用于油藏压力管理的可微多相流模型，面向物理驱动机器学习

监管地下压力

在地表深处，我们注入和抽取流体以实现诸如二氧化碳存储、油气开采、地热发电和废水处置等目的。但对这些隐蔽储层施加过大压力可能导致岩石破裂、诱发地震或已存气体泄漏。本文提出了一种将机器学习与基于物理的仿真紧密耦合的新方法，即便在地下地质高度不确定和复杂的情况下，也能将地下压力保持在安全范围内。

为何地下压力难以控制

地下储层远非均质。岩层在渗透性上存在差异，多种流体可以并存并发生相互作用，例如水与气。工程师通常依赖精细的计算模型来预测在注入或抽取流体时压力如何演变。这些模型需要求解复杂方程，当在许多可能的地质情形下重复运行成千上万次时，会变得过于缓慢而难以实际应用。然而，正是这种大量重复的计算对于避免危险的压力积聚并考虑真实地下地层中巨大的不确定性所必需。

物理与机器学习的融合

作者提出了一种物理驱动的机器学习工作流，它作为全量仿真的快速“代理”，同时仍遵循基础物理。核心思想是训练一个卷积神经网络——一种擅长读取图像的模型——在二维岩石渗透率地图上工作。给定一张此类地图，网络预测为了在注入期间将附近某一关键位置的压力保持在规定限度内，应在井处抽取多少流体。该方法不是仅在历史数据上训练网络，而是在训练循环中直接嵌入完整的物理仿真器。每当网络提出一个抽采速率时，仿真器计算由此产生的压力，并根据该压力与目标的接近程度来调整网络。

从简化物理到复杂物理的迁移学习

由于真实的地下流动涉及多相流且随时间变化，直接在完整的多相时变仿真上训练将需要大量昂贵的仿真运行。早期估计表明可能需要数千万次仿真，这是不可行的。为克服这一点，作者使用迁移学习：他们首先在一个更简单的问题上对神经网络进行预训练，在该问题中仅有一种流体相迁移且系统处于稳态。这类仿真成本低廉，使模型学习到将岩性与压力控制联系起来的广泛模式。一旦网络建立了这一基础，就用更为真实的双相、时变仿真器对其进行微调，以捕捉注入流体与原有流体之间的相互作用。

新工作流的表现如何

通过这种分阶段策略，作者展示了可以在少于三千次完整多相仿真的情况下达到高精度——比简单直接的方法所需次数少几个数量级。在训练过程中，他们监测预测压力与关键位置目标的接近程度，发现误差平滑缩小，并在仅有适度次数的微调步骤后达到很小的数值。在对一万个随机生成的渗透率场进行测试时，网络始终选择能够使关键点压力接近期望水平的抽采速率，尽管基础岩性跨越了数个量级。该方法还扩展到具有多个注采井的三维情形，在那里它同样能在多个关键位置维持安全压力。

对实际操作的意义

这项研究表明，将可微分的物理仿真器与机器学习结合，能够为在不确定性下管理地下压力提供强有力的工具。通过直接从控制方程学习，而不是依赖大量历史数据，该方法可以应用于数据稀缺的新存储或开采场址。它为更快且具有物理可信度的预测提供了路径，从而支持近实时决策。在实际层面，这意味着操作人员可以更好地调整注入和抽采速率，以在满足能源和存储目标的同时避免诱发地震和泄漏风险。

引用: 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

关键词: 油藏压力管理, 物理驱动的机器学习, 多相流, 碳封存, 可微分仿真