CN101496027B - 模拟系统和方法 - Google Patents
模拟系统和方法 Download PDFInfo
- Publication number
- CN101496027B CN101496027B CN2006800428573A CN200680042857A CN101496027B CN 101496027 B CN101496027 B CN 101496027B CN 2006800428573 A CN2006800428573 A CN 2006800428573A CN 200680042857 A CN200680042857 A CN 200680042857A CN 101496027 B CN101496027 B CN 101496027B
- Authority
- CN
- China
- Prior art keywords
- algorithm
- parameter
- assistant
- intelligent behaviour
- described method
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Expired - Fee Related
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/23—Design optimisation, verification or simulation using finite element methods [FEM] or finite difference methods [FDM]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/10—Numerical modelling
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Software Systems (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Geometry (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- Medical Informatics (AREA)
- Computer Hardware Design (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明关于模拟系统和方法。描述了方法和系统,其在本技术下提高计算机模拟,例如流经多孔介质的流体。具体而言,描述了计算机执行的模拟方法,其包括初始化模拟器并利用智能性能助手为该模拟器选择一套参数和算法。然后,利用该套参数和算法解方程,随后得到方程的解。
Description
本申请要求了于2005年11月22日提出的美国临时申请60/738,860的权益。
背景技术
技术领域
本技术涉及可以用来适应性地修改解法以提高模拟运行时间性能的模拟系统。本发明的实施方式通常涉及烃模拟系统和计算流体力学中的其他相似问题。
相关技术描述
油藏模拟(reservoir simulation)是模型化在油气层、井和地面设施中流动的流体、能量和/或气体的方法。具体而言,油藏模拟是包括构建模拟数据以准确描述油藏的油藏建模(reservoir modeling)的一部分。因此,油藏模拟被用来了解流动模式,以优化从一些井组生产烃的一些策略和进入油气层的地面设施。
因为油气层、井和地面设施中流动的流体、能量和/或气体的建模是复杂的,所以利用计算机或建模系统(或模拟系统,modelingsystem)进行油藏模拟。在建模系统中,利用不同的应用软件或程序来执行模拟与油藏相关的行为的计算,所述不同的应用软件或程序可以被称为用户工具和/或模拟程序(或模拟器,simulator)。执行模拟的计算通常是耗时的迭代过程,该过程在优化生产策略的同时减少了关于特定油藏模型描述的不确定因素。在迭代过程中,建模系统的模拟程序可以提供不同模拟时段的解,该解可以包括图形输出或报告。
为提供解,在经由多孔介质的多相流动的模拟中使用了线性矩阵求解程序。物理模型由一组偏微分方程组成,当这些方程在网格上被离散时,形成被同时求解的方程组。例如参见Don Peaceman于1991年所著的Fundamentals of Numerical Reservoir Simulation(例如,第33页)。方程形成线性系统,对该线性系统求解,得到模拟的解。物理模型(例如储集岩、井筒)、数值公式(例如耦合隐式求解法/CI;隐式压力、显式饱和度求解法/IMPES)和网格连通性(grid connectivity)方面的差异改变矩阵的基本结构和性质。
解这些线性系统是应用数学及计算科学中复杂且具有挑战性的领域。一般而言,线性系统由方程式Mx=b表示,其中M是矩阵,b是右侧,x是寻求其值的未知数的向量。解方程的过程可以包括“预处理”矩阵M以使其更易于求解;变换该预处理的矩阵;以及如果解基于一些阈值不是足够准确的话,则执行迭代方法。结果是,求解过程变成其自身的模拟缩影,求解程序的总计算成本(花费的时间,cost)是该过程中预处理程序、变换和迭代步骤的累积成本。
在这些步骤中,基于在解线性系统中所进行的步骤,可以利用不同类型的算法。例如,预处理程序算法可以包括不完全乔莱斯基(incomplete Cholesky(IC))因子分解和不完全下-上因子分解(incomplete lower-upper factorization)变形,其具有和不具有非零元素填入(fill-in)ILUO、ILUK、FILU、FILUT等;嵌套因子分解(nestedfactorization);和螺旋状对角线(wormed diagonal)算法。变换算法可包括定比变换(scaling)例如两侧的、对角线的等,以及再排序如Reverse Cuthill McKee (RCM)、Red-Black等。最后,迭代算法可包括共轭梯度及其变形CG、CGS、BiCG、BiCGStab等;最小残差及其变形GMRES、FGRMES、QMR等;逐次超松弛SOR及其变形LSOR,WSOR等;和/或Jacobi法及变形的Jacobi,Block-Jacobi、Point-Jacobi等。例如,参见Yousef Saad,″Iterative Methods for Sparse LinearSystems,″2000,P 95-104。这些算法中的每一个可包括可调参数,这些可调参数影响计算的效率并因此影响算法的计算速度。例如,FILU预处理算法有两个参数∈1和∈2,它们影响用了多少非零元素填入(infill)。较多的填入扩大预处理矩阵的大小并且使预处理步骤在计算上更昂贵(费时,expensive),但是可能降低获得解所用的迭代次数。因此,对参数和算法的调整可以提高求解程序的总计算速度。
为进一步优化油藏模拟的求解程序,对不同算法和参数的选择可以基于线性系统所面对的问题。尽管多种不同的数值算法和参数可以模拟同一物理系统,然而相关的运行时间性能可能有所变化,该运行时间性能可包括对模拟时间或对解的质量的量度。事实上,一些数值算法和参数组可能不能收敛并提供某些问题的解。模拟的运行时间性能是油藏模拟的物理参数以及选择用于该模拟的数值参数和算法的函数。因此,对数值算法和参数组的选择通过改变所进行的提供解的计算,直接影响建模系统的性能。
典型的油藏模拟程序可利用动态算法。利用动态算法,同一软件应用通过修改输入参数,可用于模拟许多种不同的物理配置。结果是,对于每种模型,优化运行的参数可以不同,其可以被称为参数组。事实上,优化运行的参数甚至可以在模拟的过程中展开或改变。因此,在模拟程序中使用静态参数组或缺省参数组对于一些模拟而言可能是恰当的,但可能增加其他模拟的计算数量。此外,通过观察、通过计算分析师和/或通过使用建模系统的工程师的洞察力,对数值算法和参数的有效选择并非是显而易见的。
尽管给定物理模型的穷举实验可能呈现最佳参数,但是计算成本可能超出所获得的计算节约。例如,在缺省参数的情况下,模拟可能运行5小时。然而,利用优化参数,模拟可能运行3小时。如果用于确定优化参数的试验是24小时,则确定优化参数的计算成本超过了由该优化参数提供的任何益处。
因此,在本领域,对自动选择参数和算法的改进方法和系统存在需求,该改进方法和系统降低获得具体问题的解的计算时间。
其他相关材料可见于美国专利6,882,992;美国专利6,842,725;美国专利6,826,520;美国专利6,810,370;美国专利6,799,117;美国专利6,662,146;美国专利6,434,435;美国专利6,106,561;美国专利6,088,689;美国专利6,052,520;美国专利6,038,556;美国专利5,835,882;美国专利5,392,429;美国专利5,058,012;美国专利申请公布2004/133616;美国专利申请公布2002/177983;Dragojlovic Zoran等,″A fuzzy logic algorithm for acceleration of convergence in solvingturbulent flow and heat transfer problems,″Numerical Heat Transfer Part B:Fundamentals,vol.46,no.4,pp.301-327(Oct.2004);和Klie H等,″Krylov-secant methods for accelerating the solution of fully implicitformulations″SPE Reservoir Simulation Symposium,SPE XP008063243,pp.57-65,Jan.31,2005。
发明内容
在本技术的一个实施方式中,描述了计算机执行的模拟方法,该方法涉及经由多孔介质的流体流动。该方法包括初始化模拟程序并利用智能性能助手(intelligent performance assistant)选择用于该模拟程序的一套参数和算法。然后,用所述一套参数和算法解方程。然后显示该方程的解。所显示的解代表在多孔介质中流动的多相流体的发展情况并有助于烃(油气)的生产。在该方法中,智能性能助手可以在没有用户介入的情况下选择一套参数和算法。同样,该方法可进一步包括与智能性能助手相互作用,以提供给模拟程序不同的一套参数和算法,所述不同的一套参数和算法可以提高解方程的运行时间速度;以及当所述一套参数和算法的运行时间性能在规定阈值之下时,用替代的一套参数和算法自动调整该套参数和算法。
在另一实施方式中,描述了第二种计算机执行的模拟方法。该方法包括初始化流体流动模型的计算机流体力学模拟;从智能性能助手获得一套参数和算法,以优化该计算机流体力学模拟的运行时间性能;利用该套参数和算法解至少一个数值矩阵中代表流体流动模型的方程;以及基于被解方程提供解。
在另一实施方式中,描述了模拟流体流动的方法。该方法包括初始化模拟程序中的模型;提供一套参数和算法,以在模拟中优化矩阵求解程序法的运行时间性能,其中所述一套参数和算法基于描述数值矩阵方程的参数与该套参数和算法的性能之间的关系,与用来解该数值矩阵方程的多套算法和参数比较,进行选择;在模型中模拟经过多个时间步长的流体流动,其中所述多个时间步长中的至少一个利用该套参数和算法产生待求解的数值矩阵方程;以及提供该模拟的解。
在另一实施方式中,描述了用于模拟流体流动的系统。该系统包括模拟计算机系统,该模拟计算机系统具有处理器和存储器——该存储器包括该处理器可执行的计算机可读指令,并且被配置为:初始化流体流动模型的计算机流体力学模拟;利用智能性能助手例程(routine)选择一套参数和算法,以优化该计算机流体力学模拟的运行时间性能;利用该套参数和算法解至少一个数值矩阵的方程,所述方程代表流体流动模型;以及基于被解方程提供解。所提供的解表示在多孔介质中流动的多相流体的发展情况并有助于烃的生产。
在另一可选实施方式中,描述了模拟方法。该方法包括初始化软件程序以模拟物理系统的性能;用智能性能助手为该软件程序选择一套参数和算法,以提高该物理系统的模拟的运行时间性能;利用该套参数和算法在该软件程序中解方程;存储方程的解;以及基于所存储的解生产烃。该解表示在多孔介质中流动的多相流体的进展情况并有助于烃的生产。
进一步,在一个或多个实施方式中,所述智能性能助手可包括智能性能助手光智能体(light agent),其配置为接受关于任务的信息;以及基于所述关于任务的信息提供一套参数和算法。关于任务的信息可包括描述符,如模型描述符、机器描述符、模拟描述符、在计算机流体力学模拟的时间步长中求解的至少一个矩阵的数值矩阵性质的一种以及它们的任意组合。具体而言,关于任务的信息可包括在计算机流体力学模拟期间所收集的原始运行时间性能数据;求解程序预处理程序、变换方法、容差的一种及其任意组合;相关的预置额定值、权重、选择概率的一种及其任意组合。
同样,在一个或多个实施方式中,智能性能助手可包括提高运行时间性能的不同机制(或机构,mechannisms)。例如,智能性能助手可包括:持久存储机制,其具有多套参数和算法的运行时间性能数据,其中运行时间性能数据包括对各套参数和算法的加权分析;从计算机流体力学模拟收集运行时间性能数据的机制;和/或智能性能助手光智能体(light agent),其在求解时提供给操作模块(operationalcartridge)关于一套参数和算法的性能。此外,智能性能助手可与模拟程序对接,以报告在一套参数和算法上的运行时间性能数据,以及接收对其他套参数和算法的建议以便在解方程中应用;以及从先前的模拟中获得运行时间性能测量以建立具有该套参数和算法的模板模块(template cartridge);以及向该智能性能助手提供该模板模块。
同样,在一个或多个实施方式中,智能性能助手可提高模拟的运行时间稳定性,确保具体任务的解具有高质量。进一步,智能性能助手可提高单独任务的运行时间性能,如在具体时间步长的线性解,以及提高整个模拟的总运行时间性能。
附图说明
本技术的上述及其他优势在阅读下面详细的描述及参考下面所述的附图后可变得明显。
图1图解了模拟的示例性流程图;
图2图解了根据本技术一个实施方式的模拟的示例性流程图;
图3图解了根据本技术一个实施方式的建模系统的示例性实施方式;
图4A-4D图解了根据本技术一个实施方式,在图3的建模系统中使用的模块的示例性实施方式;
图5图解了根据本技术一个实施方式,在图3的建模系统中使用的示例性智能性能助手(IPA)光智能体;
图6图解了根据本技术一个实施方式,应用图5的IPA光智能体的示例性流程图;
图7图解了根据本技术一个实施方式,在图3建模系统中使用的数据收集过程的示例性流程图;和
图8图解了根据本技术一个实施方式,应用在图3建模系统中使用的IPA工厂的示例性流程图。
发明详述
在下面详细的描述部分中,结合优选的实施方式描述了本技术的具体实施方式。然而,就下面的描述特定于本技术的具体实施方式或具体应用方面而言,其意图仅用于示例性的目的以及仅提供对示例性实施方式的描述。因此,本发明不限于下面所述的具体实施方式,而相反地,其包括落在所附权利要求的真正精神和范围之内的所有可选项、修改和等价物。
