基于Wasserstein生成对抗网络(WGAN-GP)的致密砂岩毛细管压力预测模型研究

针对致密气藏毛细管压力难以直接测量的问题，研究者创新性地将Wasserstein生成对抗网络梯度惩罚(WGAN-GP)与DBSCAN聚类结合，通过构建约束毛细管压力图像，实现了对孔隙结构-渗透率-孔隙度复杂关系的深度学习解析。该方法生成的毛细管压力曲线成功再现致密砂岩部分渗流和非零入口压力特征，为CO2封存和地下储氢等地下多相流研究提供了新工具。

　　

在应对气候变化的全球行动中，二氧化碳(CO₂)封存和氢能储存技术备受关注。这些技术的核心挑战在于理解多孔介质中的多相流动规律，而毛细管压力(capillary pressure)正是控制这一过程的关键参数。传统上，岩石样本的稀缺使得毛细管压力测量成为难题，常用的J函数估算方法在致密气砂岩中表现欠佳，结果离散度大。更棘手的是，氢气因其超低密度特性，对毛细管压力更为敏感——在-253°C的极低温储存条件下，精确预测孔隙中的气液界面行为直接关系到储层安全性。

为此，研究人员开展了一项突破性研究，论文发表在《Fuel》期刊。研究团队从科罗拉多、犹他、怀俄明等地的致密气藏中获取118个砂岩样本（深度161.7-16,678.9英尺），创造性地将岩石物理参数转化为图像数据。通过密度聚类(DBSCAN)分析样本特征后，引入"约束毛细管压力图像"概念，将渗透率、孔隙度和毛细管压力曲线编码为6×6像素矩阵。采用数据增强技术将样本量扩展至1,166组后，设计条件式Wasserstein生成对抗网络梯度惩罚模型(cWGAN-GP)，通过对抗训练使生成器捕捉孔隙结构与毛细管压力的隐藏关联。

关键技术包括：1)DBSCAN聚类分析样本特征；2)构建约束毛细管压力图像；3)数据增强技术；4)条件式WGAN-GP模型优化；5)梯度惩罚稳定训练。样本来自美国西部Mesaverde砂岩组，涵盖Washakie、Uinta等六大盆地。

Performance of the J function in tight gas sandstones
分析显示传统J函数在致密砂岩中预测效果不佳，毛细管压力曲线呈现显著离散性，证实现有方法难以捕捉致密储层的复杂孔隙结构特征。

Constrained image of capillary pressure
创新性提出将毛细管压力曲线与岩石参数(S_w湿相饱和度、P_c毛细管压力)转化为二维图像，通过像素矩阵表征n²个测量点的参数关联，为深度学习提供结构化输入。

Clustering
DBSCAN聚类揭示样本存在明显异质性，近地表与深层样本呈现不同渗透率-孔隙度分布模式，证实单一模型难以适用所有致密砂岩。

Augmentation
通过旋转、平移等几何变换将原始图像扩增10倍，解决小样本量问题，增强模型泛化能力。

Wasserstein generative adversarial network with gradient penalty
优化后的cWGAN-GP在critic训练频率为5时表现最佳，成功避免模式坍塌，生成曲线准确复现致密砂岩特征（部分渗流、非零入口压力）。

Results
生成曲线与实测数据吻合度高，Wasserstein距离显著降低，证明模型能有效学习孔隙结构(Pore Structure)与毛细管压力的非线性关系。

Conclusions
该研究突破传统J函数的局限，首次实现基于深度学习的毛细管压力预测。Alessa和Sakhaee-Pour先前研究指出，氢储存安全压力取决于毛细管效应，本模型为此类研究提供新工具。约束图像构建方法和cWGAN-GP框架可扩展至页岩等非常规储层，对CO₂-水-氢多相系统模拟具有重要价值。

这项研究的创新点在于将岩石物理问题转化为图像生成任务，通过对抗学习解析传统方法难以量化的复杂关系。正如作者强调，在缺乏岩心样本时，该方法可为碳封存选址、储氢库安全性评估提供关键参数，助力能源转型战略实施。模型展现的强大特征提取能力，也为多孔介质传质研究开辟了新范式。