[論文レビュー] Physics-informed Convolutional Recurrent Surrogate Model for Reservoir Simulation with Well Controls

Jungang Chen, Eduardo Gildin+1 more|arXiv (Cornell University)|May 15, 2023

Reservoir Engineering and Simulation Methods被引用数 6

ひとこと要約

本稿では、初期条件および井戸制御の時系列を用いて、貯留層内の地下流体の流れのダイナミクスを予測する物理情報型畳み込み再帰ニューラルネットワーク（PICRNN）の代理モデルを提案する。離散時間の井戸制御を状態空間方程式に埋め込み、ラベルなしのデータで訓練するための残差最小化を用いることで、3つの数値ケースにおいて正確でデータ効率の良い圧力状態の予測を達成した。

ABSTRACT

This paper presents a novel surrogate model for modeling subsurface fluid flow with well controls using a physics-informed convolutional recurrent neural network (PICRNN). The model uses a convolutional long-short term memory (ConvLSTM) to capture the spatiotemporal dependencies of the state evolution dynamics in the porous flow. The ConvLSTM is linked to the state space equations, enabling the incorporation of a discrete-time sequence of well control. The model requires initial state condition and a sequence of well controls as inputs, and predicts the state variables of the system, such as pressure, as output. By minimizing the residuals of reservoir flow state-space equations, the network is trained without the need for labeled data. The model is designed to serve as a surrogate model for predicting future reservoir states based on the initial reservoir state and input engineering controls. Boundary conditions are enforced into the state-space equations so no additional loss term is needed. Three numerical cases are studied, demonstrating the model's effectiveness in predicting reservoir dynamics based on future well/system controls. The proposed model provides a new approach for efficient and accurate prediction of subsurface fluid flow, with potential applications in optimal control design for reservoir engineering.

研究の動機と目的

• 動的井戸制御下での貯留層内流体の流れのダイナミクスを、効率的かつ正確に予測するための代理モデルの開発。
• 物理的状態空間方程式をディープラーニングアーキテクチャに直接統合し、物理的一致性を確保すること。
• 支配的流れ方程式の残差最小化による訓練により、ラベル付き学習データへの依存を排除すること。
• 境界条件を状態空間式を通じて自然に満たすことで、追加の損失項を避けること。
• 初期条件および制御シーケンスのみを用いて、将来の貯留層状態を予測するモデルの有効性を示すこと。

提案手法

• モデルは、貯留層状態の時間的・空間的依存関係を捉えるために、畳み込み長短期記憶（ConvLSTM）ネットワークを採用する。
• ConvLSTMは、貯留層の流れ方程式の離散時間状態空間表現と結合され、物理法則がネットワークアーキテクチャに直接埋め込まれる。
• 井戸制御シーケンスは各時刻の入力として組み込まれ、動的制御駆動型の予測が可能になる。
• ネットワークは、支配的貯留層流れ方程式の残差を最小化することで訓練され、ラベル付きデータの必要性がなくなる。
• 境界条件は状態空間方程式に埋め込まれ、追加の正則化なしに本質的に満たされる。
• モデルは初期貯留層状態および井戸制御のシーケンスを入力とし、時間経過に伴う圧力およびその他の状態変数を予測する。

実験結果

リサーチクエスチョン

• RQ1 ラベル付き学習データを一切必要としない物理情報型ディープラーニングモデルは、貯留層圧力ダイナミクスを正確に予測できるか？
• RQ2 物理的制約を組み込んだConvLSTMアーキテクチャは、埋め込まれた井戸制御を伴う地下流れの時間的・空間的依存関係をどの程度効果的に捉えることができるか？
• RQ3 境界条件を状態空間方程式に直接埋め込むことで、モデルの精度および一般化性能はどの程度向上するか？
• RQ4 ラベルなしデータによる残差最小化訓練戦略は、教師あり学習と比較して、データ効率および予測忠実度の面でどの程度優れているか？
• RQ5 複雑な流れシナリオにおいて、異なる貯留層構造および制御戦略に一般化できるか？

主な発見

• PICRNNモデルは、3つの数値的貯留層ケースにおいて、さまざまな制御シーケンス下でも高い精度で圧力状態を予測し、優れた一般化性能を示した。
• ラベル付きシミュレーションデータを一切必要とせず、初期条件および井戸制御シーケンスのみを用いて、将来の貯留層状態を正確に予測できた。
• 訓練中の残差最小化により、支配的方程式からのみ学習が有効に行われ、最小限のデータで競争力のある性能が達成された。
• 境界条件は状態空間式を通じて自然に満たされ、追加の損失項や後処理の必要がなかった。
• ConvLSTMと物理情報型制約の統合により、多孔質媒体内での複雑な時間的・空間的流体ダイナミクスのモデル化が強固に実現された。
• 高速性と物理的一致性の両方を備えているため、リアルタイムの貯留層管理および最適制御設計への応用が有望である。