貯留層圧力管理のための物理情報を取り入れた機械学習に向けた微分可能な多相流モデル

地下の圧力を制御する

地下深くでは、二酸化炭素の貯留、石油・ガス生産、地熱発電、廃水処理などの目的で流体を注入・採取します。しかし、これらの地下貯留層に過度な圧力をかけると岩石が破断したり地震が誘発されたり、貯留ガスが漏れるおそれがあります。本稿は、機械学習を物理ベースのシミュレーションと密接に結び付ける新しい手法を示し、不確実性が大きく複雑な地下地質下でも地下圧力を安全な範囲に保つ方法を提示します。

地下圧力が制御しにくい理由

地下の貯留層は均一ではありません。岩層ごとに流体の通りやすさが異なり、水やガスなど複数の流体が共存・相互作用することもあります。エンジニアは通常、注入や採取の際に圧力がどのように変化するかを予測するために詳細な計算モデルに頼ります。これらのモデルは複雑な方程式を解く必要があり、考え得る多数の地質シナリオで何千回も繰り返すと実用的でないほど遅くなります。しかし、危険な圧力の蓄積を避け、現実の地下構造に伴う大きな不確実性を考慮するためには、まさにそのような反復が必要です。

物理と機械学習の融合

著者らは、基礎となる物理を尊重しつつフルシミュレータの高速「代替モデル（サロゲート）」として働く物理情報を取り入れた機械学習ワークフローを提案します。中心となる考えは、畳み込みニューラルネットワーク（画像解析に優れるモデル）を岩盤の透水性を表す二次元地図で学習させることです。こうした地図を入力すると、ネットワークは注入中に近傍の重要地点の圧力を所定の上限内に保つために、井戸でどれだけの流体を採取すべきかを予測します。過去データだけで学習するのではなく、この手法は学習ループの内部にフルな物理シミュレータを直接組み込みます。ネットワークが採取率を提案するたびにシミュレータが結果として生じる圧力を計算し、その圧力が目標にどれだけ近いかに基づいてネットワークを調整します。

単純な物理から複雑な物理への転移学習

現実的な地下流動は複数相の流体と時間変化を伴うため、直接フルな多相・時間依存シミュレーションで学習すると非常に多くの高価な実行が必要になります。以前の見積もりでは数千万回のシミュレーションが必要とされ、現実的ではありません。これを克服するため、著者らは転移学習を用います。まず、一相のみが移動し定常状態にあるより単純な問題でニューラルネットワークを事前訓練します。これらのシミュレーションは安価で、岩石特性と圧力制御を結ぶ大まかなパターンをモデルに学習させます。基礎ができた後で、注入流体と在来流体の相互作用を捉えるより現実的な二相・時間依存シミュレータを用いて微調整します。

新しいワークフローの性能

この段階的戦略により、著者らは三千未満のフル多相シミュレーションで高精度に到達できることを示します。これは単純な手法が必要とする回数より桁違いに少ない回数です。訓練中は、予測圧力が重要地点の目標にどれだけ近いかを監視し、誤差が滑らかに収束して微調整のごく少数のステップ後に非常に小さくなることを確認しています。学習したモデルを一万件のランダムに生成した透水性フィールドで試験したところ、基盤となる岩石特性が数桁にわたって変動しても、ネットワークは一貫して重要点の圧力を目標近傍に保つ採取率を選択しました。本手法は、複数の注入井・採取井を伴う三次元設定にも拡張され、複数の重要地点で安全な圧力を維持することが再び示されました。

現場運用への意義

本研究は、微分可能な物理シミュレータと機械学習を組み合わせることで、不確実性下における地下圧力管理のための強力な手段を提供し得ることを示しています。支配方程式から直接学習することで、大量の履歴データに依存することなく、データが乏しい新しい貯留・採取サイトにも適用可能です。物理的に信頼できる予測をより迅速に得られる道を示しており、準リアルタイムの意思決定を支援します。実務面では、操業者が注入・採取率をより適切に調整し、誘発地震や漏洩リスクを回避しつつエネルギーや貯留の目標を達成しやすくなることを意味します。

引用: 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

キーワード: 貯留層圧力管理, 物理情報を取り入れた機械学習, 多相流, 二酸化炭素貯留, 微分可能シミュレーション