論文の概要: Sequential Physics-Constrained Neural Operator Forward Modeling for the $\textit{Norne}$ Reservoir System

• arxiv url: http://arxiv.org/abs/2605.28909v1
• Date: Wed, 27 May 2026 17:18:39 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-30 02:45:55.042526
• Title: Sequential Physics-Constrained Neural Operator Forward Modeling for the $\textit{Norne}$ Reservoir System
• Title（参考訳）: $\textit{Norne}$貯水池系の連続物理制約ニューラル演算子フォワードモデリング
• Authors: Clement Etienam, Juntao Yang, Oleg Ovcharenko, Nick Luiken, Tsubasa Onishi, Nefeli Moridis, Issam Said,
• Abstract要約: ニューラル演算子を用いたブラックオイル貯留層力学の逐次サロゲートモデリングのための包括的フレームワークを開発した。 アプリケーション焦点はNorneベンチマーク貯水池で、不均一な$46times112times22$グリッドで定義されている。 1000人組のアンサンブルは、1つのB200 GPU上で1分以下で動作し、OPM有限体積シミュレータよりも$sim104times$ Wall-clockのスピードアップを提供する。
• 参考スコア（独自算出の注目度）: 3.175986877079391
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: We develop a comprehensive mathematical and computational framework for sequential surrogate modeling of three-phase black-oil reservoir dynamics using neural operators, with particular emphasis on Fourier Neural Operators (FNO) and their physics-informed variant (PINO). The application focus is the Norne benchmark reservoir, defined on a heterogeneous $46\times112\times22$ grid ($N=113,344$ cells), with a production history spanning $T=30$ timesteps covering 3298 days. Our theoretical contributions are organized around four interlocking problems: (1) functional-analytic formulation in a product-Sobolev-space setting, including well-posedness of the implicit timestep map and sharp local Lipschitz estimates; (2) covariate shift quantification, proving that the Wasserstein-2 distance grows as $W_2 \leq \varepsilon(L^n-1)/(L-1)$, with exponential population-risk discrepancy for $L>1$; (3) physics-constrained spectral stability, showing PINO training with $λ_R \geq λ^*_R$ reduces the learned Jacobian spectral radius to $ρ_F + Cλ_R^{-1/2}$, yielding uniform-in-time rollout error $|δ_n| \leq \varepsilon/(1-ρ)$; and (4) $K$-step TBPTT gradient analysis, deriving geometric bias decay $O(ρ^K)$, optimal window $K^ = O(\log(T/σ^2))$, and Adam convergence $O(1/\sqrt{t}) + O(ρ^{K^*})$. Empirical validation confirms all theoretical predictions: autoregressive PINO surrogates sustain $R^2>0.99$ (oil), $R^2>0.90$ (gas), $R^2\approx 0.80$ (pressure), and monotonically improving $R^2$ (water) across the full 3298-day horizon, trained on eight NVIDIA B200 GPUs in under one hour. A 1000-member ensemble runs in under one minute on a single B200 GPU, giving a ${\sim}10^4\times$ wall-clock speedup over the OPM finite-volume simulator.
• Abstract（参考訳）: 本研究では,ニューラルネットワークを用いた三相ブラックオイル貯留層力学の逐次サロゲートモデリングのための総合的数学的・計算的枠組みを構築し,特にフーリエニューラル演算子(FNO)とその物理インフォームド変種(PINO)に着目した。 アプリケーション焦点はNorneベンチマーク貯水池で、異質な460\times112\times22$ grid(N=113,344$ cell)で定義されており、生産履歴は3298日をカバーするT=30$ timestepsである。 積-ソボレフ空間での関数的解析的定式化は、暗黙の時間ステップ写像とシャープな局所リプシッツ推定の正当性を含む: 2) コバレートシフトの定量化、ワッサーシュタイン-2距離が$W_2 \leq \varepsilon(L^n-1)/(L-1)$として増加することを証明する:$L>1$の指数関数的集団差を持つ: (3)物理制約されたスペクトル安定性を示す:$λ_R \geq λ*_R$のPINOトレーニングは、学習されたジャコビアンスペクトル半径を$ρ_F + Cλ_R^{1/2}$に還元する。 自己回帰的なPINOサロゲートは、$R^2>0.99$ (oil), $R^2>0.90$ (gas), $R^2\approx 0.80$ (pressure), 単調に改善された$R^2$ (water) を3298日の地平線上で1時間以内に8つのNVIDIA B200 GPUでトレーニングする。 1000人組のアンサンブルは、1つのB200 GPU上で1分以下で動作し、OPM有限体積シミュレータ上で${\sim}10^4\times$wall- clock speedupを提供する。

