模擬系統和方法

2024-02-21 18:46:15 2

專利名稱：模擬系統和方法
技術領域：
本技術涉及可以用來適應性地修改解法以提高模擬運行時間性 能的模擬系統。本發明的實施方式通常涉及烴模擬系統和計算流體力 學中的其他相似問題。
相關技術描述油藏模擬(reservoir simulation)是模型化在油氣層、井和地面 設施中流動的流體、能量和/或氣體的方法。具體而言，油藏模擬是包 括構建模擬數據以準確描述油藏的油藏建模(reservoirmodeling)的一
部分。因此，油藏模擬被用來了解流動模式，以優化從一些井組生產 烴的一些策略和進入油氣層的地面設施。因為油氣層、井和地面設施中流動的流體、能量和/或氣體的建 模是複雜的，所以利用計算機或建模系統(或模擬系統，modeling system)進行油藏模擬。在建模系統中，利用不同的應用軟體或程序來 執行模擬與油藏相關的行為的計算，所述不同的應用軟體或程序可以 被稱為用戶工具和/或模擬程序(或模擬器，simulator)。執行模擬的 計算通常是耗時的迭代過程，該過程在優化生產策略的同時減少了關 於特定油藏模型描述的不確定因素。在迭代過程中，建模系統的模擬 程序可以提供不同模擬時段的解，該解可以包括圖形輸出或報告。說明書第2/30頁為提供解，在經由多孔介質的多相流動的模擬中使用了線性矩 陣求解程序。物理模型由一組偏微分方程組成，當這些方程在網格上 被離散時，形成被同時求解的方程組。例如參見Don Peaceman於1991 年所著的Fimd細ewta/s o/7V"",〃'ca/ i^servoz> 5Vw油".ow (例如，第33 頁)。方程形成線性系統，對該線性系統求解，得到模擬的解。物理模 型(例如儲集巖、井筒)、數值公式(例如耦合隱式求解法/CI;隱式壓力、
顯式飽和度求解法/IMPES)和網格連通性(gridco皿ectivity)方面的差 異改變矩陣的基本結構和性質。解這些線性系統是應用數學及計算科學中複雜且具有挑戰性的 領域。 一般而言，線性系統由方程式Mx=b表示，其中M是矩陣，b 是右側，x是尋求其值的未知數的向量。解方程的過程可以包括"預處 理"矩陣M以使其更易於求解；變換該預處理的矩陣；以及如果解基 於一些閾值不是足夠準確的話，則執行迭代方法。結果是，求解過程 變成其自身的模擬縮影，求解程序的總計算成本(花費的時間，cost) 是該過程中預處理程序、變換和迭代步驟的累積成本。在這些步驟中，基於在解線性系統中所進行的步驟，可以利用 不同類型的算法。例如，預處理程序算法可以包括不完全喬萊斯基 (incomplete Cholesky (IC))因子分解和不完全下-上因子分解 (incomplete lower-upper factorization)變形，其具有禾口不具有非零兀 素填入(fill-in) ILUO、 ILUK、 FILU、 FILUT等；嵌套因子分解(nested factorization);和螺旋狀對角線(wormed diagonal)算法。變換算法 可包括定比變換(scaling)例如兩側的、對角線的等，以及再排序如 Reverse Cuthill McKee (RCM)、 Red-Black等。最後，迭代算法可包括 共軛梯度及其變形CG、 CGS、 BiCG、 BiCGStab等；最小殘差及其變 形GMRES、 FGRMES、 QMR等；逐次超鬆弛SOR及其變形LSOR, WSOR等；禾口/或Jacobi法及變形的Jacobi ， Block-Jacobi、 Point-Jacobi 等。例如，參見Yousef Saad， "Iterative Methods for Sparse Linear Systems," 2000, P 95-104。這些算法中的每一個可包括可調參數，這些 可調參數影響計算的效率並因此影響算法的計算速度。例如，FILU預 處理算法有兩個參數e,和e2，它們影響用了多少非零元素填入(infi11)。
13較多的填入擴大預處理矩陣的大小並且使預處理步驟在計算上更昂貴
(費時，expensive)，但是可能降低獲得解所用的迭代次數。因此， 對參數和算法的調整可以提高求解程序的總計算速度。為進一步優化油藏模擬的求解程序，對不同算法和參數的選擇 可以基於線性系統所面對的問題。儘管多種不同的數值算法和參數可 以模擬同一物理系統，然而相關的運行時間性能可能有所變化，該運 行時間性能可包括對模擬時間或對解的質量的量度。事實上， 一些數 值算法和參數組可能不能收斂並提供某些問題的解。模擬的運行時間 性能是油藏模擬的物理參數以及選擇用於該模擬的數值參數和算法的 函數。因此，對數值算法和參數組的選擇通過改變所進行的提供解的 計算，直接影響建模系統的性能。典型的油藏模擬程序可利用動態算法。利用動態算法，同一軟 件應用通過修改輸入參數，可用於模擬許多種不同的物理配置。結果 是，對於每種模型，優化運行的參數可以不同，其可以被稱為參數組。 事實上，優化運行的參數甚至可以在模擬的過程中展開或改變。因此， 在模擬程序中使用靜態參數組或預設參數組對於一些模擬而言可能是 恰當的，但可能增加其他模擬的計算數量。此外，通過觀察、通過計 算分析師和/或通過使用建模系統的工程師的洞察力，對數值算法和參 數的有效選擇並非是顯而易見的。儘管給定物理模型的窮舉實驗可能呈現最佳參數，但是計算成 本可能超出所獲得的計算節約。例如，在預設參數的情況下，模擬可 能運行5小時。然而，利用優化參數，模擬可能運行3小時。如果用 於確定優化參數的試驗是24小時，則確定優化參數的計算成本超過了 由該優化參數提供的任何益處。因此，在本領域，對自動選擇參數和算法的改進方法和系統存 在需求，該改進方法和系統降低獲得具體問題的解的計算時間。其他相關材料可見於美國專利6，882，992;美國專利6,842,725; 美國專利6,826,520;美國專利6,810,370;美國專利6,799,117;美國專 利6,662,146;美國專利6,434,435;美國專利6,106,561;美國專利6,088,689;美國專利6,052,520;美國專利6,038,556;美國專利 5,835,882;美國專利5,392,429;美國專利5,058,012;美國專利申請公 布2004/133616;美國專利申請公布2002/177983; Dragojlovic Zoran等， "A fuzzy logic algorithm for acceleration of convergence in solving turbulent 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 ftilly implicit formulations" SPE Reservoir Simulation Symposium, SPE XP008063243, pp. 57-65, Jan. 31, 2005。

發明內容
在本技術的一個實施方式中，描述了計算機執行的模擬方法， 該方法涉及經由多孔介質的流體流動。該方法包括初始化模擬程序並 利用智能性能助手(intdligent performance assistant)選擇用於該模擬程
序的一套參數和算法。然後，用所述一套參數和算法解方程。然後顯 示該方程的解。所顯示的解代表在多孔介質中流動的多相流體的發展 情況並有助於烴(油氣)的生產。在該方法中，智能性能助手可以在 沒有用戶介入的情況下選擇一套參數和算法。同樣，該方法可進一步 包括與智能性能助手相互作用，以提供給模擬程序不同的一套參數和 算法，所述不同的一套參數和算法可以提高解方程的運行時間速度； 以及當所述一套參數和算法的運行時間性能在規定閾值之下時，用替 代的一套參數和算法自動調整該套參數和算法。在另一實施方式中，描述了第二種計算機執行的模擬方法。該 方法包括初始化流體流動模型的計算機流體力學模擬；從智能性能助 手獲得一套參數和算法，以優化該計算機流體力學模擬的運行時間性 能；利用該套參數和算法解至少一個數值矩陣中代表流體流動模型的 方程；以及基於被解方程提供解。在另一實施方式中，描述了模擬流體流動的方法。該方法包括 初始化模擬程序中的模型；提供一套參數和算法，以在模擬中優化矩 陣求解程序法的運行時間性能，其中所述一套參數和算法基於描述數 值矩陣方程的參數與該套參數和算法的性能之間的關係，與用來解該
