Modelo diferenciable de flujo multifásico para aprendizaje automático informado por la física en la gestión de la presión del yacimiento

Mantener la presión subterránea bajo control

En las profundidades del subsuelo inyectamos y extraemos fluidos con fines como almacenar dióxido de carbono, producir petróleo y gas, generar energía geotérmica o eliminar aguas residuales. Pero ejercer demasiada presión sobre estos reservorios ocultos puede fisurar las rocas, desencadenar terremotos o provocar fugas de gases almacenados. Este artículo presenta una nueva forma de usar aprendizaje automático estrechamente acoplado con simulación basada en la física para mantener la presión subterránea dentro de límites seguros, incluso cuando la geología subyacente es altamente incierta y compleja.

Por qué es difícil controlar la presión subterránea

Los reservorios del subsuelo distan mucho de ser homogéneos. Las capas rocosas varían en la facilidad con la que los fluidos las atraviesan, y pueden coexistir e interactuar varios fluidos, como agua y gas. Los ingenieros suelen confiar en modelos informáticos detallados para predecir cómo evolucionará la presión cuando se inyecta o extrae fluido. Estos modelos deben resolver ecuaciones complejas y, cuando se repiten miles de veces para muchos escenarios geológicos posibles, se vuelven demasiado lentos para su uso práctico. Sin embargo, esa repetición es precisamente lo que se necesita para evitar acumulaciones de presión peligrosas y para tener en cuenta la gran incertidumbre de las formaciones subterráneas reales.

Mezclando física y aprendizaje automático

Los autores proponen un flujo de trabajo de aprendizaje automático informado por la física que actúa como un «sustituto» rápido del simulador completo sin dejar de respetar la física subyacente. La idea central es entrenar una red neuronal convolucional—un tipo de modelo que sobresale al interpretar imágenes—con mapas bidimensionales de la permeabilidad de la roca. Dado uno de esos mapas, la red predice cuánto fluido debe extraerse en un pozo para mantener la presión en un punto crítico cercano dentro de un límite prescrito durante la inyección. En lugar de entrenar la red únicamente con datos históricos, el método incrusta un simulador físico completo directamente dentro del bucle de entrenamiento. Cada vez que la red propone una tasa de extracción, el simulador calcula la presión resultante y la red se ajusta según lo cerca que esté esa presión del objetivo.

De física simple a compleja mediante aprendizaje por transferencia

Como el flujo realista en el subsuelo implica múltiples fases de fluido y evoluciona con el tiempo, entrenar directamente con simulaciones completas multifásicas y dependientes del tiempo exigiría un número enorme de ejecuciones costosas. Estimaciones previas sugerían decenas de millones de simulaciones, lo cual no es factible. Para superar esto, los autores usan aprendizaje por transferencia: primero preentrenan la red neuronal en un problema mucho más simple en el que solo se mueve una fase de fluido y el sistema está en estado estacionario. Esas simulaciones son baratas y permiten al modelo aprender patrones generales que vinculan las propiedades de la roca con el control de la presión. Una vez que la red tiene esa base, se afina usando un simulador más realista, dependiente del tiempo y de dos fases, que captura la interacción de los fluidos inyectados y residentes.

Cómo funciona el nuevo flujo de trabajo

Con esta estrategia por etapas, los autores demuestran que se puede alcanzar una alta precisión usando menos de tres mil simulaciones multifásicas completas—varias órdenes de magnitud menos de lo que requerirían enfoques ingenuos. Durante el entrenamiento, monitorizan qué tan cercanas están las presiones predichas al objetivo en el punto crítico y observan que los errores disminuyen de forma continua y alcanzan valores muy pequeños tras solo un número moderado de pasos de afinamiento. Al probar el modelo entrenado en diez mil campos de permeabilidad generados aleatoriamente, la red selecciona de forma consistente tasas de extracción que mantienen la presión en el punto crítico cerca del nivel deseado, a pesar de que las propiedades de la roca subyacente varían en varias órdenes de magnitud. El método también se extiende a un entorno tridimensional con múltiples pozos de inyección y extracción, donde de nuevo mantiene presiones seguras en múltiples ubicaciones críticas.

Qué significa esto para las operaciones en el mundo real

El estudio demuestra que combinar simuladores físicos diferenciables con aprendizaje automático puede ofrecer una herramienta potente para gestionar la presión subsuperficial bajo incertidumbre. Al aprender directamente de las ecuaciones que rigen el sistema, en lugar de depender de grandes bases de datos históricas, el enfoque puede aplicarse a nuevos sitios de almacenamiento o extracción donde los datos escasean. Ofrece una vía para obtener predicciones más rápidas y, al mismo tiempo, físicamente confiables que pueden apoyar la toma de decisiones casi en tiempo real. En términos prácticos, esto permite a los operadores ajustar mejor las tasas de inyección y extracción para evitar sismos inducidos y riesgos de fuga, sin dejar de cumplir los objetivos energéticos y de almacenamiento.

Cita: 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

Palabras clave: gestión de la presión del yacimiento, aprendizaje automático informado por la física, flujo multifásico, almacenamiento de carbono, simulación diferenciable