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
- 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) - RANS-PINN based Simulation Surrogates for Predicting Turbulent Flows [3.1861308132183384]
我々は,高レイノルズ数乱流状態における流れ場を予測するために,改良されたPINNフレームワークであるRANS-PINNを導入する。
乱流によってもたらされるさらなる複雑さを考慮するため、RANS-PINNはレイノルズ平均ナヴィエ・ストークス(RANS)の定式化に基づく2方程式渦粘性モデルを採用している。
論文 参考訳(メタデータ) (2023-06-09T16:55:49Z) - 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) - An Ode to an ODE [78.97367880223254]
我々は、O(d) 群上の行列フローに応じて主フローの時間依存パラメータが進化する ODEtoODE と呼ばれるニューラルODE アルゴリズムの新しいパラダイムを提案する。
この2つの流れのネストされたシステムは、訓練の安定性と有効性を提供し、勾配の消滅・爆発問題を確実に解決する。
論文 参考訳(メタデータ) (2020-06-19T22:05:19Z)
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。