15數值矩陣方程的多套算法和參數比較，進行選擇；在模型中模擬經過 多個時間步長的流體流動，其中所述多個時間步長中的至少一個利用 該套參數和算法產生待求解的數值矩陣方程；以及提供該模擬的解。在另一實施方式中，描述了用於模擬流體流動的系統。該系統 包括模擬計算機系統，該模擬計算機系統具有處理器和存儲器——該 存儲器包括該處理器可執行的計算機可讀指令，並且被配置為初始 化流體流動模型的計算機流體力學模擬；利用智能性能助手例程 (routine)選擇一套參數和算法，以優化該計算機流體力學模擬的運行時 間性能；利用該套參數和算法解至少一個數值矩陣的方程，所述方程 代表流體流動模型；以及基於被解方程提供解。所提供的解表示在多 孔介質中流動的多相流體的發展情況並有助於烴的生產。在另一可選實施方式中，描述了模擬方法。該方法包括初始化 軟體程序以模擬物理系統的性能；用智能性能助手為該軟體程序選擇 一套參數和算法，以提高該物理系統的模擬的運行時間性能；利用該 套參數和算法在該軟體程序中解方程；存儲方程的解；以及基於所存 儲的解生產烴。該解表示在多孔介質中流動的多相流體的進展情況並 有助於烴的生產。進一步，在一個或多個實施方式中，所述智能性能助手可包括 智能性能助手光智能體(light agent)，其配置為接受關於任務的信息； 以及基於所述關於任務的信息提供一套參數和算法。關於任務的信息 可包括描述符，如模型描述符、機器描述符、模擬描述符、在計算機 流體力學模擬的時間步長中求解的至少一個矩陣的數值矩陣性質的一 種以及它們的任意組合。具體而言，關於任務的信息可包括在計算機 流體力學模擬期間所收集的原始運行時間性能數據；求解程序預處理 程序、變換方法、容差的一種及其任意組合；相關的預置額定值、權 重、選擇概率的一種及其任意組合。同樣，在一個或多個實施方式中，智能性能助手可包括提高運 行時間性能的不同機制(或機構，mechannisms)。例如，智能性能助 手可包括持久存儲機制，其具有多套參數和算法的運行時間性能數據，其中運行時間性能數據包括對各套參數和算法的加權分析；從計 算機流體力學模擬收集運行時間性能數據的機制；和/或智能性能助手 光智能體(light agent)，其在求解時提供給操作模塊(operational cartridge)關於一套參數和算法的性能。此外，智能性能助手可與模擬 程序對接，以報告在一套參數和算法上的運行時間性能數據，以及接 收對其他套參數和算法的建議以便在解方程中應用；以及從先前的模 擬中獲得運行時間性能測量以建立具有該套參數和算法的模板模塊 (template cartridge);以及向該智能性能助手提供該模板模塊。同樣，在一個或多個實施方式中，智能性能助手可提高模擬的 運行時間穩定性，確保具體任務的解具有高質量。進一步，智能性能 助手可提高單獨任務的運行時間性能，如在具體時間步長的線性解， 以及提高整個模擬的總運行時間性能。


本技術的上述及其他優勢在閱讀下面詳細的描述及參考下面所 述的附圖後可變得明顯。圖l圖解了模擬的示例性流程圖；圖2圖解了根據本技術一個實施方式的模擬的示例性流程圖；圖3圖解了根據本技術一個實施方式的建模系統的示例性實施 方式；圖4A-4D圖解了根據本技術一個實施方式，在圖3的建模系統 中使用的模塊的示例性實施方式；圖5圖解了根據本技術一個實施方式，在圖3的建模系統中使 用的示例性智能性能助手(IPA)光智能體；圖6圖解了根據本技術一個實施方式，應用圖5的IPA光智能 體的示例性流程圖7圖解了根據本技術一個實施方式，在圖3建模系統中使用 的數據收集過程的示例性流程圖；和圖8圖解了根據本技術一個實施方式，應用在圖3建模系統中 使用的IPA工廠的示例性流程圖。
發明詳述在下面詳細的描述部分中，結合優選的實施方式描述了本技術 的具體實施方式
。然而，就下面的描述特定於本技術的具體實施方式
或具體應用方面而言，其意圖僅用於示例性的目的以及僅提供對示例 性實施方式的描述。因此，本發明不限於下面所述的具體實施方式
， 而相反地，其包括落在所附權利要求的真正精神和範圍之內的所有可 選項、修改和等價物。本技術描述了用於自動選擇參數和算法的改進方法和機制，所 述參數和算法降低獲得具體問題的解的計算時間。該方法一一其在本 文可被稱為智能性能助手(Intelligent Performance Assistant)(IPA)——可 以作為示例性實施方式來執行，其包括如IPA工廠、IPA光智能體和/ 或IPA機器人之類的組成部分，如下所討論。這些組成部分可以一起 用於提高模擬的性能，而終端用戶不必了解建模系統中IPA組成部分 的功能。即，終端用戶可遵循用於產生模擬模型的標準工作流程，該 標準工作流程可以包括執行模擬和分析來自該模擬的解或結果。當IPA 組成部分被啟動時，不同的組成部分可相互作用，以改進模擬以及模 擬具體部分如線性求解程序的操作的運行時間性能。因此，IPA光智能體向模擬程序子任務提供執行所述任務時使 用的算法和參數方面的引導。其還從該模擬程序收集信息，該信息可 以通過其它IPA組成部分被用於其它後續模擬。IPA的這種"自學習" 方面在下面詳細討論。IPA系統的IPA工廠提供用於整合新信息及用 於向IPA光智能體提供引導的機制。最後，IPA機器人是多模型、多 用戶環境中的智能體，其獲取與先前模擬有關的新信息或最新信息， 以及可以為IPA工廠所用，以精確化所提供的引導。
18
為了充分描述IPA組成部分的功能，示例性實施方式涉及IPA 光智能體、IPA機器人和IPA工廠的應用，如應用於油藏模擬程序中 的線性求解程序。在該種類型的模擬程序中，基於選擇用於該模擬的 模型和算法，利用各時間步長的各牛頓迭代，構建數值矩陣。因為IPA 系統被用於提高特定任務(例如線性求解程序)的性能，其包括收集 該任務中產生的實際問題的有關信息的機制，並利用該信息或知識來 提高其效率。對於求解程序，IPA系統的一種方法是推導描述特定矩陣
的參數與該矩陣上特定算法和參數的性能之間的關係，以提高找到最 佳參數的過程。因此，可以收集各種參數，其取決於計算和/或檢索所述參數的 計算成本，可以在模擬之間變化。參數可以包括模型描述符、機器描 述符、時間步長描述符、數值矩陣性質、可調求解程序參數/算法和/ 或求解程序性能數據。模型描述符包括模擬域(simulation domain)數目、 數值公式、流體表述和物理類型(儲集巖、井或地面設施)的網格單元數 目。機器描述符可以包括作業系統(OS)類型和中央處理器(CPU)類型、 CPU數量和速度。時間步長依賴型描述符——其可以改變每次的牛頓 或時間步長迭代，可包括模擬時間、模擬時間步長大小、模擬時間 步長嘗試數和/或模擬牛頓迭代數。數值矩陣性質可包括析取或計算在 計算上非常便宜(不費時，inexpensive)的一些性質，以及其它計算上 昂貴的性質。計算上不昂貴或不花費的性質可包括行數、非零元素 的數目、矩陣類型(例如，M-矩陣或D-矩陣)、對稱性、最大對角元素、 最小對角元素、最大元素、最小元素、最大絕對值、最小絕對值、行 的非對角元素的最大絕對值與經過矩陣中的每一行所計算的對角元素 的絕對值之比、矩陣範數、子對角元素(sub-diagonal element)的數量、 超對角元素(super-diagonal element)的數量、行中非零元素的最大數量 和具有該非零元素數量的行的數量、行中非零元素的最小數量和具有 該非零元素數量的行的數量、矩陣帶寬、結構對稱元素的數量、和/或 矩陣力矩(matrix moment)。計算起來計算較昂貴的其它的矩陣性質 可包括最大直徑、不相交塊的數量、估計的下-上分解複雜性、矩陣 特徵值和/或矩陣條件數。可調求解程序參數/算法可包括預處理器算法、迭代法、變換如定比變換和再排序、平滑類型、多網格求解程序
的粗化水平、填入容差(fill-in tolerance)(例如e!、 62)和Krylov型迭代方 法的已保存搜索方向的數量。例如，參見Saad的"Iterative Methods for Sparse Linear Systems," 2000， pp 144-227。求解程序性能數據可包括總 迭代數目、局部/域迭代數量、和/或在預處理器(預處理程序)中所用 的時間與迭代法中所用時間之比。因此，這些不同參數中的每一個一 一其可以被稱為性能測量參數或參數組，可以被用於提高模擬過程， 如下面所討論。轉到附圖，圖1闡述了進行油藏模擬的方法的示例性流程圖。 在圖1中，流程圖——其可以通過參數數字100提及——描述了用於 進行油藏模擬的方法。如上所述，油藏模擬是模型化在油氣層、井和 地面設施中流動的流體、能量和/或氣體的方法。因為油藏模擬被用來 模擬流動模式，以優化或提高從一些井集合和地面設施生產烴的一些 策略，所以油藏模擬通常是耗時的迭代過程，其降低了關於油藏或流 體流動模型的特定方面的不確定性。流程圖始於塊102。在塊104，模型被初始化。初始化過程可以 包括為數據結構分配內存以及確定模擬程序的總工作流程。模擬本身 包括以離散的方式隨時間的步進(stepping)或漸進(marching)(例如 時間步進(time-stepping))。時間步長是進行模擬的時間間隔。在塊 106，設置邊界條件，以模擬物理系統，可包括一個或多個地下儲層、 地面設施和井。邊界條件可包括壓力限制(Dirichle邊界條件)，或流動 限制(Neumann邊界條件)。然後，選擇數值算法和參數來模擬物理系統， 如在塊108中所示。可選擇的數值算法可包括公式類型，其確定用於 求解狀態變量、線性求解程序預處理器和迭代方法的隱含水平，如何 模擬巖石壓縮性，等。其餘的可調整的參數可以是所選算法的函數。 例如，對於FILU預處理器，填入減少容差(fill in drop tolerance)是 通常在0與1之間的標量。數值算法和參數可以由利用該模擬程序的 用戶選擇。如上所討論，多種不同的數值算法和參數可以模擬相同的 物理系統，但是基於所選擇的數值算法和參數，相關的運行時間性能 和解的質量可改變。
20
