一种基于控制理论的方法在水库模拟中实现自适应时间步进,该方法对效率与鲁棒性具有显著影响
《Communications in Nonlinear Science and Numerical Simulation》:A control-theoretic approach to adaptive time stepping in reservoir simulations and its impacts on efficiency and robustness
【字体:
大
中
小
】
时间:2026年02月14日
来源:Communications in Nonlinear Science and Numerical Simulation 3.8
编辑推荐:
埃里克·希德·塞特内斯(Erik Hide S?ternes)| 星彩(Xing Cai)
模拟研究实验室(Simula Research Laboratory),克里斯蒂安·奥古斯特斯街23号(Kristian Augusts gate 23),奥斯陆(Oslo),0164
埃里克·希德·塞特内斯(Erik Hide S?ternes)| 星彩(Xing Cai)
模拟研究实验室(Simula Research Laboratory),克里斯蒂安·奥古斯特斯街23号(Kristian Augusts gate 23),奥斯陆(Oslo),0164,挪威
**摘要**
自适应时间步进是大多数求解时变微分方程的模拟器的核心特性。理想情况下,时间步进过程应有助于实现高效且稳健的模拟。在这项工作中,我们首先概述了自适应时间步进设计问题,这有助于指导研究人员和从业者为他们的特定应用构建时间步进程序。接下来,我们综合了与控制理论方法相关的理论,并解释了这种方法如何构成自适应时间步进程序的组成部分,例如帮助确定时间步长以及是否接受或拒绝执行的时间步长。我们将我们的设计框架与控制理论方法相结合,为水库模拟制定了自适应时间步进算法;这是控制理论中较少研究的应用领域。在此过程中,我们构建了控制器,这些控制器利用压力和饱和度的相对变化作为时间离散化误差的代理,以提出新的时间步长,目标是使相对变化接近目标值。然后,我们使用行业标准的水库模拟器OPM Flow将这一完整的时间步进算法应用于实际的水库模型。该模拟器及所有测试的水库模型均为开源软件。通过在水库模拟的背景下测试不同版本的新时间步进算法,我们找到了一个适用于多种模型的优选三阶控制器。实验还表明,时间步进算法的选择对模拟器的效率有显著影响,并且我们在稳健性方面观察到了显著差异。
**1. 引言**
利用模拟来理解、研究并针对物理系统做出决策在许多科学分支中都是不可或缺的。大多数此类系统都是通过数值方法求解微分方程来模拟的。为此,必须对时间间隔进行离散化,以便为每个时间步长找到近似解。在模拟过程中,每当一个时间步长完成时,我们必须决定下一个时间步长应采用多大。我们将这种新时间步长的提出称为时间步进,通常最好使这一过程具有自适应性,即新时间步长的提出受到模拟器当前状态的影响,并尽可能考虑模拟器未来的行为,而不是使用在模拟开始前定义的固定时间步长。我们希望利用模拟过程中的过去信息,在最小的计算成本下保持模拟的准确性。我们将根据需要调整时间步长的过程称为自适应时间步进。本工作的主题是处理这种数值方法核心部分的不同策略。
**为什么时间步进如此重要?**
这个问题与模拟的效率和稳健性有关,其中稳健性既指模拟结果的准确性,也指模拟器能够容忍的数值不稳定性的程度。模拟是在计算机上运行的,我们希望计算机能在尽可能短的时间内完成模拟。同时,我们希望避免过多的数值不稳定性,以保持模拟结果的准确性。虽然某些不准确性是不可避免的,但可接受的不准确性程度会影响计算机完成模拟的效率,因此两者之间存在权衡。由于较小的时间步长通常会导致更高的准确性,因此时间步进过程应旨在平衡这种权衡。
**为什么需要自适应性?**
另一种方法是使用预先确定的(通常是相同的)时间步长列表。然而,在模拟过程中,模拟模型的各个方面都可能发生变化。有些时间间隔内模拟中会发生很多事情,而其他时间间隔内则相对“平静”。为了捕捉这些变化,同时减少不活跃时期的计算负担,时间步长应根据模拟器行为的变化而增减。在每个时间步长中,通常会执行非线性和线性迭代。如果选择的时间步长过大,可能会导致(非)线性求解器收敛困难,从而产生大量需要丢弃的迭代次数。事实上,未能正确调整时间步长可能会导致整个模拟失败。因此,构建一个适用于多种模拟模型的自适应时间步进算法是一个复杂且多方面的问题,我们可能无法找到一个确定的答案。不过,我们希望确定一种或几种适用于水库模拟的新算法,从而为其他研究人员提供起点,以便他们为自己的应用找到有用的自适应时间步进程序。
**本工作的目标有三个方面。**
目前,文献中缺乏对构成自适应时间步进算法的必要组件的系统解释,以及这些组件之间的相互作用;更不用说关于选择或调整相关参数的细节了。因此,我们的第一个目标是为更广泛的研究人员和从业者提供一个自适应时间步进的一般框架的系统描述。然后,我们介绍了用于在整个模拟过程中建议新时间步长的控制理论方法,这是我们自适应时间步进方法的核心部分。最后,我们使用开源水库模拟器OPM Flow [1]、[2] 构建并测试了一个自适应时间步进算法。本文的其余部分组织如下:在进入主要内容之前,我们简要回顾了文献中可用的自适应时间步进方法并提供了参考文献(见第2节)。接着,我们介绍了用于思考自适应时间步进问题的框架(见第3节)。然后,我们介绍了自适应时间步进的控制理论方法,并解释了如何根据用户需求构建控制器(见第4节)。之后,我们根据第3节中的框架构建了一些完整的算法,并在行业标准的水库模拟器中应用这些算法(见第5节)。最后,我们讨论了实验结果及其影响和局限性,并列出了一些潜在的未来工作方向(见第6节)。
**2. 先前的工作**
我们关于自适应时间步进的工作并非凭空出现。对这一问题的识别和尝试可以追溯到几十年前[3]、[4]。在20世纪90年代和21世纪,古斯塔夫松(Gustafsson)和索德林德(S?derlind)及其同事在利用控制理论进行自适应时间步进方面做了基础性工作[5]、[6]、[7]、[8]、[9]、[10]、[11]、[12]。最近发表的研究试图将这一框架扩展到多速率方法,其中不同组件在不同的时间尺度上演变[13]。关于控制器的一般工作已应用于多个研究领域,包括:水库模拟[14]、耦合粘性流动和热传递[15]、对流-扩散-反应方程[16]、[17]、不可压缩纳维-斯托克斯方程[18]、计算流体动力学[19]、瞬态磁场[20]以及熔盐反应器的瞬态分析[21]。潘等人[22]提供了一个有趣的例子,他们试图通过让估计的空间误差来定义目标时间误差,从而平衡时间和空间离散化误差。还有一些控制器被实现到软件包中的例子[1]、[23]。
