Дифференцируемая модель многофазного течения для физически информированного машинного обучения в управлении пластовым давлением

Контроль подземного давления

Глубоко под землей мы закачиваем и отбираем жидкости с разными целями: хранение диоксида углерода, добыча нефти и газа, производство геотермальной энергии и утилизация сточных вод. Однако чрезмерное воздействие на эти скрытые резервуары может привести к растрескиванию пород, вызвать землетрясения или утечку сохранённых газов. В этой статье предложен новый подход — плотно связанная комбинация машинного обучения и физически основанного моделирования — для поддержания пластового давления в безопасных пределах даже при значительной неопределённости и сложности геологии.

Почему сложно контролировать подземное давление

Подземные пласты далеки от однородности. Слойность пород различается по проницаемости, и несколько жидкостей могут сосуществовать и взаимодействовать, например вода и газ. Инженеры обычно полагаются на детальные компьютерные модели, чтобы предсказать, как будет меняться давление при закачке или отборе флюидов. Эти модели требуют решения сложных уравнений и, при необходимости многократного прогоняния по множеству возможных геологических сценариев, становятся слишком медленными для практического применения. Однако именно такие многократные расчёты необходимы, чтобы избежать опасного роста давления и учесть большую неопределённость реальных подземных формаций.

Смешение физики и машинного обучения

Авторы предлагают рабочий процесс с физически информированным машинным обучением, который служит быстрым «суррогатом» полного симулятора, при этом соблюдая фундаментальные физические законы. Основная идея — обучить сверточную нейронную сеть (тип модели, хорошо работающий с изображениями) на двумерных картах проницаемости пород. Для данной карты сеть предсказывает, какой должен быть объём отбора на скважине, чтобы при закачке давление в критической точке оставалось в заданном пределе. Вместо обучения только на исторических данных, метод внедряет полный физический симулятор непосредственно в цикл обучения. Каждый раз, когда сеть предлагает скорость отбора, симулятор вычисляет результирующее давление, и сеть корректируется на основании того, насколько это давление близко к целевому.

От простой к сложной физике с помощью трансферного обучения

Поскольку реалистичное подземное течение включает несколько фаз флюидов и зависит от времени, прямое обучение на полном многофазном временном симуляторе потребовало бы огромного числа дорогостоящих прогонов. Ранние оценки указывали на десятки миллионов симуляций, что непрактично. Чтобы преодолеть это, авторы используют трансферное обучение: сначала они предварительно тренируют нейросеть на значительно более простой задаче, где движется только одна фаза и система находится в стационарном состоянии. Эти симуляции дешёвы и позволяют модели выучить общие зависимости между свойствами пород и управлением давлением. Получив эту базу, сеть затем дообучают с помощью более реалистичного двухфазного временного симулятора, который учитывает взаимодействие закачиваемого и обитающего флюидов.

Как показывает себя новый рабочий процесс

С помощью поэтапной стратегии авторы показывают, что можно достичь высокой точности, используя менее трёх тысяч полных многофазных симуляций — на несколько порядков меньше, чем потребовали бы наивные подходы. В процессе обучения они отслеживают, насколько предсказанные давления совпадают с целевыми в критической точке, и обнаруживают, что ошибки гладко уменьшаются и достигают очень малых значений уже после умеренного числа шагов дообучения. При тестировании обученной модели на десяти тысячах случайно сгенерированных полей проницаемости сеть последовательно выбирает скорости отбора, которые поддерживают давление в критической точке близким к требуемому уровню, несмотря на то, что свойства пород варьируются на несколько порядков. Метод также расширяется на трёхмерную постановку с несколькими скважинами для закачки и отбора, где он вновь поддерживает безопасные давления в нескольких критических точках.

Что это означает для реальной эксплуатации

Исследование демонстрирует, что сочетание дифференцируемых физических симуляторов и машинного обучения может стать мощным инструментом для управления подземным давлением в условиях неопределённости. Обучаясь напрямую по управляющим уравнениям, а не полагаясь на большие исторические наборы данных, подход применим к новым местам хранения или добычи, где данные скудны. Он обеспечивает путь к более быстрым, но физически достоверным прогнозам, которые могут поддерживать принятие решений вблизи реального времени. На практике это означает, что операторы смогут лучше настраивать скорости закачки и отбора, чтобы избежать индуцированных землетрясений и рисков утечек, при этом выполняя энергетические и накопительные задачи.

Цитирование: 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

Ключевые слова: управление пластовым давлением, физически информированное машинное обучение, многофазное течение, хранение углерода, дифференцируемое моделирование