×
Alpak，Faruk O。；Vivek贾恩

支持向量回归加速了井位优化：算法、验证和现场测试。 （英语） Zbl 1477.86024号

计算。地质科学。 252033-2054（2021）第6期.
总结：我们开发了一种机器学习（ML）加速优化方法，用于挑战实际井位优化（WLO）应用。优化协议包括一个阶段，在该阶段，目标函数由一个代理ML模型计算，该模型经过训练，以准确近似目标函数，否则将使用计算更密集的油藏模拟运行进行计算。作为代理开发的ML算法，我们使用了支持向量回归（SVR）技术的两种变体，即，（varepsilon）-SVR和（nu）-SVR。在所提出的代理加速优化工作流程中，WLO从使用储层模拟器作为目标函数评估器的传统方法开始，对进行探索性搜索的全局优化器进行相对少量的迭代。该初始仿真投资不仅用于提供优化改进，还用于为所研究WLO问题的目标函数训练SVR代理。在初始迭代之后，SVR代理被激活，作为全局优化器的目标函数求值器。收敛后，将基于代理的优化协议估计的最佳模型参数输入到流模拟器，以访问全套仿真结果，并重新评估代理的准确性。或者，可以将最佳模型配置作为初始猜测提供给高效的局部优化器，以使用油藏模拟器作为目标函数评估器，评估几次迭代的进一步改进潜力。提出的SVR加速优化方法在实际WLO问题上进行了测试。我们观察到，SVR加速协议的总体计算成本降低了40%至60%。值得注意的是，对于小数据集（具有100s到1000s的数据点），例如在WLO迭代过程中生成的数据集，SVR代理的训练时间短得可以忽略不计。然而，与该方法相关的主要挑战是针对给定的感兴趣问题调整SVR代理的超参数，并在代理预测的准确性和泛化性之间取得良好的平衡。虽然仍然需要对SVR超参数进行一些实验，特别是在第一个应用程序中，但我们在实现中通过可审计的优化过程加快了这一步骤。研究结果表明，SVR加速WLO方法适用于实际问题。

引用于1文件

MSC公司：

86A32型 地理统计学
62J02型 一般非线性回归
86A22型 地球物理学中的反问题

关键词：

支持向量回归；机器学习；代理；代理；优化；油井布置；油田开发；油藏模拟
PDF格式BibTeX公司 XML格式引用
\textit{F.O.Alpak}和\textit{V.Jain}，计算。地质科学。25，第6号，2033--2054（2021；Zbl 1477.86024）
全文： 内政部