我们的工作是控制理论方法在自适应时间步进中的另一种应用。与阿卡克波(Akakpo)和吉尔丁(Gildin)[14]类似,我们也使用控制器来决定水库模拟的时间步长,但他们仅关注一类控制器(更具体地说是PID控制器),而我们的工作考虑了一类更通用的三阶控制器。我们还讨论了自适应时间步进算法所需的一般组件,以及如何定义和使用控制器作为该算法的一部分,使文本更具参考价值,无论应用领域如何。尽管控制器在许多应用领域中提供了选择时间步长的有用手段,但并非所有改进数值求解器时间步长的尝试都使用了古斯塔夫松和索德林德开发的控制器框架。在接下来的内容中,我们将总结近几十年来提出的各种替代方案。需要注意的是,所提供的参考文献并不旨在提供所有可用文献的详尽列表,而是包括了大多数值得提及的出版物。
明科夫(Minkoff)和克里德勒(Kridler)[24]提出了一种非常简单的算法,根据相对于局部误差目标的误差估计来调整时间步长。他们在处理水库模型中的流体流动时,还考虑了基于模拟过程中孔隙压力变化的时间步进方法。乔等人[25]利用能量泛函和解决方案变量的粗糙度,在分子束外延的背景下基于预设的最大和最小时间步长创建了相对简单的下一个时间步长公式。张等人[26]也采用了基于能量泛函的类似方法。卡维茨基等人[27]估计了局部误差,并将其与相对误差和绝对误差容忍度进行比较,然后提供了选择下一个时间步长的公式。有趣的是,他们还定义了一个明确的初始时间步长公式,这在文献中很少见。艾哈迈德等人[28]估计了由于时间离散化引起的误差,以及牛顿迭代和空间离散化引起的误差,并尝试平衡时间步长,以使时间误差对总误差的贡献保持在期望范围内。帕切科等人[29]提出了一种非常简单的方法,根据上一步中的饱和度变化来增加或减少时间步长。梅尔等人[30]和杜阿尔特等人[31]创建了一个事后误差估计,然后结合容忍度来调整时间步长,类似于控制理论方法中最简单的积分控制器[5]。金等人[32]在求解朗道-利夫希茨方程时使用了一个简单的方案,限制了解决方案在时间步长之间的最大位移的绝对大小。在柔性多体系统的背景下,顾等人[33]通过确保能量误差不超过规定的容忍值来成功调整时间步长。软件包SUNDIALS [34]也提供了一种基于局部截断误差估计的类似控制器的方法。
在过去的几年中,发表了几篇使用人工智能方法辅助自适应时间步进过程的论文。乌利巴雷纳(Ulibarrena)和兹瓦特(Zwart)[35]指出了在天体物理学问题中需要适当调整时间步长的必要性,并强调了专家知识的重要性。他们应用强化学习来改进解决混沌引力三体问题时的时间步进。谢特等人[36]训练了一个机器学习模型,该模型利用系统的物理和数学特征来预测下一个时间步长。李等人[37]使用残差神经网络创建了一个自适应时间步进函数,用于求解常微分方程。刘等人[38]、哈米德等人[39]和韩等人[40]都使用人工智能方法来增强多尺度方法的自适应时间步进。
自适应时间步进对于随机微分方程也具有重要意义。我们不会详细讨论这个研究领域,但建议感兴趣的读者参考Kelly [41]、Lamba [42]、Chen等人[43]和Chen等人[44]的相关文献。3. 自适应时间步进的概述本节介绍了一个创建自适应时间步进算法的通用简化框架,并使用流程图来说明工作流程。之后,将讨论一些对后续工作重要的通用主题。需要注意的是,如图1所示的流程图之前已经存在过;既有非常专门的版本[23]、[29]、[30]、[38]、[45]、[46],也有稍微通用一些的版本[20]、[41]。然而,所有这些流程图都有一个共同点,即它们在很大程度上都是高度专业化的且特定于问题的,而我们用来说明通用框架的流程图则去除了任何特定于应用的细节,仅提供了制定自适应时间步进算法所需的最基本内容。我们希望这能对几乎所有科学和技术领域的研究人员和实践者都有用。下载:下载高分辨率图片(219KB)下载:下载全尺寸图片图1. 显示自适应时间步进通用框架的流程图。3.1. 自适应时间步进的目标自适应时间步进的目标究竟是什么?假设线性和非线性求解器以及数值算法的其他部分(不包括时间步进)都得到了妥善处理,从而控制了这些部分引起的误差,那么自适应时间步进的目标可以概括为:选择一系列时间步长,使得完成模拟的计算工作量最小化,同时保持时间离散化误差足够低。“足够低”这一表述将时间离散化误差与模拟的总误差联系起来。更具体地说,时间离散化误差不应超过其他误差,如空间离散化误差、线性化误差、迭代线性求解器产生的误差以及计算机上的舍入误差。换句话说,之所以需要考虑时间离散化误差,是因为我们不希望时间误差主导总误差。然而,如果总误差的其他组成部分非常大,以至于减少时间离散化误差对总误差的影响很小,那么就没有必要再进一步减少该误差了。上述目标故意保持了一定的模糊性。实际上,我们没有一种方法可以找到适用于整个模拟的最优时间步长序列,即使存在这样的方法,我们也无法直接计算时间离散化误差。因此,我们必须依赖启发式方法。在某种程度上,我们预期在模拟早期选择的时间步长会影响后续模拟中的适当步长。其背后的原因是,即使我们对时间离散化误差的估计是可接受的,但如果在早期选择了过大的时间步长,可能会导致误差累积,从而需要在后期减小步长。如果我们事先知道这一点,就可以在初期使用较小的时间步长,以便在后期使用较大的步长。因此,如果我们为整个模拟选择某种最优的时间步长序列,这些步长不能逐一确定;相反,它们必须作为一个优化问题来考虑,而这个问题的确切解通常是不可得的。然而,对于大多数应用来说,时间步长是通过迭代方式选择的,在完成一个时间步长的计算后才会进行下一个时间步长的计算。实际上,大多数从业者的总体目标是提高模拟的运行时间,同时控制时间离散化误差。因此,我们的目标是构建一个生成时间步长序列的程序,该序列在计算工作量、离散化误差和数值稳定性方面表现良好。3.2. 自适应时间步进的通用框架图1提供了一个通用自适应时间步进过程的可视化表示。利用这个框架,我们可以提取出创建完整自适应时间步进算法所需的必要组件。首先,我们需要输入初始时间步长的大小。在模拟过程中,执行一个时间步长后,我们需要从模拟器中提取相关信息。然后,我们需要决定是否接受刚刚执行的时间步长。最后,我们需要两种方法来决定时间步长:一种是在接受时间步长时使用的方法,另一种是在拒绝时间步长时使用的方法。自适应时间步进算法的组件可以总结如下:1. 初始时间步长的大小2. 从解中提取必要的数据(每个时间步长之后)3. 接受或拒绝执行的时间步长4. 提出下一个时间步长5. 在拒绝时间步长后减小建议的时间步长图1中的“执行时间步长”组件是所有数值计算发生的地方。对于许多应用来说,这包括为每个时间步长求解非线性方程组,其中非线性求解器的每次迭代都需要求解一个线性方程组。如果求解器在这个阶段遇到收敛问题,可能需要减小时间步长。这由上面的组件(2)、(3)和(5)捕获,其中我们记录了时间步长的执行失败,或者完成的时间步长实际上太大,因此拒绝该时间步长,然后再减小时间步长并重新尝试。