論文の概要: Reservoir History Matching of the Norne field with generative exotic priors and a coupled Mixture of Experts -- Physics Informed Neural Operator Forward Model
- arxiv url: http://arxiv.org/abs/2406.00889v1
- Date: Sun, 2 Jun 2024 23:16:00 GMT
- ステータス: 処理完了
- システム内更新日: 2024-06-06 02:56:53.371759
- Title: Reservoir History Matching of the Norne field with generative exotic priors and a coupled Mixture of Experts -- Physics Informed Neural Operator Forward Model
- Title（参考訳）: 生成的エキゾチック前駆体と専門家の混合によるノルン地域の貯留層履歴マッチング -物理インフォームドニューラル演算子フォワードモデル
- Authors: Clement Etienam, Yang Juntao, Oleg Ovcharenko, Issam Said,
- Abstract要約: 逆モデリングは適応正規化アンサンブルカルマンインバージョン(aREKI)法によって実現される。
非ガウス測度に対する未知の透水性および多孔性場をパラメトリズする。
CCRは、非線型ピースマン井戸方程式を再現するために、PINOサロゲートで教師付きモデルとして機能する。
- 参考スコア（独自算出の注目度）: 0.3749861135832073
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: We developed a novel reservoir characterization workflow that addresses reservoir history matching by coupling a physics-informed neural operator (PINO) forward model with a mixture of experts' approach, termed cluster classify regress (CCR). The inverse modelling is achieved via an adaptive Regularized Ensemble Kalman inversion (aREKI) method, ideal for rapid inverse uncertainty quantification during history matching. We parametrize unknown permeability and porosity fields for non-Gaussian posterior measures using a variational convolution autoencoder and a denoising diffusion implicit model (DDIM) exotic priors. The CCR works as a supervised model with the PINO surrogate to replicate nonlinear Peaceman well equations. The CCR's flexibility allows any independent machine-learning algorithm for each stage. The PINO reservoir surrogate's loss function is derived from supervised data loss and losses from the initial conditions and residual of the governing black oil PDE. The PINO-CCR surrogate outputs pressure, water, and gas saturations, along with oil, water, and gas production rates. The methodology was compared to a standard numerical black oil simulator for a waterflooding case on the Norne field, showing similar outputs. This PINO-CCR surrogate was then used in the aREKI history matching workflow, successfully recovering the unknown permeability, porosity and fault multiplier, with simulations up to 6000 times faster than conventional methods. Training the PINO-CCR surrogate on an NVIDIA H100 with 80G memory takes about 5 hours for 100 samples of the Norne field. This workflow is suitable for ensemble-based approaches, where posterior density sampling, given an expensive likelihood evaluation, is desirable for uncertainty quantification.
- Abstract（参考訳）: 本研究では,物理インフォームドニューラル演算子(PINO)フォワードモデルと専門家のアプローチを混合したクラスタ分類回帰(CCR)を結合することにより,貯水池履歴マッチングに対処する新しい貯水池評価ワークフローを開発した。
逆モデリングは、適応正則化アンサンブルカルマンインバージョン(aREKI)法により達成され、履歴マッチング時の高速な逆不確実性定量化に最適である。
変分畳み込みオートエンコーダと縮退拡散暗黙モデル(DDIM)を用いた非ガウス測度に対する未知の透水性および多孔性場をパラメタライズする。
CCRは、非線型ピースマン井戸方程式を再現するために、PINOサロゲートで教師付きモデルとして機能する。
CCRの柔軟性は、各ステージごとに独立した機械学習アルゴリズムを可能にする。
PINO貯水池の損失関数は、管理するブラックオイルPDEの初期状態と残留状態から、教師付きデータ損失と損失から導かれる。
PINO-CCRサロゲートは、圧力、水、ガス飽和度、および石油、水、ガス生産率を出力する。
提案手法は, ノルン油田における水溶性ケースの標準数値ブラックオイルシミュレータと比較し, 同様の出力を示した。
このPINO-CCRサロゲートは、AREKI履歴マッチングワークフローで使われ、未知の透過性、ポーシティ、フォールト乗算器の回復に成功した。
80Gメモリを持つNVIDIA H100上でPINO-CCRサロゲートをトレーニングするには、100サンプルのNorneフィールドで約5時間を要する。
このワークフローはアンサンブルに基づくアプローチに適しており、後部密度サンプリングは高い確率で評価されるが、不確実性定量化には望ましい。
関連論文リスト