本技术描述了用于自动选择参数和算法的改进方法和机制,所述参数和算法降低获得具体问题的解的计算时间。该方法——其在本文可被称为智能性能助手(Intelligent Performance Assistant)(IPA)——可以作为示例性实施方式来执行,其包括如IPA工厂、IPA光智能体和/或IPA机器人之类的组成部分,如下所讨论。这些组成部分可以一起用于提高模拟的性能,而终端用户不必了解建模系统中IPA组成部分的功能。即,终端用户可遵循用于产生模拟模型的标准工作流程,该标准工作流程可以包括执行模拟和分析来自该模拟的解或结果。当IPA组成部分被启动时,不同的组成部分可相互作用,以改进模拟以及模拟具体部分如线性求解程序的操作的运行时间性能。
因此,IPA光智能体向模拟程序子任务提供执行所述任务时使用的算法和参数方面的引导。其还从该模拟程序收集信息,该信息可以通过其它IPA组成部分被用于其它后续模拟。IPA的这种“自学习”方面在下面详细讨论。IPA系统的IPA工厂提供用于整合新信息及用于向IPA光智能体提供引导的机制。最后,IPA机器人是多模型、多用户环境中的智能体,其获取与先前模拟有关的新信息或最新信息,以及可以为IPA工厂所用,以精确化所提供的引导。
为了充分描述IPA组成部分的功能,示例性实施方式涉及IPA光智能体、IPA机器人和IPA工厂的应用,如应用于油藏模拟程序中的线性求解程序。在该种类型的模拟程序中,基于选择用于该模拟的模型和算法,利用各时间步长的各牛顿迭代,构建数值矩阵。因为IPA系统被用于提高特定任务(例如线性求解程序)的性能,其包括收集该任务中产生的实际问题的有关信息的机制,并利用该信息或知识来提高其效率。对于求解程序,IPA系统的一种方法是推导描述特定矩阵的参数与该矩阵上特定算法和参数的性能之间的关系,以提高找到最佳参数的过程。
因此,可以收集各种参数,其取决于计算和/或检索所述参数的计算成本,可以在模拟之间变化。参数可以包括模型描述符、机器描述符、时间步长描述符、数值矩阵性质、可调求解程序参数/算法和/或求解程序性能数据。模型描述符包括模拟域(simulation domain)数目、数值公式、流体表述和物理类型(储集岩、井或地面设施)的网格单元数目。机器描述符可以包括操作系统(OS)类型和中央处理器(CPU)类型、CPU数量和速度。时间步长依赖型描述符——其可以改变每次的牛顿或时间步长迭代,可包括:模拟时间、模拟时间步长大小、模拟时间步长尝试数和/或模拟牛顿迭代数。数值矩阵性质可包括析取或计算在计算上非常便宜(不费时,inexpensive)的一些性质,以及其它计算上昂贵的性质。计算上不昂贵或不花费的性质可包括:行数、非零元素的数目、矩阵类型(例如,M-矩阵或D-矩阵)、对称性、最大对角元素、最小对角元素、最大元素、最小元素、最大绝对值、最小绝对值、行的非对角元素的最大绝对值与经过矩阵中的每一行所计算的对角元素的绝对值之比、矩阵范数、子对角元素(sub-diagonal element)的数量、超对角元素(super-diagonal element)的数量、行中非零元素的最大数量和具有该非零元素数量的行的数量、行中非零元素的最小数量和具有该非零元素数量的行的数量、矩阵带宽、结构对称元素的数量、和/或矩阵力矩(matrix moment)。计算起来计算较昂贵的其它的矩阵性质可包括:最大直径、不相交块的数量、估计的下-上分解复杂性、矩阵特征值和/或矩阵条件数。可调求解程序参数/算法可包括:预处理器算法、迭代法、变换如定比变换和再排序、平滑类型、多网格求解程序的粗化水平、填入容差(fill-in tolerance)(例如∈1、∈2)和Krylov型迭代方法的已保存搜索方向的数量。例如,参见Saad的″Iterative Methods forSparse Linear Systems,″2000,pp 144-227。求解程序性能数据可包括总迭代数目、局部/域迭代数量、和/或在预处理器(预处理程序)中所用的时间与迭代法中所用时间之比。因此,这些不同参数中的每一个——其可以被称为性能测量参数或参数组,可以被用于提高模拟过程,如下面所讨论。
转到附图,图1阐述了进行油藏模拟的方法的示例性流程图。在图1中,流程图——其可以通过参数数字100提及——描述了用于进行油藏模拟的方法。如上所述,油藏模拟是模型化在油气层、井和地面设施中流动的流体、能量和/或气体的方法。因为油藏模拟被用来模拟流动模式,以优化或提高从一些井集合和地面设施生产烃的一些策略,所以油藏模拟通常是耗时的迭代过程,其降低了关于油藏或流体流动模型的特定方面的不确定性。
流程图始于块102。在块104,模型被初始化。初始化过程可以包括为数据结构分配内存以及确定模拟程序的总工作流程。模拟本身包括以离散的方式随时间的步进(stepping)或渐进(marching)(例如时间步进(time-stepping))。时间步长是进行模拟的时间间隔。在块106,设置边界条件,以模拟物理系统,可包括一个或多个地下储层、地面设施和井。边界条件可包括压力限制(Dirichle边界条件),或流动限制(Neumann边界条件)。然后,选择数值算法和参数来模拟物理系统,如在块108中所示。可选择的数值算法可包括公式类型,其确定用于求解状态变量、线性求解程序预处理器和迭代方法的隐含水平,如何模拟岩石压缩性,等。其余的可调整的参数可以是所选算法的函数。例如,对于FILU预处理器,填入减少容差(fill in drop tolerance)是通常在0与1之间的标量。数值算法和参数可以由利用该模拟程序的用户选择。如上所讨论,多种不同的数值算法和参数可以模拟相同的物理系统,但是基于所选择的数值算法和参数,相关的运行时间性能和解的质量可改变。
然后,模拟程序可执行模拟,如在块110-112所示。为执行模拟,可以解描述流体流动的守恒方程或非线性方程,如在块110所示。方程的求解可包括构建线性和非线性方程,解该线性和非线性方程,以及更新性质和/或参数。如上所讨论,方程是一组基于数值算法的偏微分方程,其描述了状态变量(例如流体压力和组成)随时间在约束或边界条件下的变化。方程在空间上被离散化,并随时间线性化,以及时向前推进状态变量。这些方程可以被置于矩阵中并利用求解程序求解。当使用时间隐含技术(implicit-in-time technique)时,在数值网格或网上的空间离散化,稀疏矩阵方程在时间步进过程中针对每一时间步长产生。然后,在块112,可以向用户提供模拟数据或解。可以通过将模拟数据储存到文件中、显示图形输出或向用户呈递报告,提供该解。图形输出可以以图形或图表的形式提供(例如,通过图形用户界面),所述图形或图表可以被用于设计或提高从一个或多个井的生产能力。
然后,确定模拟是否被完成,如在块114所示。当达到用户规定的终止时间或者满足用户规定的标准时,结束模拟。例如,用户规定标准可包括所满足的井操作性限制条件或者模拟程序确定一些需要用户介入的标准已经达到。如果模拟未完成,则可以修改边界条件并在块106再次解方程。然而,如果完成模拟,则可以进行其他处理步骤,如在块116所示。这些其他处理步骤可包括更新地质模型,以获得某些岩石性质;精化网格化和重新定标(upscaling)以包括更新的性质,原因在于该地质模型具有比模拟更精细的定标。无论如何,过程在块118结束。
在上述过程中进行的模拟的运行时间性能——其可以包括时间和质量量度——是油藏模拟的物理参数以及所选择的求解算法的函数。物理参数包括岩石渗透性和井流动模式,其针对各单独的油田模型而有所变化。此外,求解算法通常具有几个控制求解过程的数值方面的可调参数。优化算法和参数可使得模拟在较少的时间内完成。即,参数和算法的调整可减少或最小化提供解所用的计算量。
模拟被用来在最少的计算尝试下使物理系统模拟至特定精确度。在一些模拟中,算法选择是在计算效率和模拟精确度之间进行的,同时如果我们可能仅找到正确的算法并控制参数的话,其他模拟可提供计算效率和模拟精确度二者。表现出这种折衷的模拟选择的实例包括流体表示、数值公式、井模型和数值网格。例如,在油藏模拟中的流体可以被表示为任意数目组分的混合物(例如2、3、8或20)。组分的数目越大,模拟可能变得在计算上更昂贵,而该模拟可能提供的信息更少。同样,井可以被机械表示为井筒内瞬变流动的捕获细节,或者表示为简单的无限传导点(conductive point),后者在计算上是便宜的。模拟中利用的网格可以被精化(例如计算上更昂贵)或粗化(例如计算上较不昂贵)。最后,对数值公式的选择也可以影响在时间步进过程中得到的隐含水平(level of implicitness)。如果物理变量被密切耦合,则模拟在计算是更昂贵的。例如,如果在模拟的一个部分中压力的变化与组成的变化非常紧密地关联,则这些变量被同时求解,这在计算上是昂贵的。在限制条件内,可以修改时间步长控制标准或线性和非线性求解程序方法,而不会不利地影响结果的精确性,但是对于特定的物理模型,观察哪些求解程序或时间步长控制在计算上最快并非是显而易见的。
高水平任务——其在块110执行——可包括基于系统的目前状态计算流体性质,构建数值矩阵,解该矩阵方程,迭代该求解方法等。此外,迭代解方程及在每一迭代中解线性方程(例如数值矩阵方程)的计算成本通常是较大的时间消耗。通过降低系统执行昂贵的求解程序调用的次数或者通过降低执行每次求解程序调用所用的时间,可以提高模拟。矩阵求解程序调用的减少可能是减少时间步长迭代数量、增加时间步长大小和/或减少矩阵求解程序每次被调用时其内部进行的工作的结果。例如,即使求解程序调用的数量未被减少,对求解过程中稀疏矩阵如何进行变换的选择(例如定比、分类、算法、规定容差等)可提高计算效率并降低总计算时间。
另外,油藏模拟程序和其它计算流体力学应用程序利用动态算法。即,通过改变输入数据和参数,同一软件应用可以被用于模拟许多不同的物理构造。在这种类型的应用下,每种模型的优化执行参数集可以是不同的。此外,随着模型在模拟过程中的展开,优化参数集可以改变。结果是,与一个时间步长下的单一优化相比,优化参数随时间的动态选择可以改进或提高系统性能。这种系统性能改善相比使用静态、缺省参数而言可达一个数量级。
为帮助线性矩阵求解程序——其可以用于块110中,可以利用智能求解程序助手(Intelligent Solver Assistant,ISA),其在一个实施方式中是智能性能助手(IPA)。IPA可用于优化同一模拟内一个以上封闭任务(encapsulated task)的运行时间性能。因为一些算法以比其它算法计算上更有效的方式执行任务,如上所讨论,因此很多模拟程序任务的运行时间性能是高度非线性系统的复杂表达,并且可能不能进行分析推导。
例如,对于特定的模型,优化参数可以由穷举试验确定。然而,穷举试验可能无法维持,因为计算成本可能超过任何所获得的节省。例如,可以进行穷举系列试验以确定算法和参数,该算法和参数提高具体模拟所遇到的矩阵系列的计算效率。然而,所述试验提供了比较利用多种技术和参数的计算成本的基础,这些技术和参数中的一些可能是非优化的。结果是,穷举试验的计算成本可能大大超出由利用优化参数和算法所获得的益处。
为降低试验的计算成本,所用的试验数量可以被减少。减少所需试验数量的一个方法是利用DOE(试验设计(design of experiments))方法。该实例在下面进行进一步讨论。因此,运行时间参数的调整可增强求解程序的运行。
IPA利用强化学习(reinforcement learning)和/或自适应控制的方法来调整各种运行时间参数,以提高模拟程序的运行时间性能。即,参数的动态调整可以基于性能预测模型,该模型包括从其它模拟程序联机收集的性能测量。性能预测模型可以被称为IPA或IPA系统,其可以作为IPA工厂、IPA光智能体和IPA机器人——它们将在下面予以讨论——来实现,以提高模拟的性能。
IPA可引入不同技术以向优化参数发展,所述技术利用自适应控制和强化学习。例如,比盲目的穷举搜索更有效地执行试验的技术包括试验设计(DOE)、响应面分析法(response surface methodology,RSM)和遗传搜索法(genetic search method)。DOE技术可减少当搜索优化参数集时执行的参数调整数。根据所调整的参数,基于RSM,建立和应用代理模型或响应面模型,以找到优化性能的参数集。参见Myers,R.H.and Montgomery,D.C,Response Surface Methodology:Process andProduct in Optimization Using Designed Experiments.1st.John Wiley&Sons,Inc.,pp.1-15,183-184(1995)。此外,遗传搜索技术也可以用来确定优化参数和算法。遗传搜索可以基于总体解(即数套参数和算法)内的竞争,其为在非静态的、噪声环境下进行跟踪提供益处。总体解可包括近优化的解以及优化解。因为环境的变化施加恒定选择压力,有利于对于目前环境而言是优化的解,因此总体解可跟踪变化的适宜状况,并因此,可以有效地解决探测/开采困境。利用这些方法的IPA实例在下面进行讨论。
此外,IPA可利用嵌入式试验分析法(embedded experimentationmethodology)。在嵌入式试验的情况下,目标任务的每次执行,如解数值矩阵的情况,被作为单个试验处理。当模拟随时间发展时,可以调整可调参数以找到优化参数组。如果系统随时间进展相对缓慢的话,这些方法可更有利。缓慢进展使得针对特定时间步长或牛顿迭代而言优化的参数接近邻近时间步长的优化参数组。因此,试验可能不会花太长时间,例如模拟时间的百分之几,并且先前确定的优化参数组随着模拟漂移可用于延长的时间步长。
IPA可利用预测方法。例如,对于具体计算任务,IPA可访问“百科全书”或数据库以查阅优化参数。该方法可避免模拟期间试验的计算成本。为发现此类参数,任务可以被参数化,以便于查阅操作。例如,利用线性求解程序,简单的定义可对应于参数或参数组,其唯一地描述了数值矩阵。这类描述符的持久存储器可以被称为描述符模块(descriptor cartridge),其在下面于图4A-4D中予以讨论。可以用来查阅优化求解算法和参数的是描述符参数。
不管用于识别优化算法和参数集的技术如何,测量求解技术的性能。这类数据表示特定求解算法和参数集对于在具体模拟过程中所产生的矩阵集的效率。性能测量可利用依赖算法的参数或元素(例如,牛顿迭代、求解程序迭代、时间步长大小)和独立于算法的参数或元素(例如,CPU时间、壁钟时间、每秒浮点操作次数(flops)),作为性能的量度。例如,当在相似的计算硬件上比较性能时,CPU和壁钟时间可能是优良的性能指标。然而,当比较在不同硬件上运行的模拟时,求解程序迭代的算法比较可能是更有用的。
性能数据挖掘技术可用于识别性能、算法选择与模拟程序活动之间的关系。特征,如线性系统矩阵描述符、收敛测量和模拟介质的物理性质,被用于建立预测控制模型。因为问题的复杂性,可使用基于统计熵的算法(statistical entropy-based algorithm),通过将特征压缩成为可管理的参数集,同时保存与预测控制模型相关的信息,简约预测控制模型的特征空间。此外,也可以利用压缩方法来简化特征空间,该方法基于数据聚类(data clustering)、决策树中的熵消除以及借助瓶-颈神经网络(bottle-neck neural network)的独立组成分析。
利用来自性能数据挖掘技术的性能数据,自适应控制和强化学习技术可用于确定优化参数和算法。所述技术可以利用联机收集的性能数据,以引导对优化参数的搜索以及调整算法以逐渐改进性能。自适应控制是指运行时间参数的自动调整,然而强化学习是指学习系统,如上述的神经网络。
