論文の概要: Neural Operator-Based Proxy for Reservoir Simulations Considering Varying Well Settings, Locations, and Permeability Fields
- arxiv url: http://arxiv.org/abs/2407.09728v1
- Date: Sat, 13 Jul 2024 00:26:14 GMT
- ステータス: 処理完了
- システム内更新日: 2024-07-16 21:08:35.971816
- Title: Neural Operator-Based Proxy for Reservoir Simulations Considering Varying Well Settings, Locations, and Permeability Fields
- Title（参考訳）: ボーリング坑井の設定, 位置, 透水性を考慮した貯留層シミュレーションのためのニューラル演算子に基づくプロキシ
- Authors: Daniel Badawi, Eduardo Gildin,
- Abstract要約: 従来の貯水池シミュレータよりも優れた1つのフーリエニューラル演算子(FNO)サロゲートを提案する。
圧力と飽和予測の95%の最大平均相対誤差は5%未満である。
このモデルは、履歴マッチングと貯水池キャラクタリゼーションの手順を、数桁のオーダーで高速化することができる。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Simulating Darcy flows in porous media is fundamental to understand the future flow behavior of fluids in hydrocarbon and carbon storage reservoirs. Geological models of reservoirs are often associated with high uncertainly leading to many numerical simulations for history matching and production optimization. Machine learning models trained with simulation data can provide a faster alternative to traditional simulators. In this paper we present a single Fourier Neural Operator (FNO) surrogate that outperforms traditional reservoir simulators by the ability to predict pressures and saturations on varying permeability fields, well locations, well controls, and number of wells. The maximum-mean relative error of 95\% of pressure and saturation predictions is less than 5\%. This is achieved by employing a simple yet very effective data augmentation technique that reduces the dataset size by 75\% and reduces overfitting. Also, constructing the input tensor in a binary fashion enables predictions on unseen well locations, well controls, and number of wells. Such model can accelerate history matching and reservoir characterization procedures by several orders of magnitude. The ability to predict on new well locations, well controls, and number of wells enables highly efficient reservoir management and optimization.
- Abstract（参考訳）: 多孔質媒質中におけるダーシー流動のシミュレーションは,炭化水素および炭素貯蔵貯留層における流体の将来の流動挙動を理解するために重要である。
貯水池の地質モデルは、しばしば高い不確実性と関連付けられ、歴史マッチングと生産最適化のための多くの数値シミュレーションに繋がる。
シミュレーションデータでトレーニングされた機械学習モデルは、従来のシミュレータよりも高速な代替手段を提供することができる。
本稿では, 種々の透水性フィールド, 井戸位置, 井戸数に対する圧力および飽和を予測し, 従来の貯水池シミュレータよりも優れる単一フーリエニューラル演算子(FNO)を提案する。
圧力および飽和予測の最大平均相対誤差は5\%未満である。
これは、データセットのサイズを75倍に減らし、オーバーフィッティングを減らす、シンプルだが非常に効果的なデータ拡張技術を使用することによって達成される。
また、入力テンソルをバイナリ方式で構築することで、見えない井戸の位置、井戸の制御、井戸の数を予測することができる。
このようなモデルは、履歴マッチングと貯水池キャラクタリゼーションの手順を、数桁のオーダーで高速化することができる。
新しい井戸の位置、井戸の制御、井戸の数を予測する能力は、高効率な貯水池の管理と最適化を可能にする。
関連論文リスト
- Accelerated training of deep learning surrogate models for surface displacement and flow, with application to MCMC-based history matching of CO2 storage operations [0.0]
本研究では,CO2飽和度,圧力,表面変位を予測し,炭素貯蔵操作の履歴マッチングに用いるための新しいサロゲートモデリングフレームワークを提案する。
ここでのトレーニングには、多数の安価なフローオンリーのシミュレーションと、結合された実行回数のはるかに少ない組み合わせが含まれる。
