WellPINN：面向 subsurface reservoir 中瞬态流体压力扩散的精确井的表示方法
流体动力学
2026-05-25 v1 机器学习
计算物理
摘要
准确表示井筒对于可靠的地层储层特征化和操作情景模拟至关重要。物理信息神经网络（PINN）最近作为一种储层建模的有前景的方法，能够无缝整合监测数据和支配物理方程。然而，现有的 PINN 研究在捕捉井周围流体压力方面面临主要挑战，特别是在注入开始后的早期阶段。为此，我们提出了 WellPINN，一种将多个顺序训练的 PINN 模型输出组合，以准确表示井的建模工作流程。该工作流程迭代逼近等效井的半径，以匹配实际井尺寸，通过将域分解为逐步缩小的子域并同时减小等效井半径来实现。我们的结果表明，围绕抽采井进行叠加网络的顺序训练是首个专注于从抽采率推断整个注入期间流体压力的工作流程，这显著推进了 PINN 在逆向建模和操作情景模拟方面的潜力。本论文的所有数据和代码将在 https://github.com/linuswalter/WellPINN 上公开。
引用
@article{arxiv.2507.09330,
title = {WellPINN: Accurate Well Representation for Transient Fluid Pressure Diffusion in Subsurface Reservoirs with Physics-Informed Neural Networks},
author = {Linus Walter and Qingkai Kong and Sara Hanson-Hedgecock and Víctor Vilarrasa},
journal= {arXiv preprint arXiv:2507.09330},
year = {2026}
}