结合起来,这些IPA技术可以被用在这样的方案中,该方案智能地、自动地选择数套参数和算法,该数套参数和算法最小化针对特定问题获得解的总计算时间。这些技术在IPA系统中的应用被进一步描述为图2和6-8中的方法以及图3-5中的示例性实施方式。
图2阐述了根据本技术进行油藏模拟的方法的示例性流程图。在图2中,示例性流程图——其可以以参考数字200指代——描述了利用自动选择一套参数和算法进行油藏模拟的过程。因此,在图2中,通过利用上面讨论的IPA技术,动态调整各种参数和算法,可以优化流动模拟程序运行时间性能。
流程图始于块202。在块204,模型以类似于图1块104的讨论的方式被初始化。在块206,呈现给用户的选择是输入算法和参数或者利用IPA系统来选择算法和参数。该选择可以通过图形用户界面(GUI)来呈现或者可以是自动的或缺省的IPA选择,以选择算法和参数。在块208,边界条件可以以类似于图1块106的方式来确定。在块210,对是否选择IPA做出决定。该决定可涉及正在模型化访问存储器位置的模拟以获得标记或指示符的模拟程序。如果选择IPA,则选择了算法和参数,如在块212所示。该选择过程——其在下面进一步讨论——可利用多种IPA技术的任一种。如果没有选择IPA,则用户可以选择算法和参数,或者可以使用内部模拟程序缺省值,如在块214所示。
无论选择机制如何,模拟程序可执行模拟,如在块216-222中所示。为执行模拟,对方程求解,如在块216所示,其可以类似于图1的块110。在块218和220,向用户提供模拟数据并对模拟是否结束进行确定,其方式类似于图1的块112和114。如果模拟没有结束,在块208中可再次修改边界条件。然而,如果模拟完成,则可以执行其它处理步骤,如在块222所示,其可类似于图1的块116。因此,该过程在块224结束。
上述过程可以在建模系统中执行,其在下面进行讨论。因此,实例IPA系统的不同元素和组成部分呈现在图3中。图3阐述了根据本技术一个实施方式的建模系统的示例性实施方式。设备302、304、306和308a-308n可以是计算机、服务器、数据库和/或这些类型的系统的组合,其也可以包括监视器、键盘、鼠标和其它与用户相互作用的界面。终端用户可以在设备308a-308n上运行模拟客户机程序GUI309a-309n。GUI 309a-309n可用于在设备302上启动模拟。模拟器312通过应用程序界面(API)311,可以与IPA光智能体310相互作用。设备302可包括IPA光智能体310和模拟器312以及具有模块332-334的存储器314-317。设备304可以是具有IPA工厂318以及带有模块336和338的存储器322和324的中央信息服务器。设备306可包括IPA机器人326。设备302、304、306和308a-308n可以是分布式异构计算网络的一部分,或者可以是单个机器,这取决于计算机资源的可用性。
因为各设备302、304、306和308a-308n可位于不同的地理位置,如不同的办公室、建筑物、城市或国家,网络330可用于提供设备302、304、306与308a-308n之间的通信路径。网络110——其可包括不同的设备(未显示),例如路由器、转换器、电桥,例如可包括一个或多个局域网、广域网、服务器域网(server area network)、城域网或这些不同类型网络的组合。本领域技术人员理解网络330通过设备302、304、306和308a-308n的连接和应用。
执行模拟过程的模拟器312和IPA光智能体310都具有到达持久存储器314、316和317的通路,这使得IPA系统的不同部分彼此共享结果,以及使得用户的GUI具有访问模拟结果的通路。当然,模拟数据及存储器314-317中的IPA相关的模块数据的存储格式可以是用于存储应用程序的任何常规类型的计算机可读存储设备,其可以包括硬盘驱动器、软盘、CD-ROM和其他光学介质、磁带等。
IPA光智能体310——其在图5中被进一步讨论,可以是被配置为担当自主决策智能体的应用程序(例如,例程指令或计算机可读指令)。因此,IPA光智能体310提供调用程序软件,如模拟器(模拟程序)312,其基于任务描述,带有关于优化参数和算法的建议。同样,IPA光智能体310收集有关先前任务执行的任务参数和性能信息的持久及联机信息,如CPU时间等。IPA光智能体310然后可以修改内部类似神经的自适应存储器,以产生对于适合正被执行或将要执行的任务的优化算法参数的预测。数据或信息可以经由函数调用或其他应用程序-应用程序机制,在模拟器312与IPA光智能体310之间进行交换。IPA光智能体310可以利用先前产生的信息,如模板模块或操作模块332和334,作为自动联机自适应控制优化和强化学习的起点。
模块333中的模拟数据可以与任务执行效率相关,并因此被包括在IPA系统中。例如,改变边界条件可影响线性求解程序性能,但是此类变化可能不易于为IPA光智能体310所知,因此可以被客户机模拟程序收集并提供给IPA光智能体310。局部模板模块334包括用于执行与手边任务相关的减少的嵌入式试验组的信息(例如,线性求解程序)。操作模块332可以存储由IPA光智能体310经过强化学习所得到的更新的评级(rating)、权重和响应面模型。这些模块可以用于模拟中,而无须用户必须提供参数或算法(即无需用户干涉)。模块332和334——它们在下面图4中进一步讨论,可以是文件或者其他数据结构,其包括用于建模系统的几方面的持久存储器。因此,模块332和334可以使用XML格式,以允许任意归纳和便携性,然而,这并非功能性要求。
IPA光智能体310可以与IPA工厂318通信,以交换关于当前模拟或先前模拟的信息,如在下面进一步讨论。IPA工厂318担当通过网络330连接的不同用户的中央知识储存库或百科全书。因此,IPA工厂318包括有助于执行各种任务的各种工具,以管理从IPA机器人提供的信息。首先,IPA工厂318管理由IPA机器人326收集的任务参数和算法性能参数的存储,这在下面进行讨论。此数据可以存储在全局模块存储器(global cartridge storage)322中的模块338中,其可类似于模块332。然后,利用此信息,IPA工厂318将模块338组织成群集结构(cluster structure)或可搜索的任务知识库。对已求解任务的群集显示(cluster view)用于识别原型及经常被请求的任务类型,以有助于开发更有效的模板模块。例如,群集显示可以显示某些模型产生具有共同性质的线性矩阵,其需要类似的求解参数组以获得优化性能。按此方式,IPA工厂318产生新的或增强的模板模块336,基于新得到的操作模块338,它们存储在更新的模板模块存储器320中。
为管理来自不同模拟的操作和模拟任务模块,IPA工厂318可以是分布式人-机系统。即,在累积信息或知识方面,IPA工厂318执行自动的和人为辅助的数据挖掘,如由IPA机器人提供的操作和模拟结果模块338。新模板模块产生的过程可包括对设计的任务可选项的预置的选择及对可变参数的合适RSM模型的选择。所述选择可以通过方法试验和/或人的专业知识执行。因此,IPA工厂318可允许手动干涉。
为收集用于一个或多个模拟器的数据,IPA机器人326可以被激活,以与IPA工厂318、更新的模块模板存储器320和全局模块存储器322相互作用。IPA机器人326可以是应用程序或例程,其在特定存储器如存储器316上四处爬行(crawl),以获得关于IPA工厂318的模块的更新信息。原理上,这类似于网络搜索引擎爬虫系统的工作方式,这是本领域技术人员公知的。IPA机器人326负责识别新的或更新的操作模块332收集的信息,该信息驻留在操作模块模板中,并将该信息提供给IPA工厂318。
图4A-4D阐述按照本技术一个实施方式,用于图3的建模系统300中的模块的示例性实施方式。因此,通过同时参看图3,可以最佳理解这些实施方式。如上所述,各种模块332-338可以包括用于图3模拟器312的各种参数和算法。模块332-338可以用于存储和提供信息,该信息可以用于增强模拟程序特别是求解程序的计算效率。这些模块可包括描述符模块402、模板模块404和操作模块408,这些中的每一个在下面予以讨论。
开始,描述符模块402可用于提供关于执行模拟的系统如模拟器312的信息。描述符模块402——其可以包括模块332的一些,可包括关于设备描述字段403a及客户应用描述字段403b中系统的信息,如目前运行的时间标记、可执行文件、构造配置;编辑程序、操作系统(OS)和模拟程序的版本;模拟器构造目标;主机系统名;OS名称;和/或中央处理器(CPU)信息。另外,描述符模块402可包括在模拟的执行过程中所收集的有关求解程序的求解程序运行时间字段,例如粗略任务描述字段403c和详细任务描述字段403d。这些求解程序运行时间字段可包括数据,如求解程序识别;块的对角块索引(blockdiagonal block index);未知量的数量;和/或矩阵性质,如再排序算法的名称、定比算法、矩阵、规范化值、外部性质和结构元素。
作为实例,描述符模块402在所有隐式压力、显式饱和度(IMPES)模型中可用于压力矩阵。出于示例性目的,该描述符模块402格式可以是XML格式。下面是设备描述的实例。
<RunTimeInformation ts=″0″day=″0.00000000e+000″is_restar=″0″>
<TimeStampCurrentRun>Oct 21 2005 17:32:57(Central Standard
Time)</TimeStmpCurrentRun>
<TimeStampExecutableFile>Oct 17 2005 21:39:47</TimeStampExecutableFile>
<TimeStampBuildConfid>Oct 17 2005 19:07:20</TimeStampBuildConfig<
<CompilrtVersion>Mierosoft(R)32-bit C/C++ Optimlzing Compiler Version
2.00.8804 for 80x86</CompilerVersion>
<SimulatorVersion>4.0</SimulatorVersion>
<SimulatorBuildTarget>xp_opt</SimulatorBuildTarget>
<Hostname>UPSXY8YV0C71</Hostname>
<OS_Name>Windows-NT</OS_Name>
<OS_Version>5.1</OS_Version>
<CPUInfo>CPU=INTEL-Unknown Speed=3192MHz
Number_Available_Processors=2</CPUInfo>
</RunTimeInformation>
此外,详细的矩阵描述的实例示于下面:
<solver rid=″0″ts=″0″tsa=nwt=″1″day=″0.00000000e+000″dt=″1.00000000v-001″>
<block diag_block_index=″0″ pt=″Reservoir″ fm=″Impes″
num_unknowns=″1″>36</empb1ock>
<block diag_block_index=″1″pt=″well″fm=″Impes″num_unknowns=″1″>1</cmpblock>
</solver>
<MatrixProp>
<Reor algoname=″RCM(0)″/>
<Scat algoname=″NormScaling(1,11,col,0)″/>
<Mtx name=″rid=0″isMMatrix=″0″isDDmatrix=″0″isSymmetric=″0″isStructSym=″1″/>
<Dimensions rows=″37″nonz″195″Lnonz=″79″Umpmz=″116″/>
<Magnitudes fmax_ii=″4.540755″fmin_ii=″4.54075″max_ij=″4.540755″min_ij=″-2.788345″
fmax_ij=″4.540755″fmin_ij=″0.001205″frmin=″1.000000″/>
<Norms LF=″19.566063″UF=″8.961253″DF=″17.386501″AF=″21.520569″Ainf=″8.100279″
AL1=″7.000000″/>
<Structure maxElems=″7″ maxElemsCount=″2″ minElems=″4″ minElemsCount=″6″
maxBand=″19″ maxLBand=″10″ maxUBand=″10″ nonsymElems=″158″ noDiag=″0″
negDiag=″0″zeroDiag=″0″smallDiag=″0″zeroOffd=″0″posOffd=″0″/>
<ExtProps MM1=″0.451970″ MM2=″0.743590″ MM1=″1.000000″ M1=″0.559449″
M2=″0.819747″ MI=″1.000000″ D1=″0.117907″ D2=″0.068530″ DI=″0.000000″
Jmin=″6.346807″Jmax=″212.392718″/>
</MatrixProp>.
因此,在该实例中,描述符模块402可用在建模系统300内,以便基于从该模拟提供的知识来增强其它模拟。
模板模块404包括用于探测及解决特定任务的不同的算法和参数。每次求解矩阵方程时,使用完整的求解算法和参数集。其是IPA协助确定以增强模拟过程的这些算法和参数的最佳集合。在模拟之前可以构建由IPA工厂利用DOE/RSM技术产生的预置,如在实例模板模块404中所见。可选地,预置可以利用遗传算法的方法被动态构建,在该方法中,子任务中的每一个如预处理器、变换器或迭代方法被考虑为基因的一个元素。对于求解程序任务模板模块404而言,模板模块可包括预置标识符(ID)字段414a-414n、预处理器算法和参数字段415a-415n、变换算法和参数字段416a-416n、迭代方法算法和参数字段417a-417n及RSM组字段418a-418n。数n对应于模板模块404中可用的预置数量,其可以由DOE/RSM情况下的IPA工厂318确定,或者可以在利用遗传算法的方法的模拟开始时是不确定因素。
出于示例目的,实例模板模块404格式可以是XML。因此,字段414a-418n中的每一个被阐述如下:
<presets num=″70″
p_0=″-precond=(filu 0.0011)-transform=() -iter=(BiCGStab 1000 le-6)″
p_1=″-precond=(filu 0.0011)-transform=(nscale row) -iter=(BiCGStab 1000 le-6)″
p_1=″-precond=(filu 0.0011)-transform=(nscale col) -iter=(BiCGStab 1000 le-6)″
…
p-21=″-precond=(filu 0.000011)-transform=() -iter=(BiCGStab 1000 le-6)″