然後，模擬程序可執行模擬，如在塊110-112所示。為執行模 擬，可以解描述流體流動的守恆方程或非線性方程，如在塊110所示。 方程的求解可包括構建線性和非線性方程，解該線性和非線性方程， 以及更新性質和/或參數。如上所討論，方程是一組基於數值算法的偏 微分方程，其描述了狀態變量(例如流體壓力和組成)隨時間在約束或 邊界條件下的變化。方程在空間上被離散化，並隨時間線性化，以及 時向前推進狀態變量。這些方程可以被置於矩陣中並利用求解程序求 解。當使用時間隱含技術(implicit-in-timetechnique)時，在數值網格 或網上的空間離散化，稀疏矩陣方程在時間步進過程中針對每一時間 步長產生。然後，在塊112，可以向用戶提供模擬數據或解。可以通過 將模擬數據儲存到文件中、顯示圖形輸出或向用戶呈遞報告，提供該 解。圖形輸出可以以圖形或圖表的形式提供(例如，通過圖形用戶界面)， 所述圖形或圖表可以被用於設計或提高從一個或多個井的生產能力。然後，確定模擬是否被完成，如在塊114所示。當達到用戶規 定的終止時間或者滿足用戶規定的標準時，結束模擬。例如，用戶規 定標準可包括所滿足的井操作性限制條件或者模擬程序確定一些需要 用戶介入的標準已經達到。如果模擬未完成，則可以修改邊界條件並 在塊106再次解方程。然而，如果完成模擬，則可以進行其他處理步 驟，如在塊116所示。這些其他處理步驟可包括更新地質模型，以獲 得某些巖石性質；精化網格化和重新定標(upscaling)以包括更新的性 質，原因在於該地質模型具有比模擬更精細的定標。無論如何，過程 在塊118結束。在上述過程中進行的模擬的運行時間性能——其可以包括時間 和質量量度一一是油藏模擬的物理參數以及所選擇的求解算法的函 數。物理參數包括巖石滲透性和井流動模式，其針對各單獨的油田模 型而有所變化。此外，求解算法通常具有幾個控制求解過程的數值方 面的可調參數。優化算法和參數可使得模擬在較少的時間內完成。艮P， 參數和算法的調整可減少或最小化提供解所用的計算量。模擬被用來在最少的計算嘗試下使物理系統模擬至特定精確 度。在一些模擬中，算法選擇是在計算效率和模擬精確度之間進行的，
21同時如果我們可能僅找到正確的算法並控制參數的話，其他模擬可提 供計算效率和模擬精確度二者。表現出這種折衷的模擬選擇的實例包 括流體表示、數值公式、井模型和數值網格。例如，在油藏模擬中的
流體可以被表示為任意數目組分的混合物(例如2、 3、 8或20)。組分
的數目越大，模擬可能變得在計算上更昂貴，而該模擬可能提供的信 息更少。同樣，井可以被機械錶示為井筒內瞬變流動的捕獲細節，或
者表示為簡單的無限傳導點(conductivepoint)，後者在計算上是便宜的。 模擬中利用的網格可以被精化(例如計算上更昂貴)或粗化(例如計算上 較不昂貴)。最後，對數值公式的選擇也可以影響在時間步進過程中得 到的隱含水平(level of implicitness)。如果物理變量被密切耦合，則模擬 在計算是更昂貴的。例如，如果在模擬的一個部分中壓力的變化與組 成的變化非常緊密地關聯，則這些變量被同時求解，這在計算上是昂 貴的。在限制條件內，可以修改時間步長控制標準或線性和非線性求 解程序方法，而不會不利地影響結果的精確性，但是對於特定的物理 模型，觀察哪些求解程序或時間步長控制在計算上最快並非是顯而易 見的。高水平任務——其在塊110執行——可包括基於系統的目前狀 態計算流體性質，構建數值矩陣，解該矩陣方程，迭代該求解方法等。 此外，迭代解方程及在每一迭代中解線性方程(例如數值矩陣方程)的計 算成本通常是較大的時間消耗。通過降低系統執行昂貴的求解程序調 用的次數或者通過降低執行每次求解程序調用所用的時間，可以提高 模擬。矩陣求解程序調用的減少可能是減少時間步長迭代數量、增加 時間步長大小和/或減少矩陣求解程序每次被調用時其內部進行的工作 的結果。例如，即使求解程序調用的數量未被減少，對求解過程中稀 疏矩陣如何進行變換的選擇(例如定比、分類、算法、規定容差等)可提 高計算效率並降低總計算時間。另外，油藏模擬程序和其它計算流體力學應用程式利用動態算 法。S卩，通過改變輸入數據和參數，同一軟體應用可以被用於模擬許 多不同的物理構造。在這種類型的應用下，每種模型的優化執行參數 集可以是不同的。此外，隨著模型在模擬過程中的展開，優化參數集
22可以改變。結果是，與一個時間步長下的單一優化相比，優化參數隨 時間的動態選擇可以改進或提高系統性能。這種系統性能改善相比使 用靜態、預設參數而言可達一個數量級。為幫助線性矩陣求解程序——其可以用於塊110中，可以利用 智能求解程序助手(Intelligent Solver Assistant, ISA)，其在一個實施方 式中是智能性能助手(IPA)。 IPA可用於優化同一模擬內一個以上封閉 任務(encapsulatedtask)的運行時間性能。因為一些算法以比其它算法計 算上更有效的方式執行任務，如上所討論，因此很多模擬程序任務的 運行時間性能是高度非線性系統的複雜表達，並且可能不能進行分析 推導。例如，對於特定的模型，優化參數可以由窮舉試驗確定。然而， 窮舉試驗可能無法維持，因為計算成本可能超過任何所獲得的節省。 例如，可以進行窮舉系列試驗以確定算法和參數，該算法和參數提高 具體模擬所遇到的矩陣系列的計算效率。然而，所述試驗提供了比較 利用多種技術和參數的計算成本的基礎，這些技術和參數中的一些可 能是非優化的。結果是，窮舉試驗的計算成本可能大大超出由利用優 化參數和算法所獲得的益處。為降低試驗的計算成本，所用的試驗數量可以被減少。減少所 需試驗數量的一個方法是利用DOE (試驗設計(design of experiments))
方法。該實例在下面進行進一步討論。因此，運行時間參數的調整可 增強求解程序的運行。 IPA利用強化學習(reinforcement learning)和/或自適應控制的 方法來調整各種運行時間參數，以提高模擬程序的運行時間性能。艮口， 參數的動態調整可以基於性能預測模型，該模型包括從其它模擬程序 聯機收集的性能測量。性能預測模型可以被稱為IPA或IPA系統，其 可以作為IPA工廠、IPA光智能體和IPA機器人——它們將在下面予 以討論——來實現，以提高模擬的性能。 IPA可引入不同技術以向優化參數發展，所述技術利用自適應控 制和強化學習。例如，比盲目的窮舉搜索更有效地執行試驗的技術包括試驗設計(DOE)、響應面分析法(response surface methodology, RSM) 和遺傳搜索法(genetic search method)。 DOE技術可減少當搜索優化參 數集時執行的參數調整數。根據所調整的參數，基於RSM，建立和應 用代理模型或響應面模型，以找到優化性能的參數集。參見Myers, R. H. and Montgomery, D. C， Response Surface Methodology: Process and Product in Optimization Using Designed Experiments. 1st. John Wiley & Sons, Inc.， pp. 1-15， 183-184 (1995)。此外，遺傳搜索技術也可以用來確 定優化參數和算法。遺傳搜索可以基於總體解(即數套參數和算法)內 的競爭，其為在非靜態的、噪聲環境下進行跟蹤提供益處。總體解可
包括近優化的解以及優化解。因為環境的變化施加恆定選擇壓力，有 利於對於目前環境而言是優化的解，因此總體解可跟蹤變化的適宜狀 況，並因此，可以有效地解決探測/開採困境。利用這些方法的IPA實 例在下面進行討論。此外，IPA可利用嵌入式試驗分析法(embedded experimentation methodology)。在嵌入式試驗的情況下，目標任務的每次執行，如解數 值矩陣的情況，被作為單個試驗處理。當模擬隨時間發展時，可以調 整可調參數以找到優化參數組。如果系統隨時間進展相對緩慢的話， 這些方法可更有利。緩慢進展使得針對特定時間步長或牛頓迭代而言 優化的參數接近鄰近時間步長的優化參數組。因此，試驗可能不會花 太長時間，例如模擬時間的百分之幾，並且先前確定的優化參數組隨 著模擬漂移可用於延長的時間步長。 IPA可利用預測方法。例如，對於具體計算任務，IPA可訪問"百 科全書"或資料庫以査閱優化參數。該方法可避免模擬期間試驗的計 算成本。為發現此類參數，任務可以被參數化，以便於査閱操作。例 如，利用線性求解程序，簡單的定義可對應於參數或參數組，其唯一 地描述了數值矩陣。這類描述符的持久存儲器可以被稱為描述符模塊 (descriptor cartridge),其在下面於圖4A-4D中予以討論。可以用來查閱 優化求解算法和參數的是描述符參數。不管用於識別優化算法和參數集的技術如何，測量求解技術的 性能。這類數據表示特定求解算法和參數集對於在具體模擬過程中所
24產生的矩陣集的效率。性能測量可利用依賴算法的參數或元素(例如， 牛頓迭代、求解程序迭代、時間步長大小)和獨立於算法的參數或元素
(例如，CPU時間、壁鍾時間、每秒浮點操作次數(flops))，作為性能的
量度。例如，當在相似的計算硬體上比較性能時，CPU和壁鍾時間可 能是優良的性能指標。然而，當比較在不同硬體上運行的模擬時，求 解程序迭代的算法比較可能是更有用的。性能數據挖掘技術可用於識別性能、算法選擇與模擬程序活動 之間的關係。特徵，如線性系統矩陣描述符、收斂測量和模擬介質的 物理性質，被用於建立預測控制模型。因為問題的複雜性，可使用基 於統計熵的算法(statistical entropy-based algorithm),通過將特徵壓縮成 為可管理的參數集，同時保存與預測控制模型相關的信息，簡約預測 控制模型的特徵空間。此外，也可以利用壓縮方法來簡化特徵空間， 該方法基於數據聚類(data clustering^決策樹中的熵消除以及藉助瓶-頸神經網絡(bottle-neck neural network)的獨立組成分析。利用來自性能數據挖掘技術的性能數據，自適應控制和強化學 習技術可用於確定優化參數和算法。所述技術可以利用聯機收集的性 能數據，以引導對優化參數的搜索以及調整算法以逐漸改進性能。自 適應控制是指運行時間參數的自動調整，然而強化學習是指學習系統， 如上述的神經網絡。結合起來，這些IPA技術可以被用在這樣的方案中，該方案智 能地、自動地選擇數套參數和算法，該數套參數和算法最小化針對特 定問題獲得解的總計算時間。這些技術在IPA系統中的應用被進一步 描述為圖2和6-8中的方法以及圖3-5中的示例性實施方式。圖2闡述了根據本技術進行油藏模擬的方法的示例性流程圖。 在圖2中，示例性流程圖——其可以以參考數字200指代——描述了 利用自動選擇一套參數和算法進行油藏模擬的過程。因此，在圖2中， 通過利用上面討論的IPA技術，動態調整各種參數和算法，可以優化 流動模擬程序運行時間性能。