细心的读者可能会发现,有可能陷入一个不断拒绝和减小时间步长的循环中,而永远无法达到接受时间步长的状态。为了简洁起见,我们选择省略了如果连续多次减小时间步长而未能成功完成时间步长时中止模拟的细节。这些通常是实现特定的细节,我们选择从图1中省略。3.3. 进一步的考虑一些额外的选择和设置包括:• 我们可能希望有一些额外的逻辑来为时间步长的大小设置上限,例如,以确保整个模拟过程中时间步长的频率足够高。在另一个极端情况下,我们也可以为时间步长设置下限。通常,较小的时间步长是为了提高精度或数值稳定性。然而,为了确保如果无法达到收敛或在没有让时间步长趋近于零的情况下无法充分减少估计误差时能够中止模拟,设置这样的下限是合理的。简而言之,建议包括最大和最小时间步长值。• 为了限制时间步长的波动性,可以添加关于连续时间步长增加和减少量的上下限。因此,对于之前的时间步长hn,下一个建议的时间步长hn+1必须满足(1)ahn< />包含这些报告点的一个原因是为了进行比较;我们希望比较在预选时间点上,使用不同输入(例如不同的数值参数)进行的两次模拟运行结果,此时两个模拟器都被强制输出结果。由于报告点导致的强制停止可能会导致时间步长非常小且波动较大。可以采取两种措施来减轻这种影响:一种是在接近报告点时采取的措施,另一种是在遇到报告点后采取的措施。如果我们正在接近一个报告点,并且提议的新时间步长hn满足tn+hn>treport的条件,那么实际的时间步长应该选择为treport?tn。如果tn+2hn>treport,我们可能会遇到一个问题,即报告点前的最后一个时间步长会比其他时间步长小很多。为了缓解这个问题,我们可以将提议的时间步长改为hn=(treport?tn)/2 [27]。显然,这种方法也可以有其他的变体。大多数提议下一个时间步长的公式都依赖于刚刚完成的时间步长。如果由于报告点的出现而缩短了时间步长,那么接下来的时间步长可能会不必要地变短。用最后一个未受报告点影响的时间步长或最近几个时间步长的加权平均值来替换最后一个时间步长,可能有助于避免连续出现多个不必要的小时间步长。
4. 控制理论方法
本节将介绍自适应时间步长的控制理论方法。基于第3.2节中的框架,这种方法旨在回答第(3)和第(4)个问题。也就是说,它提供了一种拒绝或接受上一个时间步长的方法,以及提出新时间步长的方法。因此,它本身并不提供一个完整的自适应时间步长程序。然而,它确实为构建一个完整的算法提供了坚实的基础。
4.1. 自适应时间步长中的控制器
当应用控制理论来自适应选择数值求解器的时间步长时,我们进入了数字控制器的领域[49]。控制器及其控制的过程统称为所考虑的系统(见图2及以下解释)。控制器和过程都会接收输入并提供输出,其中一部分输出会通过反馈回路重新输入到系统中。控制器的目标是某种方式下稳定过程——在自适应时间步长中,这意味着稳定整个模拟过程中的时间误差或时间步长。虽然系统的输出(某种误差或变化的度量)和输入到系统的值(提议的时间步长和目标误差或变化)可以是连续的,但从系统中读取输出和向系统输入新值的时间点是离散的。
图2显示了我们感兴趣的反馈控制系统的一般图示,该图示改编自S?derlind [10]。图2中的外部输入到过程(在我们的案例中是用于求解时变偏微分方程的非线性求解器)通常是未知的,但我们需要对其与控制器输出(建议的时间步长)之间的关系做出一些假设。这些假设将在第4.3节中提供。过程的输出是对误差或某种变化的估计。这将与外部输入到控制器的值(目标误差或变化参数)结合。控制器的输出,即自适应时间步长程序提出的时间步长,是本工作的核心。
现在,过程的输出与图1中的“提取信息”部分相关,而“提议下一个时间步长”部分显然与控制器及其输出相关。因此,这个反馈控制系统旨在解决第3.2节中的第(4)个问题,同时假设我们有一种方法可以获取过程的相关输出。第(3)个问题是通过拒绝最近的时间步长来解决的,如果过程的输出超过了某个规定的容差(与外部输入到控制器有关)。第(1)和第(5)个问题则不是这个简单控制器能够直接处理的,需要单独处理。
第3.3节中关于时间步长的最小值、最大值和增长范围的讨论也需要单独处理,这为自适应时间步长系统增加了额外的逻辑。然而,希望通过构建一个足够响应迅速且稳定的控制器(即能够稳定误差和/或时间步长),这些额外的考虑将变得不必要(或者至少用途有限)。第3.6节中提出的问题也超出了这个控制器的范围,如果适用的话,还需要包括一个考虑覆盖报告点的逻辑。
4.2. 通用控制器
现在是时候解释控制器如何帮助解决自适应时间步长问题的具体方法了。请注意,本节的其余部分将介绍现有文献中已经存在的理论,尽管形式可能不够简洁易懂。因此,我们的目标是使这一理论更容易为更广泛的研究人员和实践者所理解。
在Gustafsson和S?derlind开发出关于控制理论自适应时间步长方法的理论之前,对于常微分方程,简单的误差控制算法是自适应时间步长的标准方法[50]。该公式为:
hn+1 = (εr^n)^(1/khn)
其中hn是第n个时间步长的大小,ε是目标误差,k-1是方法阶数,r^n是第n个时间步长的估计误差。使用这种方法时,任何导致误差r^n超过规定误差容差TOL的时间步长hn都会被拒绝,并且会使用较小的时间步长重新执行第n步。Gustafsson等人[5]随后意识到这实际上是一个I型控制器(I代表积分),其参数为1/k,并决定将这个简单模型扩展到更复杂的控制器。
控制器设计的目标是尽可能使误差r^n接近某个容差TOL(与ε相关),同时保持hn对所有n值相对稳定。这个目标不仅仅是节省计算时间,而是希望一个功能良好的控制器也能提供高效的模拟结果。如果某个时间步长n的r^n超过TOL,我们就拒绝该步长,丢弃计算结果,并尝试使用较小的时间步长重新进行。为了避免丢弃过多的计算结果,我们试图保持r^n接近ε=s·TOL,其中s是一个安全系数(建议s=0.8 [9])。
因此,可以通过以下方程设计一个将时间步长与误差和容差关联起来的闭环控制器:
log(hn) = C(q)(log(ε) - log(r^n))
其中qhn=hn+1是前移运算符[51]。回顾图2,C(·)是描述控制器行为的函数,ε和r^n是输入,时间步长hn是输出。
我们假设C(q)是一个有理函数,根据S?derlind [10],1/(q-1)必须是C(q)中的一个项。因此,我们得到一般形式:
C(q) = P(q)(q-1)Q(q)
其中多项式P和Q互质(即它们没有共同的零点),P(1) ≠ 0,deg(Q) = deg(P) = pD-1,pD是闭环动态的阶数(即我们在提议下一个时间步长时包含的先前项的数量)。通过结合方程(3)和(4),我们得到:
(q-1)Q(q)log(hn) = P(q)(log(ε) - log(r^n))
注意,P的阶数不能超过Q的阶数,因为那样会使步长递归依赖于r^n的未来值。通过令pD表示闭环动态的阶数,我们可以写出一般公式:
P(q) = ∑j=1^pD βj q^(pD-j)