p_22=″-precond=(filu 0.000011)-transform=(nscale row)-iter=(BiCGStab 1000 le-6)″
p_23=″-precond=(filu 0.000011)-transform=(nscale col)-iter=(BiCGStab 1000 le-6)″
…
p_44=″-precond=(ilu 0)-transform=() -iter=(gmres 1000 50 le-6)″
p_44=″-precond=(ilu 0)-transform=(nscale row) -iter=(gmres 1000 501 le-6)″
p_46=″-precond=(ilu 0)-transform=(nscale col) -iter=(gmres 1000 50 le-6)″
…
p_66=″-precond=(worm trans)-transform=() -iter=(gmres 1000 50 le-6)″
p_67=″-precond=(worm coef) -transform=() -iter=(gmres 1000 50 le-6)″
p_68=″-precond=(worm trans) -transform=(acc) -iter=(gmres 1000 50 le-6)″
p_69=″-precond=(worm cofe)-transform=(acc) -iter=(gmres 1000 50 le-6)″
/>
<rsmgroups>
0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21
0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21
22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43
44 45 46 47
</rsmgroups>
<rsmpoints vars=″1″points=″3″point_0_0=″4″point_1_0=″-5″point_2_0=″-2″>
0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1
2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2
3 3 3 3
</rsmpoints>
如上所讨论,遗传算法技术可用于动态产生IPA光智能体310内的预置。因此,模板模块404可以被重组并简化。在这种情况下,具有一个以上的可能算法或参数集的每个子任务是基因的一部分。出于示例性目的,该模板模块的格式可以是XML格式:
<presets num=″38″
gene_num=″4″
gene_start=″0 12 15 35 38″
<1-scalings->
p_0=″″
p_1=″-nscale row″
p_2=″-nscale col″
<!--reorderings-->
p_12=″″
p_13=″-rem 0″
p_14=″-cbr rem 0″
<!--preconditioners-->
p_15=″-filu le-21″
p_16=″-filu le-31″
<!-iterative methods-->
p_35=″BiCGStab 1000 le-6″
p_36=″gmres 1000 50 le-6″
p_37=″cg 1000 le-6″
/>
操作模块408可以包括有关在模拟中所用的不同算法和参数的性能信息。具体而言,其可包括子任务的单独测量,所述子任务如预处理器性能测量字段425a-425n、变换性能测量字段426a-426n和/或迭代方法性能测量字段427a-427n。此外,完整预置的成功结果被捕获。借助该性能信息,可以评价算法和参数,以确定与提供解有关的计算时间。
所收集的详细的性能数据的具体实例显示在操作模块409中,其可以包括平均或累积的数据。再次,出于示例性目的,以XML格式为其格式:
<SolutionInfo problem=″matrix properties_0″>
<!--costof re-ordering-->
<Reor name=″rem″algoname=″RCM″>
<Par name=″RootNode″val=0″/>
<Par name=″Reverse″val=″0″/>
<Time wall=″0.000053″cpu=″0.000000″user=″0.000000″sys=″0.000000″/>
<Flops val=″0.000000″/>
</Reor>
<!--cost of scaling-->
<Scal name=″nscale″algoname=″NormScaling″>
<Par name=″NormValue″val=″1.000000″/>
<Par name=″NormType″val=″1″/>
<Par name=″ScalType″val=″1″/>
<Par name=″ItersNum″val=″0″/>
<Time wall=″0.00024″cpu=″0.00022″user=″0.00020″sys=″0.00002″/>
<Flops val=″538.000000″/>
</Scal>
<!--cost of preconditioner-->
<Prec name=″filu″algoname=″FILU″>
<Par name=″DropTol″val=″0.001000″/>
<Par name=″DropTolFac″val=″1.000000″/>
<Par name=″FillThreshold″val=″-1″/>
<Par nane=″Options″val=″0″/>
<Par name=″StripTol″val=″0.000000″/>
<Par name=″RelCoeff″val=″0.000000″/>
<Par name=″NormType″val=″4″/>
<Merit name=″Dropped″val=″135″/>
<Merit name=″DiagUpdates″val=″0″/>
<Merit name=″Ext″val=″1.082051″/>
<Time wall=″0.00089″cpu=″0.00081″user=″0.00080″sys=″0.00001″/>
<Flops val=″1301.000000″/>
</Prec>
<!--cost of iterative method-->
<IterativeMethod name=″bicgstab″algoname=″BiCGStab″>
<Par name=″PrecType″val=″46″/>
<Par name=″StopTol″val=″0.000100″/>
<Par name=″MaxIters″val=″1001″/>
<Par name=″StopCrit″val=″51″/>
<Par name=″ShadowRes″val=″0.000000″/>
<Merit name=″ItersNum″val=″2″/>
<Merit name=″StopTol″val=″1.606973″/>
<Merit name=″LastTol″val=″0.049290″/>
<Time wall=″0.00030″cpu=″0.00027″user=″0.00025″sys=″0.00002″/>
<Flops val=″2978.000000″/>
</IterativeMethod>
</SolutionInfo>
因此,在该实例中,操作模块408被用在建模系统300内,以测量性能及发展参数和算法。
图5阐述了按照本技术一个实施方式的图3IPA光智能体的一个示例性实施方式。IPA光智能体310可以包括各种子系统,如传感器子系统502、操作子系统504及存储器子系统506。这些子系统502、504和506可以相互作用,以基于任务描述提供关于任务优化参数的建议。因此,这些子系统502、504和506可用于借助IPA技术动态调整各种运行时间参数和算法。
传感器子系统502包括两个通信通道,如输入通道508和输出通道510,它们利用函数调用或其它应用程序-应用程序机制。输入通道508接收外部信息,如持久任务信息(例如IMPES模型的线性求解程序)、可变的任务信息(例如描述符参数)以及在特定参数集下关于在先任务执行的性能信息。调用程序应用程序通过输入通道508发布命令和查询以及通过输出通道510接收建议。例如,模拟器312可经由API311向IPA光智能体310请求推荐的求解程序参数。IPA光智能体310可向IPA工厂318请求适于当前感兴趣的求解程序类型的最新模板模块。
操作子系统504可包括三种主要模式或活动:由探索机制512提供的探索模式(exploration mode)、由自适应机制514提供的自适应模式以及由控制或开发机制516提供的开发模式(exploitation mode)。在探索模式中,IPA光智能体310试验或探测甚至更为优化的任务参数的新候选参数。在自适应模式中,其也被称为“学习”模式,IPA光智能体310与中间级别的存储器520和最低级别存储器522——其在下面进行讨论,通过在最新性能测量基础上,训练预置的权重以及各预置的响应面模型的参数进行相互作用。在探索模式过程中,IPA光智能体310使模拟器能够利用先前发现的优化参数,同时计算回复至探索模式的概率。因此,模拟的改变,例如由于物理模型的发展引起的性能退化,可触发这类事件。应当注意到,借助遗传算法方法,IPA光智能体310处于几乎连续的探索和自适应模式状态。然而,一旦可接收的参数集以“基因”的形式获得,进展可能是缓慢的并且类似于RSM开发模式。
存储器子系统506可基于已求解任务的具体在先经历有关的自适应存储器用于管理预测。该预测可以通过组织到自适应神经元存储器(adaptive neural memory)的3级层次中的信息表示,该存储器在下面讨论。这些自适应存储器518、520和522可以包括持久和瞬变组成部分。因此,存储器子系统506还可以包括使临时和持久存储器同步以及执行初始化及重起的同步或持久机制524,其可以是软件程序。持久存储器,例如操作模块存储器316和/或局部模板模块存储器317,可用于存储。该持久存储器可包括模块形式的自适应神经元存储器的当前图像以及用于经常使用的任务的预安装模板模块组。
上级或一级自适应存储器518是指选自由IPA工厂318制备并维护的特定模板模块组的模板模块。对适当的模板模块518的选择基于任务(例如,对应于解矩阵方程、推进时间步长、分区以便平行执行的模板模块)。该模块定义了针对特定任务选择适当解法所需的详细参数。一般而言,IPA光智能体310通过向被解决的当前任务有关的模板模块发送请求而担当IPA工厂318的客户。在模拟运行开始时,IPA模板模块可以被选择一次。然而,如果在模拟运行过程中任务性质显著改变,则选择新的IPA模块模板可能是有用的。
中间级别或二级自适应存储器520调节IPA光智能体310的探索行为。在该存储器520中,受控系统(例如求解器)的各具体可调参数集以待执行任务(即“预置”)的参数化的完整算法和参数集来表示。可能的参数组合的子集利用试验设计(DoE)方法预生成,并且通常被存储在IPA模板模块中。起初,预生成可以利用例如Latin HypercubeSampling(LHS)方法且排除明显的不良变形来执行。因此,不同的模板模块可以包括不同的预生成设计。
各预置与相对的自适应权重有关,其可以对应于在探索逻辑块512中的连续探索步骤上对其尝试的概率。这些自适应权重(adaptiveweight)可基于单个IPA光智能体的知识来调整。例如,“不熟练的”IPA光智能体(即没有从先前模拟中学到的经验的IPA光智能体)可以针对各预置指定相等的权重,然后开始探测以估计不同预置的相对性能(即,评价预置)。如果IPA光智能体确定一些预置在任务性能上比其它预置提供了益处,则其增加该预置的权重。以其最简单的方式,IPA光智能体利用使非生产性预置(例如,不能完成它们的任务或者在性能上表现出退化的预置)置于不利地位并且增加生产性预置的权重的权重算法。可选地,“有经验的”IPA光智能体可以将各个预置权重存储在长期存储器中,如操作模块存储器316和/或局部模板模块存储器317。这些权重不仅在当前模拟过程中可能有用,而且可用于在类似任务上的随后模拟运行。“有经验的”IPA光智能体在其开发逻辑块516中可使用具有较大权重/评级/选择概率的预置。
因此,各种方法可用在第二自适应存储器520中以调整预置。例如,一种方法可使用已知的预置并仅当该已知预置不能完成任务或者在某一性能水平之下执行时,评价具有较小的权重/评级的其它预置。例如,借助数值求解程序,选择的算法和参数集在时间期间内可能不能收敛至解。另一方法可以在某一概率∈下执行探测步骤,即使已知的预置在可接受的性能下操作也是如此,如10小时的模拟(例如,过夜或更快)。该方法可防止局限于局部优化的参数集,而非全局优化的参数集。可选地,遗传搜索方法可使预置能够逐渐改进初始总体预置的质量/适宜性,并且自动地跟踪优化系统中的缓慢变化。作为最后的例子,可利用变化方法。借助该方法,如果大的变化发生在该模拟模型中,模拟代码可提供给IPA光智能体关于激活探索逻辑块512的指示(即,当增加概率∈时,重新启动遗传搜索等)。
最后,最低级或第三级的自适应存储器522对应于描述各预置的可变参数的详细行为的逻辑块。因为特定任务的数值性能,如数值求解程序,可取决于一个或多个可调参数,因此第三自适应存储器522通过建立RSM模型可调节实值参数。例如,有值参数可以是求解程序预处理器∈1..∈k的矩阵填入方案的内部容差。如果除∈1..∈k之外的求解程序参数被固定,则(其)相关性可以通过下面的方程式,利用响应面近似进行模拟:
t定标/t=F(∈1...∈k|预置=n)
其中“t”是执行任务的成本或时间的量度。优化参数集∈1..∈k对应于函数F最大值。或者,更通常来说,优化参数集可对应于性能t定标/t的退化在某一阈值之上的区域的几何中心。该阈值可达约10%,或约20%。当获得新的t和t定标数据时,预期的归一化RSM模型可以在模板模块中被预计算并修改。RSM近似的当前候选模型是径向基(神经网络)函数(RBF)或Connectionist Normalized Local Spline神经网络(CNLS)。该两种模型都提供快速的新信息联机学习,而不存在先前函数近似的显著退化。
因此,上级自适应存储器518暗指利用任务描述,选择一些初始预置权重,其可以被存储在长期存储器IPA模板模块中。在中级自适应存储器520中,IPA光智能体针对特定的预置执行一些任务性能探测以及调节预置权重/评级。然后,在最低级自适应存储器522中,IPA光智能体通过建立RSM模型调节实值参数。
图6阐述按照本技术一个实施方式,应用图3的IPA光智能体的一个示例性流程图。在图6中,可以以参考数字600指代的示例性流程图描述了图3的IPA光智能体310的寿命周期。因此,图6可以同时参阅图3和4A-4D而被最佳理解。
