用于带井控油藏模拟的物理信息卷积循环代理模型
机器学习
2023-05-17 v1
摘要
本文提出了一种利用物理信息卷积循环神经网络(PICRNN)对带井控的地下流体流动进行建模的新型代理模型。该模型使用卷积长短期记忆(ConvLSTM)来捕捉多孔流动中状态演化动力学的时空依赖性。ConvLSTM与状态空间方程相连，从而能够纳入离散时间序列的井控。该模型以初始状态条件和井控序列作为输入，并预测系统的状态变量（如压力）作为输出。通过最小化油藏流动状态空间方程的残差，网络在无需标记数据的情况下进行训练。该模型旨在作为基于初始油藏状态和输入工程控制来预测未来油藏状态的代理模型。边界条件被强制纳入状态空间方程，因此不需要额外的损失项。研究了三个数值案例，证明了该模型在基于未来井/系统控制预测油藏动力学方面的有效性。所提出的模型为高效准确地预测地下流体流动提供了一种新方法，在油藏工程最优控制设计方面具有潜在应用。
引用
@article{arxiv.2305.09056,
title = {Physics-informed Convolutional Recurrent Surrogate Model for Reservoir Simulation with Well Controls},
author = {Jungang Chen and Eduardo Gildin and John E. Killough},
journal= {arXiv preprint arXiv:2305.09056},
year = {2023}
}