Modele de procuration totale

Comme mentionné, Django créera automatiquement un OneToOneField reliant votre classe enfant à tous les modèles parents non abstraits. Si vous souhaitez contrôler le nom de l`attribut qui se rattacher au parent, vous pouvez créer votre propre OneToOneField et définir parent_link = true pour indiquer que votre champ est le lien vers la classe parente. L`appariement de l`historique est le processus de modification des paramètres du modèle de réservoir sensible et la mise au point d`une liste de modèles numériques représentatifs capables de reproduire les données de production et de pression observées [10, 11]. L`appariement de l`historique est effectué par modification manuelle des paramètres sensibles ou automatiquement à l`aide d`algorithmes d`optimisation multiobjectifs dédiés [12]. Le premier est chronophage et nécessite des connaissances et une expérience expertes sur le réservoir à l`étude. En outre, l`ajustement manuel des paramètres du réservoir entraîne des solutions d`essai et d`erreur; par conséquent, il est impossible d`utiliser toutes les informations; il ne convient pas aux modèles de réservoirs complexes; Il est chronophage et il fournit des résultats sous-optimaux. Une technique relativement nouvelle, qui est appelée appariement de l`histoire assistée (AHM), réduit sensiblement le temps nécessaire. Dans AHM, les algorithmes d`optimisation globaux aident à réduire une fonction de mauvaise adéquation entre les données de production et de pression observées et simulées. Les techniques d`AHM appliquent des méthodes qui permettent de multiples constatations et sont capables de traiter l`incertitude d`une manière optimale. Une fois que l`historique est complété avec succès, les modèles sont utilisés pour l`optimisation de la production et la prédiction des performances futures du réservoir dans diverses stratégies de développement. Le processus est répété plusieurs fois jusqu`à ce qu`une stratégie viable soit réalisée.

Pour un modèle de réservoir de taille moyenne, chaque exécution de simulation peut nécessiter des heures pour se terminer. En dépit de l`effort exigeant et du temps passé sur la construction de modèle et l`appariement d`histoire, le défi rencontré pendant l`optimisation rend difficile d`exploiter le plein potentiel des simulateurs de réservoir numériques. L`utilisation de modèles de proxy qui imitent le comportement des modèles de réservoirs numériques est actuellement en hausse et facilite considérablement l`étape d`optimisation. Une fois développées, ces modèles de proxy peuvent être évalués en quelques secondes. De nombreux simulateurs commerciaux qui génèrent des modèles de proxy polynomiaux sont développés et utilisés dans l`industrie et le milieu universitaire. Dans tous les simulateurs, des modèles de proxy basés sur la surface de réponse sont utilisés. Cependant, plusieurs exécutions sont nécessaires pour développer un modèle de procuration représentatif qui imite exactement la réponse des modèles de réservoirs numériques. Par exemple, s`il y a dix facteurs (p. ex., puits d`injection d`eau) et trois réponses (taux de production de pétrole, d`eau et de gaz), la conception de l`expérience Box-Behnken nécessitera au moins 170 exécutions. Encore une fois, si chaque exécution prend quatre heures pour terminer, alors 680 heures de calcul sont nécessaires pour collecter des données pour la modélisation de proxy.

En outre, un tableau croisé de données simulées de sortie versus de validation a été tracé pour permettre une analyse plus approfondie du modèle identifié. L`ensemble de données a été concaténé et tri par ordre décroissant en fonction de la sortie simulée avant qu`il ne soit tracé sur le plan. Un bon modèle aura son graphique croisé aligné avec la ligne de degré de 45. Un modèle qui sous-estime la sortie aura son graphique croisé en dessous de la ligne de degré de 45 et un modèle qui surestiment la sortie aura son graphique croisé au-dessus de la ligne de 45 degrés. La figure 9 présente un tableau croisé du modèle BJI (4-4-4-4-2). On peut voir que le modèle ne sous-estime ni surestimations pendant la période de validation. En d`autres termes, la capacité de prédiction du modèle identifié est satisfaisante. La sélection d`une entrée d`excitation correcte dicte l`efficacité dans l`identification du système. Il existe plusieurs séquences d`entrée, qui peuvent être utilisées dans la modélisation de différentes complexités.

Parmi eux, une séquence binaire Pseudo-aléatoire (PRBS) est très populaire et efficace dans tout aussi excitant toutes les fréquences. PRBS est une séquence qui bascule entre une limite supérieure et une borne inférieure à des fréquences variables.

This entry was posted in Uncategorized by . Bookmark the permalink.

Comments are closed.