基于粒子群优化的物理信息神经网络在油气藏渗流直接模拟中的应用研究

为解决传统物理信息神经网络(PINN)在求解多孔介质渗流偏微分方程(PDEs)时超参数依赖经验调参、约束项权重分配困难等问题，中国研究团队创新性地将粒子群优化算法(PSO)与PINN结合，提出PSO-PINN框架。该研究通过自适应配置点分布策略精准捕捉近井区径向流特征，在双孔隙系统、油气两相流等复杂渗流场景中验证了其优于商业模拟器CMG的精度，为油气藏高效开发提供了新型智能求解范式。

　　

地下油气资源的开采如同在黑暗迷宫中的精准导航，传统数值模拟方法如有限差分法(FDM)和有限体积法(FVM)虽能绘制这张"迷宫地图"，却需要消耗巨大的计算资源。更棘手的是，多孔介质中流体流动常伴随裂缝网络的复杂交互、近井区压力的剧烈变化，这些场景对模拟精度提出严峻挑战。物理信息神经网络(PINN)的出现曾带来曙光——它巧妙地将质量守恒定律等物理规则编码进神经网络，但超参数选择如同"经验主义罗盘"，使模型易陷入局部最优的"死胡同"。

中国某研究团队在《Geoenergy Science and Engineering》发表的这项研究，开创性地将粒子群优化(PSO)算法与PINN耦合，构建出具有自主调参能力的PSO-PINN框架。该技术通过PSO自动优化隐藏层神经元数量、配置点分布及损失函数中约束项的惩罚因子，特别针对近井区径向流特征，创新采用对数距离递增的配置点布置策略。在双孔隙系统、油气两相流等复杂场景的测试中，其压力场预测误差较传统PINN降低约40%，与商业软件CMG结果吻合度达98%以上。

关键技术包括：1) PSO驱动的多参数协同优化，涵盖网络结构与物理约束权重；2) 基于对数距离的自适应配置点生成算法，重点加密近井区域；3) 融合CMG仿真数据的混合训练策略；4) 针对达西定律、质量守恒方程构建的复合损失函数。

Physics informed neural network
研究团队重构了传统PINN的损失函数架构，通过PSO动态调整控制方程、初始条件、边界条件三项约束的惩罚因子。实验显示，在单相气体流动案例中，自动优化的惩罚因子组合使方程残差下降速度较固定权重快3倍。

Simulation of fluid flow in different porous media
在裂缝-基质双孔隙系统中，模型成功捕捉到压力波在裂缝中的快速传播特征，压力梯度预测误差仅0.12MPa/m。油气两相流模拟中，含水饱和度预测结果与CMG的均方根误差(RMSE)低至0.008，证实了方法对非线性耦合方程的强适应能力。

Conclusion
该研究突破性地实现了智能算法与物理模型的深度耦合，PSO-PINN框架不仅将计算耗时缩减至传统方法的1/5，其自适应配置点策略更将井筒附近模拟精度提升60%。这项技术为CO₂封存、地热开发等涉及复杂渗流的领域提供了新范式，其参数自动优化思想可延伸至其他物理场建模领域。

研究同时揭示，当处理非均质性极强的储层时，建议将PSO搜索空间扩展至网络激活函数类型的选择。未来工作将聚焦于三维多相流场景的并行计算优化，以及结合迁移学习实现跨储层模型的快速部署。