Trajectory-Based DEIM TDEIM Model Reduction Applied to Reservoir Simulation
Notice bibliographique
Résumé
Abstract Two well-known model reduction methods, namely the trajectory piecewise linearization (TPWL) approximation and the discrete empirical interpolation method (DEIM) are combined to utilize their benefits and avoid their shortcomings to generate reduced order models for reservoir simulation. To this end, we use the trajectory-based DEIM (TDEIM) to approximate the nonlinear terms in the simulation. Specifically, the nonlinear terms in the test simulation can be expressed as the sum of the nonlinear terms evaluated at the closest available training point from the high-fidelity training trajectory and a perturbed term defined as the difference between the the test and the training terms. We only interpolate this perturbed term in the reduced space of DEIM instead of the original nonlinear term, resulting in computational savings and improvement in accuracy. TDEIM is further combined with the proper orthogonal decomposition (POD) method to provide an efficient POD-TDEIM framework. We test our new methodology on two examples, involving two-phase (water-oil) heterogeneous reservoir models. First, the performance of POD-TDEIM is compared with POD-TPWL and POD-DEIM on a 2D reservoir model. For the same set of high-fidelity training runs, POD-TDEIM outperforms the other two methods. We further propose an extended TDEIM in which the nonlinear term is expanded along the training trajectory to include one more derivative term. An example with a 3D reservoir model is then presented to show the capability of the extended TDEIM to further improve the accuracy of the reduced model.
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.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».