基于多模态潜在动态模型和深度强化学习的地质碳存储操作优化
机器学习
2024-06-10 v1 人工智能
应用统计
机器学习
摘要
最大化地质碳存储（GCS）中的储存性能对于商业化部署至关重要，但传统优化方法需要耗时的仿真，带来计算挑战。本研究引入多模态潜在动态（MLD）模型，一种用于快速流场预测和井控优化的深度学习框架。MLD 模型包括用于压缩潜在表示的表示模块、用于系统状态演化的转换模块以及用于流场响应的预测模块。一种新型训练策略结合回归损失和联合嵌入一致性损失，增强了时序一致性和多步预测准确性。与现有模型不同，MLD 支持多种输入模态，实现了全面的数据相互作用。MLD 模型类似于马尔可夫决策过程（MDP），可训练深度强化学习智能体，具体使用软演员-评论家（SAC）算法，通过持续互动最大化净现值（NPV）。该方法优于传统方法，实现最高 NPV，同时将计算资源降低超过 60%。它还显示出强大的泛化性能，为新情景提供改进决策，基于以前的知识。
引用
@article{arxiv.2406.04575,
title = {Optimization of geological carbon storage operations with multimodal latent dynamic model and deep reinforcement learning},
author = {Zhongzheng Wang and Yuntian Chen and Guodong Chen and Dongxiao Zhang},
journal= {arXiv preprint arXiv:2406.04575},
year = {2024}
}