論文の概要: WISE-FM:Operation-Aware, Engineering-Informed Foundation Model for Multi-Task Well Design

• arxiv url: http://arxiv.org/abs/2604.23767v1
• Date: Sun, 26 Apr 2026 15:41:08 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-28 17:12:07.53832
• Title: WISE-FM:Operation-Aware, Engineering-Informed Foundation Model for Multi-Task Well Design
• Title（参考訳）: WISE-FM:マルチタスクウェルデザインのための操作認識・エンジニアリングインフォームドファンデーションモデル
• Authors: Carine de Menezes Rebello, Anderson Rapello dos Santos, Idelfonso B. R. Nogueira,
• Abstract要約: WISE(Well Intelligence and Systems Engineering Model)は、多タスクモデルである。 我々は,大規模な井戸ポートフォリオをまたいで運用することを目的とした基礎モデルにおいて,設計意識,物理強制,マルチタスク学習が不可欠であり,補完的な要素であることを実証した。
• 参考スコア（独自算出の注目度）: 0.25489046505746704
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Deploying machine learning models across diverse well portfolios requires generalisation to wells with design parameters outside the training distribution. Current data-driven approaches to virtual flow metering (VFM) and bottomhole estimation typically treat each well independently or ignore the influence of well design on operational behaviour. We present WISE (Well Intelligence and Systems Engineering Foundation Model), a design-aware, physics-informed multi-task model that integrates three complementary mechanisms: Feature-wise Linear Modulation (FiLM) and cross-modal attention to condition operational embeddings on well design parameters; multi-task learning for simultaneous prediction of flow rates, bottomhole conditions, and flow regime classification; and structural mass conservation with soft physics constraints derived from well engineering principles. Evaluation on the ManyWells benchmark (2000 simulated wells, $10^6$ data points) demonstrates that design-aware models reduce VFM prediction error by up to $13\times$ compared to design-unaware baselines, and that physics constraints reduce negative flow predictions by 65%. Flow regime classification achieves 97.7% bottomhole accuracy, providing continuous well integrity monitoring without additional sensors. The methodology transfers to real operational data from five Equinor Volve producers (oil rate $R^2 = 0.89$, bottomhole pressure $R^2 = 0.98$, water rate $R^2 = 0.97$). The trained model additionally serves as a fast surrogate for integrity-aware well design optimisation over a 24-dimensional design space, with more than $1000\times$ speedup over drift-flux simulations. These results demonstrate that design awareness, physics enforcement, and multi-task learning are essential and complementary ingredients for foundation models intended to operate across large well portfolios.
• Abstract（参考訳）: 多様なウェルポートフォリオに機械学習モデルをデプロイするには、トレーニングディストリビューション外の設計パラメータとのウェルズを一般化する必要がある。 仮想フロー計測(VFM)とボトムホール推定に対する現在のデータ駆動のアプローチは、通常、互いに独立して扱うか、あるいは運用行動に対するウェルデザインの影響を無視する。 Well Intelligence and Systems Engineering Model, a design-ware, Physics-informed multi-task model which integrates three complementary mechanism: Feature-wise Linear Modulation (FiLM) and cross-modal attention to condition operation embeddeds on well design parameters, multi-task learning for simultaneously prediction of flow rate, bottomhole conditions, and flow regime classification, and structure mass conservation with soft physics constraints from well engineering principles。 ManyWellsベンチマーク(2000年のシミュレーションウェルズ、10^6$データポイント)の評価は、設計対象のモデルが設計対象のベースラインと比較して最大13\times$のVFM予測誤差を減少させ、物理制約により負のフロー予測を65%減少させることを示した。 フローレシフィケーション分類は97.7%のボトムホール精度を実現し、追加のセンサーを使わずに継続的な健全なモニタリングを提供する。 この手法は、5つのエクイナーボルブ生産者からの実運用データに転送される(オイルレート$R^2 = 0.89$、ボトムホール圧力$R^2 = 0.98$、水レート$R^2 = 0.97$)。 トレーニングされたモデルは、24次元の設計空間上での整合性を考慮したウェルデザインの最適化のための高速サロゲートとして機能し、ドリフト流束シミュレーションよりも1000ドル以上のスピードアップが可能である。 これらの結果は、大規模な井戸ポートフォリオをまたいで運用することを目的とした基礎モデルにおいて、設計意識、物理強制、マルチタスク学習が不可欠であり、補完的な要素であることを示している。

