用于时空产量预测的物理信息图神经网络
机器学习
2022-09-27 v1 应用物理
摘要
基于历史数据的产量预测为油气资源开发提供了重要价值。经典的历史拟合流程通常计算密集且依赖于几何形态。像递减曲线分析（DCA）和电容电阻模型（CRM）这样的解析数据驱动模型提供了一种无网格解决方案，模型相对简单且能够集成一定程度的物理约束。然而，解析解可能忽略地下几何形态，仅适用于特定流动工况，否则可能违背物理条件导致模型预测精度下降。基于机器学习的时序预测模型为产量预测提供了非参数、无假设的解决方案，但由于训练数据稀疏容易过拟合；因此可能在较短的预测时间间隔内准确。我们提出了一种无网格、物理信息图神经网络（PI-GNN）用于产量预测。一个定制的图卷积层从历史事件数据中聚合邻域信息，并具有将领域知识集成到数据驱动模型中的灵活性。所提方法放宽了对CRM等闭式解的依赖，并遵循给定的基于物理的约束。我们提出的方法鲁棒，相对于传统的CRM和无可物理约束的GNN基线具有改进的性能与模型可解释性。
引用
@article{arxiv.2209.11885,
title = {Physics-Informed Graph Neural Network for Spatial-temporal Production Forecasting},
author = {Wendi Liu and Michael J. Pyrcz},
journal= {arXiv preprint arXiv:2209.11885},
year = {2022}
}