参考文献：

[1] Alpak，F.O.，Jain，V.，Wang，Y.，Gao，G.井位的生物目标优化：算法、验证和现场测试。论文SPE-203960-MS，发表于SPE油藏模拟会议，美国德克萨斯州加尔维斯顿，1，28（2021）
[2] 阿尔帕克，FO；Jin，L。；Ramirez，B.，地质复杂油藏井位稳健优化，国际石油工程杂志，2，4，247-264（2016）·doi:10.1504/IJPE.2016.084110
[3] Ramirez，B.A.、Joosten，G.J.P.、Kaleta，M.P.、Gelderblom，P.P.：基于模型的井位优化——一种稳健的方法。论文SPE-182632-MS，发表于美国德克萨斯州蒙哥马利市SPE油藏模拟研讨会（2017）
[4] Vlemmix，S.、Joosten，G.、Brouwer，D.、Jansen，J.：基于伴随的井眼轨迹优化。论文SPE-121891-MS于6月8日至11日在荷兰阿姆斯特丹举行的EUROPEC/EAGE会议和展览上展出（2009）
[5] 陈，B。；He，J。；文，X-H；Chen，W。；雷诺兹，AC，《使用代理和马尔可夫链蒙特卡罗方法进行信息评估的不确定性量化和价值》，J.Pet。科学。工程师，157328-339（2017）·doi:10.1016/j.petrol.2017.07.039
[6] Eide，A.L.，Holden，L.Reiso，E.，Aanonsen，S.I.使用响应面和实验设计进行自动历史匹配。ECMOR IV-第四届欧洲石油开采数学会议记录，挪威罗尔斯，1994年6月7日至10日
[7] He，J。；谢军。；Sarma，P。；文，X-H；陈，WH；Kamath，J.，数据采集程序先验评估的基于代理的工作流程，SPE期刊，21，4，1400-1412（2016）·doi:10.2118/1773229宾夕法尼亚州
[8] He，J.，Xie，J.、Wen，X.-H.、Chen，W.：使用代理数据方法和降阶建模改进历史匹配代理。论文SPE-174055-MS，于4月27日至30日在美国加利福尼亚州Garden Grove举行的SPE西部地区会议上发表（2015）
[9] He，J。；谢军。；文，X-H；Chen，W.，《使用代理数据方法和降阶建模进行历史匹配的替代代理》，J.Pet。科学。工程，146，392-399（2016）·doi:10.1016/j.petrol.2016.05.026
[10] Slotte，P.A.，Smorgrav，E.：储层模拟模型历史匹配和不确定性评估的响应面方法。论文SPE-113390-MS，于6月9日至12日在意大利罗马举行的Europec/EAGE会议和展览上展出（2008）
[11] Yeten，B.，Castellini，A.，Guyaguler，B.，Chen，W.H.：实验设计和响应面方法的比较研究。论文SPE-93347-MS，发表于SPE油藏模拟研讨会，1月31日至2月2日，美国德克萨斯州伍德兰（2005）
[12] Amudo，C.、May，R.S.、Graf，T.、Dandekar，R.R.、Harris，N.R.和Ben Amor，F.，2008年。作为随机历史匹配基础的实验设计和响应面模型——尼日尔三角洲经验。IPTC-12665-MS论文于12月3日至5日在吉隆坡举行的国际石油技术会议上发表
[13] 艾尔谢赫，AH；Hoteit，I。；Wheeler，MF，使用嵌套采样和稀疏多项式混沌代理的地下水流模型的高效贝叶斯推断，计算。方法应用。机械。工程，269515-537（2014）·doi:10.1016/j.cma.2013.11.001
[14] Goodwin，N.：使用先进的基于代理的方法弥合确定性和概率不确定性量化之间的差距。论文SPE-173303-MS，发表于SPE油藏模拟研讨会，2月23日至25日，美国德克萨斯州休斯顿（2015）
[15] 李，H。；Sarma，P。；Zhang，DA，《石油储层不确定性量化的概率分配和实验设计方法比较研究》，SPE Journal，16，3，429-439（2011）·网址：10.2118/140738-PA
[16] 沙夫，T。；Coureaud，B。；北拉巴特。；Busby，D.，使用实验设计、辅助历史匹配工具和贝叶斯框架获得概率储气压力预测，SPE Reserve。评估。工程，12，5，724-736（2009）·doi:10.2118/113498-PA
[17] Morris，A.E.，Fine，H.A.，Geiger，G.：材料加工中材料和能量平衡计算手册。John Wiley&Sons，Hoboken（2011年）
[18] Castellini，A.、Gross，H.、Zhou，Y.、He，J.、Chen，W.：构建稳健代理模型的迭代方案。ECMOR VII会议记录-第12届欧洲石油开采数学会议，英国牛津，2010年9月6日至9日
[19] Landa，J.L.，Güyagüler，B.：与流量预测相关的历史匹配和不确定性评估方法。论文SPE-84465-MS，于10月5日8日在美国科罗拉多州丹佛市举行的SPE年度技术会议和展览会上发表（2003）
[20] 郭，Z。；陈，C。；高，G。；Vink，J.，通过支持向量回归减少数值噪声和截断误差的影响，提高分布式高斯-牛顿优化方法的性能，SPE Journal，23，6，2428-2443（2018）·doi:10.2118/187430-PA
[21] Drucker，H。；伯吉斯，首席法官；考夫曼，L。；Smola，A。；Vapnik，V。；MC Mozer；密歇根州约旦；Petsche，T.，支持向量回归机，神经信息处理系统进展，155-161（1997），马萨诸塞州：剑桥