関連論文リスト

• Probing SMEFT Operators through $t\bar{t}t\bar{t}$ Production with Hyper-Graph Neural Networks at the LHC [0.0]
  我々はハイパーグラフニューラルネットワーク(H-GNN)を用いて、支配的なSM背景からマルチレプトン信号イベントを識別する。 H-GNNでは、各事象は、再構成されたジェットとレプトンに対応するハイパーグラフとして表現される。 HL-LHC集積光度は1,000mathrmfb-1$および3000mathrmfb-1$で、背景推定では50%$不確実である。
  論文  参考訳（メタデータ） (2026-05-18T13:27:32Z)
• QuantFPFlow: Quantum Amplitude Estimation for Fokker--Planck Policy Optimisation in Continuous Reinforcement Learning [0.2538209532048867]
  我々は,Fokker-Planck(FP)の定式化に量子振幅推定を統合する強化学習フレームワークであるtextbfFPFlowを紹介する。 古典的な連続空間エージェントは FP 分割関数 $Z = int e-V(mathbfx)/D,dmathbfx$ at cost $calO (1/varepsilon2)$; QuantFlow を Grover 増幅振幅推定器で置き換えて $calO (1/varepsilon)$ -- a とする。
  論文  参考訳（メタデータ） (2026-05-14T18:35:38Z)
• OAM-Induced Lattice Rotation Reveals a Fractional Optimum in Fault-Tolerant GKP Quantum Sensing [0.0]
  軌道角モメンタム符号化とGottesman-Kitaev-Preskill(GKP)格子幾何学が構造的に結合していることを確立する。 終端から終端までの微分可能なStrawberry Fields--TensorFlow回路を用いて、$ell$、格子アスペクト比$r$、および有限エネルギーエンベロープ$$を共に最適化し、量子フィッシャー情報を最大化する。
  論文  参考訳（メタデータ） (2026-05-13T09:49:16Z)
• Sublinear Time Quantum Sensitivity Sampling [57.356528942341534]
  本稿では、量子感応サンプリングのための統一的なフレームワークを提案し、量子コンピューティングの利点を古典近似問題の幅広いクラスに拡張する。 我々のフレームワークは、コアセットを構築するための合理化されたアプローチを提供し、クラスタリング、回帰、低ランク近似などのアプリケーションにおいて、大幅なランタイム改善を提供します。
  論文  参考訳（メタデータ） (2025-09-20T20:18:49Z)
• A Unified Framework for Uniform Signal Recovery in Nonlinear Generative Compressed Sensing [68.80803866919123]
  非線形測定では、ほとんどの先行結果は一様ではない、すなわち、すべての$mathbfx*$に対してではなく、固定された$mathbfx*$に対して高い確率で保持される。 本フレームワークはGCSに1ビット/一様量子化観測と単一インデックスモデルを標準例として適用する。 また、指標集合が計量エントロピーが低い製品プロセスに対して、より厳密な境界を生み出す濃度不等式も開発する。
  論文  参考訳（メタデータ） (2023-09-25T17:54:19Z)
• Efficient Sampling of Stochastic Differential Equations with Positive Semi-Definite Models [91.22420505636006]
  本稿では, ドリフト関数と拡散行列を考慮し, 微分方程式からの効率的なサンプリング問題を扱う。 1/varepsilonは$m2d log (1/varepsilon)$である。 以上の結果から,真の解がより滑らかになるにつれて,どのような凸性も必要とせず,次元の呪いを回避できることが示唆された。
  論文  参考訳（メタデータ） (2023-03-30T02:50:49Z)
• ReSQueing Parallel and Private Stochastic Convex Optimization [59.53297063174519]
  本稿では,BFG凸最適化(SCO: Reweighted Query (ReSQue) 推定ツールを提案する。 我々はSCOの並列およびプライベート設定における最先端の複雑さを実現するアルゴリズムを開発した。
  論文  参考訳（メタデータ） (2023-01-01T18:51:29Z)
• Quantum spin solver near saturation: QS$^3_{~}$ [0.0]
  我々は,スピン-1/2 XXZ型量子スピンモデルを解析するための(薄い再起動)Lanczos法に基づいて,QS$3$[textipakj'u:-'es-kj'u:b]というプログラムパッケージを開発した。 10times10times10$立方格子上での等方性ハイゼンベルクモデルの低エネルギー励起分散に対するQS$3$のベンチマーク結果を示す。
  論文  参考訳（メタデータ） (2021-07-02T07:06:34Z)
• Optimal Robust Linear Regression in Nearly Linear Time [97.11565882347772]
  学習者が生成モデル$Y = langle X,w* rangle + epsilon$から$n$のサンプルにアクセスできるような高次元頑健な線形回帰問題について検討する。 i) $X$ is L4-L2 hypercontractive, $mathbbE [XXtop]$ has bounded condition number and $epsilon$ has bounded variance, (ii) $X$ is sub-Gaussian with identity second moment and $epsilon$ is
  論文  参考訳（メタデータ） (2020-07-16T06:44:44Z)

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。