Q(q) = q^(pD-1) + ∑j=2^pD αj q^(pD-j)
S?derlind [10]讨论的控制器类别包括所有pD ≤ 3的控制器。将方程(6)代入方程(5),重新标记索引使得n+1是最新时间步长,并求解hn+1,我们得到任何阶数pD的一般方程:
hn+1 = hn ∏j=1^pD(εr^n^-j+1)βj ∏j=2^pD(hn^-j+2hn^-j+1) - αj
其中参数βj, αj ∈ R决定了控制器的特性。将pD设为3且α2=α3=0时,我们得到“标准”的PID控制器[52]。如果只让β1非零,则得到PI控制器;而只有β1非零时,我们得到I控制器(方程(2)就是一个例子)。
4.3. 选择参数
为了确定合适的参数值(即α和β),我们需要决定控制器应具备哪些特性。此外,我们还需要确保系统是稳定的。也就是说,我们不希望出现由于控制器输入的微小变化而导致建议的时间步长发生巨大跳跃的不可取行为。在分析控制器之前,我们需要对计算过程做出一个假设。请注意,不需要进一步的假设[10]。
设φ^n表示时间步长n之后主要误差函数的某种范数[10],k-1是时间离散化方法的阶数。我们假设以下条件成立:
r^n = φ^n nk
这里,φ^n被视为图2中外部输入到过程的一部分,可以被视为一种“干扰”[10]。这个量不是直接计算的,而是用于分析控制器的理论行为。在对时间离散化误差r^n进行估计时,我们间接考虑了φ^n。对方程(8)取对数,我们得到:
log(r^n) = klog(hn) + log(φ^n)
将此与方程(5)结合,我们可以描述控制器和过程的输出如何受到外部输入的影响,得到:
log(hn) = P(q)(q-1)Q(q) + kP(q)(log(ε) - log(φ^n))
log(r^n) = kP(q)(q-1)Q(q) + kP(q)log(ε) + (q-1)Q(q)(q-1)Q(q) + kP(q)log(φ^n)
有关推导的更多细节,请参见S?derlind [10]。注意,将1/q=1代入方程(11)我们得到log(r^n) = log(ε),表明对于一个稳定的系统,r^n将按需接近ε。由于控制器的外部输入ε是常数,我们主要关注步长和误差如何受到过程外部输入变化的影响,其中φ^n被嵌入其中。因此,暂时忽略ε,我们想研究从方程(10)和(11)中得到的步长和误差传递函数:
Hφ^(q) = -P(q)(q-1)Q(q) + kP(q)
Rφ^(q) = (q-1)Q(q)(q-1)Q(q) + kP(q)
我们控制器的特性由这两个传递函数的极点和零点决定(注意它们的分母是相等的)。为了使控制器稳定,我们需要所有传递函数的极点严格位于单位圆内。将方程(6)中定义的P(q)和Q(q)代入方程(12)的分母,这相当于要求所有解:
qpD + ∑j=1^pD(kβj+αj+1 - αj)qpD^-j = 0
的模小于1。注意,为了简化公式,添加了α1=1和αpD+1=0。
S?derlind [10]引入了基于将传递函数的零点放置在特定位置的阶数条件,这些条件有助于进一步选择参数值(α和β)。这些条件被称为适应性、步长低通滤波器和误差低通滤波器。这些条件的目的是让控制器更好地响应过程外部输入的变化,并过滤掉时间步长或误差的高频成分。让我们更详细地研究这一点:
- 假设过程的外部干扰可以用一个m阶多项式来描述。那么任何log(φ^n)都可以用一个一般多项式a0^n...+am来表示。对于m=0,我们有一个常数干扰。应用运算符(q-1)会消除这种干扰,意味着log(φ^n)的任何常数部分都会被移除。对于m=1,我们需要应用运算符(q-1)两次才能达到同样的效果。一般来说,一个m阶多项式可以通过应用运算符(q-1)^m+1来完全消除。这意味着在误差传递函数Rφ^(q)的分子中连续应用(q-1)会逐渐减少外部干扰对误差r^n的影响。因此,误差将适应容差。适应性的阶数由我们应用(q-1)的次数决定,表示为pA。根据定义,总是有一次应用(q-1),因此根据本工作定义的任何控制器都是一阶自适应的。任何额外的适应性订单都必须通过在Q的位置添加1的零来实现,由于其阶数为pD?1,我们必须始终有pA ≤ pD。在Hφ^或Rφ^的位置添加p个-1的零将意味着传递函数的分子可以写成(q+1)pS(q),其中S(q)是某个多项式。现在,(q+1)可以被视为一个平均运算符,应用它将具有规范化的效果。因此,重复使用平均运算符将在一定程度上减少高频输入对系统的影响。我们可以在方程(12)和(13)中都添加-1的零,这相当于在P(q)和Q(q)中分别放置零。步长传递函数中-1的零的数量由pF给出,而误差传递函数中-1的零的数量由pR给出。pF和pR都不能大于pD?1。在步长传递函数中放置-1的零决定了βj的总数为pF,对于误差传递函数也是如此,其数量为pR和αj。注意,由于假设P和Q是互质的,我们不能同时有pF和pR非零。
如前所述,传递函数Hφ^(q)的所有极点都应该位于单位圆内。由于传递函数的分母包括P和Q,固定一个或多个极点将有助于确定控制器的α和β的值。注意,由于我们有2pD?1的自由度,pA和pF或pR的值(取决于我们使用哪个滤波器)可能会限制可以自由选择的极点数量。表1提供了pA、pF和pR在定义自适应时间步进控制器中的作用的简要总结。
表1. pA、pF和pR在定义自适应时间步进控制器中的作用总结。
空单元格名称 | 零放置 | 作用
--- | --- | ---
pA | Q(q)的1 | 使误差适应容差
pF | P(q)的-1 | 去除高频噪声以规范时间步长
pR | Q(q)的-1 | 去除高频噪声以规范误差
由于α和β被假设为实数值,任何虚数极点都必须由其复共轭伴随。S?derlind [9]认为“负极点不太理想,因为它们可能导致超调和步长拒绝”,因此我们应该将极点放置在单位圆的正半部分。将所有极点都放置在零点会得到一个死区控制器。这些控制器应该立即对新引入的误差做出反应[9],但它们确实“对高频给予了不必要的重视”[10]。这可以通过使用步长滤波器或误差滤波器来缓解(即让pF或pR非零)。S?derlind [10]对二阶和三阶控制器的极点放置进行了一些讨论。
以下是设计控制器时应采取的步骤总结:
1. 选择控制器的阶数pD
2. 选择适应性阶数pA(记住pA ≥ 1)
3. 选择步长滤波器阶数pF或误差低通滤波器阶数pR
4. 将传递函数Hφ^(q)的极点放置在单位圆内
创建计算α和β的通用公式即使可行,也可能比有帮助更令人困惑。然而,拥有一个构建具有不同属性的控制器的简单方法仍然是一个有用的工具。因此,我们在https://github.com/erikhide/adaptive-time-stepping创建了一个Python脚本,允许您输入pD、pA、pF和pR以及一个或多个极点的放置位置。然后程序将输出所有α和β的参数值,或者告诉您是否存在满足条件的值组合。如果用户设定的规格没有捕获所有自由度,输出将包括自由变量,从而允许在控制器选择上有一定的灵活性。请注意,仍然需要选择参数,以确保方程(14)的根小于1。
