Upload
others
View
0
Download
0
Embed Size (px)
Citation preview
Application of Auto-Adaptive Evolutionary Algorithmsto the History Matching Problem
1. Claus Aranha(筑波大学)
2. Romain Chassagne(Heriot-Watt University)
3. 田邊遼司(東京大学)
.
......1. 目的: 高精度の油層シミュレータの実現
.
......
▶ 油層工学: 石油生産の効率化▶ どこをどう掘れば産出量を増やせるか?
▶ 億単位の膨大な利益
▶ 油層シミュレータ▶ 一般的に, シミュレーション結果を参考に採掘地域を決定▶ 高精度の油層シミュレータが必要
▶ 油層シミュレータの精度は内部パラメタの設定に依存▶ 最適な内部パラメタが必要
.
......
2. シミュレータの内部パラメタの最適化= History Matching Problem
.
......
0 200 400 600 800 1000 1200
Days0
500
1000
1500
2000
2500
Oil
pro
duction
rate
Oil simulation
Good simulated data
Bad simulated data
Observed data
fitness(x) =1
N
N∑i=1
√(Oi
S −OiO)
2 + (GiS −Gi
O)2 + (W i
S −W iO)
2
0 200 400 600 800 1000 1200
Days0
500
1000
1500
2000
2500
Gas
pro
duction
rate
Gas simulation
Good simulated data
Bad simulated data
Observed data
0 200 400 600 800 1000 1200
Days0
500
1000
1500
2000
2500
Wate
rpro
duction
rate
Water simulation
Good simulated data
Bad simulated data
Observed data
▶ 入力:
1. 過去数年において, 実際に観測された油層データ (⋆)
2. シミュレータの内部パラメタ (上記1の表参照)
▶ 出力:
1. Oil, Gas, Waterの全ての観測データにマッチするシミュレーション結果を出力するような, 内部パラメタ
▶ 考慮すべき点: シミュレーションにかかる時間▶ 1つの解を評価するのに, 10分 ∼ 60分程度かかる▶ Benchmark関数のように数万回もの評価は困難
.
......3. 本研究: 様々な進化アルゴリズムを適用
.
......
▶ 油層シミュレータ/History Matching Problemに進化アルゴリズムを適用した事例は既にある [Hajizadeh 09]
▶ 本研究の独自性 & 貢献点1. より良い解を得るために, 適応DEを使用
▶ jDE [Brest 06], SHADE [Tanabe 13]
2. パラメタチューニングをしたDE, PSOを使用
3. チューニングが実問題で役に立つかどうかの実証研究
.
......6. まとめ.
......
▶ 油層シミュレータ/History Matchingに様々な手法を適用▶ 適応DE (jDE, SHADE), チューニングをしたDE, PSO
▶ 古典的なDE, PSOを用いた場合よりも, 良い解が得られた▶ パラメタチューニングは有用であった▶ 今後の課題: Surrogate modelの使用など
.
......4. チューナーによるパラメタチューニング.
......
目的: 最大評価回数500に適した, 手法のパラメタ設定が欲しい
▶ チューナー: SMAC [Hutter 09]
▶ 訓練問題集: CEC2014 benchmarks
▶ 30問 (10次元)
▶ 最大評価回数: 500
▶ SMACの最大評価回数: 3, 000
▶ SMACの試行回数: 5回
PSOのパラメタ(Inertia weight/gbest)
Parameters Type Range Default Tuned
集団数 Integer [2, 50] 25 10
inertia weight w Real [0, 1] 0.729 0.4622
coefficient c1 Real [0, 4] 1.494 0.6269
coefficient c2 Real [0, 4] 1.494 2.5157
vi,j = w · vi,j + c1 · randi,j · (xpbesti,j − xi,j)
+ c2 · randi,j · (xgbesti,j − xi,j).
......5. 実験結果.
......
チューニングした方が良い
PSO DE jDE SHADE90
95
100
105
110
115
Misfit value
s
Default settingsTuned settings
▶ 3.5年分のメキシコ湾のTeal
South油田の油層データ
▶ ECLIPSE100 R⃝simulator
▶ 最大評価回数500
▶ 試行回数20
まとめ: 従来手法よりも良い結果が得られた
.
......付録. Fitness Distance Correlation
.
......
▶ 実問題の地形解析研究は少ない
▶ 全手法で生成した解群をプロット
Ellipsoidal関数に似ている?