基于物理信息的可微分模拟器从整体和极端压力事件中进行储层表征
机器学习
2026-04-16 v1
摘要
准确表征地下非均质性具有挑战性，但对于储层压力管理、地热能提取以及 CO、H 和废水注入操作等应用至关重要。这一挑战在极端压力事件中尤为严峻，这些事件很少被观测到，但会严重影响操作风险。传统的历史匹配和反演技术依赖于昂贵的全物理模拟，使得大规模处理不确定性和极端事件变得不可行。纯数据驱动模型在处理稀疏观测、复杂地质和极端事件时，往往难以保持物理一致性。为了克服这些限制，我们引入了一种基于物理信息的机器学习方法，该方法将可微分的底层流动模拟器直接嵌入到神经网络训练中。该网络从有限的压力观测中推断出非均质渗透率场，而训练则通过模拟器最小化渗透率和压力损失，从而强制执行物理一致性。由于模拟器仅在训练期间使用，一旦模型学习完毕，推理仍然很快。在初步测试中，与纯数据驱动方法相比，所提出的方法将压力推断误差减少了一半。然后，我们将测试扩展到八个不同的数据场景，在每种情况下，我们的方法产生的压力推断误差都显著低于纯数据驱动模型。我们还评估了我们的方法在极端事件上的表现，这些事件代表了样本分布尾部的严重后果数据。与整体分布类似，基于物理信息的模型在极端事件区域保持了更高的压力推断精度。总体而言，所提出的方法能够实现快速、物理一致的地下反演，用于实时储层表征和风险感知决策。
引用
@article{arxiv.2604.13291,
title = {Physics-informed reservoir characterization from bulk and extreme pressure events with a differentiable simulator},
author = {Harun Ur Rashid and Mingxin Li and Aleksandra Pachalieva and Georg Stadler and Daniel O'Malley},
journal= {arXiv preprint arXiv:2604.13291},
year = {2026}
}