25
流程圖始於塊202。在塊204，模型以類似於圖1塊104的討 論的方式被初始化。在塊206，呈現給用戶的選擇是輸入算法和參數或 者利用IPA系統來選擇算法和參數。該選擇可以通過圖形用戶界面 (GUI)來呈現或者可以是自動的或預設的IPA選擇，以選擇算法和參數。 在塊208，邊界條件可以以類似於圖1塊106的方式來確定。在塊210， 對是否選擇IPA做出決定。該決定可涉及正在模型化訪問存儲器位置 的模擬以獲得標記或指示符的模擬程序。如果選擇IPA，則選擇了算法 和參數，如在塊212所示。該選擇過程——其在下面進一步討論—— 可利用多種IPA技術的任一種。如果沒有選擇IPA，則用戶可以選擇 算法和參數，或者可以使用內部模擬程序預設值，如在塊214所示。無論選擇機制如何，模擬程序可執行模擬，如在塊216-222中 所示。為執行模擬，對方程求解，如在塊216所示，其可以類似於圖l 的塊IIO。在塊218和220，向用戶提供模擬數據並對模擬是否結束進 行確定，其方式類似於圖1的塊112和114。如果模擬沒有結束，在 塊208中可再次修改邊界條件。然而，如果模擬完成，則可以執行其 它處理步驟，如在塊222所示，其可類似於圖1的塊116。因此，該過 程在塊224結束。上述過程可以在建模系統中執行，其在下面進行討論。因此， 實例IPA系統的不同元素和組成部分呈現在圖3中。圖3闡述了根據 本技術一個實施方式的建模系統的示例性實施方式。設備302、 304、 306和308a-308n可以是計算機、伺服器、資料庫和/或這些類型的系統 的組合，其也可以包括監視器、鍵盤、滑鼠和其它與用戶相互作用的 界面。終端用戶可以在設備308a-308n上運行模擬客戶機程序GUI 309a-309n。 GUI 309a-309n可用於在設備302上啟動模擬。模擬器312 通過應用程式界面(API)311，可以與IPA光智能體310相互作用。設 備302可包括IPA光智能體310和模擬器312以及具有模塊332-334 的存儲器314-317。設備304可以是具有IPA工廠318以及帶有模塊 336和338的存儲器322和324的中央信息伺服器。設備306可包括IPA 機器人326。設備302、 304、 306和308a-308n可以是分布式異構計算 網絡的一部分，或者可以是單個機器，這取決於計算機資源的可用性。
因為各設備302、 304、 306和308a-308n可位於不同的地理位 置，如不同的辦公室、建築物、城市或國家，網絡330可用於提供設 備302、 304、 306與308a-308n之間的通信路徑。網絡110——其可包 括不同的設備(未顯示)，例如路由器、轉換器、電橋，例如可包括一個 或多個區域網、廣域網、伺服器域網(serverareanetwork)、城域網或這 些不同類型網絡的組合。本領域技術人員理解網絡330通過設備302、 304、 306和308a-308n的連接和應用。執行模擬過程的模擬器312和IPA光智能體310都具有到達持 久存儲器314、 316和317的通路，這使得IPA系統的不同部分彼此共 享結果，以及使得用戶的GUI具有訪問模擬結果的通路。當然，模擬 數據及存儲器314-317中的IPA相關的模塊數據的存儲格式可以是用 於存儲應用程式的任何常規類型的計算機可讀存儲設備，其可以包括 硬碟驅動器、軟盤、CD-ROM和其他光學介質、磁帶等。 IPA光智能體310——其在圖5中被進一步討論，可以是被配置 為擔當自主決策智能體的應用程式(例如，例程指令或計算機可讀指 令)。因此，IPA光智能體310提供調用程序軟體，如模擬器(模擬程 序)312，其基於任務描述，帶有關於優化參數和算法的建議。同樣， IPA光智能體310收集有關先前任務執行的任務參數和性能信息的持 久及聯機信息，如CPU時間等。IPA光智能體310然後可以修改內部 類似神經的自適應存儲器，以產生對於適合正被執行或將要執行的任 務的優化算法參數的預測。數據或信息可以經由函數調用或其他應用 程序-應用程式機制，在模擬器312與IPA光智能體310之間進行交換。 IPA光智能體310可以利用先前產生的信息，如模板模塊或操作模塊 332和334，作為自動聯機自適應控制優化和強化學習的起點。模塊333中的模擬數據可以與任務執行效率相關，並因此被包 括在IPA系統中。例如，改變邊界條件可影響線性求解程序性能，但 是此類變化可能不易於為IPA光智能體310所知，因此可以被客戶機 模擬程序收集並提供給IPA光智能體310。局部模板模塊334包括用於 執行與手邊任務相關的減少的嵌入式試驗組的信息(例如，線性求解程 序)。操作模塊332可以存儲由IPA光智能體310經過強化學習所得
27到的更新的評級(rating)、權重和響應面模型。這些模塊可以用於模擬中，而無須用戶必須提供參數或算法(即無需用戶幹涉)。模塊332和334——它們在下面圖4中進一步討論，可以是文件或者其他數據結構，其包括用於建模系統的幾方面的持久存儲器。因此，模塊332和334可以使用XML格式，以允許任意歸納和便攜性，然而，這並非功能性要求。 IPA光智能體310可以與IPA工廠318通信，以交換關於當前模擬或先前模擬的信息，如在下面進一步討論。IPA工廠318擔當通過網絡330連接的不同用戶的中央知識儲存庫或百科全書。因此，IPA工廠318包括有助於執行各種任務的各種工具，以管理從IPA機器人提供的信息。首先，IPA工廠318管理由IPA機器人326收集的任務參數和算法性能參數的存儲，這在下面進行討論。此數據可以存儲在全局模塊存儲器(global cartridge storage)322中的模塊338中，其可類似於模塊332。然後，利用此信息，IPA工廠318將模塊338組織成群集結構(cluster structure)或可搜索的任務知識庫。對已求解任務的群集顯示(clusterview)用於識別原型及經常被請求的任務類型，以有助於開發更有效的模板模塊。例如，群集顯示可以顯示某些模型產生具有共同性質的線性矩陣，其需要類似的求解參數組以獲得優化性能。按此方式，IPA工廠318產生新的或增強的模板模塊336，基於新得到的操作模塊338，它們存儲在更新的模板模塊存儲器320中。為管理來自不同模擬的操作和模擬任務模塊，IPA工廠318可以是分布式人-機系統。即，在累積信息或知識方面，IPA工廠318執行自動的和人為輔助的數據挖掘，如由IPA機器人提供的操作和模擬結果模塊338。新模板模塊產生的過程可包括對設計的任務可選項的預置的選擇及對可變參數的合適RSM模型的選擇。所述選擇可以通過方法試驗和/或人的專業知識執行。因此，IPA工廠318可允許手動幹涉。為收集用於一個或多個模擬器的數據，IPA機器人326可以被激活，以與IPA工廠318、更新的模塊模板存儲器320和全局模塊存儲器322相互作用。IPA機器人326可以是應用程式或例程，其在特定存儲器如存儲器316上四處爬行(crawl)，以獲得關於IPA工廠318的模
28塊的更新信息。原理上，這類似於網絡搜尋引擎爬蟲系統的工作方式，
這是本領域技術人員公知的。IPA機器人326負責識別新的或更新的操作模塊332收集的信息，該信息駐留在操作模塊模板中，並將該信息提供給IPA工廠318。圖4A-4D闡述按照本技術一個實施方式，用於圖3的建模系統300中的模塊的示例性實施方式。因此，通過同時參看圖3，可以最佳理解這些實施方式。如上所述，各種模塊332-338可以包括用於圖3模擬器312的各種參數和算法。模塊332-338可以用於存儲和提供信息，該信息可以用於增強模擬程序特別是求解程序的計算效率。這些模塊可包括描述符模塊402、模板模塊404和操作模塊408，這些中的每一個在下面予以討論。開始，描述符模塊402可用於提供關於執行模擬的系統如模擬器312的信息。描述符模塊402——其可以包括模塊332的一些，可包括關於設備描述欄位403a及客戶應用描述欄位403b中系統的信息，如目前運行的時間標記、可執行文件、構造配置；編輯程序、作業系統(OS)和模擬程序的版本；模擬器構造目標；主機系統名；OS名稱；和/或中央處理器(CPU)信息。另外，描述符模塊402可包括在模擬的執行過程中所收集的有關求解程序的求解程序運行時間欄位，例如粗略任務描述欄位403c和詳細任務描述欄位403d。這些求解程序運行時間欄位可包括數據，如求解程序識別；塊的對角塊索引(blockdiagonal block index);未知量的數量；和/或矩陣性質，如再排序算法的名稱、定比算法、矩陣、規範化值、外部性質和結構元素。作為實例，描述符模塊402在所有隱式壓力、顯式飽和度(IMPES)模型中可用於壓力矩陣。出於示例性目的，該描述符模塊402格式可以是XML格式。下面是設備描述的實例。魂鴯HmdBlb,磁i加t^(T d^r1' JOOO卿0e+OCKT .
