文献

J-GLOBAL ID：202202243938326596   整理番号：22A0327175

CNNおよびLSTMベース代理モデルでのロバスト最適化結合による逐次フィールド開発計画【JST・京大機械翻訳】

Sequential field development plan through robust optimization coupling with CNN and LSTM-based proxy models

著者 (4件)： Kim Joonyi (Department of Energy Systems Engineering, Seoul National University, Seoul, 08826, South Korea) ,  Choe Jonggeun (Department of Energy Systems Engineering, Seoul National University, Seoul, 08826, South Korea) ,  Lee Kyungbook (Department of Geoenvironmental Sciences, Kongju National University, Gongju-si, Chungnam, 32588, South Korea) ,  Lee Kyungbook (Yellow Sea Institute of Geoenvironmental Sciences, Gongju-si, Chungnam, 32588, South Korea)
資料名： Journal of Petroleum Science and Engineering  (Journal of Petroleum Science and Engineering)
巻： 209  ページ： Null  発行年： 2022年 
JST資料番号： T0412A  ISSN： 0920-4105  資料種別： 逐次刊行物 (A)
記事区分： 原著論文  発行国： オランダ (NLD)  言語： 英語 (EN)

抄録/ポイント： 現場開発計画(FDP)の正味現在価値(NPV)を最大化するには,良好な運転最適化が重要である。また,操作は時系列シナリオであり,この問題は,最適化および無数の解の多数のパラメータを含む。これは,特にロバスト最適化で,貯留層シミュレータを用いて各シナリオを評価する膨大な最適化時間をもたらす。本研究では,パーティクルスウォーム最適化を,2D合成および3D卵事例におけるそのような問題を解決するために,深層学習ベースプロキシモデルと結合させた。最初に,長い短期メモリ(LSTM)プロキシモデルを開発し,貯留層シミュレーションの代わりに坑井運転シナリオに対する貯留層応答を推定した。掘削と坑底圧力(BHP)スケジュールを代理モデルのために入力層に入るとき,平均累積場油と水生産と多重貯留層モデルからの現場水注入を出力層で得た。坑井パターンの場合,Kim et al.(2021a)における井戸の位置とタイプの最適化シナリオを本研究で固定した。LSTMプロキシモデルが時系列BHPスケジュールの訓練データペアに適合し,ECLIPSE(ECL)により得られた応答に対応する後,与えられたBHPシナリオに対する時系列場応答を予測できる。LSTMから計算したNPVをECLからの真のNPVと比較したとき,検証と試験データセットの決定係数は0.97より高く,単純なニューラルネットワーク(NN)プロキシモデルのオーバーフィッティング問題を解決する。入力と出力データの特性に従って,適切な深層学習アルゴリズムを選択することが重要である。畳み込みNN(CNN)は,Kim et al.(2021a)における同じ次元を有する静的画像から成る,坑井パターンシナリオのためのプロキシモデルを作るのに適切であるが,LSTMは,時間にわたって変化する,坑井操作シナリオに適している。第二に,掘削とBHPスケジュールを,最大利用可能なリグの制約の下で最適化した。また,これらの高次元最適化変数を低減するために,段階的アプローチの代わりに余弦関数としてBHPスケジュールを定義した。それは,プロキシモデルに必要な訓練データの数を減らす。第3に,最適化戦略を坑井パターンと坑井操作の両方についてレビューする。逐次プロキシ,CNN-LSTMは,逐次ECL-ECLの結果と同様のNPVを示した。しかし,CNN-LSTMは,3Dの場合のECL-ECLと比較して,最適化時間の12%しか必要としない。したがって,CNN-LSTMを,短時間でFDPのための信頼できる意思決定のための妥当な解決策として提案した。Copyright 2022 Elsevier B.V., Amsterdam. All rights reserved. Translated from English into Japanese by JST.【JST・京大機械翻訳】

シソーラス用語： 記憶装置 ,  *最適化 ,  畳込み ,  意思決定 ,  シミュレータ ,  ニューラルネットワーク ,  多重化 ,  坑井 ,  *モデル ,  二次元 ,  三次元 ,  パラメータ ,  学習アルゴリズム
準シソーラス用語： 貯留層 ,  深層学習 , 【Automatic Indexing@JST】

著者キーワード (6件)： Proxyモデル ,  長期短期記憶(LSTM) ,  坑井運転の最適化 ,  シーケンシャルフィールド開発計画 ,  粒子群最適化(PSO) ,  ロバスト最適化

分類 (1件)： 油層工学  (UA10030G)

タイトルに関連する用語 (8件)： CNN ,  LSTM ,  代理モデル ,  ロバスト最適化 ,  逐次 ,  フィールド ,  開発 ,  計画