A Physics-Informed Spatial-Temporal Neural Network for Reservoir Simulation and Uncertainty Quantification
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 Surrogate models play a vital role in reducing computational complexity and time burden for reservoir simulations. However, traditional surrogate models suffer from limitations in autonomous temporal information learning and restrictions in generalization potential, which is due to a lack of integration with physical knowledge. In response to these challenges, a physics-informed spatial-temporal neural network (PI-STNN) is proposed in this work, which incorporates flow theory into the loss function and uniquely integrates a deep convolutional encoder-decoder (DCED) with a convolutional long short-term memory (ConvLSTM) network. To demonstrate the robustness and generalization capabilities of the PI-STNN model, its performance was compared against both a purely data-driven model with the same neural network architecture and the renowned Fourier neural operator (FNO) in a comprehensive analysis. Besides, by adopting a transfer learning strategy, the trained PI-STNN model was adapted to the fractured flow fields to investigate the impact of natural fractures on its prediction accuracy. The results indicate that the PI-STNN not only excels in comparison with the purely data-driven model but also demonstrates a competitive edge over the FNO in reservoir simulation. Especially in strongly heterogeneous flow fields with fractures, the PI-STNN can still maintain high prediction accuracy. Building on this prediction accuracy, the PI-STNN model further offers a distinct advantage in efficiently performing uncertainty quantification, enabling rapid and comprehensive analysis of investment decisions in oil and gas development.
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