Modelo de flujo multifásico diferenciable para el aprendizaje automático basado en la física en la gestión de la presión del depósito

Área de la Ciencia:

• Las geociencias son ciencias geológicas.
• Ciencias computacionales Ciencias computacionales.
• Aprendizaje automático Aprendizaje automático.

Sus antecedentes:

• El control de la presión de los depósitos subterráneos es complejo debido a la heterogeneidad geológica y a la dinámica del flujo multifásico.
• Las simulaciones basadas en la física de alta fidelidad son computacionalmente costosas y a menudo prohibitivas para predecir el comportamiento del depósito.
• Las propiedades inciertas y heterogéneas de los reservorios requieren numerosas simulaciones, lo que supone un desafío significativo.

Objetivo del estudio:

• Desarrollar un método computacionalmente eficiente y preciso para el control de presión de los depósitos subterráneos.
• Para abordar las limitaciones de las simulaciones tradicionales basadas en la física en el manejo de complejas dinámicas de reservorios.
• Para permitir predicciones prácticas para escenarios de inyección-extracción realistas.

Principales métodos:

• Un flujo de trabajo de aprendizaje automático basado en la física que acopla un simulador de flujo multifásico diferenciable (marco DPFEHM) con una red neuronal convolucional (CNN).
• La CNN aprende a predecir las tasas de extracción de fluidos de campos de permeabilidad heterogéneos para hacer cumplir los límites de presión.
• Se emplea el aprendizaje de transferencia, preentrenando el modelo en simulaciones de estado estacionario de una sola fase menos costosas antes de ajustar los escenarios de múltiples fases.

Principales resultados:

• El método desarrollado logra un entrenamiento de alta precisión con un número significativamente menor de simulaciones (menos de tres mil) en comparación con las estimaciones anteriores (hasta diez millones).
• La incorporación de la física del flujo multifásico transitorio mejora la precisión de la predicción para los escenarios de inyección-extracción.
• El flujo de trabajo demuestra predicciones prácticas y precisas para flujos subterráneos complejos.

Conclusiones:

• El aprendizaje automático basado en la física ofrece una alternativa computacionalmente eficiente a las simulaciones tradicionales para el control de la presión del depósito.
• La transferencia de aprendizaje de simulaciones más simples reduce drásticamente el costo computacional de entrenar modelos complejos de flujo multifásico.
• Este enfoque permite una gestión más accesible y precisa de las reservas subterráneas.