4.4. 误差和容差
本小节介绍了如何稍微调整第3.2节通用框架中的组件(3)的处理方式。到目前为止,我们只假设误差测试包括将估计误差r^n与规定的容差进行比较,如果误差超过该容差,则拒绝时间步长hn。然而,由于我们的误差估计可能包含导致其快速波动的噪声,这可能不是决定是否拒绝和削减时间步长的最理想方法。S?derlind [10]提出了两种替代方法,这两种方法都试图在与容差比较之前去除误差估计中的高频噪声。因此,应该观察到更少的未能满足容差测试的情况,这最终应该会导致更高效的控制器。
第一个提议是将控制器分为两部分,将P(q)/Q(q)与1/(q?1)分开。通过引入一个中间变量ρn,我们得到
(15) log(ρn) = P(q)Q(q)(log(ε)?log(r^n))
(16) log(hn) = 1/(q?1)log(ρn)
我们使用ρn来测试是否拒绝,而不是r^n。这种方法称为控制误差滤波。本质上,ρn代表从一个时间步长到下一个时间步长的提议变化。这可以从方程(16)看出,它简化为hn+1 = ρnhn。因此,使用这种方法,我们不再关注时间步长后的估计误差,而是关注该误差导致我们的控制器在下一个时间迭代中改变了多少时间步长。然后我们可以决定这种变化是否可接受。
第二种方法引入了一个滤波器F(q),其中F(1)=1,并将其应用于估计误差r^n以得到r?n。然后使用这个过滤后的误差来测试是否拒绝或接受时间步长。因此我们得到方程
(17) log(r?n) = F(q)log(r^n)
(18) log(hn) = C(q)F(q)(log(ε)?log(r?n)) = C(q)(log(ε)?log(r^n))
注意F(q)保持ε不变,因为F(1)=1。这种方法称为误差序列滤波,其背后的理由是来自一个时间步长的误差的高频部分只会对全局误差产生微小影响,因此应在决定是否拒绝时间步长之前将其去除。
4.5. 进一步考虑
当使用阶数为pD的控制器时,我们需要来自pD个最近时间步长的信息。需要回答的一个问题是:如果方法需要的知识超过了可用知识,我们如何开始模拟(在初始时间步长之后)?S?derlind [10]提出的建议是使用I控制器(建议的参数值为kβ1=0.7),直到收集到足够的信息来使用更高阶的控制器。如果由于收敛问题需要反复削减时间步长,或者模拟变化非常快,也可以使用这种方法。在有报告点的情况下(见第3.6节),也可能希望在继续使用更高阶控制器之前,对初始时间步长使用I控制器来收集足够的信息。
5. 水库模拟
现在我们希望将第3节的框架和第4节的控制器设计方法应用于水库模拟。我们首先将提供第3.2节中的五个主要组件的答案,这将导致一个关于如何在水库模拟器中处理自适应时间步进的详细算法。然后,使用一个行业标准的水库模拟器,我们将实现这个算法,并在开源的实际水库模型上用几种不同的控制器对其进行测试。
5.1. 创建自适应时间步进算法
使用第3.2节中的自适应时间步进通用框架,我们做出以下设计选择(这些选择在算法1中进一步总结,并在表2中解释了变量)。请注意,其中一些选择,如初始时间步长大小和相对变化计算是特定于水库模拟的,而其他选择则更为通用。
1. 初始时间步长:我们将所有实验的初始时间步长设置为1天(目前OPM Flow的默认值[1])。
2. 误差估计:根据第3.5节的讨论,我们计算压力和饱和度的相对变化,并将这些作为误差的代理。设E为离散网格中的所有元素集合。对于所有e ∈ E和所有时间点i,我们让pe(i)和se,f(i)表示元素e的压力和饱和度,Ve表示其体积。下标f表示相(在大多数情况下是油、气或水),我们让F表示相的集合。我们对相对变化的估计将由以下公式给出
(19) max(∑e∈EVe(pe(i)?pe(i?1))^2 + ∑e∈EVe(pe(i))^2, ∑e∈E∑f∈FVe(se,f(i)?se,f(i?1))^2 + ∑e∈E∑f∈FVe(se,f(i))^2
在初始实验中,我们只使用这个方程的压力部分,稍后也会添加饱和度部分。
3. 误差测试:如第4.4节所讨论的,我们可以使用几种不同的方法来决定是否接受或拒绝一个完成的时间步长。在接下来的实验中,我们将首先使用将估计误差直接与容差进行比较的更标准的方法。在后续实验中,我们将将其与由方程(15)和(16)定义的控制误差滤波方法进行比较。请注意,我们不会在任何一次模拟运行中使用多个误差测试。
4. 时间步长提议:我们将重点放在第4节中描述的控制理论方法上,并将 ourselves 限制在动态阶数pD等于2和3的情况。然后我们将选择一些参数配置(基于第4.3节),这些配置将使我们能够研究不同控制器属性的表现。根据第4.5节,对于没有足够信息使用更高阶控制器的时间步长,我们将使用I控制器。这也将包括在报告时间点之后立即进行的步骤。
5. 时间步长减少:如果非线性求解器的收敛问题出现,我们将(失败的)时间步长提议乘以drestart=0.33,这是OPM Flow中的当前默认值。请注意,当时间步长因收敛问题失败时,不考虑误差测试。如果我们完成了时间步长,但随后在步骤3中失败了误差测试,则新的(减少的)时间步长由以下公式给出
(20) hn+1(m) = hn+1(m?1)(εr^n+1(m?1))^1/k,
其中上标(m)在第3.4节中有解释。Gustafsson [6]也提出了类似的选择。
下载:下载高分辨率图像(99KB)
下载:下载全尺寸图像
算法1. 使用带有额外逻辑的三阶控制器的完整自适应时间步进算法。有关变量解释,请参见表2。
OPM Flow模拟器实现了隐式后向欧拉方案[2]进行时间离散化[2]。该方案是O(h)阶的,因此我们对控制器使用k=2[5]。
由于可能存在更高阶的适应性和滤波(例如见表1),我们期望更高阶的控制器表现更好。然而,由于我们在报告时间点之后的步骤中使用I控制器,更高阶的控制器将迫使算法在收集到足够信息之前更长时间地应用I控制器,可能会导致性能下降。因此,使用三阶控制器是一种尝试平衡这两个考虑的方法。
从上述五个点和算法1中可以看出,有几个选项和参数值可能会影响时间步进算法的性能。首先,我们有控制器中的α和β。然后,我们有诸如容差、安全因子、初始时间步长大小、最小和最大时间步长大小以及时间步长增长限制等参数。此外,我们还有选择,例如使用哪种误差测试、如何计算相对误差或变化,以及是否允许拒绝未能通过误差测试的完成时间步长。表3总结了我们在这项工作中进一步研究的参数及其可能的值。表2中列出但在表3中未包含的变量将在所有实验中保持默认值。算法1的可变解释:
- VariableExplanationDefault
- TOLError(或相对变化)容忍度:0.1
- 安全因子(与容忍度参数相乘以获得目标误差或相对变化值):0.8
