Diferentiëerbaar meerfasen-stroommodel voor physics-informed machine learning bij beheer van reservoirdruk

De ondergrondse druk onder controle houden

Diep onder de grond injecteren en winnen we vloeistoffen voor doeleinden zoals het opslaan van kooldioxide, de productie van olie en gas, het opwekken van geothermische energie en het lozen van afvalwater. Maar te hard duwen op deze verborgen reservoiren kan gesteenten laten barsten, aardbevingen veroorzaken of het lekken van opgeslagen gassen tot gevolg hebben. Dit artikel presenteert een nieuwe methode om machine learning nauw te koppelen aan fysica-gebaseerde simulatie om de druk in de ondergrond binnen veilige grenzen te houden, zelfs wanneer de geologie erg onzeker en complex is.

Waarom het lastig is om ondergrondse druk te beheersen

Reservoirs onder de grond zijn allesbehalve uniform. Lagen gesteente verschillen in hoe gemakkelijk vloeistoffen erdoorheen bewegen, en meerdere vloeistoffen kunnen naast elkaar bestaan en met elkaar wisselwerken, zoals water en gas. Ingenieurs vertrouwen gewoonlijk op gedetailleerde computermodellen om te voorspellen hoe de druk zal evolueren wanneer ze vloeistof injecteren of verwijderen. Deze modellen moeten ingewikkelde vergelijkingen oplossen en wanneer ze duizenden keren opnieuw moeten worden uitgevoerd voor veel mogelijke geologische scenario’s, worden ze te traag voor praktisch gebruik. Toch is juist die herhaling nodig om gevaarlijke drukopbouw te vermijden en rekening te houden met de grote onzekerheid in echte ondergrondse formaties.

Physics en machine learning combineren

De auteurs stellen een workflow voor met physics-informed machine learning die fungeert als een snelle "surrogaat" voor de volledige simulator, terwijl de onderliggende fysica behouden blijft. Het kernidee is om een convolutioneel neuraal netwerk — een type model dat uitblinkt in het lezen van beelden — te trainen op tweedimensionale kaarten van doorlatendheid van gesteente. Op basis van zo’n kaart voorspelt het netwerk hoeveel vloeistof uit een put moet worden onttrokken om de druk op een nabijgelegen kritieke locatie tijdens injectie binnen een voorgeschreven limiet te houden. In plaats van het netwerk alleen op historische gegevens te trainen, embedt de methode een volledige fysica-simulator direct in de trainingslus. Elke keer dat het netwerk een onttrekkingsrate voorstelt, berekent de simulator de resulterende druk en wordt het netwerk aangepast op basis van hoe dicht die druk bij de doelwaarde ligt.

Van eenvoudige naar complexe fysica met transfer learning

Aangezien realistische ondergrondse stroming meerdere vloeistoffasen en tijdsafhankelijk gedrag omvat, zou directe training op volledige meerfasen, tijdsafhankelijke simulaties een enorm aantal kostbare runs vereisen. Eerdere schattingen wezen op tientallen miljoenen simulaties, wat niet haalbaar is. Om dit te omzeilen gebruiken de auteurs transfer learning: ze pre-trainen het neurale netwerk eerst op een veel eenvoudiger probleem waarin slechts één vloeistoffase beweegt en het systeem in stationaire toestand is. Deze simulaties zijn goedkoop en laten het model brede patronen leren die gesteente-eigenschappen koppelen aan drukbeheersing. Zodra het netwerk deze basis heeft, wordt het fijngeslepen met een realistischer twee-fasen, tijdsafhankelijke simulator die de interactie tussen geïnjecteerde en aanwezige vloeistoffen vastlegt.

Hoe de nieuwe workflow presteert

Met deze gefaseerde strategie tonen de auteurs aan dat hoge nauwkeurigheid kan worden bereikt met minder dan drieduizend volledige meerfasen-simulaties — meerdere orden van grootte minder dan wat naïeve benaderingen zouden vereisen. Tijdens het trainen volgen ze hoe nauwkeurig de voorspelde drukken overeenkomen met de doelwaarde op de kritieke locatie en constateren dat de fouten soepel krimpen en na slechts een bescheiden aantal fijnafstelstappen zeer kleine waarden bereiken. Wanneer ze het getrainde model testen op tienduizend willekeurig gegenereerde doorlatendheidsvelden, kiest het netwerk consequent onttrekkingsraten die de druk op het kritieke punt dichtbij het gewenste niveau houden, ondanks dat de onderliggende gesteente-eigenschappen over meerdere ordegroottes variëren. De methode wordt ook uitgebreid naar een driedimensionale opzet met meerdere injectie- en onttrekkingsputten, waar ze opnieuw veilige drukken op meerdere kritieke locaties handhaaft.

Wat dit betekent voor operaties in de praktijk

De studie toont aan dat het combineren van diferentiëerbare fysica-simulators met machine learning een krachtig instrument kan bieden voor het beheer van ondergrondse druk onder onzekerheid. Door direct van de heersende vergelijkingen te leren, in plaats van te vertrouwen op grote historische datasets, is de benadering toepasbaar op nieuwe opslag- of winningslocaties waar data schaars zijn. Het biedt een weg naar snellere, maar fysisch betrouwbare voorspellingen die near real-time besluitvorming kunnen ondersteunen. In praktische termen betekent dit dat operators injectie- en onttrekkingsraten beter kunnen afstemmen om geïnduceerde aardbevingen en lekkagerisico’s te vermijden, terwijl ze nog steeds energie- en opslagdoelen halen.

Bronvermelding: 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

Trefwoorden: beheer van reservoirdruk, physics-informed machine learning, multifasenstroming, koolstofopslag, diferentiëerbare simulatie