ترجمه فارسی مقاله تعبیه چند مرحله‌ای برای کنترل: یک رویکرد جدید مبتنی بر یادگیری عمیق برای مدل‌سازی جایگزین در شبیه‌سازی مخزن

چکیده

Reduced-order models, also known as proxy model or surrogate model, are approximate models that are less computational expensive as opposed to fully descriptive models. With the integration of machine learning, these models have garnered increasing research interests recently. However, many existing reduced-order modeling methods, such as embed to control (E2C) and embed to control and observe (E2CO), fall short in long-term predictions due to the accumulation of prediction errors over time. This issue arises partly from the one-step prediction framework inherent in E2C and E2CO architectures. This paper introduces a deep learning-based surrogate model, referred as multi-step embed-to-control model, for the construction of proxy models with improved long-term prediction performance. Unlike E2C and E2CO, the proposed network considers multiple forward transitions in the latent space at a time using Koopman operator, allowing the model to incorporate a sequence of state snapshots during training phrases. Additionally, the loss function of this novel approach has been redesigned to accommodate these multiple transitions and to respect the underlying physical principles. To validate the efficacy of the proposed method, the developed framework was implemented within two-phase (oil and water) reservoir model under a waterflooding scheme. Comparative analysis demonstrate that the proposed model significantly outperforms the conventional E2C model in long-term simulation scenarios. Notably, there was a substantial reduction in temporal errors in the prediction of saturation profiles and a decent improvement in pressure forecasting accuracy.

چکیده به فارسی (ترجمه ماشینی)

مدل های مرتبه کاهش یافته ، همچنین به عنوان مدل پروکسی یا مدل جانشین شناخته می شوند ، مدلهای تقریبی هستند که بر خلاف مدل های کاملاً توصیفی ، محاسباتی کمتری دارند.با ادغام یادگیری ماشین ، این مدلها اخیراً علاقه های پژوهشی را افزایش داده اند.با این حال ، بسیاری از روش های مدل سازی مرتبه کاهش یافته موجود ، مانند تعبیه برای کنترل (E2C) و برای کنترل و مشاهده (E2CO) جاسازی شده ، به دلیل تجمع خطاهای پیش بینی در طول زمان ، در پیش بینی های طولانی مدت کوتاه می آیند.این مسئله تا حدودی از چارچوب پیش بینی یک مرحله ای ذاتی در معماری E2C و E2CO ناشی می شود.در این مقاله یک مدل جانشین مبتنی بر یادگیری عمیق ، به عنوان مدل چند مرحله ای تعبیه شده به کنترل ، برای ساخت مدل های پروکسی با بهبود عملکرد پیش بینی بلند مدت معرفی شده است.بر خلاف E2C و E2CO ، شبکه پیشنهادی چندین انتقال رو به جلو در فضای نهفته را در یک زمان با استفاده از اپراتور کوپمن در نظر می گیرد و به این مدل امکان می دهد توالی از عکسهای فوری دولتی را در طول عبارات آموزشی درج کند.علاوه بر این ، عملکرد از دست دادن این رویکرد جدید دوباره طراحی شده است تا این انتقال های متعدد را در خود جای داده و به اصول بدنی اساسی احترام بگذارد.برای اعتبارسنجی اثربخشی روش پیشنهادی ، چارچوب توسعه یافته در مدل مخزن دو فاز (روغن و آب) تحت یک طرح آبگرفتگی اجرا شد.تجزیه و تحلیل مقایسه ای نشان می دهد که مدل پیشنهادی به طور قابل توجهی از مدل E2C معمولی در سناریوهای شبیه سازی بلند مدت بهتر عمل می کند.نکته قابل توجه ، کاهش قابل توجهی در خطاهای زمانی در پیش بینی پروفایل اشباع و بهبود مناسب در دقت پیش بینی فشار وجود دارد.