基于深度学习的地下流动模拟降阶建模
计算物理
2019-06-11 v1 流体动力学
摘要
提出了一种基于深度学习的降阶建模（ROM）框架，用于地下流动模拟。该降阶模型基于已有的嵌入到控制（E2C）框架，包含一个自编码器（将系统投影到低维子空间）和一个线性转移模型（近似系统状态在低维下的演化）。除原始 E2C 框架中考虑的数据失配损失函数外，我们引入了一个基于物理的损失函数，用于惩罚与支配流动方程不一致的预测。损失函数还被修改以强调关键井关注量（如流体产率）的精度。E2C ROM 被证明与已有的、已为地下流动模拟充分发展的 ROM——POD-TPWL 非常类似。新 ROM 应用于异质储层中的油水流动，流动由九口在时变控制规范下作业的井驱动。离线阶段共执行 300 次高保真训练模拟，网络训练在 Tesla V100 GPU 节点上需 10–12 分钟。在线（运行）计算相对于全阶模拟实现了 (1000) 的加速。给出了在大范围内变化井控制的广泛测试用例结果。在 particular 时刻的全局饱和度和压力场，以及随时间变化的注入和 production 井响应方面，均实现了准确的 ROM 预测。结果表明，当使用 100 或 200 次（而非 300 次）训练运行来构建 E2C ROM 时，误差会增大。
引用
@article{arxiv.1906.03729,
title = {Deep-learning-based reduced-order modeling for subsurface flow simulation},
author = {Zhaoyang Larry Jin and Yimin Liu and Louis J. Durlofsky},
journal= {arXiv preprint arXiv:1906.03729},
year = {2019}
}
备注
Submitted for review in Journal of Computational Physics