用于油田开发优化的深度强化学习
信号处理
2022-07-22 v1 人工智能
机器学习
计算物理
地球物理
摘要
油田开发优化（FDO）问题代表了一个具有挑战性的混合整数非线性规划（MINLP）问题，其中我们寻求获得井数、井型、位置与钻井顺序，以最大化某项经济指标。进化优化算法已有效应用于求解 FDO 问题，然而这些方法仅提供确定性的（单一）解，通常对问题设置的微小变化不具备鲁棒性。本工作中，目标是将基于卷积神经网络（CNN）的深度强化学习（DRL）算法应用于油田开发优化问题，以获得一个从底层地质模型的不同状态或表示映射到最优决策的策略。我们考虑了近端策略优化（PPO）算法以及两种层数及构成不同的 CNN 架构。与已被证明能有效求解 FDO 问题的混合粒子群优化—网格自适应直接搜索（PSO-MADS）算法相比，两种网络均获得了令人满意结果的策略。
引用
@article{arxiv.2008.12627,
title = {Deep Reinforcement Learning for Field Development Optimization},
author = {Yusuf Nasir},
journal= {arXiv preprint arXiv:2008.12627},
year = {2022}
}