<Hin^tempC^Fe^tRiii^Oel- 21 liOS !￥:32:57 《€entral ,ttd敦rdT胸i^taStopC沾隱復m》
^ItoeSta^BuM^otiilg^Oet H 2鵬19:(J，鄰斑eStopMklDm敏《C0Hfil^V鄉loT^Mi議鵬0錄pt》3tb" OiMi撖紐ing Co鵬pi'kr Yersiitm
1, for d^
《lio鄉afi^U歸ICY8VVflC7，鄰asmamO鄉—N腦^W論,NT鄰SJ^腿〉
《anjii3f(^CHMwrnu:BicB為糊 Sp憂d4i妙鵬實
Na斑bei^A櫞HaWeJPrcK:^樹rs。2々CHJIflf^

助k加鄉一 1 ，3^咖pfe:tek^《Wodt必aibtocfc—todo^"棟p薩，wd德，lk鵬"J蹈fje豕"mim—imlwwiisp^l^^Kfeiifi^tw^

《c攻[莊lgo.關ni『"NflraiSe錄Iii紫(l，國i9微M^r >

ij怖M.S4fl7然扭加m IJ^O，御塞加S"Jtoi^!，鋤加l^/^
《No LF^'19.56J&鴯"UP U0US3" DF^nJS^(U11 AF^2JLS2I)5S^ All^S4脅21Tr
maxB幼cH"W 頂狄U&and""JCT1 i"狄UB柳d^HT n。njymEJons袖":i徵"noDkr^，3ae,lsr^iT zeroIHfsmalJD^^^O"欲roOHi^^『posC,"0" ><ExlPr，s MMi嫩'化4Si，7ft" MM2^ft,743S卯"MMI=^*^&0(MF Ka^U怒N4!TM2,^S1，CMI^1jO,柳"in,llW"02翔"O,恥S53O，' Df^CI,柳^恥，
因此，在該實例中，描述符模塊402可用在建模系統300內，以便基於從該模擬提供的知識來增強其它模擬。模板模塊404包括用於探測及解決特定任務的不同的算法和參數。每次求解矩陣方程時，使用完整的求解算法和參數集。其是IPA協助確定以增強模擬過程的這些算法和參數的最佳集合。在模擬之前可以構建由IPA工廠利用DOE/RSM技術產生的預置，如在實例模板模塊404中所見。可選地，預置可以利用遺傳算法的方法被動態構建，在該方法中，子任務中的每一個如預處理器、變換器或迭代方法被考慮為基因的一個元素。對於求解程序任務模板模塊404而言，模板模塊可包括預置標識符(ID)欄位414a-414n、預處理器算法和參數欄位415a-415n、變換算法和參數欄位416a-416n、迭代方法算法和參數欄位417a-417n及RSM組欄位418a-418n。數n對應於模板模塊404中可
此外，詳細的矩陣描述的實例示於下面:用的預置數量，其可以由DOE/RSM情況下的IPA工廠318確定，或 者可以在利用遺傳算法的方法的模擬開始時是不確定因素。出於示例目的，實例模板模塊404格式可以是XML。因此，字 段414a-418n中的每一個被闡述如下
，w鄉mim=M W
p—0一-F^co^氣傷uO.加l 0 —tran sfbnrr( ) "tw^SCGStab〗鵬，&6)"
p一t槲^^ecor^fc(即u dOOl 1〗 ti"礎^bfnpl關c^cfoW) -iter=^3iOGStafe IO恥，^6^"
pj踏 ;(TOJ0Ci^《録!〗"rastenKeiwkeo0 -te=^BO}&ib k6^'
|j—2i "-prmmd (fiJii O細CM i;Mr教她rn^ 》 》itei (BSCGSt￡ib ，■ le-6)" p二3-" ,e加^tfiliiClO猶l l)"Wtistom=<,*s^) "tor^BICGS^i 10iXn,6，'
44欲"-preG0ruHilu G) -tmnsteiiF^n^cale r詩)"to^mres IOOQ SO 1 €》" P—翱"^iJfecorid—rtu 0§ 4raei淑jm^^Me您f) -ite=(gmres l鵬50 !"5"
p一66 "j)rec。ndKworni trmis》 "4r面ten, 》 —to^(gmrcs l卿30 1W p一67 ^-pre⑩ml^worm加c0 TO^fofm={ 》 —it^(^w微l加0鄰le-^" P—儲一-p^微WlKworrn 3mi^) 爿^nsform^(TO》HJ^fgws |御0 50 1iH5》"
M23錫7效9i(m 12 d t4 15 16 n 1S 192021
22 23 34 25.2惑27 28 29 3固32 33 34 35站W 38 39 40 4， 42 43
u i n i h H rm〗i m〖i i
2222222:22 2 222222222222如上所討論，遺傳算法技術可用於動態產生IPA光智能體310 內的預置。因此，模板模塊404可以被重組並簡化。在這種情況下， 具有一個以上的可能算法或參數集的每個子任務是基因的一部分。出 於示例性目的，該模板模塊的格式可以是XML格式
,e—鵬《^=^" gene二stait^" 0 i2 M 35 0順一>
P-F,郷!e col"
p^J，瞎11—rem
《E" precmd加Qin^s p—!e-
p一fbk:o歸讓 w條
31
操作模塊408可以包括有關在模擬中所用的不同算法和參數的 性能信息。具體而言，其可包括子任務的單獨測量，所述子任務如預 處理器性能測量欄位425a-425n、變換性能測量欄位426a-426n和/或迭 代方法性能測量欄位427a-427n。此外，完整預置的成功結果被捕獲。 藉助該性能信息，可以評價算法和參數，以確定與提供解有關的計算 時間。所收集的詳細的性能數據的具體實例顯示在操作模塊409中， 其可以包括平均或累積的數據。再次，出於示例性目的，以XML格式 為其格式
<—幼助f re"Ordedng w

《R卿v逸K柳,"A
<!—ra處0ftetfing
奇縱隨w^'Ns3nnT，昨￥一' IH />
u='U 0閱2T sy『祥仏0,2" >
々咖ya^道O0W'
卿s of p;rec01a艦i柳er 一
opTciJFac" val=*LO0O,'' />
《P敏nam^Pi,她編"vaNM" />
《P醵m薩'，le，Cc^ val*H0，.M(M)CKr > ,縱,國穿"Nci醒1Vpe"' va服嘸"4" >
<&誠！3隱CF^Elf贈H力微* >
<H3iie w滅H直翻S， cpi "0, GIKISP ^s=*% SCKKH"
切甲頓,則,io鵬[Nr
<1" cost of逢teo麵mctlK^ 一
逸r K翻薩"Prw!Tj^/> |3據'v森一0,咖,/>
《P欲r isam爐沐幼^lo諷R鍵w va〗糠"Ci,0O0CW8 />
因此，在該實例中，操作模塊408被用在建模系統300內，以測量性 能及發展參數和算法。圖5闡述了按照本技術一個實施方式的圖3 IPA光智能體的一 個示例性實施方式。IPA光智能體310可以包括各種子系統，如傳感器 子系統502、操作子系統504及存儲器子系統506。這些子系統502、 504和506可以相互作用，以基於任務描述提供關於任務優化參數的建 議。因此，這些子系統502、 504和506可用於藉助IPA技術動態調整 各種運行時間參數和算法。傳感器子系統502包括兩個通信通道，如輸入通道508和輸出 通道510，它們利用函數調用或其它應用程式-應用程式機制。輸入通 道508接收外部信息，如持久任務信息(例如IMPES模型的線性求解程 序)、可變的任務信息(例如描述符參數)以及在特定參數集下關於在先 任務執行的性能信息。調用程序應用程式通過輸入通道508發布命令 和查詢以及通過輸出通道510接收建議。例如，模擬器312可經由API 311向IPA光智能體310請求推薦的求解程序參數。IPA光智能體310 可向IPA工廠318請求適於當前感興趣的求解程序類型的最新模板模 塊。操作子系統504可包括三種主要模式或活動由探索機制512 提供的探索模式(exploration mode)、由自適應機制514提供的自適應模 式以及由控制或開發機制516提供的開發模式(exploitation mode)。在 探索模式中，IPA光智能體310試驗或探測甚至更為優化的任務參數的 新候選參數。在自適應模式中，其也被稱為"學習"模式，IPA光智能 體310與中間級別的存儲器520和最低級別存儲器522——其在下面進 行討論，通過在最新性能測量基礎上，訓練預置的權重以及各預置的 響應面模型的參數進行相互作用。在探索模式過程中，IPA光智能體 310使模擬器能夠利用先前發現的優化參數，同時計算回復至探索模式 的概率。因此，模擬的改變，例如由於物理模型的發展引起的性能退 化，可觸發這類事件。應當注意到，藉助遺傳算法方法，IPA光智能體 310處於幾乎連續的探索和自適應模式狀態。然而， 一旦可接收的參數