- 初始时间步长(以天为单位):1
- 重启因子(在收敛问题后时间步长应减少的幅度):0.33
- 允许的最大重启次数,即连续遇到收敛问题而未成功收敛的次数:10
- gmax:最大增长率:3.0
- gmax,restart:如果最后一个完成的时间步长涉及重启,则最大增长率为2.0
- 最大时间步长(以天为单位):365
- 最小时间步长(以天为单位):1e-12
表3. 时间步进算法的可用选项总结,包括解释、可能的值和选择。
**控制器参数(即α和β)**:
这些值必须同时选择,使用第4.3节中描述的方法。
**容忍度(TOL)**:
容忍度值决定了最大值,并与安全因子一起决定了目标相对变化。任何小于1的正值都可以使用。
**误差测试**:
如何比较目标相对变化和实际相对变化。我们可以直接比较它们,或者使用第4.4节中的控制误差过滤方法。
**相对变化**:
这里我们使用压力的相对变化,或者压力和饱和度相对变化中的最大值。
**时间步长的拒绝**:
可以设置为true或false。如果设置为true,则即使时间步长没有因收敛问题而失败,不满足误差测试也会导致时间步长被拒绝。
5.2. 实验设置
以下概述了用于测试第5.1节中介绍的自适应时间步进算法的软件、硬件和水库模型。
**5.2.1. 软件和硬件**
所有实验都将使用Open Porous Media (OPM) Flow模拟器进行,这是一个通过Open Porous Media Initiative [2] 创建的完全隐式的黑油模拟器。该模拟器是开源的,代码库可在https://github.com/OPM上找到。第5.1节中的自适应时间步进算法已专门为此工作实现到模拟器中,包括对代码的必要修改,以使算法按需运行。在实现额外功能之前选择的OPM Flow版本是2025.04。
**5.2.3. 最大重启次数**
为了确保观察到的性能差异(主要是效率——见第5.3.1节)可以归因于时间步进算法,我们在OPM Flow模拟器中对其他几个数值参数使用了更严格的值。此外,我们禁用了关闭井的可能性,因为如果启用此选项,可能会导致两个自适应时间步进算法解决两个本质上不同的问题,例如一个模拟关闭了井而另一个没有。为了可重复性,参数及其新值在表4.4中给出。一些实验表明,虽然稍微改变这些参数值可能会在一定程度上改变各个时间步进版本的相对性能,甚至导致一些模拟失败,但整体情况基本保持不变。
表4. OPM Flow [1] 中用于使算法更严格的数值参数。
**参数名称** | **新值**
| --- | --- |
| enable-drift-compensation | false |
| tolerance-cnv | 1e-3 |
| tolerance-cnv-relaxed | 1e-2 |
| tolerance-cnv-energy | 1e-3 |
| tolerance-cnv-energy-relaxed | 1e-2 |
| min-strict-cnv-iter | 8 |
| relaxed-max-pv-fraction | 0 |
| linear-solver-reduction | 1e-5 |
| shut-unsolvable-wells | false |
所有实验都在AMD EPYC 9354P 32核处理器上使用32个MPI进程运行。
**5.2.2. 水库模型**
Norne模型是一个基于挪威海域油田的公开可用的实际黑油模型。该模型共有44,431个活跃单元,总孔隙体积为673,248,728立方米。除了标准的Norne模型外,OPM项目还提供了基于同一网格的几个预测模型。每个模型都有一个版本使用标准井模型,该模型为每个井的方程组增加了四个自由度;另一个版本使用多段井模型,其中井被分成更小的段,每个段为方程组贡献四个自由度。因此,使用多段井的模型可能包含更多的井方程自由度,从而使得模型更难求解。
在追求既有影响力又有可重复性的研究结果时,需要在使用具有一定规模和复杂性的工业相关模型和使用对研究人员公开可用的模型之间进行权衡。因此,为了在这两个方面取得平衡,我们的模拟将使用各种Norne模型。我们只使用标准井的模型(关于排除多段版本的讨论见第5.3.2节),并将它们称为N-1A、N-1B、N-2A等。请注意,自适应时间步进算法可以轻松应用于任何类型井的任何水库模拟。
**5.2.3. 时间步进算法版本**
根据表3中列出的选项,我们定义了一些想要测试的具体时间步进算法。对于误差测试、相对变化计算和时间步长拒绝选项,我们将考虑两种可能的替代方案。我们首先使用标准误差测试(即直接比较相对变化和容忍度),仅使用压力计算相对变化,并将时间步长拒绝参数设置为true。这使我们能够专注于研究哪些控制器参数和容忍度参数的值效果最好。确定了合适的值后,我们再回到误差测试、相对变化计算和时间步长拒绝参数,测试更改它们是否会有任何影响。
基于S?derlind [10]中的讨论,我们选择了三种不同的控制器。前两种是三阶控制器,而第三种是二阶控制器。所有控制器都应该适用于非平滑问题。第一个控制器使用pF=2,有两个极点位于零,一个极点位于1/2。第二个控制器使用pA=2,pF=1,极点位于1/3、1/2和2/3。第三个控制器使用pF=1,一个极点位于零,一个极点位于1/2。我们预计第一个控制器能更好地规范时间步长,而第二个控制器应该更擅长将误差适应选定的容忍度值。包括第三个控制器是为了让我们能够比较不同阶数控制器的性能。有关极点放置的讨论,特别是为什么包含非零极点是有利的,请参见第4.3节。表5列出了我们想要测试的三种控制器和三个容忍度值及其标签(便于参考)。所选的容忍度值可能会产生性能差异,但它们仍然是合理的选择,因为它们既不太严格也不太宽松。我们将这9种可能的组合称为1a、1b等。
**5.3. 实验结果**
在本节中,我们首先讨论如何比较不同自适应时间步进算法的结果。接下来,我们将详细概述表5中列出的算法版本的结果,以及后面的表6。
**5.3.1. 比较时间步进算法**
在比较时间步进算法时,我们通常会偏好运行时间最快的算法,前提是模拟结果足够相似。如果模拟结果有所不同,那么我们比较的模拟可能没有解决完全相同的问题(例如由于处理井的方式不同,见第5.3.2节),因此比较将不公平。然而,仅基于时间测量来得出结果可能会有误差。对于两次相同的模拟运行,运行时间可能会有所不同,这意味着我们从比较中得出的结论可能会因模拟运行的随机波动而有所不同。因此,我们希望基于对相同模拟运行恒定的值来进行比较。S?ternes等人[53]使用线性迭代次数和非线性迭代次数的线性组合作为模拟运行时间的代理。对于Norne模型,他们发现方程(21)Performancemeasure=Nonlineariterations+0.062·Lineariterations与实际运行时间相当吻合,当运行多次模拟并查看其平均值和中位数行为时(值0.062是一个权重因子,确保不会过分强调相对较便宜的线性迭代)。因此,在比较我们的时间步进算法时,我们使用方程(21)。
