물리 기반 신경망을 이용한 효과적인 생산 예측 및 강력한 비율 최적화

초록 물 물도 유출(flooding)은 석유 회수에서 성공적인 개발 전략으로 오랜 역사를 가지고 있지만, 최적화된 전략을 통해 그 잠재력을 극대화하는 것은 여전히 중요한 도전 과제입니다. 전통적으로, 가장 효과적인 물도 유출 디자인을 식별하기 위해서는 방대한 수치 시뮬레이션이 필요하며, 이는 계산적으로 부담이 될 수 있습니다. 본 연구는 석유 회수를 향상시키기 위해 물도 유출 디자인을 최적화하는 물리 기반 신경망(Physics-Informed Neural Network, PINN)을 활용하는 포괄적인 프레임워크를 소개합니다. 구체적으로, PINN은 유체 역학 원리를 심층 학습 알고리즘에 통합하고 다양한 물도 유출 시나리오에 걸쳐 석유 생산을 효과적으로 예측하는 빠른 대리 방법으로 작용합니다. 더욱이, 최적화 기술이 주입 디자인을 미세 조정하도록 설계되어 석유 회수를 최적화합니다. 2D 합성 및 3D Brugge 벤치마크 사례에 대한 실험은 PINN 모델이 순수 데이터 기반 신경망에 비해 더 높은 정확도를 달성함을 보여줍니다. PINN 대리를 사용하여 유전 알고리즘이 최적의 석유 생산을 위한 주입 파라미터 공간을 신속하게 탐색합니다. 최적화된 전략은 전체 수치 시뮬레이터를 사용하여 검증되어 제안된 접근 방식의 실행 가능성을 확인합니다. 전반적으로, 심층 학습에 대한 도메인 지식의 통합은 순수 데이터 기반 모델의 일반화 능력을 향상시킬 뿐만 아니라 엔지니어를 위한 통찰력 있는 물리적 해석을 제공합니다.