Aug, 2022

针对油藏模拟工作负载的调整算法策略 ——TunaOil

PDF
TL;DR本文提出了一种名为 TunaOil 的新方法，利用机器学习从过去的模拟执行日志中提取特征信息，以优化库存流模拟的数值参数，从而减少工作负荷及计算资源，并在历史匹配中使用卡尔曼滤波调整多个储层模型以适应实际数据，结果表明，这些预测可以平均提高 31% 的整体运行时长。
reservoir simulationsnumerical optimizationmachine learningo&g industrykalman filter
发现论文，激发创造
  • 利用神经网络代理加速基于物理的仿真：油藏建模应用

    本论文基于深度学习方法开发了一个代理模型，以加速油藏模拟，相较于现有业界物理学基础偏微分方程求解器提高了三个数量级，并进行了深入的实验评估。我们证明，在实际环境中，可以实现超过 2000 倍的加速，平均序列误差约为 10％相对于油田模拟器。该代理模型与高质量的基于物理学的加速基线进行对比，并显示其性能优于其几个数量级。本论文的结果非常有前途，并为持续开展油田开发优化方面的研究提供了有价值的基准。

    May, 2019

  • 基于混合专家的新型人工智能增强储层表征 —— 基于 NVIDIA 模量的物理建模神经运算器正演模型

    我们开发了一种先进的油藏表征工作流，通过一种新颖方法有效解决油藏历史拟合的挑战。这种方法在一个复杂的聚类分类回归 (CCR) 框架中将物理启发神经算子 (PINO) 作为前向模型进行集成。通过一种自适应正则化集合卡尔曼反演 (aREKI) 进一步优化该过程，以实现油藏历史拟合中的快速不确定性量化。该创新的工作流以未知渗透率和孔隙度场为参数，利用变分卷积自编码器和 CCR 等技术捕捉非高斯后验测度。CCR 作为一种非常规先验和有监督模型与 PINO 代理相互协作，精确模拟 Peaceman 井方程的非线性动力学。CCR 方法允许在其各个阶段应用不同的机器学习算法。通过来自有监督数据、初始条件和黑油 PDE 残差的损失函数驱动 PINO 油藏代理的更新。我们的集成模型称为 PINO-Res-Sim，输出包括油、水和气的压力、饱和度和产量等关键参数。通过在合成油藏和 Norne 油田上对传统模拟器进行控制实验验证，该方法展示了显著的准确性。此外，PINO-Res-Sim 在 aREKI 工作流中有效恢复了未知场，计算速度比传统方法快 100 到 6000 倍。在 NVIDIA H100 上进行的 PINO-Res-Sim 学习阶段非常高效，与复杂计算任务的集合方法兼容。

    Apr, 2024

  • 虚拟储存加速：CPU 和 GPU 的案例研究 —— 耦合自旋转矩振荡器储存

    我们提供了高速实现方法，用于模拟由 N 个耦合的自旋转矩振荡器描述的沉积。我们对基于 CPU 和 GPU 的各种实现进行了基准测试。我们的新方法在 N 范围为 1 到 $10^4$ 时至少比基线快 2.6 倍。具体而言，在所有实现中，N=1 时的最佳因子为 78.9，随着 N 增加到 $10^3$，该因子减小到 2.6，最后在 N=$10^4$ 时增加到 23.8。在 N=2500 时，GPU 明显优于 CPU。我们的结果表明，应该对 GPU 实现进行沉积模拟测试。这里考虑的实现可以用于任何可以使用显式方法来近似演化的沉积。

    Dec, 2023

  • 利用储层计算模型预测原油价格

    利用新型油藏计算模型对原油价格进行准确预测，其优于流行的深度学习方法，该模型的竞争优势进一步验证了其实用性，能够帮助金融从业者增强决策能力和获得价值洞察原油市场动态。

    Jun, 2023

  • 基于物理信息的扩散反应系统局部学习

    本文提出一种新的物理学和边界条件意识的局部学习方法，扩展 Embed-to-Control 和 Embed-to-Control 和 Observed 模型，用于学习 Advection-Diffusion Reaction 系统中全局状态变量的局部表示，经过油藏模拟数据训练的模型能够预测系统的未来状态，相对于原始 E2C 和 E2CO 模型，缩短了训练时间并提高了准确性。

    May, 2023

  • 学习的粗模型用于高效湍流模拟

    训练得到的模拟器可以在低空间和时间分辨率下捕捉高分辨率下产生的湍流动力学，我们的模型在各种科学相关度量中比传统的数值解算器更准确地模拟了湍流动力学。

    Dec, 2021

  • 大规模集成运行中的深度替代模型的高吞吐量训练

    最近几年，深度学习方法在加速数值求解器方面取得了突破，提供了对物理世界的忠实但计算密集型的模拟。提出了一个开源框架，能够从大量集合运行的模拟中在线训练这些模型。该框架通过利用多层并行性生成丰富的数据集，避免了 I/O 瓶颈和存储问题，并通过直接流式传输生成的数据。训练储备池减轻了流式传输的固有偏差，同时最大化了 GPU 吞吐量。实验证明，采用该方法，在 2 小时内能够训练 8TB 的数据，并且准确度提高了 47％，批处理吞吐量增加了 13 倍，相比传统的离线过程。

    Sep, 2023

  • 图网络代理模型在地下流动优化中的应用

    通过图网络代理模型 (GNSM) 将流动模型转换为计算图，以将井位和控制优化。通过单相稳态压力解作为特征，在大量测试案例中，训练有素的 GNSM 能够提供 1-2% 的压力和饱和度的准确预测，并具有 36 倍的运行时间加速度，适用于地质模型的稳健优化。

    Dec, 2023

  • 利用时间序列算法预测精制柴油和丙烷调和器净产量

    本文介绍了利用时间序列算法（季节性 Naive 方法，指数平滑和 ARIMA）预测蒸馏燃料油和丙烷混合物净产量的方法，以此实现对油田成本控制和管理的目的。

    Jun, 2022

  • 利用下一代储层计算控制混沌映射

    在这项研究中，我们将非线性控制与洪流计算的方法相结合，成功地实现了对混沌系统的控制，包括在不稳定的吸引子之间控制系统、将系统稳定在高阶周期轨道上以及将系统控制到特定轨迹，该控制器具有出色的性能，仅需 10 个数据点进行训练，可以在单次迭代中实现对系统的控制，并且对噪声和建模误差具有鲁棒性。

    Jul, 2023