用于油藏压力管理的物理信息机器学习的可微分多相流模型

由于地质异质性和多相流体动力学，准确的地下油藏压力控制极具挑战性。在这种情况下，预测行为依赖于高保真的基于物理的模拟，而这些模拟在计算上非常昂贵。然而，控制这些流动的不确定异质性质使得进行许多昂贵的模拟成为必要，这往往是不可承受的。为了解决这些挑战，我们引入了一种物理信息机器学习工作流程，将一个完全可微分的多相流模拟器与卷积神经网络（CNN）结合。CNN学习根据异质渗透率场预测流体提取率，以在关键油藏位置强制执行压力限制。通过将瞬态多相流物理纳入培训过程中，我们的方法使得与以前的工作相比，能够对现实的注入-抽取场景进行更实用和准确的预测。为了加快训练，我们在单相稳态模拟上对模型进行预训练，然后在完整的多相场景上进行微调，这大大降低了计算成本。我们证明，利用不到三千次全物理多相流模拟可以实现高精度训练，而之前的估算需要多达一千万次。通过利用来自成本更低的单相模拟的迁移学习，实现在模拟次数上的显著减少。