Modello differenziabile per flusso multifase per il machine learning informato dalla fisica nella gestione della pressione in giacimenti

Mantenere sotto controllo la pressione sotterranea

Nelle profondità del sottosuolo iniettiamo ed estraiamo fluidi per scopi come lo stoccaggio di anidride carbonica, la produzione di petrolio e gas, la generazione di energia geotermica e lo smaltimento di acque reflue. Ma esercitare troppa pressione su questi serbatoi nascosti può fratturare le rocce, innescare terremoti o provocare fughe dei gas immagazzinati. Questo articolo presenta un nuovo modo di impiegare il machine learning strettamente integrato con simulazioni basate sulla fisica per mantenere la pressione nel sottosuolo entro limiti di sicurezza, anche quando la geologia sotterranea è altamente incerta e complessa.

Perché è difficile controllare la pressione sotterranea

I giacimenti sotterranei sono tutt’altro che uniformi. Gli strati rocciosi variano nella facilità con cui i fluidi possono attraversarli, e più fluidi possono coesistere e interagire, come acqua e gas. Gli ingegneri fanno normalmente affidamento su modelli numerici dettagliati per prevedere come evolverà la pressione quando iniettano o rimuovono fluidi. Questi modelli devono risolvere equazioni complicate e, se ripetuti migliaia di volte per molteplici scenari geologici possibili, diventano troppo lenti per un uso pratico. Eppure tale ripetizione è proprio ciò che serve per evitare accumuli di pressione pericolosi e per tenere conto della grande incertezza nelle formazioni sotterranee reali.

Fondere fisica e machine learning

Gli autori propongono un flusso di lavoro di machine learning informato dalla fisica che funge da “surrogato” veloce del simulatore completo pur rispettando la fisica sottostante. L’idea centrale è addestrare una rete neurale convoluzionale — un tipo di modello particolarmente adatto a interpretare immagini — su mappe bidimensionali della permeabilità della roccia. Data una di queste mappe, la rete predice quanto fluido debba essere estratto da un pozzo per mantenere la pressione in un punto critico vicino entro un limite prefissato durante l’iniezione. Invece di addestrare la rete solo su dati storici, il metodo incorpora un simulatore fisico completo direttamente nel ciclo di addestramento. Ogni volta che la rete propone una portata di estrazione, il simulatore calcola la pressione risultante e la rete viene aggiornata sulla base di quanto quella pressione si avvicini all’obiettivo.

Dal comportamento semplice a una fisica complessa con transfer learning

Poiché il flusso sotterraneo realistico coinvolge più fasi di fluido e varia nel tempo, addestrare direttamente su simulazioni multifase e dipendenti dal tempo richiederebbe un numero enorme di esecuzioni costose. Stime precedenti suggerivano decine di milioni di simulazioni, cosa non fattibile. Per superare questo limite, gli autori usano il transfer learning: prima pre-addestrano la rete neurale su un problema molto più semplice in cui si muove una sola fase fluida e il sistema è in stato stazionario. Queste simulazioni sono economiche e permettono al modello di apprendere pattern generali che collegano le proprietà della roccia al controllo della pressione. Una volta che la rete ha questa base, viene poi perfezionata usando un simulatore più realistico, multifase e dipendente dal tempo, che cattura l’interazione tra i fluidi iniettati e quelli residenti.

Come si comporta il nuovo flusso di lavoro

Con questa strategia a tappe, gli autori dimostrano che è possibile raggiungere elevata accuratezza usando meno di tremila simulazioni complete multifase — parecchi ordini di grandezza in meno rispetto a quanto richiederebbero approcci ingenuamente diretti. Durante l’addestramento monitorano quanto le pressioni predette si avvicinano all’obiettivo nel punto critico e osservano che gli errori si riducono in modo regolare fino a valori molto piccoli dopo un numero modesto di passaggi di fine-tuning. Quando testano il modello addestrato su diecimila campi di permeabilità generati casualmente, la rete sceglie costantemente portate di estrazione che mantengono la pressione nel punto critico vicino al livello desiderato, nonostante le proprietà petrofisiche sottostanti varino di diversi ordini di grandezza. Il metodo viene esteso anche a un contesto tridimensionale con più pozzi di iniezione ed estrazione, dove mantiene nuovamente pressioni sicure in più punti critici.

Implicazioni per le operazioni reali

Lo studio dimostra che combinare simulatori fisici differenziabili con il machine learning può fornire uno strumento potente per gestire la pressione sotterranea in presenza di incertezza. Imparando direttamente dalle equazioni governanti, piuttosto che facendo affidamento su grandi dataset storici, l’approccio può essere applicato a nuovi siti di stoccaggio o estrazione dove i dati sono scarsi. Offre una via per previsioni più rapide ma fisicamente affidabili che possono supportare decisioni quasi in tempo reale. In termini pratici, ciò significa che gli operatori potrebbero meglio tarare le portate di iniezione e estrazione per evitare il rischio di terremoti indotti e perdite, continuando però a raggiungere obiettivi energetici e di stoccaggio.

Citazione: 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

Parole chiave: gestione della pressione in giacimenti, machine learning informato dalla fisica, flusso multifase, stoccaggio del carbonio, simulazione differenziabile