[论文解读] A Critical Review of Physics-Informed Machine Learning Applications in Subsurface Energy Systems

Abdeldjalil Latrach, Mohamed Lamine Malki+3 more|arXiv (Cornell University)|Aug 6, 2023

Seismic Imaging and Inversion Techniques参考文献 159被引用 8

一句话总结

对基于物理的机器学习（PIML）在地下能源系统中的应用进行全面评述，详述集成模式、PINNs 理论及在地球科学、钻探、油藏和生产预测中的应用。

ABSTRACT

Machine learning has emerged as a powerful tool in various fields, including computer vision, natural language processing, and speech recognition. It can unravel hidden patterns within large data sets and reveal unparalleled insights, revolutionizing many industries and disciplines. However, machine and deep learning models lack interpretability and limited domain-specific knowledge, especially in applications such as physics and engineering. Alternatively, physics-informed machine learning (PIML) techniques integrate physics principles into data-driven models. By combining deep learning with domain knowledge, PIML improves the generalization of the model, abidance by the governing physical laws, and interpretability. This paper comprehensively reviews PIML applications related to subsurface energy systems, mainly in the oil and gas industry. The review highlights the successful utilization of PIML for tasks such as seismic applications, reservoir simulation, hydrocarbons production forecasting, and intelligent decision-making in the exploration and production stages. Additionally, it demonstrates PIML's capabilities to revolutionize the oil and gas industry and other emerging areas of interest, such as carbon and hydrogen storage; and geothermal systems by providing more accurate and reliable predictions for resource management and operational efficiency.

研究动机与目标

• 识别科学领域中标准机器学习的局限性并激发物理信息方法的动机。
• 系统地对地下应用中将物理信息融入数据驱动模型的模式进行分类。
• 提出物理信息神经网络（PINNs）的理论基础与实际变体。
• 调研当前 PIML 在地质/地球物理、钻探、油藏工程和生产预测方面的应用。
• 强调最佳实践、知识缺口以及地下能源系统 PIML 的未来研究方向。

提出的方法

• 解释包括数据/特征工程、后处理、初始化、优化器设计、架构设计、损失函数和混合模型在内的物理集成谱系。
• 给出将 IB、PDE 和数据损失整合以强制物理规律的 PIDN 框架和目标函数。
• 讨论神经求解器和神经算子作为 ODE/PDE/SDE 的神经仿真器及其比较属性。
• 从理论上将带有初始条件和边界条件的 PDE 表述出来，并描述 PINNs 如何通过自动微分来强制这些条件。
• 回顾并综述 PIML 在地球科学、钻探、油藏工程、生产预测和 CO2 存储中的应用。

实验结果

研究问题

• RQ1 在地下子数据驱动模型中，将物理信息融入的主导模式有哪些？在何种情况下适用？
• RQ2 PINNs 如何运作以求解并发现地下应用中的控制方程？
• RQ3 PIML 在地球科学、钻探、油藏工程、生产预测和 CO2 存储等领域的应用现状如何？

主要发现

• PIML 在数据稀缺情形下提升了模型泛化能力和对物理规律的遵循性。
• 通过在损失函数中强制残差，PINNs 能求解与发现 PDE，从而实现物理一致的预测并具有对训练数据外推的潜力。
• 将基于物理的损失与对物理有感知的架构耦合的混合模型能够提高对控制方程的遵循性和物理合理性。
• 地质与地球物理领域受益于 PINNs 在地震波建模、反演工作流以及高频波场预测中的应用，采用解决光谱偏差的方法。
• 神经算子如傅里叶神经算子提供无网格替代方案，数据需求可能与 PINNs 不同，适用于地震问题。
• 该综述强调了实际的最佳实践并指出如优化器设计等方面的差距，以及在工业界更广泛应用的挑战。