[22] 郭，Z。；陈，C。；高，G。；曹，R。；李，R。；Liu，H.，支持向量回归与分布式高斯-牛顿优化方法的集成及其在非常规资产不确定性评估中的应用，SPE油藏评估与工程，21，4，1007-1026（2018）·网址：10.2118/191373-PA
[23] 郭，Z。；Reynolds，AC，《使用支持向量回归代理的稳健生命周期生产优化》，SPE期刊，23，62409-2427（2018）·网址：10.2118/191378-PA
[24] Liu，Z.和Reynolds，A.C.，《非线性状态约束下稳健生命周期生产优化的梯度增强支持向量回归》，SPE J.26（2021）：1590-1613。doi:10.2118/204236-PA
[25] Saunders，C.，Gammerman，A.，Vovk，V.：双变量岭回归学习算法。第15届机器学习国际会议记录（ICML'98）。第515-521页（1998年）
[26] 日本苏肯斯；De Brabanter，J。；卢卡斯，L。；Vandewalle，J.，加权最小二乘支持向量机：鲁棒性和稀疏近似，神经计算，48，1-4，85-105（2002）·Zbl 1006.68799号 ·doi:10.1016/S0925-2312（01）00644-0
[27] 默瑟，J.，XVI。正负型函数及其与积分方程理论的联系，伦敦皇家学会哲学学报。A辑，包含数学或物理性质的论文，209415-446（1909）·JFM 40.0408.02号文件
[28] Chang，C.-C.和Lin，C.-J.，2002年。训练ν-支持向量回归：理论和算法。神经计算。，v.14，no.8，p.1959-1977，训练v-支持向量回归：理论和算法·Zbl 1010.68114号
[29] 科尔特斯，C。；Vapnik，V.，支持向量网络，马赫。学习。，20, 3, 273-297 (1995) ·Zbl 0831.68098号
[30] Dyn，N.，《用径向函数插值散乱数据》，编辑：C.K.Chui，L.L.Schumaker，F.I.Utreras，《多元逼近主题》，学术出版社，1987年，第47-61页，ISBN 9780121745851，doi:10.1016/B978-0-12-174585-1.50009-9。(http://www.sciencedirect.com/science/article/pii/B978012174585150099)
[31] Michelli，C.A.分散数据的插值：距离矩阵和条件正定函数。施工。约211-22（1986年）。doi:10.1007/BF01893414·Zbl 0625.41005号
[32] Platt，J.：序列最小优化：一种用于训练支持向量机的快速算法。微软研究院，技术报告：MSR-TR-98-14（1998）
[33] De Brabanter，K.：最小二乘支持向量回归及其在大尺度数据中的应用：统计方法。比利时鲁汶卡托利克大学工程学院博士论文（2011年）
[34] 斯莫拉，AJ；Schölkopf，B.，支持向量回归教程，统计计算。，14, 3, 199-222 (2004) ·doi:10.1023/B:STCO.0000035301.49549.88
[35] 日本苏肯斯；Vandewalle，J.，最小二乘支持向量机分类器，神经网络。过程。莱特。，293-300年9月3日（1999年）·doi:10.1023/A:1018628609742
[36] Eberhart，R.C.，Kennedy，J.：使用粒子群理论的新优化器。摘自：第六届国际微机器与人类科学研讨会论文集，第39-43页（1995）
[37] 费尔南德斯·马丁内斯，JL；Garcia Gonzalo，E.，《广义粒子群优化：粒子群优化进化的新大门》，《人工进化与应用杂志》，2008年，第1-15页（2008）·doi:10.1155/2008/861275
[38] 阿尔帕克，FO；詹宁斯，JW；Gelderblom，P。；陈，C。；高，G。；Du，K.，《基于对象地质模型的地层一致性历史匹配的直接方法：算法和现场应用》，SPE J.，22，4，1280-1295（2017）·数字对象标识码：10.2118/181269-PA
[39] 阿尔帕克，FO；温克，JC；高，G。；Mo，W.，《原位升级过程的有效模拟、优化和不确定性量化技术》，《非常规油气资源期刊》，3-4，1-14（2013）·doi:10.1016/j.juogr.2013.09.001
[40] 高，G。；温克，JC；陈，C。；阿尔帕克，FO；Du，K.，地质复杂油藏历史拟合的并行混合数据集成算法，SPE Journal，21，6，2155-2174（2016）·doi:10.2118/175039-PA
[41] Chen，C.、Jin，L.、Gao，G.、Weber，D.、Vink，J.、Hohl，D.、Alpak，F.O.和Pirmez，C.使用三种无导数优化算法辅助历史匹配。论文SPE-154112-MS，EAGE年会暨展览会论文集，SPE Europec，丹麦哥本哈根（2012）
[42] 梁，F。；Cheng，Y。；Lin，G.，采用方圆冷却制度进行全局优化的模拟随机近似退火，美国统计协会，109，506，847-863（2014）·Zbl 1367.62244号 ·doi:10.1080/01621459.2013.872993
[43] 医学博士麦凯；RJ贝克曼；Conover，WJ，《计算机代码输出分析中选择输入变量值的三种方法的比较》，《技术计量学》，21，2，239-245（1979）·Zbl 0415.62011号
此参考列表基于出版商或数字数学图书馆提供的信息。其项与zbMATH标识符进行启发式匹配，可能包含数据转换错误。在某些情况下，zbMATH Open的数据对这些数据进行了补充/增强。这试图尽可能准确地反映原始论文中列出的参考文献，而不要求完整或完全匹配。