33集以"基因"的形式獲得，進展可能是緩慢的並且類似於RSM開發模式。存儲器子系統506可基於已求解任務的具體在先經歷有關的自適應存儲器用於管理預測。該預測可以通過組織到自適應神經元存儲器(adaptive neural memory)的3級層次中的信息表示，該存儲器在下面討論。這些自適應存儲器518、 520和522可以包括持久和瞬變組成部分。因此，存儲器子系統506還可以包括使臨時和持久存儲器同步以及執行初始化及重起的同步或持久機制524，其可以是軟體程序。持久存儲器，例如操作模塊存儲器316和/或局部模板模塊存儲器317，可用於存儲。該持久存儲器可包括模塊形式的自適應神經元存儲器的當前圖像以及用於經常使用的任務的預安裝模板模塊組。上級或一級自適應存儲器518是指選自由IPA工廠318製備並維護的特定模板模塊組的模板模塊。對適當的模板模塊518的選擇基於任務(例如，對應於解矩陣方程、推進時間步長、分區以便平行執行的模板模塊)。該模塊定義了針對特定任務選擇適當解法所需的詳細參數。 一般而言，IPA光智能體310通過向被解決的當前任務有關的模板模塊發送請求而擔當IPA工廠318的客戶。在模擬運行開始時，IPA模板模塊可以被選擇一次。然而，如果在模擬運行過程中任務性質顯著改變，則選擇新的IPA模塊模板可能是有用的。中間級別或二級自適應存儲器520調節IPA光智能體310的探索行為。在該存儲器520中，受控系統(例如求解器)的各具體可調參數集以待執行任務(即"預置")的參數化的完整算法和參數集來表示。可能的參數組合的子集利用試驗設計(DoE)方法預生成，並且通常被存儲在IPA模板模塊中。起初，預生成可以利用例如Latin HypercubeSampling (LHS)方法且排除明顯的不良變形來執行。因此，不同的模板模塊可以包括不同的預生成設計。各預置與相對的自適應權重有關，其可以對應於在探索邏輯塊512中的連續探索步驟上對其嘗試的概率。這些自適應權重(adaptiveweight)可基於單個IPA光智能體的知識來調整。例如，"不熟練的"
34IPA光智能體(即沒有從先前模擬中學到的經驗的IPA光智能體)可以針對各預置指定相等的權重，然後開始探測以估計不同預置的相對性
能(即，評價預置)。如果IPA光智能體確定一些預置在任務性能上比其它預置提供了益處，則其增加該預置的權重。以其最簡單的方式，IPA光智能體利用使非生產性預置(例如，不能完成它們的任務或者在性能上表現出退化的預置)置於不利地位並且增加生產性預置的權重的權重算法。可選地，"有經驗的"IPA光智能體可以將各個預置權重存儲在長期存儲器中，如操作模塊存儲器316和/或局部模板模塊存儲器317。這些權重不僅在當前模擬過程中可能有用，而且可用於在類似任務上的隨後模擬運行。"有經驗的"IPA光智能體在其開發邏輯塊516中可使用具有較大權重/評級/選擇概率的預置。因此，各種方法可用在第二自適應存儲器520中以調整預置。例如， 一種方法可使用己知的預置並僅當該已知預置不能完成任務或者在某一性能水平之下執行時，評價具有較小的權重/評級的其它預置。例如，藉助數值求解程序，選擇的算法和參數集在時間期間內可能不能收斂至解。另一方法可以在某一概率e下執行探測步驟，即使已知的預置在可接受的性能下操作也是如此，如IO小時的模擬(例如，過夜或更快)。該方法可防止局限於局部優化的參數集，而非全局優化的參數集。可選地，遺傳搜索方法可使預置能夠逐漸改進初始總體預置的質量/適宜性，並且自動地跟蹤優化系統中的緩慢變化。作為最後的例子，可利用變化方法。藉助該方法，如果大的變化發生在該模擬模型中，模擬代碼可提供給IPA光智能體關於激活探索邏輯塊512的指示(即，當增加概率e時，重新啟動遺傳搜索等)。最後，最低級或第三級的自適應存儲器522對應於描述各預置的可變參數的詳細行為的邏輯塊。因為特定任務的數值性能，如數值求解程序，可取決於一個或多個可調參數，因此第三自適應存儲器522通過建立RSM模型可調節實值參數。例如，有值參數可以是求解程序預處理器q.丄k的矩陣填入方案的內部容差。如果除^.ek之外的求解程序參數被固定，則(其)相關性可以通過下面的方程式，利用響應面近似進行模擬
35其中"t"是執行任務的成本或時間的量度。優化參數集€1..^對應於函 數F最大值。或者，更通常來說，優化參數集可對應於性能t^/t的退
化在某一閾值之上的區域的幾何中心。該閾值可達約10%，或約20%。 當獲得新的t和t魏數據時，預期的歸一化RSM模型可以在模板模塊 中被預計算並修改。RSM近似的當前候選模型是徑向基(神經網絡)函 數(RBF)或Connectionist Normalized Local Spline神經網絡(CNLS)。該 兩種模型都提供快速的新信息聯機學習，而不存在先前函數近似的顯 著退化。因此，上級自適應存儲器518暗指利用任務描述，選擇一些初 始預置權重，其可以被存儲在長期存儲器IPA模板模塊中。在中級自 適應存儲器520中，IPA光智能體針對特定的預置執行一些任務性能探 測以及調節預置權重/評級。然後，在最低級自適應存儲器522中，IPA 光智能體通過建立RSM模型調節實值參數。圖6闡述按照本技術一個實施方式，應用圖3的IPA光智能體 的一個示例性流程圖。在圖6中，可以以參考數字600指代的示例性 流程圖描述了圖3的IPA光智能體310的壽命周期。因此，圖6可以 同時參閱圖3和4A-4D而被最佳理解。流程圖始於塊602。在塊604，模擬器312的用戶選擇利用IPA 光智能體310。該選擇可以是模擬器312內的預設設置或者可以是通過 圖形用戶界面呈現給用戶的選擇。 一經選擇，模擬建立IPA光智能體 310的實例，如在塊606所示。當IPA光智能體310實例被建立時，唯 一的標識(ID)與其關聯。該ID可包括由客戶命名的數和字符的任何組 合，該客戶可以是模擬器312、 API311和/或模擬器312的用戶。該ID 用於調用中以區分幾種不同的IPA光智能體實例。在塊60S，客戶如模 擬器312或API 311通知IPA光智能體實例關於持久任務描述和參數， 以及關於操作模式和狀態變量的選擇(例如，定義系統的變量，如壓力 和流體組成)。模擬器312可以提供包括系統和模型信息的描述符模塊。 取決於IPA工廠318或IPA光智能體310內部邏輯的請求，模板模塊如圖4的模塊402或404通過IPA光智能體310來選擇，如在塊610 所示。模板模塊可包括通過利用模板模塊之一建立的模塊或者先前已 經被裝載的現有模塊。模塊可包括在可存取存儲器如磁碟、存儲器等 中局部存儲或者在設備外部的模塊。為獲得模塊，IPA光智能體310 可請求IPA工廠318為任務提供模塊。在該請求下，根據更新的模板 模塊336或全局模塊338組，IPA工廠318可為類似任務自動搜索和提 供模板模塊(即，對於具有類似性質的任務或IMPES公式矩陣的線性 求解程序的任務而言，如上所述)。在塊612中，模擬開始利用選擇的模塊執行。在DOE/RSM框 架中，IPA光智能體在探索模式、自適應模式與開發模式之間以不連續 的方式轉換。在這種情況下，IPA光智能體可初始設置探索概率e為1 以及重新設置探索性步驟的計數。可選地，如果模擬是利用現有模塊 的先前運行的繼續，則該探索概率e可以被設置為一些小的值，例如 約0.05或更低，或者該概率可以來自先前產生的結果。在遺傳算法框 架中，系統可以基於所遇到的性能測量進行探索/發展。在塊614，客 戶從IPA光智能體實例獲得參數。為獲得參數，客戶提供關於待求解 的任務的信息例如問題的類型和難度水平，並從IPA光智能體實例請 求參數。IPA光智能體實例可以通過取決於探索概率€的當前值而採用 探索步驟或開發步驟，返回預置之一(即，在模板模塊404或406的各 個欄位中定義的算法和參數)。此外，IPA光智能體實例可以基於客戶 提供的信息以及先前得到的任務性質與優化可調參數集之間的關係， 採用預測策略。然後，客戶可以執行任務(例如求解線性系統)和收集性能信息， 如在塊616所示。應當注意，此時，模擬可收集另外的信息，以幫助 訓練其他形式的IPA工廠318。信息可以存儲在具有標準模塊存儲格式 (例如XML)的操作模塊中的持久存儲器中，如上所討論。當模擬執行 各種迭代時，此種任務執行可包括在模擬器312與IPA光智能體310 之間交換算法和參數。在塊618，客戶向IPA光智能體實例報告任務性 能，其中可調參數被用於執行任務。另外， 一些關於該任務的額外信 息例如外部質量從例如先前的任務執行以及一些任務狀態變量發生變
37化——如果該狀態變量在該時間步長或迭代上被改變的話。藉助性能
數據，IPA光智能體實例收集所報告的信息並更新神經元存儲器，如模 塊，如在塊620所示。神經元存儲器可以包括預置權重和低級RSM模 型，如上所討論。利用所得到的新任務性能數據集所修改的正是這些 權重。同樣，探索步驟的計數隨同探索性概率e被更新。在IPA光智 能體310中所用的控制算法可以通過比較預測的任務性能與從實驗測 量的任務性能來改變探索性概率e的值。如上所述，該比較可以包括 其他外部因素，例如，如由模擬器312提供的關於迭代或時鐘時間的 指不。在塊622， IPA光智能體實例可以使操作模塊的當前聯機版本同 步。該操作可以通過手動幹涉執行，例如通過與用戶相互作用，或者 可以基於預定的更新，以避免如果系統崩潰時信息的損失。在塊624， 客戶可以確定模擬是否完成。如果沒有完成，則用戶在塊614中可請 求所選任務下一組數據的參數。然而，如果模擬完成，客戶可在塊626 執行一些模擬清理並在塊628中刪除IPA光智能體實例。因此，過程 在塊630結束。圖7闡述了根據本技術的一個實施方式，圖3的建模系統300 的數據採集過程的示例性流程圖。在圖7中，可以參考數字700指代 的示例性流程圖描述了利用圖3的IPA光智能體310、 IPA機器人326 和IPA工廠318的數據採集過程。因此，圖7可通過同時觀看圖l和 3而被最好地理解。數據採集過程可在模擬運行過程中收集數據。所收 集的數據可以與來自其它用戶工具的其他模擬數據結合，以提高建模 系統的穩健性。同樣，所收集的信息可以用於增強IPA工廠318的神 經網絡培訓。另外，假定參與數據採集過程的模擬可以分散在許多不 同的計算域中。作為結果，多種不同的域可在可用於增強模擬的應用 程序中提供更多的多樣性。流程圖始於塊702。在塊704， IPA機器人被激活。典型地，這 可以通過IPA系統的管理者手動或通過一些預定的自動化過程來執行。 此時，待報告的任務被指定，如在塊706所示。例如，在參與IPA系 統的各模擬模型中，IPA機器人可負責(charge with)收集所有線性求解程序任務的新操作模塊。注意，該選項通過設置合適的標誌或指示提
