なランドスケープを構築する。 各微分方程式から損失項を持つ代わりに、この方法は力学を損失関数に埋め込み、観測されたシステム出力と予測されたシステム出力の間の誤差を定量化する。 これは、既知のダイナミクスを使用してニューラルネットワーク(NN)から予測された状態を数値的に統合し、予測された出力のシーケンスを取得することで達成される。
  論文  参考訳（メタデータ） (2023-11-27T23:35:40Z)
• Learning Neural Constitutive Laws From Motion Observations for Generalizable PDE Dynamics [97.38308257547186]
  多くのNNアプローチは、支配的PDEと物質モデルの両方を暗黙的にモデル化するエンドツーエンドモデルを学ぶ。 PDEの管理はよく知られており、学習よりも明示的に実施されるべきである、と私たちは主張する。 そこで我々は,ネットワークアーキテクチャを利用したニューラル構成則(Neural Constitutive Laws,NCLaw)と呼ばれる新しいフレームワークを導入する。
  論文  参考訳（メタデータ） (2023-04-27T17:42:24Z)
• Implicit Stochastic Gradient Descent for Training Physics-informed Neural Networks [51.92362217307946]
  物理インフォームドニューラルネットワーク(PINN)は、前方および逆微分方程式問題の解法として効果的に実証されている。 PINNは、近似すべきターゲット関数が高周波またはマルチスケールの特徴を示す場合、トレーニング障害に閉じ込められる。 本稿では,暗黙的勾配降下法(ISGD)を用いてPINNを訓練し,トレーニングプロセスの安定性を向上させることを提案する。
  論文  参考訳（メタデータ） (2023-03-03T08:17:47Z)
• Neural Basis Functions for Accelerating Solutions to High Mach Euler Equations [63.8376359764052]
  ニューラルネットワークを用いた偏微分方程式(PDE)の解法を提案する。 ニューラルネットワークの集合を縮小順序 Proper Orthogonal Decomposition (POD) に回帰する。 これらのネットワークは、所定のPDEのパラメータを取り込み、PDEに還元順序近似を計算する分岐ネットワークと組み合わせて使用される。
  論文  参考訳（メタデータ） (2022-08-02T18:27:13Z)
• Neural Operator with Regularity Structure for Modeling Dynamics Driven by SPDEs [70.51212431290611]
  偏微分方程式 (SPDE) は、大気科学や物理学を含む多くの分野において、力学をモデル化するための重要なツールである。 本研究では,SPDEによって駆動されるダイナミクスをモデル化するための特徴ベクトルを組み込んだニューラル演算子(NORS)を提案する。 動的Phi41モデルと2d Navier-Stokes方程式を含む様々なSPDE実験を行った。
  論文  参考訳（メタデータ） (2022-04-13T08:53:41Z)
• Physics-Informed Neural Operator for Learning Partial Differential Equations [55.406540167010014]
  PINOは、演算子を学ぶために異なる解像度でデータとPDE制約を組み込んだ最初のハイブリッドアプローチである。 結果の PINO モデルは、多くの人気のある PDE ファミリの基底構造解演算子を正確に近似することができる。
  論文  参考訳（メタデータ） (2021-11-06T03:41:34Z)
• Robust Learning of Physics Informed Neural Networks [2.86989372262348]
  物理インフォームドニューラルネットワーク(PINN)は偏微分方程式の解法に有効であることが示されている。 本稿では、PINNがトレーニングデータのエラーに敏感であり、これらのエラーをPDEの解領域上で動的に伝播させるのに過度に適合していることを示す。
  論文  参考訳（メタデータ） (2021-10-26T00:10:57Z)

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。