[論文レビュー] Acceleration of the NVT-flash calculation for multicomponent mixtures using deep neural network models

Yiteng Li, Tao Zhang+1 more|arXiv (Cornell University)|Jan 27, 2019

Reservoir Engineering and Simulation Methods参考文献 51被引用数 4

ひとこと要約

本研究では、動的モデルから生成されたデータに基づいて学習する深層ニューラルネットワークモデルを提案し、多成分炭化水素混合物のNVTフラッシュ計算を高速化する。従来の反復的手法に比べて最大244倍の高速化を達成しながら、高い精度を維持し、別個の安定性テストの必要性を排除する。

ABSTRACT

Phase equilibrium calculation, also known as flash calculation, has been extensively applied in petroleum engineering, not only as a standalone application for separation process but also an integral component of compositional reservoir simulation. It is of vital importance to accelerate flash calculation without much compromise in accuracy and reliability, turning it into an active research topic in the last two decades. In this study, we establish a deep neural network model to approximate the iterative NVT-flash calculation. A dynamic model designed for NVT flash problems is iteratively solved to produce data for training the neural network. In order to test the model's capacity to handle complex fluid mixtures, three real reservoir fluids are investigated, including one Bakken oil and two Eagle Ford oils. Compared to previous studies that follow the conventional flash framework in which stability testing precedes phase splitting calculation, we incorporate stability test and phase split calculation together and accomplish both two steps by a single deep learning model. The trained model is able to identify the single vapor, single liquid and vapor-liquid state under the subcritical region of the investigated fluids. A number of examples are presented to show the accuracy and efficiency of the proposed deep neural network. It is found that the trained model makes predictions at most 244 times faster than the iterative flash calculation under the given cases. Even though training a multi-level network model does take a large amount of time that is comparable to the computational time of flash calculations, the one-time offline training process gives the deep learning model great potential to speed up compositional reservoir simulation.

研究の動機と目的

• 組成的リザーバー・シミュレーションにおける状態方程式に基づくフラッシュ計算の計算ボトル neck を解消すること。
• 別個の安定性テストと相平衡分離を要する従来のフラッシュフレームワークの非効率性を克服すること。
• 圧力P、温度T、および組成から直接、単相状態および気液平衡の相挙動を予測できる深層学習モデルの開発。
• データサイズとネットワークアーキテクチャの最適化により、モデルの精度と学習効率のバランスを図ること。
• 一度のオフライン学習で実施可能な再利用可能な高速予測を可能にし、大規模な組成的シミュレーションを実現すること。

提案手法

• モルおよび体積の時間発展を記述する動的モデルを用いて、反復的にNVTフラッシュ過程をシミュレートし、学習データを生成する。
• 入力条件（P、T、供給組成）から相組成およびモル分率をマップするための深層ニューラルネットワークを訓練する。
• 過学習を低減し一般化性能を向上させるために、再定式化された損失関数とドロップアウト正則化を組み込む。
• 学習収束を加速し最適化の安定性を向上させるために、バッチ正規化を適用する。
• フラッシュ近似に向けた深層学習の先行研究を踏まえたマルチレイヤーのネットワークアーキテクチャを設計する。
• 3種の実リザーバー・フラUIDS（バッキン油1種、エイグルドフォード油2種）を対象に、それぞれ5、8、14成分でモデルを学習する。

実験結果

リサーチクエスチョン

• RQ1 深層ニューラルネットワークは、複雑な多成分炭化水素混合物のNVTフラッシュ計算における相挙動を、高い精度で近似できるか？
• RQ2 深層学習モデルは、フラッシュ計算において別個の安定性テストをどれほど排除できるか？
• RQ3 学習データセットのサイズが、深層学習モデルの精度と効率に与える影響はどの程度か？
• RQ4 提案された深層学習フレームワークにおいて、学習コストと予測速度のトレードオフはどのようなものか？
• RQ5 訓練済みモデルは、異なるリザーバー・フラUIDSの組成および相状態（単相、気液二相）に一般化可能か？

主な発見

• 深層ニューラルネットワークモデルは、テスト条件下で従来の反復的フラッシュ計算に比べ最大244倍の高速な予測を達成する。
• 別個の安定性テストを要せず、単相（気相または液相）および二相（気液）状態を正しく同定する。
• 201×201の学習データサイズで、301×301のベースラインと比較してわずかな変動の範囲で良好な精度を達成しており、中程度のデータ量を超えると利得が減少することが示された。
• 反復的フラッシュ結果との比較による妥当性評価を通じて、C1、C2、C5–C6、C7+、C13+を含む多様な成分において、高い精度を維持している。
• 学習時間は反復的フラッシュ計算と同等であるが、一度のオフライン学習で十分であり、繰り返しの超高速推論が可能であるため、大規模な組成的シミュレーションに極めて適している。
• 本手法は、ナノポーレスなどの閉じた環境への応用を含め、複雑系における平衡状態計算の高速化に強く有望である。