基于神经算子的数据驱动浴体模拟代理：考虑可变井位、位置和渗透性场
流体动力学
2024-07-16 v1 机器学习
地球物理
摘要
在岩石介质中模拟达西流动是理解油气和碳存储储洞未来流体行为的基本问题。储洞的地质模型常伴随高不确定性，导致大量数值模拟用于历史匹配和生产优化。训练有仿真数据的数据驱动机器学习模型可提供传统仿真器的更快替代方案。本文提出一种单一的傅里叶神经算子 (Fourier Neural Operator, FNO) 代理模型，可预测在可变渗透性场、井位、井控方式以及井数下的压力和饱和度。该模型对 95% 的压力和饱和度预测的最大均相对误差小于 5%。通过采用一种简单且高效的数据增强技术，将数据集大小缩减 75%，并减少过拟合。此外，通过以二进制方式构造输入张量，使模型能够对未出现的井位、井控方式和井数进行预测。该模型可通过几个数量级加速历史匹配和储洞表征程序。能够在新井位、井控方式和井数上进行预测，使储洞管理和优化具有高度的效率。
引用
@article{arxiv.2407.09728,
title = {Neural Operator-Based Proxy for Reservoir Simulations Considering Varying Well Settings, Locations, and Permeability Fields},
author = {Daniel Badawi and Eduardo Gildin},
journal= {arXiv preprint arXiv:2407.09728},
year = {2024}
}