基于多保真度神经网络从模拟数据构建倾斜裂缝中支撑剂沉降的亚尺度替代模型
流体动力学
2022-06-14 v1 机器学习
计算物理
地球物理
摘要
倾斜通道中的颗粒沉降是页岩气开采水力压裂过程中发生的重要现象。通常,为了准确模拟大规模(现场尺度)支撑剂运移过程,构建快速且准确的亚尺度支撑剂沉降模型(或称替代模型)成为关键问题,因为物理参数与支撑剂沉降速度之间的映射关系复杂。此前,颗粒沉降通常通过高保真实验和介观尺度数值模拟进行研究,二者均耗时较长。本工作提出并采用了一种新方法,即多保真度神经网络(MFNN),来构建沉降替代模型,其可利用高保真与低保真(因而成本更低)数据。结果表明,使用MFNN构建沉降替代模型可将高保真数据需求及计算成本降低80%,而相较于高保真替代模型精度损失小于5%。此外,所研究的颗粒沉降替代模型应用于宏观尺度支撑剂运移模拟,表明该沉降模型对支撑剂运移具有重要意义并能给出准确结果。这为储层应用中快速预测支撑剂沉降速度开辟了新途径。
引用
@article{arxiv.2109.12311,
title = {Constructing Sub-scale Surrogate Model for Proppant Settling in Inclined Fractures from Simulation Data with Multi-fidelity Neural Network},
author = {Pengfei Tang and Junsheng Zeng and Dongxiao Zhang and Heng Li},
journal= {arXiv preprint arXiv:2109.12311},
year = {2022}
}
备注
25 pages, 15 figures