我们还需要确保我们比较的模拟结果确实足够相似。为此,S?ternes等人[53]开发了一种使用某些相似性度量和模型中每个井的井底压力来测量两个水库模拟结果之间差异的方法。使用S?ternes等人[53]中的相同阈值(见表2),我们可以检查每个新的模拟结果与第一个模拟结果的偏差是否太大,如果是这样,则调查这种偏差的原因。
如果两种时间步进算法对方程(21)给出的值几乎相同,我们如何对它们进行排名?在其他条件相同的情况下,我们希望:
1. 更多的时间步长;
2. 相对于总计算量的较少浪费的计算。
背后的理由是,使用更多的时间步长可能会产生更准确的模拟结果,因为额外的时间步长为最终模拟结果提供了更多的时间数据点。同样,如果两个模拟的运行时间相似,较低的计算浪费百分比意味着更多的计算工作贡献给了模拟结果,因此准确性可能更高。初步研究表明,时间步长的数量与计算浪费的数量呈负相关。因此,在接下来的讨论中,我们只关注相对于总计算量的计算浪费量。
**5.3.2. Norne预测模型的结果**
图3显示了表5中列出的控制器和容忍度组合的不同结果。对于每个水库模型,迭代次数的线性组合值都是相对于版本1a进行标准化的。每个条形的较浅部分表示由计算浪费引起的部分。首先,我们可以比较条形图的全高,然后,如果两个或更多条形图的高度相似,我们可以通过查看每个版本产生的计算浪费量来进一步区分它们。
下载:下载高分辨率图像(402KB)
下载:下载全尺寸图像
图3. 使用表5中列出的控制器和容忍度组合的六个Norne预测模型的结果。每个条形的较浅部分表示计算浪费的部分。
表5. 为实验选择的控制器和容忍度参数值。控制器参数和容忍度值的可能组合由标签表示,即1a、1b等。
**标签** | β1 | β2 | β3 | α2 | α3 |
| --- | --- | --- | --- | --- |
| TOL | 1 | 1/16 | 1/8 | 1/16 | 3/8 | 1/8 |
| a | 0.05 | 2 | 1/6 | 1/3 | 6 | ?5/3 | 6 | ?5/6 | ?1/6 |
| b | 0.15 | 3 | 1/8 | 1/8 | 0 | 1/4 | 0 |
| c | 0.30 |
请注意,我们排除了水库模型N-1B以及模型N-4A、N-4B和N-4C。对这些模型的测试表明,不同的自适应时间步进版本在模拟器中处理井的方式有所不同,因此我们无法公平地比较这些模型的算法。对于使用多段井的所有模型也是如此,这也是我们选择排除这些模型的原因。研究为什么对自适应时间步进算法的微小更改会导致模拟器在处理井的方式上出现如此显著的差异当然是值得的。然而,这超出了本文的范围,因此我们将重点放在模拟结果几乎无法区分的水库模型上(使用S?ternes等人[53]中的比较方法)。
对于水库模型N-1A,将容忍度从0.05增加到0.15可以提高效率。然而,进一步增加到0.3似乎并没有太大改善,实际上略微降低了我们的衡量标准下的性能。观察模型N-2A,我们发现最严格的容忍度(即0.05)的性能更好。因此,除了第二个控制器的结果稍微模糊外,较小的容忍度在这种情况下表现更好;这与我们对第一个模型的观察结果相反。有趣的是,对于所有版本,性能差异几乎完全来自更多的计算浪费。对于模型N-2B,我们再次看到较大的容忍度值优于较小的容忍度值。在这里,很难根据性能区分不同的控制器,尽管版本2a的表现似乎很差。接下来,模型N-3A显示出对较低容忍度值的偏好。同样,很难区分这些控制器,但版本1a和3a的表现似乎最好,而第二个控制器的性能最差。对于模型N-3B,中等容忍度值0.15似乎是更好的选择。虽然很难清楚地区分这三个控制器,但第三个控制器的表现似乎最好。最后,对于模型N-3C,版本1b、2a和3b的表现优于其他版本,其中2a的表现最好,这既是因为其总数值较低,也是因为计算浪费较少。对于所有控制器来说,当容忍度参数设置为0.3时,性能最差。
从上述结果来看,哪种控制器和容忍度组合最适合模型是高度依赖模型的。在某些情况下,将容忍度参数从0.05增加到0.3可以显著提高性能,而在其他情况下则恰恰相反。还有一些情况下,结果并不那么明确。现在我们更仔细地分析两个模拟结果,以了解它们在性能上的差异。对于模型N-2A,算法版本2a的表现比版本2b好约15%。然而,这可以归因于后者更多的计算浪费。图4显示了两个版本的时间步长。在模拟的前半部分,时间步长大部分是一致的。但在第3200天后,版本2a在选择时间步长时更为保守。因此,我们可能会天真地认为版本2b会更快完成模拟,因为它不那么保守,但实际上情况恰恰相反。对模拟结果的研究表明,虽然版本2a在大约3200天后确实拒绝了两个时间步长,但版本2b在同一时期拒绝了10个时间步长,最终在短时间内时间步长小于一个小时。可能的解释是,版本2b坚持增加时间步长导致更多的数值不稳定性,从而在解决这些不稳定性之前产生了更多的计算浪费。因此,也许违反直觉的是,更为保守的时间步长程序反而更快地完成了模拟。
在几次模拟中,有相当一部分总计算被浪费了(见图3中每个条形的较浅部分)。再次以模型N-2A为例,详细分析显示,大部分计算浪费是由于非线性求解器在规定的迭代次数内未能收敛。对于算法版本1b、2b和3b,这种失败分别占总计算浪费的86%、97%和86%,而对于其他版本,所有计算浪费都是由于这种类型的非线性求解器失败。计算浪费的另一个原因是线性求解器失败。没有计算浪费是由于未能满足误差测试;要发生这种情况,误差测试的容忍度值(第5.1节中的点3)必须更加严格。
接下来,我们想研究其他算法版本,并将范围限制在1b和3b组合上。这两种版本在大多数模型上的表现都相当好,在某些模型上表现非常好,因此它们似乎是能够跨不同模型提供良好整体性能的候选算法。我们现在想看看改变容忍度测试版本或计算相对变化的方法是否会影响自适应时间步进算法的性能。我们还想看看关闭对未能满足容忍度测试的时间步长的拒绝是否有任何影响。表6列出了这三种算法选项的八种组合。标签是在之前使用的标签后添加的,分别为1b-1、1b-2等。第一个版本是在图3中报告的初始实验中使用的版本。注意,对于第4.4节讨论的控制误差过滤,决定时间步长从一个步骤减少到下一个步骤的最大允许减少量的参数被设置为0.75。这意味着任何导致提议的下一个时间步长相对于当前时间步长减少超过25%的相对变化都将被视为过大,因此时间步长将被丢弃(前提是拒绝已完成时间步长的参数被设置为true)。
图5显示了表6中参数组合的结果。我们立即看到,对于所有模型和两种控制器,版本-1到-4给出了完全相同的结果。然而,当我们同时使用压力和饱和度来计算相对变化时,结果有时会根据其他两个参数的选择而有所不同。特别是,版本1b-5、3b-5和3b-7在大多数模型上的表现较差,而在其他模型上表现一般。也许整体最佳性能是由1b-7提供的,它特别在模型N-2A上显著优于其他控制器。再次,使用S?ternes等人[53]中的比较方法时,所有模拟结果都被认为足够相似。
