Towards a New Generation of Physics-Driven Solvers for Black-Oil and Compositional Flow Simulation
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Abstract In recent years, there has been a resurgence in developing new solver technologies for addressing highly complex and large-scale flow simulations on specialized parallel and multicore architectures in a very effective manner. Methods such as algebraic multigrid (AMG), Krylov recycling (e.g., deflation, Krylov-secant) and extensions to two-stage preconditioners (e.g., GPR) have been copping the scene in latest solver advances. Nevertheless, there is still a long way to transit to be able to reduce the gap between achieving maximum robustness and parallel efficiency of these solvers in a wide range of problems that the oil industry is currently pursuing on. A new generation of solvers seems to require capabilities to recapture part of the masked physics that is overlooked by strictly algebraic procedures in order to retrieve part of the loss efficiency and furthermore, to obtain insights that make them adaptable to different reservoir situations. In this work, we show that this physical information may be possible by aggregation of system coefficients via percolation. The process can be efficiently encapsulated into a two-stage preconditioner that relies on the solution of the identified highly connected blocks (i.e., aggregates) followed by a deflation preconditioner. The proposed approach is coined as two-stage percolation aggregation (2SPA) and emerges as a representative member of a new family of physics-driven solvers to exploit connectivity (and consequently, flow trends) on highly heterogeneous media. We compare the performance of 2SPA preconditioner against ILU and conclude that the method could be promising to tackle a wider range of reservoir scenarios.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle