Modèle différentiable d’écoulement multiphasique pour l’apprentissage automatique informé par la physique dans la gestion de la pression des réservoirs

Garder la pression souterraine sous contrôle

En profondeur, nous injectons et extrayons des fluides pour des usages tels que le stockage du dioxyde de carbone, la production de pétrole et de gaz, la production géothermique et l’élimination des eaux usées. Mais pousser trop fort sur ces réservoirs cachés peut fissurer les roches, déclencher des séismes ou provoquer des fuites des gaz stockés. Cet article présente une nouvelle manière d’utiliser l’apprentissage automatique étroitement couplé à une simulation fondée sur la physique pour maintenir la pression en sous-sol dans des limites sûres, même lorsque la géologie souterraine est très incertaine et complexe.

Pourquoi il est difficile de contrôler la pression souterraine

Les réservoirs souterrains sont loin d’être homogènes. Les couches rocheuses varient en perméabilité, et plusieurs fluides peuvent coexister et interagir, comme l’eau et le gaz. Les ingénieurs s’appuient généralement sur des modèles informatiques détaillés pour prédire l’évolution de la pression lors d’injections ou d’extractions. Ces modèles doivent résoudre des équations complexes et, lorsqu’ils sont lancés des milliers de fois pour de nombreux scénarios géologiques possibles, ils deviennent trop lents pour un usage pratique. Pourtant, cette répétition est précisément nécessaire pour éviter des accumulations dangereuses de pression et pour tenir compte de la grande incertitude des formations souterraines réelles.

Mêler la physique et l’apprentissage automatique

Les auteurs proposent un flux de travail d’apprentissage automatique informé par la physique qui sert de « surrogat » rapide pour le simulateur complet tout en respectant la physique sous-jacente. L’idée centrale est d’entraîner un réseau de neurones convolutionnel — un type de modèle excellent pour analyser des images — sur des cartes bidimensionnelles de perméabilité des roches. À partir d’une telle carte, le réseau prédit quelle quantité de fluide doit être extraite à un puits pour maintenir la pression à un emplacement critique voisin en deçà d’une limite prescrite pendant l’injection. Plutôt que d’entraîner le réseau uniquement sur des données historiques, la méthode intègre un simulateur physique complet directement dans la boucle d’entraînement. Chaque fois que le réseau propose un débit d’extraction, le simulateur calcule la pression résultante, et le réseau est ajusté en fonction de la proximité de cette pression par rapport à l’objectif.

De la physique simple à la physique complexe avec l’apprentissage par transfert

Parce que l’écoulement souterrain réaliste implique plusieurs phases fluides et évolue dans le temps, un entraînement direct sur des simulations multiphasiques dépendantes du temps exigerait un nombre énorme d’exécutions coûteuses. Des estimations antérieures suggéraient des dizaines de millions de simulations, ce qui n’est pas réalisable. Pour surmonter cet obstacle, les auteurs utilisent l’apprentissage par transfert : ils préentraînent d’abord le réseau neuronal sur un problème beaucoup plus simple où seule une phase fluide se déplace et le système est en état stationnaire. Ces simulations sont peu coûteuses et permettent au modèle d’apprendre des schémas généraux liant les propriétés rocheuses au contrôle de la pression. Une fois cette base acquise, le réseau est affiné à l’aide d’un simulateur plus réaliste, à deux phases et dépendant du temps, qui capture l’interaction entre le fluide injecté et le fluide résident.

Performances du nouveau flux de travail

Avec cette stratégie par étapes, les auteurs démontrent qu’une grande précision peut être atteinte en utilisant moins de trois mille simulations multiphasiques complètes — plusieurs ordres de grandeur de moins que ce que nécessiteraient des approches naïves. Pendant l’entraînement, ils surveillent la proximité entre les pressions prédites et l’objectif au point critique et constatent que les erreurs diminuent régulièrement et atteignent des valeurs très faibles après seulement un nombre modeste d’étapes de finition. Lorsqu’ils testent le modèle entraîné sur dix mille champs de perméabilité générés aléatoirement, le réseau choisit systématiquement des débits d’extraction qui maintiennent la pression au point critique près du niveau souhaité, bien que les propriétés rocheuses sous-jacentes varient sur plusieurs ordres de grandeur. La méthode est également étendue à un contexte tridimensionnel avec plusieurs puits d’injection et d’extraction, où elle maintient à nouveau des pressions sûres en plusieurs points critiques.

Quelles implications pour les opérations réelles

L’étude montre que la combinaison de simulateurs physiques différentiables et de l’apprentissage automatique peut fournir un outil puissant pour gérer la pression souterraine en situation d’incertitude. En apprenant directement à partir des équations gouvernantes, plutôt qu’en s’appuyant sur de larges jeux de données historiques, l’approche peut être appliquée à de nouveaux sites de stockage ou d’extraction où les données sont rares. Elle offre une voie vers des prédictions plus rapides, mais physiquement fiables, susceptibles de soutenir la prise de décision quasi en temps réel. Concrètement, cela signifie que les opérateurs pourraient mieux ajuster les débits d’injection et d’extraction pour éviter les séismes induits et les risques de fuite tout en atteignant leurs objectifs énergétiques et de stockage.

Citation: 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

Mots-clés: gestion de la pression des réservoirs, apprentissage automatique informé par la physique, écoulement multiphasique, stockage du carbone, simulation différentiable