מודל זרימה רב-שלבי נגזר עבור למידת מכונה המודרכת בפיזיקה בניהול לחץ במאגרי תת-קרקע

שמירה על לחץ תת-קרקעי במסגרת

בהעמק התת-קרקעי אנו ממזגים ומוציאים נוזלים למטרות כגון אחסון פחמן דו-חמצני, הפקת נפט וגז, הפקת אנרגיה גאותרמית והטמנת שפכים. אבל דחיפה חזקה מדי של אותם מאגרים נסתרים עלולה לסדוק סלעים, לעורר רעידות אדמה או לגרום לדליפה של גזים מאוחסנים. מאמר זה מציג שיטה חדשה לשילוב למידת מכונה באופן הדוק עם סימולציה מבוססת פיזיקה כדי לשמור על לחץ תת-קרקעי בתוך גבולות בטוחים, גם כאשר הגאולוגיה התת-קרקעית לא ודאית ומורכבת מאוד.

מדוע קשה לשלוט בלחץ התת-קרקעי

מאגרי התת-קרקע אינם אחידים כלל. שכבות סלע שונות בגודל החדירות שלהן לנוזלים, וכמה נוזלים יכולים להתקיים באותו זמן ולפעול זה על זה, כמו מים וגז. מהנדסים בדרך כלל מסתמכים על מודלים ממוחשבים מפורטים כדי לחזות כיצד הלחץ יתפתח כאשר הם מזריקים או מסירים נוזל. מודלים אלה חייבים לפתור משוואות מורכבות וכאשר מריצים אותם אלף-אלפי פעמים על פני תרחישים גאולוגיים אפשריים הם הופכים לאטיים מדי לשימוש מעשי. יחד עם זאת, חזרות רבות כאלה הן בדיוק מה שנדרש כדי להימנע מבניית לחץ מסוכנת ולחשב את אי-הוודאות הגדולה הקיימת במבנים תת-קרקעיים אמיתיים.

שילוב פיזיקה ולמידת מכונה

המחברים מציעים זרימת עבודה של למידת מכונה מודרכת בפיזיקה הפועלת כסורוגט מהיר למדי לסימולטור המלא ועדיין מכבדת את העקרונות הפיזיקליים הבסיסיים. הרעיון המרכזי הוא לאמן רשת עצבית קונבולוציונית — סוג של מודל שמעולה בקריאת תמונות — על מפות דו-ממדיות של חדירות הסלע. בהתבסס על מפה כזו, הרשת חוזה כמה נוזל יש לשאוב מבאר כדי לשמור על הלחץ בנקודה קריטית סמוכה במסגרת גבול שנקבע בזמן הזרקה. במקום לאמן את הרשת רק על נתוני עבר, השיטה טומנת סימולטור פיזיקלי מלא בתוך לולאת האימון. בכל פעם שהרשת מציעה קצב שאיבה, הסימולטור מחשב את הלחץ הנובע והרשת מותאמת לפי כמה הלחץ קרוב למטרה.

מפיזיקה פשוטה למורכבת בעזרת העברת למידה

מכיוון שזרימה תת-קרקעית ריאליסטית כוללת מספר שלבי נוזל ומשתנה עם הזמן, אימון ישיר על סימולציות רב-שלביות ותלויות-זמן היה דורש כמות עצומה של ריצות יקרות. אומדנים מוקדמים הציעו עשרות מיליוני סימולציות, מה שאינו בר-מימוש. כדי להתגבר על כך, המחברים משתמשים בהעברת למידה: תחילה הם מאמנים מראש את הרשת הנוירונלית על בעיה הרבה יותר פשוטה שבה זז שלב נוזלי יחיד והמערכת במצב יציב. סימולציות אלו זולות ומאפשרות למודל ללמוד דפוסים רחבים שמקשרים בין תכונות הסלע ובין בקרת הלחץ. לאחר שהרשת מקבלת יסוד זה, היא מותאמת היטב (fine-tuned) באמצעות סימולטור ריאלי יותר דו-שלבי ותלויות-זמן הלוכד את האינטראקציה בין הנוזלים המוזרקים לבין הנוזלים התושבים.

כיצד הביצועים של הזרימת עבודה החדשה

בעזרת אסטרטגיה בשלבים זו, המחברים מראים שניתן להגיע לדיוק גבוה תוך שימוש בפחות משלושת אלפים סימולציות רב-שלביות מלאות — מספר הנמוך במספר רמותי לעומת מה שהשיטות הפשוטות היו דורשות. במהלך האימון הם מנטרים עד כמה הלחצים החזויים תואמים למטרה בנקודה הקריטית ומוצאים שהשגיאות מצטמצמות בצורה חלקה ומגיעות לערכים קטנים מאוד לאחר רק מספר צנוע של צעדי התאמה עדינה. כאשר הם בודקים את המודל המאומן על עשרת אלפים שדות חדירות שנוצרו באקראי, הרשת בוחרת בעקביות קצבי שאיבה המשאירים את הלחץ בנקודה הקריטית קרוב לרמה הרצויה, למרות שתכונות הסלע הבסיסיות נעות על פני מספר סדרי גודל. השיטה מורחבת גם להגדרה תלת-ממדית עם מספר בארות הזרקה ושאיבה, שם היא שוב שומרת על לחצים בטוחים במספר נקודות קריטיות.

מה המשמעות של זה לפעולות בשדה

המחקר מדגים כי שילוב סימולטורים פיזיקליים ניתנים לדריבציה עם למידת מכונה יכול לספק כלי עוצמתי לניהול לחץ תת-קרקעי תחת אי-וודאות. על ידי לימוד ישיר מהמשוואות השולטות, במקום להסתמך על מאגרי נתונים היסטוריים גדולים, הגישה ניתנת ליישום באתרים חדשים לאחסון או להפקה שבהם הנתונים דלים. היא מציעה מסלול לחיזויים מהירים יותר, ובכל זאת מהימנים מבחינה פיזיקלית, שיכולים לתמוך בקבלת החלטות קרובה לזמן אמת. במונחים פרקטיים, משמעות הדבר היא שמפעילים יוכלו לכוונן טוב יותר את קצבי ההזרקה והשאיבה כדי למנוע רעידות אדמה משניות וסיכוני דליפה ובו-זמנית לעמוד ביעדי אנרגיה ואחסון.

ציטוט: 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

מילות מפתח: ניהול לחץ במאגר תת-קרקעי, למידת מכונה מודרכת בפיזיקה, זרימה רב-שלבית, אחסון פחמן, סימולציה ניתנת לדריבציה