شبیه سازی و انطباق مخزن سه بعدی با شبکه عصبی انتها به انتها در پایتون

شبیه سازی و انطباق مخزن سه بعدی با شبکه عصبی در Python

در این بخش دانلود رایگان پروژه شبیه سازی و انطباق مخزن سه بعدی با شبکه عصبی انتها به انتها به زبان python همراه با گزارش کار فارسی آماده کرده ایم که براساس مقاله End-to-end neural network approach to 3D reservoir simulation and adaptation انجام شده است. در ادامه توضیحاتی از چکیده مقاله آورده شده و لینک دانلود رایگان پروژه و مقاله پایه قرار داده شده است.

شبیه سازی و انطباق مخزن

شبیه سازی و انطباق مخز (تطبیق تاریخچه ای) یکی از چالش های مهندسان مخزن می باشد. در حالی که مجموعه ای از مدل ها با فرض در دسترس بودن همه پارامترهای اولیه زمین شناسی و با هدف حل مشکل شبیه سازی عمل می کنند، گروه دیگری از مدل ها پارامترهای زمین شناسی را تحت مدل شبیه سازی رو به جلو ثابت می کنند تا با داده های تولید مطابقت داشته باشد. این موضوع منجر به ایجاد مشکلات زیادی برای مهندسان مخزن و توسعه دهندگان طرح های محاسباتی کارآمد و جدید می شود.

معرفی پروژه

در این پروژه یک رویکرد یکپارچه برای شبیه سازی مخازن و مشکلات سازگاری ارائه می شود. یک مدل شبکه عصبی واحد اجازه می دهد تا از پارامترهای اولیه زمین شناسی مدل مخزن سه بعدی از طریق متغیرهای حالت پویا به میزان تولید چاه و انتشار گرادیان backward به هر ورودی و متغیر مدل منتقل گردد. برازش مدل و سازگاری پارامترهای زمین شناسی به مشکل بهینه سازی در بخش های خاصی از همان مدل شبکه عصبی تبدیل می شوند. جهت پیدا کردن راه حل بهینه می توان از روش های بهینه سازی استاندارد مبتنی بر گرادیان (Gradient) استفاده نمود. ما در این پروژه به کمک مدل میدان نفتی واقعی و نرخ تولید تاریخی نشان می دهیم که راه حل پیشنهاد شده امکان شبیه سازی مخزن و تطبیق تاریخچه ای را با بهره مندی از چندین مرتبه شبیه سازی سرعت افزایش می دهد. در آخر، برای گسترش این پروژه ما یک چارچوب DeepField مبتنی بر python به صورت منبع باز و رایگان ارائه می دهیم که امکان پردازش استاندارد مدل های مخزن و باز تولید رویکرد ارائه شده در این مقاله را فراهم می سازد.