ManyWells：基于漂移通量模型的多相流仿真与大规模数据集构建及其在机器学习中的应用研究

本文推荐一款开源多相流模拟器ManyWells，其基于漂移通量模型（Drift-Flux Model）实现低精度一维稳态仿真，可生成涵盖多种流动形态（泡状流、段塞流/搅动流、环状流）的石油工程数据集。通过设计参数采样策略与边界条件控制（如非稳态油藏衰减模拟与闭环控制），构建了三个各含百万数据点的大规模数据集（SOL/NSOL/NSCL），并验证了仿真数据与真实生产数据（含313口井）的分布一致性。该资源为机器学习（如流量预测、流型分类）提供了高质量工业仿真基准，推动数据驱动方法在油气工程中的发展。

　　

Highlight

基于漂移通量模型的多相流模拟器与精选数据集面向社区开放，支持机器学习及其他数据驱动方法的研究。该模拟器采用低精度、一维稳态求解方案，捕捉垂直井中多相流的核心特征，创新性地使用softmax回归平滑建模泡状流、段塞/搅动流和环状流之间的形态转换（受Hasan等人2010年研究的启发）。通过CasADi自动微分框架与Ipopt梯度优化求解器实现高效计算。

Section Snippets

2. 垂直井多相流模型

我们的建模起点基于Aarsnes等人（2016）提出的一维两相流漂移通量模型。该模型包含三个偏微分方程，我们额外加入能量守恒方程。通过将时间导数设为零，得到稳态空间发展方程：

d/dz(α_gρ_gv_g) = Γ

[其余方程略]

3. 求解方法

我们通过数值积分方案对微分方程进行离散化，结合闭合关系与边界条件，构建非线性方程组并求解。

4. 井况与操作条件采样

设计了涵盖井身属性（L, D, f_D, h）、节流器参数（K_c, σ）、流入特性（w_l,max, f_g）、流体性质（R_s, ρ_l, c_pg, c_pl）、边界条件（p_r, p_s, T_r, T_s）及控制变量（u_c, w_lg）的采样策略，模拟气-液-油三相流动。

5. 数据集

生成三个大规模数据集：

• •

  SOL：稳态边界条件+开环控制

• •

  NSOL：非稳态边界条件+开环控制

• •

  NSCL：非稳态边界条件+闭环控制

  每个数据集包含2000口井、各井500次模拟，总计百万级数据点，形成面板数据结构。

6. 仿真数据分析与验证

通过真实井数据验证模拟器准确性，确认压力与流量预测精度。与313口真实生产井的10万+数据点对比表明：仿真数据分布覆盖真实数据，且非稳态与闭环控制使数据相关性更接近实际。

7. 机器学习任务示例

展示多任务学习在有限数据条件下的知识迁移应用，包括回归任务（流量预测）与分类任务（流型识别）。

Concluding Remarks

模拟器实现经测试可靠，基于成熟模型预期具备广泛适用性。所生成数据集为机器学习算法在非独立同分布（Non-IID）条件下的鲁棒性研究提供独特资源。