流程图始于块602。在块604,模拟器312的用户选择利用IPA光智能体310。该选择可以是模拟器312内的缺省设置或者可以是通过图形用户界面呈现给用户的选择。一经选择,模拟建立IPA光智能体310的实例,如在块606所示。当IPA光智能体310实例被建立时,唯一的标识(ID)与其关联。该ID可包括由客户命名的数和字符的任何组合,该客户可以是模拟器312、API 311和/或模拟器312的用户。该ID用于调用中以区分几种不同的IPA光智能体实例。在块608,客户如模拟器312或API 311通知IPA光智能体实例关于持久任务描述和参数,以及关于操作模式和状态变量的选择(例如,定义系统的变量,如压力和流体组成)。模拟器312可以提供包括系统和模型信息的描述符模块。取决于IPA工厂318或IPA光智能体310内部逻辑的请求,模板模块如图4的模块402或404通过IPA光智能体310来选择,如在块610所示。模板模块可包括通过利用模板模块之一建立的模块或者先前已经被装载的现有模块。模块可包括在可存取存储器如磁盘、存储器等中局部存储或者在设备外部的模块。为获得模块,IPA光智能体310可请求IPA工厂318为任务提供模块。在该请求下,根据更新的模板模块336或全局模块338组,IPA工厂318可为类似任务自动搜索和提供模板模块(即,对于具有类似性质的任务或IMPES公式矩阵的线性求解程序的任务而言,如上所述)。
在块612中,模拟开始利用选择的模块执行。在DOE/RSM框架中,IPA光智能体在探索模式、自适应模式与开发模式之间以不连续的方式转换。在这种情况下,IPA光智能体可初始设置探索概率∈为1以及重新设置探索性步骤的计数。可选地,如果模拟是利用现有模块的先前运行的继续,则该探索概率∈可以被设置为一些小的值,例如约0.05或更低,或者该概率可以来自先前产生的结果。在遗传算法框架中,系统可以基于所遇到的性能测量进行探索/发展。在块614,客户从IPA光智能体实例获得参数。为获得参数,客户提供关于待求解的任务的信息例如问题的类型和难度水平,并从IPA光智能体实例请求参数。IPA光智能体实例可以通过取决于探索概率∈的当前值而采用探索步骤或开发步骤,返回预置之一(即,在模板模块404或406的各个字段中定义的算法和参数)。此外,IPA光智能体实例可以基于客户提供的信息以及先前得到的任务性质与优化可调参数集之间的关系,采用预测策略。
然后,客户可以执行任务(例如求解线性系统)和收集性能信息,如在块616所示。应当注意,此时,模拟可收集另外的信息,以帮助训练其他形式的IPA工厂318。信息可以存储在具有标准模块存储格式(例如XML)的操作模块中的持久存储器中,如上所讨论。当模拟执行各种迭代时,此种任务执行可包括在模拟器312与IPA光智能体310之间交换算法和参数。在块618,客户向IPA光智能体实例报告任务性能,其中可调参数被用于执行任务。另外,一些关于该任务的额外信息例如外部质量从例如先前的任务执行以及一些任务状态变量发生变化——如果该状态变量在该时间步长或迭代上被改变的话。借助性能数据,IPA光智能体实例收集所报告的信息并更新神经元存储器,如模块,如在块620所示。神经元存储器可以包括预置权重和低级RSM模型,如上所讨论。利用所得到的新任务性能数据集所修改的正是这些权重。同样,探索步骤的计数随同探索性概率∈被更新。在IPA光智能体310中所用的控制算法可以通过比较预测的任务性能与从实验测量的任务性能来改变探索性概率∈的值。如上所述,该比较可以包括其他外部因素,例如,如由模拟器312提供的关于迭代或时钟时间的指示。
在块622,IPA光智能体实例可以使操作模块的当前联机版本同步。该操作可以通过手动干涉执行,例如通过与用户相互作用,或者可以基于预定的更新,以避免如果系统崩溃时信息的损失。在块624,客户可以确定模拟是否完成。如果没有完成,则用户在块614中可请求所选任务下一组数据的参数。然而,如果模拟完成,客户可在块626执行一些模拟清理并在块628中删除IPA光智能体实例。因此,过程在块630结束。
图7阐述了根据本技术的一个实施方式,图3的建模系统300的数据采集过程的示例性流程图。在图7中,可以参考数字700指代的示例性流程图描述了利用图3的IPA光智能体310、IPA机器人326和IPA工厂318的数据采集过程。因此,图7可通过同时观看图1和3而被最好地理解。数据采集过程可在模拟运行过程中收集数据。所收集的数据可以与来自其它用户工具的其他模拟数据结合,以提高建模系统的稳健性。同样,所收集的信息可以用于增强IPA工厂318的神经网络培训。另外,假定参与数据采集过程的模拟可以分散在许多不同的计算域中。作为结果,多种不同的域可在可用于增强模拟的应用程序中提供更多的多样性。
流程图始于块702。在块704,IPA机器人被激活。典型地,这可以通过IPA系统的管理者手动或通过一些预定的自动化过程来执行。此时,待报告的任务被指定,如在块706所示。例如,在参与IPA系统的各模拟模型中,IPA机器人可负责(charge with)收集所有线性求解程序任务的新操作模块。注意,该选项通过设置合适的标志或指示提供终端用户选择退出(opt-out)或参与特定模拟模型的IPA数据采集系统的能力。这使得能够保持与某些油藏或油田有关的数据的合同契约的机密性。应当注意,终端用户模拟可以利用依赖源自网络安全策略的证书和许可的计算机系统和网络,以允许在IPA机器人与IPA工厂318之间通信。此外,通过模拟器写入的文件或模块是管理帐号可进出的,该管理帐号还管理IPA机器人326的运作。
为收集更新的任务和性能数据,IPA机器人326可存取更新的模块,如在块708所示。作为实例,IPA机器人326可在已知的/已允许的目录上爬行,以发现更新的操作模块。可选地,当操作模块被更新时,IPA机器人326可接收来自模拟器312或IPA光智能体310的通知。无论如何,相关数据被传递至包括IPA工厂318的第二设备304,如在块710所示。IPA机器人326可连续操作,类似于网络爬虫(webcrawler),其是本领域技术人已知的,或者IPA机器人326可在由IPA系统管理者确定的定期间隔进行操作。然后,IPA机器人可确定是否在块712结束。这可涉及利用内部逻辑或被指令在IPA机器人已经收集更新的模块信息之后的特定时间期间结束其工作。如果IPA机器人326未被结束,则模拟器312可在块706选择其它待报告的任务。然而,如果IPA机器人的应用结束,则管理者或自动化过程可在块714删除IPA机器人示例。因此,过程在块716结束。
图8阐述根据本技术一个实施方式,应用图3的IPA工厂的一个示例性流程图。在图8中,可通过参考数字800指代的示例性流程图描述了模拟下图3的IPA工厂318的应用。因此,通过同时观看图3可最好地理解图8。
此外,应当注意,IPA工厂318中的每个任务可由四种不同的数据类型表示。第一数据类型包括关于任务的信息,其可以包括模型描述符(例如,域的数量、流体表示等)和机器描述符(例如,CPU类型和速度)。第二数据类型可包括时间步长描述符(即,时间步长大小等)和在模拟时间步长中求解的矩阵的数值矩阵性质。第三数据类型可包括在模拟过程中由IPA光智能体310协助并且与第一和第二数据类型同步联机收集的原始运行时间数据(例如,CPU时间量度、浮点运算的数量、求解程序迭代的数量、求解程序返回码等)。最后,第四数据类型可包括参数形式的相关预置评级、权重和/或选择概率。这些概率可以直接从模块获得或者可以基于第三数据类型的原始联机统计由IPA工厂再计算。
流程图开始于块802。在块804,从IPA机器人如IPA机器人326接收数据。该数据可包括从IPA光智能体收集的操作模块。数据由IPA工厂318收集并存储在模块338中的全局模块存储器322中,如在块806所示。然后,IPA工厂318包括浏览并可视化所收集数据的工具,如在块808所示。具体而言,数据的统计和图形表示用于与IPA工厂318的人部分相互作用,以减少数据以及在一些模式中指导数据挖掘过程。
一旦数据已经被浏览,不同任务之间的各种关系可以被发现并可视化,如在块810所示。例如,可以利用描述参数之间的关联或描述参数、求解程序参数与性能之间的联系。这可以通过应用标准化聚类技术如K均值聚类算法(K-means)、自组织映射(self organizingmap)(SOM)等实现。在块812,任务性质可以与任务评级/选择概率相关联。例如,第一与第二数据类型的任务性质与第四数据类型的任务预置评级/选择概率之间的关联可以被可视化。这例如可以包括将矩阵标量性质与可调求解程序参数预置比较。然后,对于选择的任务,执行第二数据类型运行时间统计学的脱机事后分析(off-line post factumanalysis),以及建立并可视化近似模型,如响应面。例如,考虑与求解程序预置相比的平均求解程序性能响应(例如CPU时间)。在块814,可以进行任务的统计学分析。这可以包括针对具体任务的第二数据类型的运行时间统计学脱机事后分析。该分析可以发现为该任务提供稳健的近优化求解程序性能的求解程序预置。然后,可以检查该优化求解程序预置,并与通过IPA光发现的解进行比较,如在块816所示。
借助所确定的优化求解程序预置,IPA工厂318可以确定数据处理是否完成,如在块818所示。如果数据处理没有完成,则IPA工厂可继续从同一或其它IPA机器人接受数据。然而,如果数据处理完成,则过程可在块820结束。
作为可选的实施方式,应当注意,模拟器312、IPA光智能体310、IPA工厂318和IPA机器人326可位于与随同各自的存储器或存储设备314、316、317、322和324的应用程序相同的设备的存储器中。模拟器312、IPA光智能体310、IPA工厂318和IPA机器人326可以作为数据库、程序、例程、软件包或现有程序中另外的计算机可读软件指令来执行,其可以以计算机编程语言写入,如C++、Java、Matlabscripts等。此外,存储设备314、316、317、322和324可以具有用于存储应用程序的任何常规类型的计算机可读存储设备,其可以包括硬盘驱动器、软盘、CD-ROMs和其他光学介质、磁带等。
尽管本实施方式已经就油藏模拟进行了描述,但应当注意,油藏模拟中的计算流体力学问题类别与其他应用共享很多算法和数值技术。例如,本技术可用于环境应用中,如地下水建模。另外,本技术可用于航天应用,如流过机翼的空气。同样,应当意识到,本技术可用于进一步增强其他建模应用。
尽管本发明的本技术可以进行各种修改和可选的形式,上面所讨论的示例性实施方式仅仅作为实例而被显示。然而,再次应当理解,本发明不意图限于在本文所公开的具体实施方式。真正地,本发明的本技术包括落在由所附权利要求所定义的本发明真正精神和范围内的所有可选物、修改和等价物。
Claims (66)
1.计算机执行的模拟方法,包括:
初始化流体流动模型的计算机流体力学模拟;
从智能性能助手获取一套参数和算法,以优化所述计算机流体力学模拟的运行时间性能,其中所述一套参数和算法包括模型描述符、机器描述符、时间步长描述符、数值矩阵性质、可调求解程序参数/算法和求解程序性能数据的至少一种;
利用该套参数和算法,解至少一个数值矩阵中代表所述流体流动模型的方程,其中所述方程是描述了状态变量变化的一组偏微分方程;以及
基于被解方程提供解。
2.权利要求1所述的方法,其中所述智能性能助手在无用户介入的情况下获得所述一套参数和算法。
3.权利要求1所述的方法,其中所述运行时间性能包括与具体时间步长下所述至少一个数值矩阵的线性解有关的计算时间。
4.权利要求1所述的方法,其中所述运行时间性能包括与整个计算机流体力学模拟有关的计算时间。
5.权利要求1所述的方法,其中所述运行时间性能包括所述解的质量的量度。
6.权利要求1所述的方法,其中所述计算机流体力学模拟对经由多孔介质从地下储层经过一个或多个井到达地面设施的流体流动进行模拟。
7.权利要求1所述的方法,进一步包括与所述智能性能助手相互作用,以提供给所述计算机流体力学模拟不同的一套参数和算法,所述不同的一套参数和算法增强所述计算机流体力学模拟的所述运行时间性能。
8.权利要求1所述的方法,进一步包括当所述一套参数和算法的运行时间性能在规定阈值之下时,用替代的一套参数和算法自动调整所述一套参数和算法。
9.权利要求1所述的方法,进一步包括在图形用户界面上显示所述解。
10.权利要求1所述的方法,其中所述智能性能助手包括智能性能助手光智能体,其被配置为:
接受关于任务的信息;以及
基于关于所述任务的所述信息提供所述一套参数和算法。
11.权利要求10所述的方法,其中关于所述任务的所述信息包括模型描述符、机器描述符、模拟描述符、在所述计算机流体力学模拟的时间步长中求解的所述至少一个矩阵的数值矩阵性质的一种以及它们的任意组合。
12.权利要求10所述的方法,其中关于所述任务的所述信息包括在所述计算机流体力学模拟期间所收集的原始运行时间性能数据。
13.权利要求10所述的方法,其中关于所述任务的所述信息包括求解程序预处理程序、变换方法、容差的一种及其任意组合。
14.权利要求10所述的方法,其中关于所述任务的所述信息包括相关预置评级、权重、选择概率的一种及其任意组合。
15.权利要求10所述的方法,其中所述智能性能助手包括智能性能助手工厂,其被配置为:
利用来自先前模拟的性能测量,建立具有所述一套参数和算法的模板模块;以及
向所述智能性能助手提供所述模板模块。
16.权利要求1所述的方法,其中所述智能性能助手包括持久存储机制,其具有多套参数和算法的运行时间性能数据,其中所述运行时间性能数据包括对各套参数和算法的加权分析。
17.权利要求1所述的方法,进一步包括与所述智能性能助手对接,以报告在所述一套参数和算法上的运行时间性能数据,以及接收对其他套参数和算法的建议以在解所述方程中应用。
18.权利要求1所述的方法,进一步包括与所述智能性能助手相互作用,以便从先前的模拟中获得运行时间性能测量以建立具有所述一套参数和算法的模板模块;以及向所述智能性能助手提供所述模板模块。
19.权利要求1所述的方法,其中所述智能性能助手包括从所述计算机流体力学模拟收集运行时间性能数据的机制。
20.权利要求1所述的方法,其中所述智能性能助手包括智能性能助手光智能体,所述智能性能助手光智能体在解所述方程时提供给操作模块关于所述一套参数和算法的所述性能。
21.权利要求20所述的方法,其中所述智能性能助手包括:
智能性能助手机器人和智能性能助手工厂,其中所述智能性能助手机器人被配置为:
从所述智能性能助手光智能体获得操作模块;和
向所述智能性能助手工厂提供所述操作模块;以及
所述智能性能助手工厂被配置为:
排序所述一套参数和算法与其他套参数和算法;和
建立所述智能性能助手光智能体存取的更新的模板模块。
22.权利要求1所述的方法,包括基于所显示的解生产烃。
23.模拟流体流动的系统,其包括:
初始化流体流动模型的计算机流体力学模拟的工具;
利用智能性能助手例程选择一套参数和算法,以优化所述计算机流体力学模拟的运行时间性能的工具,其中所述一套参数和算法包括模型描述符、机器描述符、时间步长描述符、数值矩阵性质、可调求解程序参数/算法和求解程序性能数据的至少一种;
利用所述一套参数和算法解至少一个数值矩阵中代表所述流体流动模型的方程的工具,其中所述方程是描述了状态变量变化的一组偏微分方程;以及
基于所述被解方程提供解的工具。
24.权利要求23所述的系统,其中所述智能性能助手例程在没有用户介入的情况下选择所述一套参数和算法。
25.权利要求23所述的系统,其中所述计算机流体力学模拟对从地下储层经过一个或多个井到达地面设施的流体流动进行模拟。
