利用深度神经网络模型加速多组分混合物的NVT闪蒸计算
计算物理
2019-01-29 v1 机器学习
化学物理
摘要
相平衡计算，又称闪蒸计算，已广泛应用于石油工程，既可作为分离工艺的独立应用，也是组分油藏模拟的组成部分。在不大幅牺牲精度与可靠性的前提下加速闪蒸计算至关重要，这使其成为过去二十年的活跃研究课题。本研究建立深度神经网络模型以近似迭代式NVT闪蒸计算。针对NVT闪蒸问题设计的动态模型被迭代求解，以产生训练神经网络的数据。为测试模型处理复杂流体混合物的能力，研究了三种真实油藏流体，包括一种Bakken油和两种Eagle Ford油。与以往遵循常规闪蒸框架（先稳定性测试再进行相分裂计算）的研究不同，我们将稳定性测试与相分裂计算结合，并通过单一深度学习模型完成这两个步骤。训练后的模型能够识别所研究流体在亚临界区下的单相蒸气、单液相以及气液两相状态。文中给出若干示例以展示所提深度神经网络的精度与效率。研究发现，在给定情形下，训练模型预测速度至多比迭代闪蒸计算快244倍。尽管训练多级网络模型确实耗时巨大（与闪蒸计算计算时间相当），但一次性的离线训练过程使深度学习模型在加速组分油藏模拟方面极具潜力。
引用
@article{arxiv.1901.09380,
title = {Acceleration of the NVT-flash calculation for multicomponent mixtures using deep neural network models},
author = {Yiteng Li and Tao Zhang and Shuyu Sun},
journal= {arXiv preprint arXiv:1901.09380},
year = {2019}
}