BriefGPT - AI 论文速递
·
多步骤嵌入控制：一种基于深度学习的水库模拟代理建模新方法
💡
原文中文，约600字，阅读约需2分钟。
📝
内容提要
该文章介绍了一种先进的油藏表征工作流，通过新颖方法解决了油藏历史拟合的挑战。该工作流利用物理启发神经算子和自适应正则化集合卡尔曼反演等技术，准确快速地量化和恢复未知场。
🎯
关键要点
- 开发了一种先进的油藏表征工作流，解决油藏历史拟合的挑战。
- 该工作流在复杂的聚类分类回归框架中集成物理启发神经算子作为前向模型。
- 使用自适应正则化集合卡尔曼反演进一步优化油藏历史拟合过程。
- 工作流以未知渗透率和孔隙度场为参数，捕捉非高斯后验测度。
- CCR方法与PINO代理协作，精确模拟Peaceman井方程的非线性动力学。
- 在各个阶段应用不同的机器学习算法以优化CCR方法。
- 集成模型PINO-Res-Sim输出关键参数，包括油、水和气的压力、饱和度和产量。
- 通过控制实验验证该方法在合成油藏和Norne油田上的准确性。
- PINO-Res-Sim在aREKI工作流中有效恢复未知场，计算速度比传统方法快100到6000倍。
- PINO-Res-Sim学习阶段在NVIDIA H100上高效，与复杂计算任务的集合方法兼容。
➡️