26.权利要求23所述的系统,其进一步包括当所述一套参数和算法被测定为在性能阈值之下时,用替代的一套参数和算法自动调整所述一套参数和算法的工具。
27.权利要求23所述的系统,进一步包括在图形用户界面上显示所述解的工具。
28.权利要求23所述的系统,其中所述智能性能助手例程包括智能性能助手光智能体,该智能性能助手光智能体被配置为:
接受关于任务的信息;以及
基于关于所述任务的所述信息提供所述一套参数和算法。
29.权利要求28所述的系统,包括:
知识计算机系统,其经由网络连接至所述模拟计算机系统,其中所述知识计算机系统包括:
处理器;和
存储器,其连接至所述处理器并具有通过所述处理器可执行的智能性能助手工厂例程,并且被配置为:
与经由所述网络连接至所述模拟计算机系统的另一计算机相互作用,以及包括如下配置的智能性能助手工厂例程:
利用来自先前模拟的性能测量,建立具有所述一套参数和算法的模板模块;以及
向所述智能性能助手光智能体提供所述模板模块。
30.权利要求23所述的系统,其中所述智能性能助手例程被配置为提供给操作模块关于用于解所述方程的所述一套参数和算法的性能。
31.权利要求30所述的系统,包括:
机器人计算机系统,其经由所述网络被连接至所述模拟计算机系统和所述知识计算机系统,其中所述机器人计算机系统包括:
处理器:和
存储器,其连接至所述处理器并具有通过所述处理器可执行的智能性能助手机器人例程,并且被配置为:
从所述智能性能助手光智能体获得操作模块;和
向所述智能性能助手工厂例程提供所述操作模块;以及
其中所述智能性能助手工厂例程被进一步配置为:
排序所述一套参数和算法与其他套参数和算法;和
建立可由所述智能性能助手光智能体存取的更新的模板模块。
32.权利要求23所述的系统,其中基于所提供的解生产烃。
33.模拟方法,包括:
初始化软件程序以模拟物理系统的性能;
借助智能性能助手,为所述软件程序选择一套参数和算法,以提高所述物理系统的所述模拟的运行时间性能,其中所述一套参数和算法包括模型描述符、机器描述符、时间步长描述符、数值矩阵性质、可调求解程序参数/算法和求解程序性能数据的至少一种;
利用所述一套参数和算法在所述软件程序中解方程,其中所述方程是描述了状态变量变化的一组偏微分方程;
存储所述方程的解;以及
基于所存储的解生产烃。
34.权利要求33所述的方法,其中所述智能性能助手在没有用户介入的情况下选择所述一套参数和算法。
35.权利要求33所述的方法,其中所述软件程序模拟从地下储层经过一个或多个井到达地面设施的流体流动。
36.权利要求33所述的方法,进一步包括当所述一套参数和算法在性能阈值之下时,用替代的一套参数和算法自动调整所述一套参数和算法。
37.权利要求33所述的方法,其中所述智能性能助手包括智能性能助手光智能体,该智能性能助手光智能体被配置为:
接受关于任务的信息;以及
基于关于所述任务的所述信息提供所述一套参数和算法。
38.权利要求37所述的方法,其中所述智能性能助手包括智能性能助手工厂,所述智能性能助手工厂被配置为:
从先前的模拟中获得性能测量以建立具有所述一套参数和算法的模板模块;以及
向所述智能性能助手光智能体提供所述模板模块。
39.权利要求33所述的方法,其中所述智能性能助手包括智能性能助手光智能体,所述智能性能助手光智能体在解所述方程时提供给操作模块关于所述一套参数和算法的所述性能。
40.权利要求39所述的方法,其中所述智能性能助手包括:
智能性能助手机器人和智能性能助手工厂,其中所述智能性能助手机器人被配置为:
从所述智能性能助手光智能体获得操作模块;和
向所述智能性能助手工厂提供所述操作模块;以及
所述智能性能助手工厂被配置为:
排序所述一套参数和算法与其他套参数和算法;和
建立所述智能性能助手光智能体存取的更新的模板模块。
41.模拟流体流动的方法,包括:
在模拟器中初始化模型;
提供一套参数和算法,以优化模拟中矩阵求解程序法的运行时间性能,其中所述一套参数和算法包括模型描述符、机器描述符、时间步长描述符、数值矩阵性质、可调求解程序参数/算法和求解程序性能数据的至少一种;
其中所述一套参数和算法基于描述数值矩阵方程的参数与所述一套参数和算法的性能之间的关系,与用来解所述数值矩阵方程的多套算法和参数比较,进行选择,其中所述数值矩阵方程包括描述状态变量变化的一组偏微分方程;
在所述模型中模拟经过多个时间步长的流体流动,其中所述多个时间步长中的至少一个利用所述一套参数和算法,产生待求解的所述数值矩阵方程;
提供所述模拟的解。
42.权利要求41所述的方法,其中所述智能性能助手在没有用户介入的情况下获得所述一套参数和算法。
43.权利要求41所述的方法,其中所述模拟对经由多孔介质从地下储层经过一个或多个井到达地面设施的流体流动进行模拟。
44.权利要求41所述的方法,进一步包括与所述智能性能助手相互作用,以提供给所述计算机流体力学模拟不同的一套参数和算法,所述不同的一套参数和算法增强所述计算机流体力学模拟的所述运行时间性能。
45.权利要求41所述的方法,进一步包括当所述一套参数和算法的运行时间性能在规定阈值之下时,用替代的一套参数和算法自动调整所述一套参数和算法。
46.权利要求41所述的方法,进一步包括在图形用户界面上显示所述解。
47.权利要求41所述的方法,其中所述智能性能助手包括智能性能助手光智能体,其被配置为:
接受关于任务的信息;以及
基于关于所述任务的所述信息提供所述一套参数和算法。
48.权利要求47所述的方法,其中关于所述任务的所述信息包括模型描述符、机器描述符、模拟描述符、在所述计算机流体力学模拟的时间步长中求解的至少一个数值矩阵的数值矩阵性质的一种以及它们的任意组合。
49.权利要求47所述的方法,其中关于所述任务的所述信息包括在所述计算机流体力学模拟期间所收集的原始运行时间性能数据。
50.权利要求47所述的方法,其中关于所述任务的所述信息包括求解程序预处理程序、变换方法、容差的一种及其任意组合。
51.权利要求47所述的方法,其中关于所述任务的所述信息包括相关预置评级、权重、选择概率的一种及其任意组合。
52.权利要求47所述的方法,其中所述智能性能助手包括智能性能助手工厂,其为预编程软件模块,被配置为:
利用来自先前模拟的性能测量,建立具有所述一套参数和算法的模板模块;以及
向所述智能性能助手光智能体提供所述模板模块。
53.权利要求41所述的方法,其中所述智能性能助手包括持久存储机制,其具有多套参数和算法的运行时间性能数据,其中所述运行时间性能数据包括对各套参数和算法的加权分析。
54.权利要求41所述的方法,进一步包括与所述智能性能助手对接,以报告在所述一套参数和算法上的运行时间性能数据,以及接收对其他套参数和算法的建议以在解所述方程中应用。
55.权利要求41所述的方法,进一步包括与所述智能性能助手相互作用,以从先前的模拟中获得运行时间性能测量,以建立具有所述一套参数和算法的模板模块;以及向所述智能性能助手提供所述模板模块。
56.权利要求41所述的方法,其中所述智能性能助手包括从所述计算机流体力学模拟收集运行时间性能数据的机制。
57.权利要求41所述的方法,其中所述智能性能助手包括智能性能助手光智能体,所述智能性能助手光智能体在解所述方程时提供给操作模块关于所述一套参数和算法的所述性能。
58.权利要求57所述的方法,其中所述智能性能助手包括:
智能性能助手机器人和智能性能助手工厂,它们为预编程的软件模块,其中所述智能性能助手机器人被配置为:
从所述智能性能助手光智能体获得操作模块;和
向所述智能性能助手工厂提供所述操作模块;以及
所述智能性能助手工厂被配置为:
排序所述一套参数和算法与其他套参数和算法;和
建立所述智能性能助手光智能体存取的更新的模板模块。
59.权利要求41所述的方法,包括基于所显示的解生产烃。
60.权利要求41所述的方法,其中所述运行时间性能包括与具体时间步长下至少一个数值矩阵的线性解有关的计算时间。
61.权利要求41所述的方法,其中所述运行时间性能包括与整个计算机流体力学模拟有关的计算时间。
62.权利要求41所述的方法,其中所述运行时间性能包括所述解的质量的量度。
63.计算机执行的模拟方法,包括:
初始化模拟程序;
利用智能性能助手,选择用于所述模拟程序的一套参数和算法,其中所述一套参数和算法包括模型描述符、机器描述符、时间步长描述符、数值矩阵性质、可调求解程序参数/算法和求解程序性能数据的至少一种;
借助所述一套参数和算法,解方程,其中所述方程是描述了状态变量变化的一组偏微分方程;和
显示所述方程的解。
64.权利要求63所述的方法,其中所述智能性能助手在没有用户介入的情况下选择所述一套参数和算法。
65.权利要求63所述的方法,进一步包括与所述智能性能助手相互作用,以提供给所述模拟程序不同的一套参数和算法,所述不同的一套参数和算法增强所述解方程的运行时间速度。
66.权利要求63所述的方法,进一步包括当所述一套参数和算法的运行时间性能在规定阈值之下时,用替代的一套参数和算法自动调整所述一套参数和算法。
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US73886005P | 2005-11-22 | 2005-11-22 | |
US60/738,860 | 2005-11-22 | ||
PCT/US2006/043286 WO2007061618A2 (en) | 2005-11-22 | 2006-11-08 | Simulation system and method |
Publications (2)
Publication Number | Publication Date |
---|---|
CN101496027A CN101496027A (zh) | 2009-07-29 |
CN101496027B true CN101496027B (zh) | 2012-12-12 |
Family
ID=36171902
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN2006800428573A Expired - Fee Related CN101496027B (zh) | 2005-11-22 | 2006-11-08 | 模拟系统和方法 |
Country Status (7)
Country | Link |
---|---|
US (1) | US20100082142A1 (zh) |
EP (1) | EP1955238A4 (zh) |
CN (1) | CN101496027B (zh) |
BR (1) | BRPI0618061A2 (zh) |
CA (1) | CA2628721A1 (zh) |
NO (1) | NO20081666L (zh) |
WO (1) | WO2007061618A2 (zh) |
Families Citing this family (74)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
AT505455B1 (de) * | 2007-06-28 | 2009-03-15 | Vres Ct For Tribotronics And T | Lagerschale eines gleitlagers |
US7963327B1 (en) * | 2008-02-25 | 2011-06-21 | QRI Group, LLC | Method for dynamically assessing petroleum reservoir competency and increasing production and recovery through asymmetric analysis of performance metrics |
US8204925B2 (en) * | 2008-05-22 | 2012-06-19 | National Instruments Corporation | Controlling or analyzing a process by solving a system of linear equations in real-time |
US20090307636A1 (en) * | 2008-06-05 | 2009-12-10 | International Business Machines Corporation | Solution efficiency of genetic algorithm applications |
US7945344B2 (en) * | 2008-06-20 | 2011-05-17 | SAKT13, Inc. | Computational method for design and manufacture of electrochemical systems |
US9249502B2 (en) * | 2008-06-20 | 2016-02-02 | Sakti3, Inc. | Method for high volume manufacture of electrochemical cells using physical vapor deposition |
US8145427B1 (en) | 2008-09-29 | 2012-03-27 | QRI Group, LLC | Assessing petroleum reservoir production and potential for increasing production rate |
US8145428B1 (en) | 2008-09-29 | 2012-03-27 | QRI Group, LLC | Assessing petroleum reservoir reserves and potential for increasing ultimate recovery |
FR2945879B1 (fr) * | 2009-05-20 | 2011-06-24 | Inst Francais Du Petrole | Methode d'exploitation de milieu poreux au moyen d'une modelisation d'ecoulements de fluide |
US8357464B2 (en) | 2011-04-01 | 2013-01-22 | Sakti3, Inc. | Electric vehicle propulsion system and method utilizing solid-state rechargeable electrochemical cells |
US8532967B2 (en) * | 2009-08-14 | 2013-09-10 | Schlumberger Technology Corporation | Executing a utility in a distributed computing system based on an integrated model |
US8718993B2 (en) | 2010-02-02 | 2014-05-06 | Conocophillips Company | Multilevel percolation aggregation solver for petroleum reservoir simulations |
