Waterflooding Optimization under Geological Uncertainties by Using Deep Reinforcement Learning Algorithms
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 Recently, substantial technical progress has been made to solve complex tasks in the field of artificial intelligence (AI) by incorporating deep neural networks into reinforcement learning (RL). In this paper, four state-of-the-art deep RL algorithms are applied to optimize the net present value (NPV) of waterflooding (WF) under geological uncertainties by adjusting the water injection rate. They include the deep Q-network (DQN), double DQN (DDQN), dueling DDQN, and deep deterministic policy gradient (DDPG). A set of fifty reservoir realizations are generated by using a geostatistical technique to account for the geological uncertainties. It is found that the deep RL algorithms can optimize the WF in a 3-D 3-phase (oil-water-gas) reservoir under geological uncertainties. More specifically, both DQN and particle swarm optimization (PSO) converge to the same highest NPV, whereas the other three deep RL algorithms can find some local optimum NPVs due to the exploration-exploitation problem. DDPG converges faster than PSO and requires the least numerical simulation runs among all deep RL algorithms. The optimum water injection rate determined in the consideration of geological uncertainties not only increases the expected NPV but also reduces its standard deviation. The optimum WF starting time is found to be in the middle of the primary production. In this way, the solution-gas drive is continued and the water-cut is decreased. The production performances are compared under three different water injection scenarios: no-control, reactive-control, and optimum-control. The optimum-control scenario achieves a low water-cut and a stable oil production rate.
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