最后,我们将版本1b-7与OPM Flow中的默认版本进行比较。OPM Flow的默认版本使用了一个二阶控制器和一个非线性迭代次数的目标值;迭代次数少于目标值意味着可以增加时间步长,而迭代次数较多则意味着我们应该使用更短的时间步长。在默认版本中,未能通过误差测试的已完成时间步长不会被拒绝。算法的其余部分与算法1中的内容相似。图6显示,默认版本在水库模型N-1A上的表现优于1b-7。这是一个比其他模型更简单的模型,因此性能较差的一个原因可能是我们的算法稍微更为保守——对于容易解决的模型来说,这不是一个理想的属性。对于水库模型N-2A、N-3A和N-3C,结果几乎无法区分,尽管从计算浪费的数量来看,默认版本的表现似乎更好。对于模型N-3B,版本1b-7明显优于默认版本。因此,这些模型的综合结果并不明确。
对于水库模型N-2B,由于数值不稳定性导致时间步长不断减小,直到低于模拟器设置的最小时间步长参数,默认版本未能完成模拟。因此,尽管这需要进一步深入研究,但有一些迹象表明我们的控制器方法提高了OPM Flow模拟器的鲁棒性;这里的鲁棒性指的是模拟器在避免数值不稳定性的同时提供准确模拟结果的能力。
在这项工作中,我们提出了一个通用的自适应时间步进框架,希望它可以简化为大多数(如果不是所有)相关应用设计适当时间步进算法的过程。这个自适应时间步进框架的一个关键组成部分是提出新的时间步长大小,其中一种处理方法是使用控制器。这种方法背后的原理以及构建适当控制器所需的必要理论细节是这项工作的核心部分。实现和测试自适应时间步进算法对于评估改进这一数值算法重要组成部分的影响是必要的,这项工作包括可复制的水库模拟实验,以帮助读者更全面地理解适当自适应时间步进方法的重要性。
正如我们所看到的,使用控制理论方法开发一个完整的自适应时间步进算法并将其实现到水库模拟器中并非易事。然而,按照本工作中的方法进行设计选择会变得更加简单和直接。尽管如此,实现算法所需的努力仍然很大程度上取决于具体的应用和软件。对于水库模拟,与这项工作相关的OPM Flow中的算法实现是公开可用的,任何人都可以使用(见第5.2.1节)。
我们在第5节中的实验结果表明,自适应时间步进算法在不同水库模型上的表现不同,这使我们得出结论,不太可能找到一个在每个模型上都优于其他所有算法的算法。然而,确实有理由相信可以识别出一些在大多数(如果不是所有)模型上表现良好的算法。因此,目标应该是找到一个在大多数模型上表现合理的特定算法,并且在极端情况下也不会表现太差。实际上,投入一些精力设计一个好的自适应时间步进算法可能会为更复杂的模拟任务带来特别有价值的结果,因为在这些任务中时间步进程序似乎更为重要——无论是从效率还是鲁棒性的角度来看。
在这项工作中,我们详细解释了如何基于控制理论考虑来制定自适应时间步进算法。然后我们测试了这个控制器家族的一些可能版本。从第5节的结果来看,为这些时间步进算法选择更好的参数值似乎有一些价值。也许最核心的参数是用于定义确切控制器的参数(即α和β)以及与误差或相对变化相关的容忍度。最后,我们建议使用版本1b-7,这是一个三阶控制器,其容忍度参数为0.15,在计算相对变化时同时使用压力和饱和度(详见表5和表6),在我们的实验中表现良好。虽然这项工作测试了许多时间步进参数的组合,但它并没有穷尽所有可能的选项(实际上这些选项是无限的),因此未来可能会设计出更好的算法。
控制器参数(即α和β)的选择基于稳定性和计算平滑性的一般考虑。未来研究的一个潜在方向是调查是否可以利用水库模型的特定物理属性(如流体粘度和渗透率)来选择更适合特定模型的控制器。尽管这项工作中进行的实验仅限于水库模拟,但自适应时间步进方法具有很高的通用性,可以应用于广泛的科学领域。然而,由于性能会因特定应用的不同模拟模型而异,几乎没有理由相信我们最终得到的算法特别适合任何其他应用。任何有兴趣为其他应用开发时间步进算法的人都可以基于算法1进行实现,但需要通过实验来确定哪些参数值是合适的。
识别和应用更好的自适应时间步进方法的一个重要原因是提高模拟的鲁棒性。根据第5节中的最后结果,我们将我们推荐的算法(选项1b-7)与OPM Flow中的默认选项进行比较,似乎我们的基于控制器的算法能够提高模拟器的鲁棒性。然而,为了正确评估这一点,还需要做更多的工作。很可能还需要更复杂的水库模型。尽管如此,研究为什么某种时间步进方法会失败而另一种方法却能成功,这显然是非常有价值的。就我们目前所了解的,使用解变量(在我们的案例中是压力和饱和度值)的相对变化来代替时间离散化误差的估计,并没有基于任何理论分析或严格的数值实验。尽管如此,这种替代方法在研究人员和实际操作者中都是常见的做法(见第3.5节)。因此,未来的一个研究方向可能是探讨这种替代方法与实际时间离散化误差之间的相关性。在这项工作中,我们将数值算法视为一个黑箱,即没有尝试平衡非线性求解器的内部行为与时间步进控制机制。一个值得研究的问题是,我们是否能够平衡数值求解器非线性部分的容忍度与自适应时间步进的误差容忍度。例如,Ahmed等人[28]和Pan等人[22]已经对此进行了探索。简而言之,如果非线性迭代的误差过高,那么通过时间离散化进一步减少误差可能无法提高精度,反之亦然。因此,协同处理算法框架的这两个部分可能有助于避免那些不会提高模拟结果总精度的不必要计算。
本文讨论的自适应时间步进的控制器方法确实可能效果良好。然而,类似于上述误差平衡的方法,当处理非线性方程时,将时间步进的选择与非线性求解器的收敛性协调起来可能是明智的。Gustafsson和S?derlind[8]在这方面进行了讨论,他们认为可以在非线性求解器收敛性较差的情况下,通过某种控制来进一步限制时间步长。当前的OPM Flow中的自适应时间步进方法包括一个目标非线性迭代次数;如果上一个时间步的非线性迭代次数超过了目标值,无论控制器建议如何,都会建议减小时间步长;反之,如果非线性迭代次数较低,则尝试增加下一个时间步长。在这项工作中,我们没有在控制器的基础上添加这样的额外逻辑。不过,这样做可能是有益的,未来的工作应该研究这种添加在多大程度上是有用的,以及哪种非线性迭代控制方法效果最好。
作者贡献声明:
Erik Hide S?ternes:撰写、审稿与编辑。
Xing Cai:撰写、审稿与编辑、监督、资源管理、项目管理和资金获取。
生物通微信公众号
生物通新浪微博
今日动态 |
人才市场 |
新技术专栏 |
中国科学人 |
云展台 |
BioHot |
云讲堂直播 |
会展中心 |
特价专栏 |
技术快讯 |
免费试用
版权所有 生物通
Copyright© eBiotrade.com, All Rights Reserved
联系信箱:
粤ICP备09063491号