Differenzierbares Mehrphasen-Strömungsmodell für physik-informiertes Maschinelles Lernen beim Management des Reservoirdrucks

Druck im Untergrund im Griff behalten

Tief unter der Erde injizieren und fördern wir Fluide, etwa zur Speicherung von Kohlendioxid, zur Öl- und Gasproduktion, zur Erzeugung geothermischer Energie oder zur Entsorgung von Abwasser. Zu starke Eingriffe in diese verborgenen Reservoirs können jedoch Gestein aufbrechen, Erdbeben auslösen oder gespeicherte Gase entwichen lassen. Diese Arbeit stellt eine neue Methode vor, bei der Maschinelles Lernen eng mit physikbasierten Simulationen verzahnt wird, um den Untergrunddruck innerhalb sicherer Grenzen zu halten — selbst wenn die geologische Beschaffenheit stark unsicher und komplex ist.

Warum sich Untergrunddruck nur schwer steuern lässt

Subsurface-Reservoirs sind alles andere als einheitlich. Gesteinsschichten unterscheiden sich darin, wie leicht Fluide durch sie hindurchströmen, und mehrere Phasen können koexistieren und miteinander interagieren, etwa Wasser und Gas. Ingenieure verlassen sich normalerweise auf detailreiche Computermodelle, um vorherzusagen, wie sich der Druck bei Injektion oder Entnahme von Fluiden entwickelt. Diese Modelle müssen komplizierte Gleichungen lösen und werden bei tausendfacher Wiederholung über viele mögliche geologische Szenarien hinweg zu langsam für den praktischen Einsatz. Gleichzeitig ist genau diese Wiederholung nötig, um gefährliche Druckanstiege zu vermeiden und die großen Unsicherheiten realer Untergrundformationen zu berücksichtigen.

Physik und Maschinelles Lernen verbinden

Die Autorinnen und Autoren schlagen einen physik-informierten Maschinelles-Lernen-Workflow vor, der als schneller „Surrogat“ für den vollständigen Simulator dient und gleichzeitig die zugrunde liegende Physik respektiert. Die Kernidee ist, ein Faltungsneuronales Netzwerk — ein Modelltyp, der sich beim Auswerten von Bilddaten bewährt hat — auf zweidimensionalen Karten der Gesteinspermeabilität zu trainieren. Aus einer solchen Karte sagt das Netzwerk voraus, wieviel Fluid an einem Brunnen gefördert werden sollte, damit der Druck an einem nahegelegenen kritischen Ort während der Injektion innerhalb eines vorgegebenen Limits bleibt. Anstatt das Netzwerk nur mit historischen Daten zu trainieren, wird der vollständige Physiksimulator direkt in die Trainingsschleife eingebettet. Jedes Mal, wenn das Netzwerk eine Förderrate vorschlägt, berechnet der Simulator den resultierenden Druck, und das Netzwerk wird anhand der Abweichung dieses Drucks vom Ziel angepasst.

Vom einfachen zur komplexen Physik mittels Transfer Learning

Da realistische Untergrundströmungen mehrere Fluidphasen und zeitliche Veränderungen umfassen, würde ein direktes Training mit vollständigen mehrphasigen, zeitabhängigen Simulationen eine enorme Anzahl teurer Simulationen erfordern. Frühere Abschätzungen sprachen von zehn Millionen Simulationen, was nicht praktikabel ist. Um dies zu überwinden, nutzen die Autoren Transfer Learning: Zunächst wird das neuronale Netzwerk an einem deutlich einfacheren Problem vortrainiert, bei dem nur eine Fluidphase bewegt wird und das System stationär ist. Diese Simulationen sind günstig und erlauben dem Modell, allgemeine Zusammenhänge zwischen Gesteinseigenschaften und Drucksteuerung zu erlernen. Sobald das Netzwerk dieses Fundament hat, wird es durch Feintuning mit einem realistischeren zweiphasigen, zeitabhängigen Simulator verfeinert, der die Wechselwirkung zwischen injiziertem und vorhandenem Fluid erfasst.

Wie sich der neue Workflow schlägt

Mit dieser gestuften Strategie zeigen die Autoren, dass hohe Genauigkeit mit weniger als dreitausend vollständigen Mehrphasen-Simulationen erreicht werden kann — um mehrere Größenordnungen weniger, als naive Ansätze erfordern würden. Während des Trainings überwachen sie, wie genau die vorausgesagten Drücke das Ziel am kritischen Ort treffen, und stellen fest, dass die Fehler gleichmäßig abnehmen und nach nur einer moderaten Anzahl von Feintuning-Schritten sehr kleine Werte erreichen. Beim Test des trainierten Modells an zehntausend zufällig erzeugten Permeabilitätsfeldern wählt das Netzwerk durchweg Förderraten, die den Druck am kritischen Punkt nahe dem gewünschten Niveau halten, obwohl die zugrunde liegenden Gesteinseigenschaften über mehrere Größenordnungen variieren. Die Methode wird zudem auf ein dreidimensionales Szenario mit mehreren Injektions- und Förderbrunnen ausgeweitet, wo sie erneut sichere Drücke an mehreren kritischen Orten aufrechterhält.

Was das für den praktischen Betrieb bedeutet

Die Studie zeigt, dass die Kombination differenzierbarer Physiksimulatoren mit Maschinellem Lernen ein leistungsfähiges Werkzeug für das Management von Untergrunddruck unter Unsicherheit liefern kann. Indem das Modell direkt aus den herrschenden Gleichungen lernt, statt sich auf große historische Datensätze zu stützen, lässt sich der Ansatz auch auf neue Speicher- oder Förderstandorte anwenden, an denen Daten knapp sind. Er bietet einen Weg zu schnelleren, aber physikalisch vertrauenswürdigen Vorhersagen, die Near‑Realtime-Entscheidungen unterstützen können. Praktisch bedeutet das, dass Betreiber Injektions- und Förderraten besser abstimmen könnten, um induzierte Erdbeben und Leckagerisiken zu vermeiden und gleichzeitig Energie- und Speicherziele zu erreichen.

Zitation: Ur Rashid, H., Pachalieva, A. & O’Malley, D. Differentiable multiphase flow model for physics-informed machine learning in reservoir pressure management. Sci Rep 16, 10345 (2026). https://doi.org/10.1038/s41598-026-37063-3

Schlüsselwörter: Management des Reservoirdrucks, physik-informiertes Maschinelles Lernen, Mehrphasenströmung, Kohlenstoffspeicherung, differenzierbare Simulation