BR112012023311A2 (pt) | 2010-04-06 | 2016-05-24 | Exxonmobil Upstream Res Co | modelagem hierárquica de sistemas físicos e suas incertezas |
BR112012031776A2 (pt) | 2010-07-26 | 2016-11-01 | Exxonmobil Upstream Res Co | método e sistema para simulação multinível paralela |
CA2803066A1 (en) * | 2010-07-29 | 2012-02-02 | Exxonmobil Upstream Research Company | Methods and systems for machine-learning based simulation of flow |
AU2011283192B2 (en) * | 2010-07-29 | 2014-07-17 | Exxonmobil Upstream Research Company | Methods and systems for machine-learning based simulation of flow |
CA2803068C (en) * | 2010-07-29 | 2016-10-11 | Exxonmobil Upstream Research Company | Method and system for reservoir modeling |
US20130096899A1 (en) * | 2010-07-29 | 2013-04-18 | Exxonmobile Upstream Research Company | Methods And Systems For Machine - Learning Based Simulation of Flow |
US20120035895A1 (en) * | 2010-08-04 | 2012-02-09 | Kiran Kumar Gadhamsetty | Converged mesh generation based on statistical system and method |
FR2965080A1 (fr) * | 2010-09-17 | 2012-03-23 | Inst Nat Rech Inf Automat | Dispositif informatique de calcul polyvalent |
CA2820999A1 (en) | 2010-12-30 | 2012-07-05 | Exxonmobil Upstream Research Company | Systems and methods for subsurface reservoir simulation |
GB2501829B (en) * | 2011-02-24 | 2019-07-17 | Chevron Usa Inc | System and method for performing reservoir simulation using preconditioning |
US10770745B2 (en) | 2011-11-09 | 2020-09-08 | Sakti3, Inc. | Monolithically integrated thin-film solid state lithium battery device having multiple layers of lithium electrochemical cells |
US9207355B2 (en) | 2011-05-26 | 2015-12-08 | Baker Hughes Incorporated | Method for physical modeling of reservoirs |
US9279314B2 (en) | 2011-08-11 | 2016-03-08 | Conocophillips Company | Heat front capture in thermal recovery simulations of hydrocarbon reservoirs |
US9146652B1 (en) * | 2011-08-31 | 2015-09-29 | Comsol Ab | System and method for creating user interfaces in a multiphysics modeling system |
US9946986B1 (en) | 2011-10-26 | 2018-04-17 | QRI Group, LLC | Petroleum reservoir operation using geotechnical analysis |
US10508520B2 (en) | 2011-10-26 | 2019-12-17 | QRI Group, LLC | Systems and methods for increasing recovery efficiency of petroleum reservoirs |
US9710766B2 (en) | 2011-10-26 | 2017-07-18 | QRI Group, LLC | Identifying field development opportunities for increasing recovery efficiency of petroleum reservoirs |
US20130110474A1 (en) | 2011-10-26 | 2013-05-02 | Nansen G. Saleri | Determining and considering a premium related to petroleum reserves and production characteristics when valuing petroleum production capital projects |
US9767421B2 (en) | 2011-10-26 | 2017-09-19 | QRI Group, LLC | Determining and considering petroleum reservoir reserves and production characteristics when valuing petroleum production capital projects |
US8301285B2 (en) | 2011-10-31 | 2012-10-30 | Sakti3, Inc. | Computer aided solid state battery design method and manufacture of same using selected combinations of characteristics |
US9127344B2 (en) | 2011-11-08 | 2015-09-08 | Sakti3, Inc. | Thermal evaporation process for manufacture of solid state battery devices |
CN103999094A (zh) | 2011-12-16 | 2014-08-20 | 界标制图有限公司 | 用于储层模拟器中的不同断裂密度的灵活且高效模拟的系统及方法 |
US9477936B2 (en) | 2012-02-09 | 2016-10-25 | Rockwell Automation Technologies, Inc. | Cloud-based operator interface for industrial automation |
US9627717B1 (en) | 2012-10-16 | 2017-04-18 | Sakti3, Inc. | Embedded solid-state battery |
KR101358037B1 (ko) * | 2012-11-28 | 2014-02-05 | 한국과학기술정보연구원 | 대용량 cfd 병렬 데이터의 가시화를 위한 데이터 파일 포맷 구조로 데이터가 기록된 기록 매체 및 그 데이터 파일 포맷 구조 생성 방법 |
US9786197B2 (en) | 2013-05-09 | 2017-10-10 | Rockwell Automation Technologies, Inc. | Using cloud-based data to facilitate enhancing performance in connection with an industrial automation system |
US9703902B2 (en) | 2013-05-09 | 2017-07-11 | Rockwell Automation Technologies, Inc. | Using cloud-based data for industrial simulation |
US9989958B2 (en) | 2013-05-09 | 2018-06-05 | Rockwell Automation Technologies, Inc. | Using cloud-based data for virtualization of an industrial automation environment |
CN103279685B (zh) * | 2013-06-19 | 2016-02-17 | 北京大学 | 基于逆向自动微分的油藏动态模拟方法 |
US20160177674A1 (en) | 2013-08-27 | 2016-06-23 | Halliburton Energy Services, Inc. | Simulating Fluid Leak-Off and Flow-Back in a Fractured Subterranean Region |
US9945703B2 (en) | 2014-05-30 | 2018-04-17 | QRI Group, LLC | Multi-tank material balance model |
US10508532B1 (en) | 2014-08-27 | 2019-12-17 | QRI Group, LLC | Efficient recovery of petroleum from reservoir and optimized well design and operation through well-based production and automated decline curve analysis |
US9627709B2 (en) | 2014-10-15 | 2017-04-18 | Sakti3, Inc. | Amorphous cathode material for battery device |
US20160202389A1 (en) * | 2015-01-12 | 2016-07-14 | Schlumberger Technology Corporation | H-matrix preconditioner |
US11243505B2 (en) | 2015-03-16 | 2022-02-08 | Rockwell Automation Technologies, Inc. | Cloud-based analytics for industrial automation |
US11513477B2 (en) | 2015-03-16 | 2022-11-29 | Rockwell Automation Technologies, Inc. | Cloud-based industrial controller |
US11042131B2 (en) | 2015-03-16 | 2021-06-22 | Rockwell Automation Technologies, Inc. | Backup of an industrial automation plant in the cloud |
US10496061B2 (en) | 2015-03-16 | 2019-12-03 | Rockwell Automation Technologies, Inc. | Modeling of an industrial automation environment in the cloud |
US11319780B2 (en) | 2015-04-03 | 2022-05-03 | Schlumberger Technology Corporation | Wellsite system services |
US10280722B2 (en) | 2015-06-02 | 2019-05-07 | Baker Hughes, A Ge Company, Llc | System and method for real-time monitoring and estimation of intelligent well system production performance |
TWI584134B (zh) * | 2015-11-03 | 2017-05-21 | 財團法人工業技術研究院 | 製程異因分析方法與製程異因分析系統 |
US10839302B2 (en) | 2015-11-24 | 2020-11-17 | The Research Foundation For The State University Of New York | Approximate value iteration with complex returns by bounding |
US10458207B1 (en) | 2016-06-09 | 2019-10-29 | QRI Group, LLC | Reduced-physics, data-driven secondary recovery optimization |
US11775858B2 (en) * | 2016-06-13 | 2023-10-03 | Schlumberger Technology Corporation | Runtime parameter selection in simulations |
EP3264286B1 (en) | 2016-06-28 | 2020-11-18 | Dassault Systèmes | Querying a database with morphology criterion |
US11205134B2 (en) * | 2016-11-01 | 2021-12-21 | Google Llc | Numerical quantum experimentation |
