中文題目：一種數據-物理雙驅動的油氣藏模擬代理模型

論文題目：A data-physical dual-driven surrogate model for reservoir simulation

錄用期刊：Physics of Fluids（中科院大類二區）

原文DOI：10.1063/5.0253146

原文鏈接：https://pubs.aip.org/aip/pof/article-abstract/37/2/026632/3337562/A-data-physical-dual-driven-surrogate-model-for?redirectedFrom=fulltext

錄用/見刊時間：2025年2月27日

作者列表：

1） 曾   桃 中國石油大學（北京）人工智能學院 石油與天然氣工程專業（人工智能方向）博23/中海石油（中國）有限公司海南分公司 氣藏資深工程師

2） 曾楠諾 中海石油（中國）有限公司海南分公司 數字化專務

3） 鄧傳中 中海石油（中國）有限公司海南分公司 公司級技術專家

4） 林伯韜 中國石油大學（北京）人工智能學院智能科學與技術系/海南研究院海洋油氣人工智能中心 教師

文章簡介:

本文提出了一項關于AI for Science的技術方法及應用案例。在油氣藏模擬中，數據驅動的滲流代理模型計算高效，但受限于數據稀缺、采集成本高和信噪比低，易導致過擬合和“黑箱”效應。相比之下，物理機理模型雖具理論支撐，但計算效率低，難以融合實時數據。為此，本研究提出物理約束神經網絡模型，將油氣滲流理論嵌入深度學習架構，結合數據驅動與物理機理優勢，提升計算效率、可解釋性和魯棒性。在中國南海某深水氣田的應用表明，該模型在預測精度和計算效率上均優于傳統方法，為油氣藏模擬提供了新的思路。

摘要:

滲流替代模型的構建是油氣儲層模擬技術研發的前沿領域。然而，當前廣泛使用的純數據驅動型滲流替代模型缺乏理論支撐，且對數據量和數據質量要求較高，這在很大程度上制約了滲流替代模型的發展。因此，本文提出了一種融合數據驅動與物理驅動的雙驅動滲流代理模型。該模型基于純數據驅動型滲流替代模型，整合滲流理論以模擬和預測油氣滲流過程。研究結果表明：（1）相較于純數據驅動模型，即使訓練數據極度稀疏，雙驅動滲流代理模型仍能保持高預測精度；（2）通過向訓練數據添加不同層級的噪聲干擾測試雙驅動模型的魯棒性，驗證其性能優于純數據驅動模型；（3）最后，通過遷移學習將訓練好的雙驅動滲流代理模型應用于新滲流場，結果顯示該模型能夠快速收斂并節省計算資源。

背景與動機:

如今，數據驅動的滲流代理模型被廣泛用于油氣藏的模擬與預測以提高效率和減少用時，然而其面臨數據量少、收集昂貴、信噪比低等諸多問題，導致過擬合、精度不足和模型“黑箱”問題。另一方面，傳統物理機理驅動、求解偏微分方程的數值模型面臨計算效率低、融合實時數據困難、魯棒性不足等問題；亟需研發融合物理機理與現場數據的人工智能模型，以提高計算效率以及工程分析的靈活性和魯棒性。

設計與實現:

采用深度學習并借由自動微分技術求解偏微分方程，同時將物理驅動加入神經網絡模型的損失函數中：物理驅動包括初始條件、邊界條件和控制方程的殘差項。模型架構見圖1。

 

圖1 雙驅動滲流代理模型架構

主要內容: 

基于Karhunen-Loève分解生成一個1500×1500平方米的隨機滲透率場（圖2a）。滲流區域的左右兩側分別為壓力邊界，左側壓力為5 MPa，右側壓力為10 MPa；頂部和底部邊界設為封閉邊界，中間滲流區域初始壓力為5 MPa。流體黏度為20 mPa·s，綜合壓縮因子為3.3×10^-? MPa^-1，孔隙度為20%，模擬時長為70天，時間步長為1天，由油氣藏數值模擬器計算得到的壓力場結果（圖2b）作為參考解。

 

圖2 隨機滲透率場與數值模擬壓力場

對比驗證純數據驅動和雙驅動滲流代理模型的預測結果。兩者均采用逐層全連接神經網絡，并以Google Brain提出的Swish函數作為激活函數。為驗證模型性能，分別將純數據驅動和雙驅動滲流代理模型的預測結果與模擬器計算結果進行對比，并通過滲流區域內均勻采樣的點開展相關性分析。純數據驅動和雙驅動滲流代理模型的預測結果均接近模擬器計算結果。其中，雙驅動滲流代理模型的模擬預測精度較高。

實驗結果及分析:

現場觀測數據的稀疏性是純數據驅動滲流代理模型在石油工業應用中的一個主要限制。為分析雙驅動滲流代理模型對訓練數據量的依賴性，分別設置了四種不同數據量的訓練場景（10、40、400、4000個樣本），并對比了純數據驅動和雙驅動滲流代理模型的表現。如圖3和圖4所示，當訓練數據量充足時，兩種模型的預測結果與模擬器計算結果的差異均較??；隨著訓練數據量的減少，純數據驅動模型的預測精度顯著下降，而雙驅動模型的性能基本未受影響，其預測結果仍與模擬器計算結果保持較小的誤差。

 

圖3 不同體量訓練數據下的純數據驅動模型預測結果

 

圖4 不同體量訓練數據下的雙驅動模型預測結果

同時，研究還通過加入高斯白噪聲的形式測試模型的魯棒性，發現隨著高斯白噪聲水平的增加，純數據驅動滲流代理模型的預測精度迅速下降，而雙驅動滲流代理模型的預測精度僅略有下降，但仍保持在較高水平。此外，為測試模型的可遷移性，通過重頭訓練和遷移學習對比雙驅動滲流代理模型在不同訓練輪次下的預測結果，發現該模型僅需較短訓練時間即可達到長時間密集訓練的效果，并實現快速收斂，同時節省計算資源。

結論:

通過融合油氣滲流理論與純數據驅動滲流代理模型，建立了雙驅動滲流代理模型。該模型在相同訓練條件下具有更高的預測精度和更低的數據依賴性，有效解決了深度學習模型應用于數據稀疏場景的難題。與純數據驅動滲流代理模型不同，雙驅動模型的強魯棒性使其能夠更好地處理訓練數據中的干擾噪聲，為低信噪比訓練數據的利用提供了新方法。此外，雙驅動滲流代理模型展現出良好的可遷移性，可復用現有模型解決類似油氣藏模擬問題。

作者簡介:

曾桃，中海石油（中國）有限公司海南分公司生產部氣藏資深工程師，高級工程師職稱，一級注冊計量師。2003年于西南石油大學石油工程學院獲學士學位，2006年于西南石油大學獲碩士學位，2023年中國石油大學人工智能學院工程博士在讀。主要從事油氣田開發，油氣產量計量，油氣生產與人工智能融合領域的研究。

通訊作者簡介:

林伯韜, 教授/博導, PhD, SPE, IEEE，中國石油大學（北京）人工智能學院院長/海南研究院海洋油氣人工智能中心主任。主要從事智能石油工程與工業數字孿生的教學與研究工作。