[论文解读] Deep-learning-based reduced-order modeling for subsurface flow simulation

Zhaoyang Jin, Yimin Liu+1 more|arXiv (Cornell University)|Jun 9, 2019

Model Reduction and Neural Networks参考文献 43被引用 13

一句话总结

该论文提出了一种基于物理信息深度学习的模型降阶方法（ROM），用于地下水流模拟，采用嵌入-控制（E2C）框架结合自编码器与线性转移模型。通过引入基于物理的损失函数并强调井性能指标，该方法在多种测试案例中实现了相较于全阶模拟约1000倍的速度提升，同时在饱和度、压力和井产量预测方面保持了高精度。

ABSTRACT

A new deep-learning-based reduced-order modeling (ROM) framework is proposed for application in subsurface flow simulation. The reduced-order model is based on an existing embed-to-control (E2C) framework and includes an auto-encoder, which projects the system to a low-dimensional subspace, and a linear transition model, which approximates the evolution of the system states in low dimension. In addition to the loss function for data mismatch considered in the original E2C framework, we introduce a physics-based loss function that penalizes predictions that are inconsistent with the governing flow equations. The loss function is also modified to emphasize accuracy in key well quantities of interest (e.g., fluid production rates). The E2C ROM is shown to be very analogous to an existing ROM, POD-TPWL, which has been extensively developed for subsurface flow simulation. The new ROM is applied to oil-water flow in a heterogeneous reservoir, with flow driven by nine wells operating under time-varying control specifications. A total of 300 high-fidelity training simulations are performed in the offline stage, and the network training requires 10-12~minutes on a Tesla V100 GPU node. Online (runtime) computations achieve speedups of $\mathcal{O}$(1000) relative to full-order simulations. Extensive test case results, with well controls varied over large ranges, are presented. Accurate ROM predictions are achieved for global saturation and pressure fields at particular times, and for injection and production well responses as a function of time. Error is shown to increase when 100 or 200 (rather than 300) training runs are used to construct the E2C ROM.

研究动机与目标

• 开发一种快速、准确的模型降阶模型（ROM），用于地下水流模拟，以支持大规模应用，如优化和不确定性量化。
• 克服高保真度油藏模拟带来的计算负担，后者在实际工作流程中通常需要数千次模拟运行。
• 通过集成物理信息约束并优先考虑损失函数中的井性能指标，改进标准E2C框架。
• 在具有时变井控制和多样化流动模式的复杂、非均质油藏上验证该方法。
• 展示在不同训练数据规模（300次对比100/200次模拟）下模型的鲁棒性与泛化能力。

提出的方法

• 该方法采用包含卷积层和全连接层的自编码器（AE），将高维流态投影到低维潜在空间。
• 通过多层前馈网络实现的线性转移模型，用于预测潜在状态在时间步上的演化。
• 基于物理的损失函数对与基础流动方程不一致的预测进行惩罚，提升物理一致性。
• 损失函数被修改，以优先保证关键井参数（如产油/注水速率和井底压力）的预测精度。
• 模型在Tesla V100 GPU上使用300次高保真度模拟进行离线训练，耗时10–12分钟。
• 在线推理实现相对于全阶模拟约1000倍的速度提升，支持实时应用。

实验结果

研究问题

• RQ1 基于深度学习的ROM结合物理信息正则化，是否能优于标准E2C方法，更准确地预测地下流体动力学？
• RQ2 引入基于物理的损失函数后，对全局场和井响应的预测精度有何影响？
• RQ3 当训练数据少于300次模拟（如100或200次）时，模型的泛化能力如何？
• RQ4 该ROM在具有时变井控制的复杂、非均质流动模式下预测表现如何？
• RQ5 与最近似的训练模拟相比，该模型在井产量和压力预测方面的性能如何？

主要发现

• E2C ROM实现了相对于全阶模拟约1000倍的在线速度提升，支持近实时预测。
• 模型在关键时间点对全局饱和度和压力场的预测准确，差异图显示保真度高。
• 对井产量和注水速率（包括井底压力）的预测具有高精度，显著优于最近似的训练模拟。
• 当训练数据减少至100或200次时，预测误差增加，表明对训练集规模敏感。
• 物理信息损失函数提升了与控制流动方程的一致性，尤其在复杂流动动力学区域表现更优。
• 该方法在具有不同井控制策略和油藏非均质性的多样化测试案例中展现出强大的泛化能力。