Differentiabel flervätskeflödesmodell för fysikinformerad maskininlärning vid underjordisk tryckstyrning

Hålla trycket under jord under kontroll

Djupt under markytan injicerar och extraherar vi vätskor för ändamål som att lagra koldioxid, producera olja och gas, utvinna geotermisk energi och avyttra avloppsvatten. Men att trycka för hårt på dessa dolda reservoarer kan spräcka berg, orsaka jordbävningar eller få lagrade gaser att läcka. Denna artikel presenterar ett nytt sätt att använda maskininlärning tätt kopplad till fysikbaserad simulering för att hålla underställda tryck inom säkra gränser, även när den underliggande geologin är starkt osäker och komplex.

Varför underjordiskt tryck är svårt att kontrollera

Reservoarer under marken är allt annat än homogena. Berglager varierar i hur lätt vätskor kan röra sig genom dem, och flera vätskor kan samexistera och påverka varandra, till exempel vatten och gas. Ingenjörer förlitar sig vanligtvis på detaljerade datorbaserade modeller för att förutsäga hur trycket utvecklas när de injicerar eller tar bort vätska. Dessa modeller måste lösa komplicerade ekvationer och när de upprepas tusentals gånger för många möjliga geologiska scenarier blir de för långsamma för praktisk användning. Samtidigt är sådan upprepning precis vad som krävs för att undvika farlig tryckuppbyggnad och för att hantera den stora osäkerheten i verkliga underjordiska formationer.

Att blanda fysik och maskininlärning

Författarna föreslår ett fysikinformerat arbetsflöde för maskininlärning som fungerar som en snabb ”surrogat” för den fullständiga simulatorn samtidigt som det respekterar den underliggande fysiken. Kärn idén är att träna ett konvolutionellt neuralt nätverk—en modelltyp som är särskilt bra på att läsa av bilder—på tvådimensionella kartor över bergpermeabilitet. Givet en sådan karta förutspår nätverket hur mycket vätska som bör extraheras i en brunn för att hålla trycket vid en närliggande kritisk plats inom en föreskriven gräns under injektion. Istället för att bara träna nätverket på historiska data bäddar metoden in en full fysiksimulator direkt i träningsloopen. Varje gång nätverket föreslår en extraktionshastighet beräknar simulatorn det resulterande trycket, och nätverket justeras utifrån hur nära det trycket ligger målet.

Från enkel till komplex fysik med transferinlärning

Eftersom realistiskt underjordiskt flöde involverar flera vätskefaser och förändras över tid skulle direkt träning på fullständiga flervätskeflöden och tidsberoende simuleringar kräva ett enormt antal kostsamma körningar. Tidigare uppskattningar antydde tiotals miljoner simuleringar, vilket inte är genomförbart. För att tackla detta använder författarna transferinlärning: de förtränar först det neurala nätverket på ett mycket enklare problem där endast en vätskefas rör sig och systemet är i jämvikt. Dessa simuleringar är billiga och låter modellen lära sig breda mönster som kopplar bergegenskaper till tryckstyrning. När nätverket fått denna grund finjusteras det sedan med en mer realistisk tvåfases, tidsberoende simulator som fångar interaktionen mellan injicerad och befintlig vätska.

Hur det nya arbetsflödet presterar

Med denna etappade strategi visar författarna att hög noggrannhet kan nås med färre än tre tusen fullständiga flervätskeflödesimuleringar—flera storleksordningar färre än vad naiva tillvägagångssätt skulle kräva. Under träningen övervakar de hur väl de förutsagda trycken matchar målet vid den kritiska platsen och finner att felen krymper jämnt och når mycket små värden efter bara ett modest antal finjusteringssteg. När de testar den tränade modellen på tiotusen slumpmässigt genererade permeabilitetsfält väljer nätverket konsekvent extraktionshastigheter som håller trycket vid den kritiska punkten nära önskad nivå, även om de underliggande bergegenskaperna varierar över flera storleksordningar. Metoden utvidgas också till en tredimensionell miljö med flera injektions- och extraktionsbrunnar, där den återigen bibehåller säkra tryck vid flera kritiska platser.

Vad detta betyder för verklig verksamhet

Studien visar att kombinationen av differentiella fysiksimulatorer och maskininlärning kan erbjuda ett kraftfullt verktyg för att hantera underjordiskt tryck under osäkerhet. Genom att lära direkt från de styrande ekvationerna, snarare än att förlita sig på stora historiska datamängder, kan tillvägagångssättet tillämpas på nya lagrings- eller utvinningsplatser där data är knappa. Det erbjuder en väg till snabbare men fysiskt pålitliga prognoser som kan stödja beslutsfattande nära realtid. I praktiska termer innebär det att operatörer bättre kan justera injektions- och extraktionshastigheter för att undvika inducerade jordbävningar och läckagerisker samtidig som energioch lagringsmål uppnås.

Citering: 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

Nyckelord: styrning av reservoartryck, fysikinformerad maskininlärning, flervätskeflöde, koldioxidlagring, differentiabel simulering