A Revolution in Performance using a GPU Based Simulator
Notice bibliographique
Résumé
Abstract Geological models are preferably built with very fine grids in a 3D dimensional geometry to capture reservoir complexity and heterogeneity. However, simulating such detailed models with sizes that can range to the 100’s of millions of cells is a huge challenge for current commercial CPU (Central Processing Unit) simulators as the results cannot be achieved within an acceptable time frame and simulation may last days or weeks. These long run times cause a delay in achieving a robust history matched or production forecast model as it constrains the ability to effectively characterize the uncertainty range of subsurface parameters and potential development solutions. Restricting the number of alternate scenarios in this manner diminishes the ability to arrive at solutions which may lead to loss of business opportunity and economic value. The alternatives have been used by oil and gas industry so far to reduce simulation run time, are either upscaling fine grid models to a coarser grid, consequently reducing the number of cells or increasing the number of nodes on a high-performance cluster so that simulation results can be achieved more rapidly by parallel computing using CPU based simulators. The former solution is limited by reservoir complexity and the latter by the scaling limits of the software. However, recent advances in high performance technical computing using Graphic Processing Units (GPU) has generated significant interest in the performance characteristics of a GPU-based simulator. This paper demonstrates performance of new generation of GPU based simulator as compared to CPU based simulators. A simulation run time of 9-11 hours on a 4-core CPU based simulator was reduced to 25-40 min on 1 GPU based simulator with tight bounds on results.
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 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, 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 ».