- Embedded Nonlocal Operator Regression (ENOR): Quantifying model error in learning nonlocal operators [8.585650361148558]
本研究では,非局所的同化代理モデルとその構造モデル誤差を学習するための新しい枠組みを提案する。
このフレームワークは、長期シミュレーションにおける均質化材料応答予測のための離散性適応不確実性定量化を提供する。
論文 参考訳（メタデータ） (2024-10-27T04:17:27Z) - A Novel A.I Enhanced Reservoir Characterization with a Combined Mixture of Experts -- NVIDIA Modulus based Physics Informed Neural Operator Forward Model [0.6282171844772422]
我々は,貯水池履歴マッチングの課題を効果的に解決するために,貯水池のキャラクタリゼーションのための高度なワークフローを開発した。
この方法は、洗練されたクラスタ分類回帰フレームワークにおいて、フォワードモデルとして物理インフォームドニューラル演算子(PINO)を統合する。
我々の統合モデルはPINO-Res-Simと呼ばれ、圧力、飽和度、石油、水、ガスの生産速度を含む重要なパラメータを出力します。
論文 参考訳（メタデータ） (2024-04-20T10:28:24Z) - Calibrating Neural Simulation-Based Inference with Differentiable
Coverage Probability [50.44439018155837]
ニューラルモデルのトレーニング目的に直接キャリブレーション項を含めることを提案する。
古典的なキャリブレーション誤差の定式化を緩和することにより、エンドツーエンドのバックプロパゲーションを可能にする。
既存の計算パイプラインに直接適用でき、信頼性の高いブラックボックス後部推論が可能である。
論文 参考訳（メタデータ） (2023-10-20T10:20:45Z) - Consistency Trajectory Models: Learning Probability Flow ODE Trajectory of Diffusion [56.38386580040991]
Consistency Trajectory Model (CTM) は Consistency Models (CM) の一般化である
CTMは、対戦訓練とスコアマッチング損失を効果的に組み合わせることで、パフォーマンスを向上させる。
CMとは異なり、CTMのスコア関数へのアクセスは、確立された制御可能/条件生成メソッドの採用を合理化することができる。
論文 参考訳（メタデータ） (2023-10-01T05:07:17Z) - Conditional Korhunen-Lo\'{e}ve regression model with Basis Adaptation
for high-dimensional problems: uncertainty quantification and inverse
modeling [62.997667081978825]
本稿では,物理系の観測可能な応答のサロゲートモデルの精度を向上させる手法を提案する。
本研究では,定常水理応答のBasis Adaptation (BA)法による代理モデル構築に提案手法を適用した。
論文 参考訳（メタデータ） (2023-07-05T18:14:38Z) - GibbsDDRM: A Partially Collapsed Gibbs Sampler for Solving Blind Inverse
Problems with Denoising Diffusion Restoration [64.8770356696056]
本稿では,DDRM(Denoising Diffusion Restoration Models)の拡張であるGibbsDDRMを提案する。
提案手法は問題に依存しないため,様々な逆問題に対して事前学習した拡散モデルを適用することができる。
論文 参考訳（メタデータ） (2023-01-30T06:27:48Z) - Deep surrogate accelerated delayed-acceptance HMC for Bayesian inference
of spatio-temporal heat fluxes in rotating disc systems [0.0]
本稿では,PDEに基づく逆問題に対して,精度を保証して解法を高速化する手法を提案する。
これは、Biot数データとして知られる熱時間パラメータを推定する不適切な問題によって動機付けられている。
論文 参考訳（メタデータ） (2022-04-05T15:09:33Z) - Inverting brain grey matter models with likelihood-free inference: a
tool for trustable cytoarchitecture measurements [62.997667081978825]
脳の灰白質細胞構造の特徴は、体密度と体積に定量的に敏感であり、dMRIでは未解決の課題である。
我々は新しいフォワードモデル、特に新しい方程式系を提案し、比較的スパースなb殻を必要とする。
次に,提案手法を逆転させるため,確率自由推論 (LFI) として知られるベイズ解析から最新のツールを適用した。
論文 参考訳（メタデータ） (2021-11-15T09:08:27Z) - Variational Inference with NoFAS: Normalizing Flow with Adaptive
Surrogate for Computationally Expensive Models [7.217783736464403]
マルコフ連鎖モンテカルロのようなサンプリングに基づくアプローチの使用は、それぞれの可能性評価が計算的に高価であるときに難解になる可能性がある。
変分推論と正規化フローを組み合わせた新しいアプローチは、潜在変数空間の次元と線形にしか成長しない計算コストによって特徴づけられる。
本稿では,ニューラルネットワークサロゲートモデルの正規化フローパラメータと重みを代わりに更新する最適化戦略である,適応サロゲートを用いた正規化フロー(NoFAS)を提案する。
論文 参考訳（メタデータ） (2021-08-28T14:31:45Z) - Physics-aware deep neural networks for surrogate modeling of turbulent
natural convection [0.0]
Rayleigh-B'enard乱流流に対するPINNのサーロゲートモデルの使用を検討する。
標準ピンの精度が低いゾーンであるトレーニング境界に近い正規化として、どのように機能するかを示す。
50億のDNS座標全体のサロゲートの予測精度は、相対的なL2ノルムで[0.3% -- 4%]の範囲のすべてのフロー変数のエラーをもたらします。
論文 参考訳（メタデータ） (2021-03-05T09:48:57Z) - Generative Modeling with Denoising Auto-Encoders and Langevin Sampling [88.83704353627554]
DAEとDSMの両方がスムーズな人口密度のスコアを推定することを示した。
次に、この結果をarXiv:1907.05600のホモトピー法に適用し、その経験的成功を理論的に正当化する。
論文 参考訳（メタデータ） (2020-01-31T23:50:03Z)
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。