一种新型AI增强的储层表征方法——基于NVIDIA Modulus的物理信息神经算子前向模型
机器学习
2024-04-24 v1
摘要
我们开发了一种先进的储层表征工作流程，有效解决了储层历史匹配的挑战，采用了一种新方法。该方法将物理信息神经算子(PINO)作为前向模型集成到一种精细的聚类分类回归(CCR)框架中。该流程通过自适应正则化Ensemble Kalman Inversion(aREKI)进行增强，针对储层历史匹配实现快速不确定性量化。该创新工作流程对未知渗透率和孔隙度场进行参数化，捕捉非高斯后验分布，运用如变分卷积自编码器和CCR等技术。CCR作为异种先验和监督模型，与PINO代理器协同，准确模拟Peaceman井方程的非线性动力学。CCR方法允许在其各阶段应用不同的机器学习算法。PINO储层代理器的更新由来自监督数据、初始条件和支配方程偏微分方程(PDE)的残差所定义的损失函数驱动。我们称之为PINO-Res-Sim的集成模型，输出包括油、水和气的压力、饱和度及产量率等关键参数。该方法在合成储层和Norne田野上通过受控实验验证，显示出惊人的准确性。此外，PINO-Res-Sim在aREKI工作流程中能够高效恢复未知场域，计算加速度比传统方法快100至6000倍。PINO-Res-Sim的学习阶段在NVIDIA H100上进行，效率令人印象深刻，与基于Ensemble的方法相容，可处理复杂计算任务。
引用
@article{arxiv.2404.14447,
title = {A Novel A.I Enhanced Reservoir Characterization with a Combined Mixture of Experts -- NVIDIA Modulus based Physics Informed Neural Operator Forward Model},
author = {Clement Etienam and Yang Juntao and Issam Said and Oleg Ovcharenko and Kaustubh Tangsali and Pavel Dimitrov and Ken Hester},
journal= {arXiv preprint arXiv:2404.14447},
year = {2024}
}
备注
55 pages, 46 figures