論文 参考訳（メタデータ） (2024-08-20T10:31:52Z) - Pre-training on Synthetic Driving Data for Trajectory Prediction [61.520225216107306]
軌道予測におけるデータ不足の問題を緩和するパイプラインレベルのソリューションを提案する。
我々は、駆動データを生成するためにHDマップ拡張とトラジェクトリ合成を採用し、それらを事前学習することで表現を学習する。
我々は、データ拡張と事前学習戦略の有効性を実証するための広範な実験を行う。
論文 参考訳（メタデータ） (2023-09-18T19:49:22Z) - Rapid Flood Inundation Forecast Using Fourier Neural Operator [77.30160833875513]
洪水浸水予測は洪水前後の緊急計画に重要な情報を提供する。
近年,高分解能な流体力学モデリングが普及しつつあるが,道路の洪水範囲やリアルタイムのビルディングレベルは依然として計算的に要求されている。
洪水範囲と浸水深度予測のためのハイブリッドプロセスベースおよびデータ駆動機械学習(ML)アプローチを提案する。
論文 参考訳（メタデータ） (2023-07-29T22:49:50Z) - Stabilizing Machine Learning Prediction of Dynamics: Noise and
Noise-inspired Regularization [58.720142291102135]
近年、機械学習(ML)モデルはカオス力学系の力学を正確に予測するために訓練可能であることが示されている。
緩和技術がなければ、この技術は人工的に迅速にエラーを発生させ、不正確な予測と/または気候不安定をもたらす可能性がある。
トレーニング中にモデル入力に付加される多数の独立雑音実効化の効果を決定論的に近似する正規化手法であるLinearized Multi-Noise Training (LMNT)を導入する。
論文 参考訳（メタデータ） (2022-11-09T23:40:52Z) - TunaOil: A Tuning Algorithm Strategy for Reservoir Simulation Workloads [0.9940728137241215]
TunaOilは貯水池流れシミュレーションの最適数値パラメータの探索を強化する新しい手法である。
我々は,異なるオーラクル内のモデルのアンサンブルを利用して,各シミュレーションから情報を抽出し,その後の実行時の数値パラメータを最適化する。
実験の結果, 予測によって全体の負荷を平均31%改善できることがわかった。
論文 参考訳（メタデータ） (2022-08-04T12:11:13Z) - Physics-informed machine learning with differentiable programming for
heterogeneous underground reservoir pressure management [64.17887333976593]
地下貯水池の過圧化を避けることは、CO2の沈殿や排水の注入といった用途に欠かせない。
地中における複雑な不均一性のため, 噴射・抽出制御による圧力管理は困難である。
過圧化防止のための流体抽出速度を決定するために、フル物理モデルと機械学習を用いた微分可能プログラミングを用いる。
論文 参考訳（メタデータ） (2022-06-21T20:38:13Z) - Learning Large-scale Subsurface Simulations with a Hybrid Graph Network
Simulator [57.57321628587564]
本研究では3次元地下流体の貯留層シミュレーションを学習するためのハイブリッドグラフネットワークシミュレータ (HGNS) を提案する。
HGNSは、流体の進化をモデル化する地下グラフニューラルネットワーク(SGNN)と、圧力の進化をモデル化する3D-U-Netで構成されている。
産業標準地下フローデータセット(SPE-10)と1100万セルを用いて,HGNSが標準地下シミュレータの18倍の推算時間を短縮できることを実証した。
論文 参考訳（メタデータ） (2022-06-15T17:29:57Z) - A Deep Learning-Accelerated Data Assimilation and Forecasting Workflow
for Commercial-Scale Geologic Carbon Storage [2.464972164779053]
本稿では,多孔質中流挙動の物理的理解を深層学習技術で活用し,高速な履歴マッチング・貯留層応答予測ワークフローを開発することを提案する。
マルチウェルインジェクション下での動的圧力とCO2配管幅を予測するための代理モデルを開発した。
このワークフローは、メインストリームの個人ワークステーションで1時間以内で、履歴マッチングと不確実な定量化による貯蓄予測を完了させることができる。
論文 参考訳（メタデータ） (2021-05-09T16:38:29Z) - Machine learning for rapid discovery of laminar flow channel wall
modifications that enhance heat transfer [56.34005280792013]
任意の, 平坦な, 非平坦なチャネルの正確な数値シミュレーションと, ドラッグ係数とスタントン数を予測する機械学習モデルを組み合わせる。
畳み込みニューラルネットワーク(CNN)は,数値シミュレーションのわずかな時間で,目標特性を正確に予測できることを示す。
論文 参考訳（メタデータ） (2021-01-19T16:14:02Z) - Multioutput Gaussian Processes with Functional Data: A Study on Coastal
Flood Hazard Assessment [0.0]
我々は,時変入力を考慮した代理モデルを導入し,空間的に変化する内陸浸水に関する情報を提供する。
いくつかの実験では、学習マップと観測されていないマップの推論の両方において、モデルの汎用性を示す。
我々のフレームワークは予測と早期警告システムにとって有望なアプローチであると結論付けている。
論文 参考訳（メタデータ） (2020-07-28T08:15:17Z)
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。