供終端用戶選擇退出(opt-out)或參與特定模擬模型的IPA數據採集系
統的能力。這使得能夠保持與某些油藏或油田有關的數據的合同契約 的機密性。應當注意，終端用戶模擬可以利用依賴源自網絡安全策略
的證書和許可的計算機系統和網絡，以允許在IPA機器人與IPA工廠 318之間通信。此外，通過模擬器寫入的文件或模塊是管理帳號可進出 的，該管理帳號還管理IPA機器人326的運作。為收集更新的任務和性能數據，IPA機器人326可存取更新的 模塊，如在塊708所示。作為實例，IPA機器人326可在已知的/已允 許的目錄上爬行，以發現更新的操作模塊。可選地，當操作模塊被更 新時，IPA機器人326可接收來自模擬器312或IPA光智能體310的 通知。無論如何，相關數據被傳遞至包括IPA工廠318的第二設備304， 如在塊710所示。IPA機器人326可連續操作，類似於網絡爬蟲(web crawler)，其是本領域技術人已知的，或者IPA機器人326可在由IPA 系統管理者確定的定期間隔進行操作。然後，IPA機器人可確定是否在 塊712結束。這可涉及利用內部邏輯或被指令在IPA機器人己經收集 更新的模塊信息之後的特定時間期間結束其工作。如果IPA機器人326 未被結束，則模擬器312可在塊706選擇其它待報告的任務。然而， 如果IPA機器人的應用結束，則管理者或自動化過程可在塊714刪除 IPA機器人示例。因此，過程在塊716結束。圖8闡述根據本技術一個實施方式，應用圖3的IPA工廠的一 個示例性流程圖。在圖8中，可通過參考數字800指代的示例性流程 圖描述了模擬下圖3的IPA工廠318的應用。因此，通過同時觀看圖 3可最好地理解圖8。此外，應當注意，IPA工廠318中的每個任務可由四種不同的 數據類型表示。第一數據類型包括關於任務的信息，其可以包括模型 描述符(例如，域的數量、流體表示等)和機器描述符(例如，CPU類型 和速度)。第二數據類型可包括時間步長描述符(即，時間步長大小等) 和在模擬時間步長中求解的矩陣的數值矩陣性質。第三數據類型可包 括在模擬過程中由IPA光智能體310協助並且與第一和第二數據類型同步聯機收集的原始運行時間數據(例如，CPU時間量度、浮點運算的 數量、求解程序迭代的數量、求解程序返回碼等)。最後，第四數據類 型可包括參數形式的相關預置評級、權重和/或選擇概率。這些概率可 以直接從模塊獲得或者可以基於第三數據類型的原始聯機統計由IPA 工廠再計算。流程圖開始於塊802。在塊804，從IPA機器人如IPA機器人 326接收數據。該數據可包括從IPA光智能體收集的操作模塊。數據由 IPA工廠318收集並存儲在模塊338中的全局模塊存儲器322中，如在 塊806所示。然後，IPA工廠318包括瀏覽並可視化所收集數據的工具， 如在塊808所示。具體而言，數據的統計和圖形表示用於與IPA工廠 318的人部分相互作用，以減少數據以及在一些模式中指導數據挖掘過 程。 —旦數據已經被瀏覽，不同任務之間的各種關係可以被發現並 可視化，如在塊810所示。例如，可以利用描述參數之間的關聯或描 述參數、求解程序參數與性能之間的聯繫。這可以通過應用標準化聚 類技術如K均值聚類算法(K-means)、自組織映射(self organizing map)(SOM)等實現。在塊812，任務性質可以與任務評級/選擇概率相 關聯。例如，第一與第二數據類型的任務性質與第四數據類型的任務 預置評級/選擇概率之間的關聯可以被可視化。這例如可以包括將矩陣 標量性質與可調求解程序參數預置比較。然後，對於選擇的任務，執 行第二數據類型運行時間統計學的脫機事後分析(off-line post factum analysis)，以及建立並可視化近似模型，如響應面。例如，考慮與求 解程序預置相比的平均求解程序性能響應(例如CPU時間)。在塊814， 可以進行任務的統計學分析。這可以包括針對具體任務的第二數據類 型的運行時間統計學脫機事後分析。該分析可以發現為該任務提供穩 健的近優化求解程序性能的求解程序預置。然後，可以檢查該優化求 解程序預置，並與通過IPA光發現的解進行比較，如在塊816所示。藉助所確定的優化求解程序預置，IPA工廠318可以確定數據 處理是否完成，如在塊818所示。如果數據處理沒有完成，則IPA工
40廠可繼續從同一或其它IPA機器人接受數據。然而，如果數據處理完
成，則過程可在塊820結束。作為可選的實施方式，應當注意，模擬器312、 IPA光智能體 310、 IPA工廠318和IPA機器人326可位於與隨同各自的存儲器或存 儲設備314、 316、 317、 322和324的應用程式相同的設備的存儲器中。 模擬器312、 IPA光智能體310、 IPA工廠318和IPA機器人326可以 作為資料庫、程序、例程、軟體包或現有程序中另外的計算機可讀軟 件指令來執行，其可以以計算機程式語言寫入，如C+十、Java、 Matlab scripts等。此外，存儲設備314、 316、 317、 322和324可以具有用於 存儲應用程式的任何常規類型的計算機可讀存儲設備，其可以包括硬 盤驅動器、軟盤、CD-ROMs和其他光學介質、磁帶等。儘管本實施方式已經就油藏模擬進行了描述，但應當注意，油 藏模擬中的計算流體力學問題類別與其他應用共享很多算法和數值技 術。例如，本技術可用於環境應用中，如地下水建模。另外，本技術 可用於航天應用，如流過機翼的空氣。同樣，應當意識到，本技術可 用於進一步增強其他建模應用。儘管本發明的本技術可以進行各種修改和可選的形式，上面所 討論的示例性實施方式僅僅作為實例而被顯示。然而，再次應當理解， 本發明不意圖限於在本文所公開的具體實施方式
。真正地，本發明的 本技術包括落在由所附權利要求所定義的本發明真正精神和範圍內的 所有可選物、修改和等價物。
4權利要求
1.計算機執行的模擬方法，包括初始化流體流動模型的計算機流體力學模擬；從智能性能助手獲取一套參數和算法，以優化所述計算機流體力學模擬的運行時間性能；利用該套參數和算法，解至少一個數值矩陣中代表所述流體流動模型的方程；以及基於被解方程提供解。
2. 權利要求1所述的方法，其中所述智能性能助手在無用戶介入的 情況下獲得所述一套參數和算法。
3. 權利要求1所述的方法，其中所述運行時間性能包括與具體時間 步長下所述至少一個數值矩陣的線性解有關的計算時間。
4. 權利要求1所述的方法，其中所述運行時間性能包括與整個計算 機流體力學模擬有關的計算時間。
5. 權利要求1所述的方法，其中所述運行時間性能包括所述解的質 量的量度。
6. 權利要求1所述的方法，其中所述計算機流體力學模擬對經由多 孔介質從地下儲層經過一個或多個井到達地面設施的流體流動進行模 擬。
7. 權利要求1所述的方法，進一步包括與所述智能性能助手相互作 用，以提供給所述計算機流體力學模擬不同的一套參數和算法，所述 不同的一套參數和算法增強所述計算機流體力學模擬的所述運行時間 性能。
8. 權利要求1所述的方法，進一步包括當所述一套參數和算法的運 行時間性能在規定閾值之下時，用替代的一套參數和算法自動調整所 述一套參數和算法。
9. 權利要求1所述的方法，進一步包括在圖形用戶界面上顯示所述解。
10. 權利要求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體，其被配置為 接受關於任務的信息；以及基於關於所述任務的所述信息提供所述一套參數和算法。
11. 權利要求10所述的方法，其中關於所述任務的所述信息包括模 型描述符、機器描述符、模擬描述符、在所述計算機流體力學模擬的 時間步長中求解的所述至少一個矩陣的數值矩陣性質的一種以及它們 的任意組合。
12. 權利要求10所述的方法，其中關於所述任務的所述信息包括在 所述計算機流體力學模擬期間所收集的原始運行時間性能數據。
13. 權利要求10所述的方法，其中關於所述任務的所述信息包括求 解程序預處理程序、變換方法、容差的一種及其任意組合。
14. 權利要求IO所述的方法，其中關於所述任務的所述信息包括相 關預置評級、權重、選擇概率的一種及其任意組合。
15. 權利要求IO所述的方法，其中所述智能性能助手包括智能性能 助手工廠，其被配置為利用來自先前模擬的性能測量，建立具有所述一套參數和算法的模 板模塊；以及向所述智能性能助手提供所述模板模塊。
16. 權利要求1所述的方法，其中所述智能性能助手包括持久存儲機制，其具有多套參數和算法的運行時間性能數據，其中所述運行時 間性能數據包括對各套參數和算法的加權分析。
17. 權利要求1所述的方法，進一步包括與所述智能性能助手對接， 以報告在所述一套參數和算法上的運行時間性能數據，以及接收對其 他套參數和算法的建議以在解所述方程中應用。
18. 權利要求1所述的方法，進一步包括與所述智能性能助手相互 作用，以便從先前的模擬中獲得運行時間性能測量以建立具有所述一 套參數和算法的模板模塊；以及向所述智能性能助手提供所述模板模 塊。
19. 權利要求1所述的方法，其中所述智能性能助手包括從所述計 算機流體力學模擬收集運行時間性能數據的機制。
20. 權利要求1所述的方法，其中所述智能性能助手包括智能性能 助手光智能體，所述智能性能助手光智能體在解所述方程時提供給操 作模塊關於所述一套參數和算法的所述性能。
21. 權利要求20所述的方法，其中所述智能性能助手包括 智能性能助手機器人和智能性能助手工廠，其中所述智能性能助手機器人被配置為從所述智能性能助手光智能體獲得操作模塊；和 向所述智能性能助手工廠提供所述操作模塊；以及 所述智能性能助手工廠被配置為-排序所述一套參數和算法與其他套參數和算法；和 建立所述智能性能助手光智能體存取的更新的模板模塊。
22. 權利要求1所述的方法，包括基於所顯示的解生產烴。
