使用神经网络代理模型加速基于物理的模拟：在油藏建模中的应用
机器学习
2019-09-23 v1 机器学习
摘要
我们开发了一种基于深度学习方法的代理模型，与工业级基于物理的偏微分方程求解器相比，可将油藏模拟加速三个数量级。本文描述了一种针对该任务的新架构方法，并在公开可用的油藏模型上进行了详尽的实验评估。我们证明在实际设置中，相对于油田模拟器，可实现超过2000倍的加速且平均序列误差约为10%。该代理模型与高质量的基于物理的加速基线进行了对比，并被证明优于基线数个数量级。我们相信此处呈现的结果极具前景，并为油田开发优化的持续研究提供了有价值的基准。由于其领域无关的架构，所提方法可扩展至油气勘探之外的诸多应用。
引用
@article{arxiv.1906.01510,
title = {Accelerating Physics-Based Simulations Using Neural Network Proxies: An Application in Oil Reservoir Modeling},
author = {Jiri Navratil and Alan King and Jesus Rios and Georgios Kollias and Ruben Torrado and Andres Codas},
journal= {arXiv preprint arXiv:1906.01510},
year = {2019}
}
备注
9 pages, submitted to FEED-2019 KDD Workshop & Frontiers in Big Data