関連論文リスト

• SimulCost: A Cost-Aware Benchmark and Toolkit for Automating Physics Simulations with LLMs [56.07550353240028]
  物理シミュレーションにおけるコスト依存パラメータチューニングをターゲットとした最初のベンチマークであるSimulCostを紹介する。 SimulCostは、LCMチューニングのコスト感受性パラメータと従来のスキャン手法の精度と計算コストを比較した。 各シミュレータのコストは解析的に定義され、プラットフォームに依存しない。
  論文  参考訳（メタデータ） (2026-03-11T05:00:48Z)
• Prediction of Steady-State Flow through Porous Media Using Machine Learning Models [3.2250618460602705]
  多孔質媒体を流れる流れは、冷板の位相最適化における重要なステップである。 従来の計算流体力学法は、大規模かつ複雑な測地にとって、しばしば不当に高価である。 そこで我々は,Navier-Stokes-Brinkman方程式による多孔質媒質による定常流れの予測を行う機械学習フレームワークを開発した。
  論文  参考訳（メタデータ） (2026-03-06T14:28:46Z)
• DrivAerStar: An Industrial-Grade CFD Dataset for Vehicle Aerodynamic Optimization [17.541117004160892]
  計算コストのかかるCFD(Computational Dynamics)シミュレーションは、設計イテレーション毎に数週間生成される。 DrivAerStarは、学術機械学習の研究と産業CFDの実践をブリッジする最初のデータセットであり、自動車開発におけるデータ駆動型空力最適化の新しい標準を確立している。 自動車アプリケーション以外にも、DriivAerStarは、高忠実度物理シミュレーションをAI(Artificial Intelligence)と統合するためのパラダイムをデモしている。
  論文  参考訳（メタデータ） (2025-10-19T14:42:32Z)
• Towards a Comprehensive Scaling Law of Mixture-of-Experts [54.117786590884776]
  本論文では,すべての重要な要因を考慮に入れた総合的かつ正確なMoEスケーリング法を提案する。 我々の結果は、$G$と$S$の最適設定が、モデルアーキテクチャとデータサイズの両方に依存しないことを示しています。 提案したMoEスケーリング法則は,将来のMoEモデル設計およびトレーニングを促進するための,正確かつ洞察に富んだガイダンスとして機能する可能性がある。
  論文  参考訳（メタデータ） (2025-09-28T06:35:34Z)
• Efficient dataset construction using active learning and uncertainty-aware neural networks for plasma turbulent transport surrogate models [0.0]
  本研究は,不確実性を考慮したアーキテクチャを用いてモデル生成のための効率的なデータセットを構築するための実証実験である。 この戦略はトカマク核融合プラズマ中のプラズマ乱流輸送問題、特にQuaLiKiz準静電ジャイロキネティック乱流輸送符号に再び適用された。 45回のアクティブな学習イテレーションで、102ドルの小さな初期トレーニングセットから104ドルの最終セットに移行し、結果のモデルは0.8のF_1ドルの分類パフォーマンス、独立したテストセットで0.75ドルの回帰パフォーマンスに達した。
  論文  参考訳（メタデータ） (2025-07-21T18:15:12Z)
• Every FLOP Counts: Scaling a 300B Mixture-of-Experts LING LLM without Premium GPUs [96.68469559192846]
  2つの異なる大きさのMoE大言語モデル(LLM)を提示する。 Ling-Liteは168億のパラメータと275億のアクティベートパラメータを持ち、Ling-Plusは2900億のパラメータと288億のアクティベートパラメータを持っている。 本稿では,(1)モデルアーキテクチャとトレーニングプロセスの最適化,(2)トレーニング異常処理の洗練,(3)モデル評価効率の向上のための革新的な手法を提案する。
  論文  参考訳（メタデータ） (2025-03-07T04:43:39Z)
• Machine learning surrogates for efficient hydrologic modeling: Insights from stochastic simulations of managed aquifer recharge [0.0]
  機械学習シュロゲートモデルが10%未満の絶対パーセンテージ誤差を達成可能であることを示す。 このワークフローを,将来的な管理帯水層帯水層における飽和地下水流動のシミュレーションに応用する。 MLサロゲートモデルは10%の平均的な絶対パーセンテージエラーと、高次実行時の保存を達成できる。
  論文  参考訳（メタデータ） (2024-07-30T15:24:27Z)
• An Experimental Study on Exploring Strong Lightweight Vision Transformers via Masked Image Modeling Pre-Training [51.622652121580394]
  Masked Image Modeling (MIM) Pre-training for Large-scale Vision Transformer (ViTs) は、学習した自己教師型ViT機能に加えて、下流での有望なパフォーマンスを実現する。 本稿では,テキストテキストレメリーで軽量なViTの微調整性能が,この事前学習パラダイムの恩恵を受けるかどうかを問う。 バニラ/階層設計(5.7M$/6.5M$)による純軽量ViTの蒸留による事前トレーニングは、ImageNet-1で79.4%$/78.9%の精度で達成できる。
  論文  参考訳（メタデータ） (2024-04-18T14:14:44Z)
• Compositional Generative Inverse Design [69.22782875567547]
  入力変数を設計して目的関数を最適化する逆設計は重要な問題である。 拡散モデルにより得られた学習エネルギー関数を最適化することにより、そのような逆例を避けることができることを示す。 N-body 相互作用タスクと2次元多面体設計タスクにおいて,実験時に学習した拡散モデルを構成することにより,初期状態と境界形状を設計できることを示す。
  論文  参考訳（メタデータ） (2024-01-24T01:33:39Z)

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。