23. 模擬流體流動的系統，其包括模擬計算機系統，包含-處理器；和存儲器，其包括通過所述處理器可執行的計算機可讀指令，並且被 配置為初始化流體流動模型的計算機流體力學模擬；利用智能性能助手例程選擇一套參數和算法，以優化所述計算機流 體力學模擬的運行時間性能；利用所述一套參數和算法解至少一個數值矩陣中代表所述流體流 動模型的方程；以及基於所述被解方程提供解。
24. 權利要求23所述的系統，其中所述智能性能助手例程在沒有用 戶介入的情況下選擇所述一套參數和算法。
25. 權利要求23所述的系統，其中所述計算機流體力學模擬對從地 下儲層經過一個或多個井到達地面設施的流體流動進行模擬。
26. 權利要求23所述的系統，其中所述計算機可讀指令被配置為 當所述一套參數和算法被測定為在性能閾值之下時，用替代的一套參 數和算法自動調整所述一套參數和算法。
27. 權利要求23所述的系統，進一步包括在圖形用戶界面上顯示所 述解。
28. 權利要求23所述的系統，其中所述智能性能助手例程包括智能 性能助手光智能體，該智能性能助手光智能體被配置為接受關於任務的信息；以及基於關於所述任務的所述信息提供所述一套參數和算法。
29. 權利要求28所述的系統，包括知識計算機系統，其經由網絡連接至所述模擬計算機系統，其中所 述知識計算機系統包括處理器；和存儲器，其連接至所述處理器並具有通過所述處理器可執行的智能性能助手工廠例程，並且被配置為與經由所述網絡連接至所述模擬計算機系統的另一計算機相互作 用，以及包括如下配置的智能性能助手工廠例程利用來自先前模擬的性能測量，建立具有所述一套參數和算法的模 板模塊；以及向所述智能性能助手光智能體提供所述模板模塊。
30. 權利要求23所述的系統，其中所述智能性能助手例程被配置為 提供給操作模塊關於用於解所述方程的所述一套參數和算法的性能。
31. 權利要求30所述的系統，包括機器人計算機系統，其經由所述網絡被連接至所述模擬計算機系統和所述知識計算機系統，其中所述機器人計算機系統包括 處理器和存儲器，其連接至所述處理器並具有通過所述處理器可執行的智能 性能助手機器人例程，並且被配置為從所述智能性能助手光智能體獲得操作模塊；和 向所述智能性能助手工廠例程提供所述操作模塊；以及其中所述智能性能助手工廠例程被進一步配置為排序所述一套參數和算法與其他套參數和算法；和建立可由所述智能性能助手光智能體存取的更新的模板模塊。
32. 權利要求23所述的系統，其中基於所提供的解生產烴。
33. 模擬方法，包括 初始化軟體程序以模擬物理系統的性能；藉助智能性能助手，為所述軟體程序選擇一套參數和算法，以提高 所述物理系統的所述模擬的運行時間性能；利用所述一套參數和算法在所述軟體程序中解方程；存儲所述方程的解；以及 基於所存儲的解生產烴。
34. 權利要求33所述的方法，其中所述智能性能助手在沒有用戶介 入的情況下選擇所述一套參數和算法。
35. 權利要求33所述的方法，其中所述軟體程序模擬從地下儲層經 過一個或多個井到達地面設施的流體流動。
36. 權利要求33所述的方法，進一步包括當所述一套參數和算法在 性能閾值之下時，用替代的一套參數和算法自動調整所述一套參數和 算法。
37. 權利要求33所述的方法，其中所述智能性能助手包括智能性能 助手光智能體，該智能性能助手光智能體被配置為接受關於任務的信息；以及基於關於所述任務的所述信息提供所述一套參數和算法。
38. 權利要求37所述的方法，其中所述智能性能助手包括智能性能 助手工廠，所述智能性能助手工廠被配置為從先前的模擬中獲得性能測量以建立具有所述一套參數和算法的 模板模塊；以及向所述智能性能助手光智能體提供所述模板模塊。
39. 權利要求33所述的方法，其中所述智能性能助手包括智能性能 助手光智能體，所述智能性能助手光智能體在解所述方程時提供給操 作模塊關於所述一套參數和算法的所述性能。
40. 權利要求39所述的方法，其中所述智能性能助手包括 智能性能助手機器人和智能性能助手工廠，其中所述智能性能助手機器人被配置為從所述智能性能助手光智能體獲得操作模塊；和向所述智能性能助手工廠提供所述操作模塊；以及 所述智能性能助手工廠被配置為 排序所述一套參數和算法與其他套參數和算法；和 建立所述智能性能助手光智能體存取的更新的模板模塊。
41. 模擬流體流動的方法，包括 在模擬器中初始化模型；提供一套參數和算法，以優化模擬中矩陣求解程序法的運行時間性能，其中所述一套參數和算法基於描述數值矩陣方程的參數與所述一 套參數和算法的性能之間的關係，與用來解所述數值矩陣方程的多套算法和參數比較，進行選擇；在所述模型中模擬經過多個時間步長的流體流動，其中所述多個時 間步長中的至少一個利用所述一套參數和算法，產生待求解的所述數 值矩陣方程；提供所述模擬的解。
42. 權利要求41所述的方法，其中所述智能性能助手在沒有用戶介 入的情況下獲得所述一套參數和算法。
43. 權利要求41所述的方法，其中所述模擬對經由多孔介質從地下 儲層經過一個或多個井到達地面設施的流體流動進行模擬。
44. 權利要求41所述的方法，進一步包括與所述智能性能助手相互 作用，以提供給所述計算機流體力學模擬不同的一套參數和算法，所 述不同的一套參數和算法增強所述計算機流體力學模擬的所述運行時 間性能。
45. 權利要求41所述的方法，進一步包括當所述一套參數和算法的 運行時間性能在規定閾值之下時，用替代的一套參數和算法自動調整 所述一套參數和算法。
46. 權利要求41所述的方法，進一步包括在圖形用戶界面上顯示所 述解。
47. 權利要求41所述的方法，其中所述智能性能助手包括智能性能 助手光智能體，其被配置為接受關於任務的信息；以及基於關於所述任務的所述信息提供所述一套參數和算法。
48. 權利要求47所述的方法，其中關於所述任務的所述信息包括模 型描述符、機器描述符、模擬描述符、在所述計算機流體力學模擬的 時間步長中求解的至少一個數值矩陣的數值矩陣性質的一種以及它們 的任意組合。
49. 權利要求47所述的方法，其中關於所述任務的所述信息包括在 所述計算機流體力學模擬期間所收集的原始運行時間性能數據。
50. 權利要求47所述的方法，其中關於所述任務的所述信息包括求 解程序預處理程序、變換方法、容差的一種及其任意組合。
51. 權利要求47所述的方法，其中關於所述任務的所述信息包括相 關預置評級、權重、選擇概率的一種及其任意組合。
52. 權利要求47所述的方法，其中所述智能性能助手包括智能性能 助手工廠，其為預編程軟體模塊，被配置為利用來自先前模擬的性能測量，建立具有所述一套參數和算法的模 板模塊；以及向所述智能性能助手光智能體提供所述模板模塊。
53. 權利要求41所述的方法，其中所述智能性能助手包括持久存儲 機制，其具有多套參數和算法的運行時間性能數據，其中所述運行時 間性能數據包括對各套參數和算法的加權分析。
54. 權利要求41所述的方法，進一步包括與所述智能性能助手對 接，以報告在所述一套參數和算法上的運行時間性能數據，以及接收 對其他套參數和算法的建議以在解所述方程中應用。
55. 權利要求41所述的方法，進一步包括與所述智能性能助手相互 作用，以從先前的模擬中獲得運行時間性能測量，以建立具有所述一 套參數和算法的模板模塊；以及向所述智能性能助手提供所述模板模 塊。
56. 權利要求41所述的方法，其中所述智能性能助手包括從所述計 算機流體力學模擬收集運行時間性能數據的機制。
57. 權利要求41所述的方法，其中所述智能性能助手包括智能性能 助手光智能體，所述智能性能助手光智能體在解所述方程時提供給操 作模塊關於所述一套參數和算法的所述性能。
58. 權利要求57所述的方法，其中所述智能性能助手包括 智能性能助手機器人和智能性能助手工廠，它們為預編程的軟體模塊，其中所述智能性能助手機器人被配置為從所述智能性能助手光智能體獲得操作模塊；和 向所述智能性能助手工廠提供所述操作模塊；以及 所述智能性能助手工廠被配置為 排序所述一套參數和算法與其他套參數和算法；和 建立所述智能性能助手光智能體存取的更新的模板模塊。
59. 權利要求41所述的方法，包括基於所顯示的解生產烴。
60. 權利要求41所述的方法，其中所述運行時間性能包括與具體時 間步長下至少一個數值矩陣的線性解有關的計算時間。
61. 權利要求41所述的方法，其中所述運行時間性能包括與整個計 算機流體力學模擬有關的計算時間。
62. 權利要求41所述的方法，其中所述運行時間性能包括所述解的 質量的量度。
63. 計算機執行的模擬方法，包括 初始化模擬程序；利用智能性能助手，選擇用於所述模擬程序的一套參數和算法；藉助所述一套參數和算法，解方程；和顯示所述方程的解。
64. 權利要求63所述的方法，其中所述智能性能助手在沒有用戶介 入的情況下選擇所述一套參數和算法。
65. 權利要求63所述的方法，進一步包括與所述智能性能助手相互 作用，以提供給所述模擬程序不同的一套參數和算法，所述不同的一 套參數和算法增強所述解方程的運行時間速度。
66. 權利要求63所述的方法，進一步包括當所述一套參數和算法的 運行時間性能在規定閾值之下時，用替代的一套參數和算法自動調整 所述一套參數和算法。
全文摘要
本發明關於模擬系統和方法。描述了方法和系統，其在本技術下提高計算機模擬，例如流經多孔介質的流體。具體而言，描述了計算機執行的模擬方法，其包括初始化模擬器並利用智能性能助手為該模擬器選擇一套參數和算法。然後，利用該套參數和算法解方程，隨後得到方程的解。
文檔編號G06G7/48GK101496027SQ200680042857
公開日2009年7月29日 申請日期2006年11月8日 優先權日2005年11月22日
發明者A·烏薩達, B·貝克爾, I·米舍夫, M·雷伊, N·費奧多羅娃, O·季亞恩科夫, S·捷列霍夫 申請人:埃克森美孚上遊研究公司