EP3321817A1 (en) | 2016-11-14 | 2018-05-16 | Dassault Systèmes | Querying a database based on a parametric view function |
US10169332B2 (en) * | 2017-05-16 | 2019-01-01 | International Business Machines Corporation | Data analysis for automated coupling of simulation models |
CN107357759B (zh) * | 2017-06-26 | 2020-10-30 | 湖北工业大学 | 基于渗流边界和运动微分方程条件的渗流求解方法 |
US10867008B2 (en) * | 2017-09-08 | 2020-12-15 | Nvidia Corporation | Hierarchical Jacobi methods and systems implementing a dense symmetric eigenvalue solver |
US11281824B2 (en) * | 2017-12-13 | 2022-03-22 | Dassault Systemes Simulia Corp. | Authoring loading and boundary conditions for simulation scenarios |
US11568236B2 (en) | 2018-01-25 | 2023-01-31 | The Research Foundation For The State University Of New York | Framework and methods of diverse exploration for fast and safe policy improvement |
US11466554B2 (en) | 2018-03-20 | 2022-10-11 | QRI Group, LLC | Data-driven methods and systems for improving oil and gas drilling and completion processes |
US20210019189A1 (en) * | 2018-04-18 | 2021-01-21 | Landmark Graphics Corporation | Methods and systems to determine and optimize reservoir simulator performance in a cloud computing environment |
US11506052B1 (en) | 2018-06-26 | 2022-11-22 | QRI Group, LLC | Framework and interface for assessing reservoir management competency |
CN109711001B (zh) * | 2018-12-10 | 2023-03-24 | 三峡大学 | 基于柔性化子系统划分和场景属性聚类的水电站多维全数字建模方法 |
EP3671492A1 (en) * | 2018-12-21 | 2020-06-24 | Dassault Systèmes | Adaptive compression of simulation data for visualization |
US11704455B2 (en) * | 2019-06-10 | 2023-07-18 | International Business Machines Corporation | Representing the operation of a quantum computing device over time |
CN110515855B (zh) * | 2019-09-02 | 2024-02-27 | 聚好看科技股份有限公司 | 一种应用程序的模拟控制方法、服务器及系统 |
WO2021081706A1 (en) | 2019-10-28 | 2021-05-06 | Schlumberger Technology Corporation | Drilling activity recommendation system and method |
CN112016243B (zh) * | 2020-07-30 | 2022-02-15 | 东南大学 | 一种基于响应曲面的交通流量预测模型参数标定方法 |
US11897134B2 (en) * | 2020-08-12 | 2024-02-13 | General Electric Company | Configuring a simulator for robotic machine learning |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6052520A (en) * | 1998-02-10 | 2000-04-18 | Exxon Production Research Company | Process for predicting behavior of a subterranean formation |
CN1575377B (zh) * | 2001-10-24 | 2010-06-16 | 国际壳牌研究有限公司 | 在地层中形成孔的方法和系统以及由该方法和系统形成的孔和所产生的混合物 |
US7181380B2 (en) * | 2002-12-20 | 2007-02-20 | Geomechanics International, Inc. | System and process for optimal selection of hydrocarbon well completion type and design |
US7627461B2 (en) * | 2004-05-25 | 2009-12-01 | Chevron U.S.A. Inc. | Method for field scale production optimization by enhancing the allocation of well flow rates |
-
2006
- 2006-11-08 US US12/083,998 patent/US20100082142A1/en not_active Abandoned
- 2006-11-08 BR BRPI0618061-2A patent/BRPI0618061A2/pt not_active IP Right Cessation
- 2006-11-08 WO PCT/US2006/043286 patent/WO2007061618A2/en active Search and Examination
- 2006-11-08 EP EP06837025.3A patent/EP1955238A4/en not_active Withdrawn
- 2006-11-08 CN CN2006800428573A patent/CN101496027B/zh not_active Expired - Fee Related
- 2006-11-08 CA CA002628721A patent/CA2628721A1/en not_active Abandoned
-
2008
- 2008-04-04 NO NO20081666A patent/NO20081666L/no not_active Application Discontinuation
Also Published As
Publication number | Publication date |
---|---|
BRPI0618061A2 (pt) | 2011-08-16 |
EP1955238A2 (en) | 2008-08-13 |
WO2007061618A3 (en) | 2009-02-26 |
US20100082142A1 (en) | 2010-04-01 |
CA2628721A1 (en) | 2007-05-31 |
EP1955238A4 (en) | 2014-08-27 |
CN101496027A (zh) | 2009-07-29 |
WO2007061618A2 (en) | 2007-05-31 |
NO20081666L (no) | 2008-08-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN101496027B (zh) | 模拟系统和方法 | |
CN102844681B (zh) | 量化评估生产预测不确定性的系统和方法 | |
CN102007485B (zh) | 储层开发计划的基于markov决策过程的决策支持工具 | |
US10087721B2 (en) | Methods and systems for machine—learning based simulation of flow | |
US20120158389A1 (en) | Method and System For Rapid Model Evaluation Using Multilevel Surrogates | |
Papadopoulou et al. | Computational benefits using artificial intelligent methodologies for the solution of an environmental design problem: saltwater intrusion | |
Kampolis et al. | A multilevel approach to single-and multiobjective aerodynamic optimization | |
Haghighat Sefat et al. | Reservoir uncertainty tolerant, proactive control of intelligent wells | |
CN105452598B (zh) | 选择和优化用于产量平台的油田控制的方法 | |
Bai et al. | A forecasting method of forest pests based on the rough set and PSO-BP neural network | |
Sudakov et al. | Artificial neural network surrogate modeling of oil reservoir: A case study | |
Ceylan | Analysis and design of concrete pavement systems using artificial neural networks | |
Redouane et al. | Adaptive surrogate modeling with evolutionary algorithm for well placement optimization in fractured reservoirs | |
MX2007013533A (es) | Optimizacion de decisiones respecto a multiples bienes en presencia de varias incertidumbres subyacentes. | |
Xia et al. | Exploring the effects of partitioned transition rules upon urban growth simulation in a megacity region: A comparative study of cellular automata-based models in the Greater Wuhan Area | |
Siade et al. | Using heuristic multi-objective optimization for quantifying predictive uncertainty associated with groundwater flow and reactive transport models | |
Salehian et al. | Multi-solution well placement optimization using ensemble learning of surrogate models | |
Fienen et al. | Risk‐based wellhead protection decision support: A repeatable workflow approach | |
Xu et al. | Adaptive surrogate models for uncertainty quantification with partially observed information | |
Verkaik et al. | Distributed memory parallel groundwater modeling for the Netherlands Hydrological Instrument | |
Alpak et al. | Support-vector regression accelerated well location optimization: algorithm, validation, and field testing | |
RU2413992C2 (ru) | Анализ многочисленных объектов с учетом неопределенностей | |
CN113435101A (zh) | 一种基于粒子群优化的支持向量机停电预测方法 | |
Pang et al. | Early termination strategies with asynchronous parallel optimization in application to automatic calibration of groundwater PDE models | |
Farahi et al. | Model-based production optimization under geological and economic uncertainties using multi-objective particle swarm method |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20121212 Termination date: 20151108 |
|
EXPY | Termination of patent right or utility model |