Modelo diferenciável de escoamento multifásico para aprendizado de máquina informado pela física na gestão da pressão em reservatórios

Mantendo a Pressão Subterrânea sob Controle

Em profundidade, injetamos e extraímos fluidos para fins como armazenar dióxido de carbono, produzir óleo e gás, gerar energia geotérmica e descartar efluentes. Mas pressionar demais esses reservatórios ocultos pode fraturar rochas, desencadear terremotos ou causar vazamentos de gases armazenados. Este artigo apresenta uma nova forma de usar aprendizado de máquina estreitamente acoplado a simulações baseadas na física para manter a pressão subterrânea dentro de limites seguros, mesmo quando a geologia está profundamente incerta e complexa.

Por que é Difícil Controlar a Pressão Subterrânea

Os reservatórios subterrâneos estão longe de ser homogêneos. As camadas rochosas variam em quão facilmente os fluidos se movem por elas, e vários fluidos podem coexistir e interagir, como água e gás. Os engenheiros geralmente dependem de modelos computacionais detalhados para prever como a pressão evoluirá quando injetam ou removem fluido. Esses modelos precisam resolver equações complicadas e, quando repetidos milhares de vezes em muitos cenários geológicos possíveis, tornam-se lentos demais para uso prático. Ainda assim, essa repetição é exatamente o que se precisa para evitar acúmulo perigoso de pressão e para levar em conta a grande incerteza nas formações subterrâneas reais.

Misturando Física e Aprendizado de Máquina

Os autores propõem um fluxo de trabalho de aprendizado de máquina informado pela física que atua como um “substituto” rápido para o simulador completo, mantendo respeito pelas leis físicas subjacentes. A ideia central é treinar uma rede neural convolucional — um tipo de modelo que se destaca em interpretar imagens — em mapas bidimensionais de permeabilidade das rochas. Dado um desses mapas, a rede prevê quanto fluido deve ser extraído num poço para manter a pressão em um local crítico próximo dentro de um limite preestabelecido durante a injeção. Em vez de treinar a rede apenas com dados históricos, o método incorpora um simulador físico completo diretamente no laço de treinamento. Cada vez que a rede propõe uma taxa de extração, o simulador calcula a pressão resultante, e a rede é ajustada com base em quão próxima essa pressão está do alvo.

Da Física Simples à Complexa com Aprendizado por Transferência

Como o escoamento subterrâneo real envolve várias fases de fluido e variações no tempo, treinar diretamente com simulações multifásicas dependentes do tempo exigiria um número enorme de execuções caras. Estimativas anteriores sugeriam dezenas de milhões de simulações, o que não é viável. Para contornar isso, os autores usam aprendizado por transferência: primeiro pré-treinam a rede neural em um problema bem mais simples, no qual apenas uma fase de fluido se move e o sistema está em estado estacionário. Essas simulações são baratas e permitem que o modelo aprenda padrões gerais que ligam as propriedades das rochas ao controle de pressão. Com essa base, a rede é então ajustada (fine-tuning) usando um simulador mais realista, multifásico e dependente do tempo, que captura a interação entre os fluidos injetados e residentes.

Desempenho do Novo Fluxo de Trabalho

Com essa estratégia em etapas, os autores mostram que é possível alcançar alta precisão usando menos de três mil simulações completas multifásicas — várias ordens de magnitude a menos do que abordagens ingênuas exigiriam. Durante o treinamento, eles monitoram quão de perto as pressões previstas correspondem ao alvo no ponto crítico e observam que os erros diminuem de forma suave e atingem valores muito pequenos após apenas um número modesto de passos de ajuste. Ao testar o modelo treinado em dez mil campos de permeabilidade gerados aleatoriamente, a rede escolhe de forma consistente taxas de extração que mantêm a pressão no ponto crítico próxima ao nível desejado, mesmo que as propriedades das rochas variem por várias ordens de magnitude. O método também é estendido para um cenário tridimensional com múltiplos poços de injeção e extração, onde novamente mantém pressões seguras em vários locais críticos.

O Que Isso Significa para Operações no Mundo Real

O estudo demonstra que combinar simuladores físicos diferenciáveis com aprendizado de máquina pode fornecer uma ferramenta poderosa para gerenciar a pressão subterrânea sob incerteza. Ao aprender diretamente a partir das equações que regem o sistema, em vez de depender de grandes conjuntos de dados históricos, a abordagem pode ser aplicada a novos locais de armazenamento ou extração onde os dados são escassos. Oferece um caminho para previsões mais rápidas e ainda fisicamente confiáveis que podem apoiar a tomada de decisão quase em tempo real. Em termos práticos, isso significa que os operadores poderiam ajustar melhor as taxas de injeção e extração para evitar terremotos induzidos e riscos de vazamento, enquanto ainda cumprem metas de energia e armazenamento.

Citação: 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

Palavras-chave: gestão da pressão em reservatórios, aprendizado de máquina informado pela física, escoamento multifásico, armazenamento de carbono, simulação diferenciável