[论文解读] 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 6

一句话总结

本文提出一种物理信息卷积循环神经网络（PICRNN）代理模型，通过初始条件和井控序列预测储层中的地下流体流动动力学。通过将离散时间井控嵌入状态空间方程，并基于残差最小化进行无标注数据训练，该模型在三个数值案例中实现了高精度、数据高效的压力量预测。

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.

研究动机与目标

• 开发一种代理模型，以实现对动态井控下储层流体流动动力学的高效且精确预测。
• 将基于物理的状态空间方程直接集成到深度学习架构中，以确保物理一致性。
• 通过求解控制方程的残差最小化训练策略，消除对标注训练数据的依赖。
• 通过状态空间公式自然地施加边界条件，避免引入额外的损失项。
• 展示模型仅基于初始条件和控制序列即可有效预测未来储层状态的能力。

提出的方法

• 该模型采用卷积长短期记忆网络（ConvLSTM）以捕捉储层状态演化中的时空依赖性。
• ConvLSTM与储层流动方程的离散时间状态空间表示相结合，将物理定律直接嵌入网络架构中。
• 井控序列作为每一步时间的输入，实现动态控制驱动的预测。
• 通过最小化控制方程的残差进行网络训练，从而无需标注数据。
• 边界条件被嵌入状态空间方程中，确保其在无需额外正则化的情况下被内在满足。
• 模型以初始储层状态和井控序列作为输入，预测随时间变化的压力及其他状态变量。

实验结果

研究问题

• RQ1 无标注训练数据的情况下，物理信息深度学习模型能否准确预测储层压力动力学？
• RQ2 ConvLSTM架构在嵌入井控的地下流动中，能否有效捕捉时空依赖性？
• RQ3 将边界条件直接嵌入状态空间方程在多大程度上提升了模型的准确性与泛化能力？
• RQ4 与监督学习相比，残差最小化训练策略在数据效率和预测保真度方面表现如何？
• RQ5 在复杂流动场景下，该模型能否在不同储层构型和控制策略间实现良好泛化？

主要发现

• PICRNN模型在三个数值储层案例中均实现了高精度的压力状态预测，展现出在不同控制序列下强大的泛化能力。
• 模型仅基于初始条件和井控序列即可成功预测未来储层状态，无需依赖标注的模拟数据。
• 训练过程中采用残差最小化策略，使模型仅从控制方程中学习即实现优异性能，且数据需求极低。
• 边界条件通过状态空间公式自然实现，无需额外损失项或后处理。
• ConvLSTM与物理信息约束的结合，实现了对多孔介质中复杂时空流体动力学的稳健建模。
• 由于其计算速度快且具备物理一致性，该模型在实时储层管理与最优控制设计方面展现出巨大潜力。