Rezervuar Basıncı Yönetiminde Fizik-Bilgili Makine Öğrenimi için Diferansiyellenebilir Çok Fazlı Akış Modeli

Yeraltı Basıncını Kontrol Altında Tutmak

Derin yeraltında, karbondioksit depolama, petrol ve gaz üretimi, jeotermal enerji üretimi ve atık su bertarafı gibi amaçlarla sıvılar enjekte eder ve çıkarırız. Ancak bu saklı rezervuarlara aşırı müdahale kayaları çatlatabilir, depremleri tetikleyebilir veya depolanmış gazların sızmasına yol açabilir. Bu makale, yeraltı jeolojisinin son derece belirsiz ve karmaşık olduğu durumlarda bile, fizik tabanlı simülasyonla sıkı şekilde birleşen makine öğrenimini kullanarak yeraltı basıncını emniyetli sınırlar içinde tutmanın yeni bir yolunu sunuyor.

Neden Yeraltı Basıncını Kontrol Etmek Zordur

Yeraltı rezervuarları hiç de homojen değildir. Kaya katmanları, sıvıların ne kadar kolay hareket ettiğinde farklılık gösterir ve su ile gaz gibi birden fazla sıvı birlikte bulunup etkileşebilir. Mühendisler genellikle enjeksiyon veya çekim yapıldığında basıncın nasıl gelişeceğini tahmin etmek için ayrıntılı bilgisayar modellerine güvenir. Bu modeller karmaşık denklemleri çözmek zorundadır ve birçok olası jeolojik senaryo boyunca binlerce kez çalıştırıldığında pratik kullanım için çok yavaş hale gelir. Oysa tehlikeli basınç birikimini önlemek ve gerçek yeraltı formasyonlarındaki büyük belirsizliği hesaba katmak için tam da bu tür tekrarlar gereklidir.

Fizik ile Makine Öğrenimini Harmanlamak

Yazarlar, tam simülatörün yerine hızlı bir “vekil” olarak işleyen ve yine de altta yatan fiziğe saygı gösteren fizik-bilgili bir makine öğrenimi iş akışı öneriyor. Temel fikir, kaya geçirgenliğinin iki boyutlu haritaları üzerinde çalışan ve görüntüleri okumada başarılı olan bir tür model olan konvolüsyonel sinir ağını eğitmek. Ağ, bu haritalardan biri verildiğinde, enjeksiyon sırasında yakınlardaki kritik bir konumda basıncı belirlenen sınır içinde tutmak için bir kuyuda ne kadar sıvı çekilmesi gerektiğini tahmin eder. Ağı yalnızca geçmiş verilere dayalı olarak eğitmek yerine, yöntem tam bir fizik simülatörünü doğrudan eğitim döngüsünün içine gömüyor. Ağ her seferinde bir çekim oranı önerdiğinde, simülatör ortaya çıkan basıncı hesaplıyor ve ağ, bu basıncın hedefe ne kadar yakın olduğuna göre ayarlanıyor.

Transfer Öğrenmeyle Basitten Kompleks Fiziğe

Gerçekçi yeraltı akışı çok fazlı ve zamana bağlı değişimler içerdiğinden, doğrudan tam çok fazlı, zamana bağlı simülasyonlar üzerinde eğitim yapmak büyük sayıda çok maliyetli çalıştırma gerektirir. Önceki tahminler on milyonlarca simülasyon gerektiğini öne sürmüştü ki bu uygulanabilir değildir. Bunu aşmak için yazarlar transfer öğrenimi kullanıyor: önce sinir ağını yalnızca tek bir sıvı fazının hareket ettiği ve sistemin durağan olduğu çok daha basit bir problem üzerinde önceden eğitiyorlar. Bu simülasyonlar ucuzdur ve modelin kaya özellikleri ile basınç kontrolü arasındaki genel ilişkileri öğrenmesini sağlar. Ağ bu temeli edindikten sonra, enjekte edilen ve mevcut sıvıların etkileşimini yakalayan daha gerçekçi iki fazlı, zamana bağlı bir simülatörle ince ayar (fine-tuning) yapılıyor.

Yeni İş Akışının Performansı

Bu aşamalı stratejiyle yazarlar, üç binden az tam çok fazlı simülasyon kullanılarak yüksek doğruluğa ulaşılabileceğini gösteriyor — saf yaklaşımların gerektireceği sayılara göre katlarca daha az. Eğitim sırasında, öngörülen basınçların kritik konumdaki hedefle ne kadar örtüştüğünü izliyorlar ve hataların düzenli bir şekilde azaldığını, ince ayar adımlarının yalnızca makul sayıda sonrası itibarıyla çok küçük değerlere indiğini buluyorlar. Eğitilmiş modeli on bin rasgele oluşturulmuş geçirgenlik alanı üzerinde test ettiklerinde, ağ altında yatan kaya özellikleri birkaç mertebe arasında değişse bile, kritik noktadaki basıncı istenen seviyeye yakın tutacak çekim oranlarını tutarlı biçimde seçiyor. Yöntem, birden çok enjeksiyon ve çekim kuyusunun bulunduğu üç boyutlu ortama da genişletiliyor ve burada da birden çok kritik konumda güvenli basınçları koruyor.

Gerçek Dünya Operasyonları için Ne Anlama Geliyor

Çalışma, diferansiyellenebilir fizik simülatörleri ile makine öğrenimini birleştirmenin belirsizlik altında yeraltı basıncını yönetmek için güçlü bir araç sağlayabileceğini gösteriyor. Yöntem, büyük tarihsel veri kümelerine dayanmak yerine yöneten denklemlerden doğrudan öğrenerek, veri kıtlığı olan yeni depolama veya çıkarma sahalarına uygulanabilir. Bu, gerçek zamanlıya yakın karar alma süreçlerini destekleyebilecek daha hızlı ama fiziksel olarak güvenilir tahminlere giden bir yol sunuyor. Pratik açıdan operatörlerin, enerji ve depolama hedeflerini karşılarken tetiklenmiş depremler ve sızıntı risklerini önlemek için enjeksiyon ve çekim oranlarını daha iyi ayarlayabilmesi anlamına geliyor.

Atıf: 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

Anahtar kelimeler: rezervuar basıncı yönetimi, fizik-bilgili makine öğrenimi, çok fazlı akış, karbon depolama, diferansiyellenebilir simülasyon