Różniczkowalny model przepływu wielofazowego dla fizycznie informowanego uczenia maszynowego w zarządzaniu ciśnieniem złożowym

Kontrolowanie ciśnienia pod ziemią

Głęboko pod powierzchnią wstrzykujemy i pobieramy płyny w celach takich jak składowanie dwutlenku węgla, wydobycie ropy i gazu, wytwarzanie energii geotermalnej czy utylizacja ścieków. Jednak nadmierne oddziaływanie na te ukryte złoża może spowodować pękanie skał, wywołać trzęsienia ziemi lub doprowadzić do wycieku przechowywanych gazów. W artykule przedstawiono nowe podejście łączące uczenie maszynowe z symulacjami opartymi na prawach fizyki, aby utrzymać ciśnienie podpowierzchniowe w bezpiecznych granicach, nawet gdy geologia podziemna jest silnie niepewna i złożona.

Dlaczego kontrola ciśnienia pod ziemią jest trudna

Złoża podpowierzchniowe są dalekie od jednorodności. Warstwy skalne różnią się przepuszczalnością, a w złożu mogą współistnieć i oddziaływać różne fazy płynów, na przykład woda i gaz. Inżynierowie zwykle polegają na szczegółowych modelach komputerowych do przewidywania ewolucji ciśnienia podczas wstrzykiwania lub usuwania płynu. Modele te rozwiązują skomplikowane równania i przy wielokrotnym uruchamianiu dla wielu możliwych scenariuszy geologicznych stają się zbyt powolne do praktycznego zastosowania. Tymczasem takie wielokrotne symulacje są niezbędne, by zapobiegać niebezpiecznemu wzrostowi ciśnienia i uwzględniać dużą niepewność rzeczywistych formacji podziemnych.

Łączenie fizyki z uczeniem maszynowym

Autorzy proponują workflow wykorzystujący fizycznie informowane uczenie maszynowe, który działa jako szybki „surrogat” dla pełnego symulatora, zachowując jednocześnie zgodność z zasadami fizyki. Główna idea polega na trenowaniu sieci splotowej — typu modelu dobrze radzącego sobie z interpretacją obrazów — na dwuwymiarowych mapach przepuszczalności skał. Dla danej mapy sieć przewiduje, ile płynu należy pobrać ze studni, aby utrzymać ciśnienie w pobliskim punkcie krytycznym w zadanym limicie podczas wstrzykiwania. Zamiast trenować sieć tylko na danych historycznych, metoda osadza pełny symulator fizyczny bezpośrednio w pętli treningowej. Za każdym razem, gdy sieć proponuje tempo poboru, symulator oblicza wynikowe ciśnienie, a sieć jest dostosowywana na podstawie tego, jak bliskie jest ono celowi.

Od prostej do złożonej fizyki za pomocą transfer learningu

Ponieważ realistyczny przepływ podziemny obejmuje wiele faz płynów i zależności czasowe, bezpośrednie trenowanie na pełnych symulacjach wielofazowych z uwzględnieniem czasu wymagałoby ogromnej liczby kosztownych uruchomień. Wcześniejsze oszacowania sugerowały dziesiątki milionów symulacji, co nie jest wykonalne. Aby to przezwyciężyć, autorzy stosują transfer learning: najpierw wstępnie trenują sieć na dużo prostszym problemie, w którym porusza się tylko jedna faza płynu i system jest w stanie ustalonym. Takie symulacje są tanie i pozwalają modelowi nauczyć się ogólnych wzorców łączących właściwości skał z kontrolą ciśnienia. Gdy sieć ma już taką podstawę, jest dopracowywana (fine-tuning) przy użyciu bardziej realistycznego symulatora dwufazowego zależnego od czasu, który odzwierciedla interakcję wstrzykiwanych i zasiedlających płynów.

Jak działa nowe podejście

Dzięki etapowej strategii autorzy pokazują, że można osiągnąć wysoką dokładność używając mniej niż trzech tysięcy pełnych symulacji wielofazowych — to o kilka rzędów wielkości mniej niż wymagałyby proste podejścia. W trakcie treningu monitorują, jak blisko przewidywane ciśnienia są do celu w punkcie krytycznym i stwierdzają, że błędy maleją płynnie i osiągają bardzo małe wartości po stosunkowo niewielkiej liczbie kroków fine-tuningu. Testując wytrenowany model na dziesięciu tysiącach losowo wygenerowanych pól przepuszczalności, sieć konsekwentnie wybiera tempo poboru, które utrzymuje ciśnienie w punkcie krytycznym blisko żądanego poziomu, mimo że właściwości skał różnią się o kilka rzędów wielkości. Metodę rozszerzono także na ustawienie trójwymiarowe z wieloma otworami wtryskowymi i poborowymi, gdzie ponownie utrzymuje bezpieczne ciśnienia w wielu punktach krytycznych.

Znaczenie dla operacji w terenie

Badanie pokazuje, że połączenie różniczkowalnych symulatorów fizycznych z uczeniem maszynowym może dostarczyć potężne narzędzie do zarządzania ciśnieniem podpowierzchniowym w warunkach niepewności. Ucząc się bezpośrednio z równań rządzących procesem, zamiast polegać na dużych zestawach historycznych danych, podejście można zastosować w nowych lokalizacjach składowania lub wydobycia, gdzie danych jest niewiele. Oferuje ono drogę do szybszych, a jednocześnie fizycznie wiarygodnych prognoz, które mogą wspierać podejmowanie decyzji w zbliżonym do rzeczywistego czasie. W praktyce oznacza to, że operatorzy mogliby lepiej dostrajać tempo wtrysku i poboru, aby unikać wywołanych przez działania trzęsień ziemi i ryzyka wycieków, przy jednoczesnym realizowaniu celów energetycznych i magazynowych.

Cytowanie: 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

Słowa kluczowe: zarządzanie ciśnieniem w złożu, fizycznie informowane uczenie maszynowe, przepływ wielofazowy, składowanie dwutlenku węgla, różniczkowalna symulacja