基于机器学习的多孔介质中反应输运快速建模：局限性与解决方案

多孔介质中的反应输运在地下储层过程中发挥关键作用，影响流体性质和地球化学特征。然而，将流体动力学与输运过程耦合并与地球化学反应相互作用计算开销巨大，需在离散化模拟域的每个网格单元和每个时间步执行地球化学计算。尽管近期进展将机器学习技术集成作为地球化学仿真的替代模型，但在保证计算效率和准确性方面仍面临挑战。本文考察了将机器学习模型用于多孔介质中反应输运仿真的地球化学模块替代方案。以著名的阳离子交换问题为例进行验证。尽管代理模型在单次预测中表现优异，但在连续时间步的滚动预测中表现不足。通过引入物理基于约束和量身定制的数据集生成策略，我们展示机器学习代理模型可实现准确的滚动预测。我们的发现表明，即便对于简单吸附平衡反应（阳离子交换问题），单独的机器学习代理模型在连续时间步预测中仍会失败。纳入简单的物理约束后，可克服这一局限。本文详细分析了局限性及其潜在缓解策略。