基于深度学习的气举采油优化早期固定:监督与弱监督方法
机器学习
2023-09-04 v1 最优化与控制
摘要
最大化气举油井的产油量需要求解混合整数线性规划(MILPs)。随着油井参数(如基本沉积物与水比率、气油比)的更新,必须反复求解问题。本文不依赖昂贵的精确方法或通用近似方法的准确性,而是提出一种定制启发式解法:基于深度学习模型,在给定变化井参数下为所有整数变量提供取值,从而早期固定整数变量,将原始问题化简为线性规划(LP)。我们提出两种开发该基于学习启发式的方法:监督学习方法,需要在训练集中包含原问题多个实例的最优整数值;弱监督学习方法,仅需早期固定线性问题在整数变量随机赋值下的解。结果显示运行时间减少 71.11%。此外,弱监督学习模型虽在训练中从未见过最优值,却为早期固定提供了显著有效的取值。
引用
@article{arxiv.2309.00197,
title = {Deep-learning-based Early Fixing for Gas-lifted Oil Production Optimization: Supervised and Weakly-supervised Approaches},
author = {Bruno Machado Pacheco and Laio Oriel Seman and Eduardo Camponogara},
journal= {arXiv preprint arXiv:2309.00197},
year = {2023}
}
备注
Paper accepted at SBAI 2023