混合灰箱模型的可辨识性与物理可解释性——案例研究

模型可辨识性关注从可用过程数据中待估不确定模型参数的唯一性，常被视为模型物理可解释性的先决条件。然而，由于随机与确定性不确定性（例如数据变异性低、测量噪声、模型结构错误以及优化算法的随机性与局部性），模型可辨识性在实践中可能难以获得。对于灰箱混合模型，由于参数数量众多，模型可辨识性几乎无法获得。我们通过一项工业案例研究——石油井中生产节流阀的建模——说明即便对于不可辨识模型，只要在估计问题中采用适当的参数正则化，仍可保持物理可解释性。为此，在实际工业场景中，由于模型灵活性更高，开发混合模型而非机理模型可能有利于模型的预测性能。使用历史生产数据对 Edvard Grieg 资产上六口石油井的建模显示，相较于机理模型，混合模型在各井上的中位预测误差降低了 35%。另一方面，所开发模型的预测性能与物理可解释性均受可用数据影响。这些发现鼓励研究在线学习及其他混合模型变体以改进结果。