Efficient Multi-Objective History-Matching Using Gaussian Processes
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
Summary In a multiobjective optimization approach, a trade-off is sought to balance between the optimality of different objectives. In this paper, we introduce a new efficient multiobjective optimization approach using sequential Gaussian Process (GP) modeling that can quickly find the Pareto solutions in a minimal number of model evaluations. This is the first time that we present this approach for history-matching. The difference with other optimization algorithms is elucidated for the cases where we can only afford to run a limited number of simulations. Unlike other surrogate-based methods, we do not aim for a greedy approach by minimizing the surface itself as there can be a large uncertainty in the surrogate approximations. Instead, statistical criteria are introduced to account for both proxy model uncertainty as well as its extrema. This multiobjective optimization approach has been successfully applied for the first time to history match the production data (i.e. pressure, water and hydrocarbon rates) from a multi-fractured horizontal well in a tight formation. A GP surface is constructed for each misfit, to provide the predictions and the associated uncertainty for any unknown location. Multiobjective criteria, i.e., the hypervolume-based Probability of Improvement (PoI) and Expected Improvement (EI), are developed to account for the uncertainty of the misfit surfaces. The maximization of these statistical criteria ensures to balance between exploration and exploitation, even in higher dimensions. As such, a new point is selected whose values in different objectives are predicted to hopefully extend or dominate the solutions in the current Pareto set.
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