FNO-FiLM：用于波动含凝析气管道快速瞬态模拟的几何条件化神经算子

《Energy》：FNO-FiLM: A geometry-conditioned neural operator for rapid transient simulation of undulating gas-condensate pipelines

　　

• 将起伏气凝析油管道瞬态建模为算子学习问题。
• FNO-FiLM通过双路径浅层和深层条件注入几何先验。
• 模型在八个基准模型上表现优异，比OLGA快三个数量级。
• 系统实验验证了稳定性、鲁棒性和泛化能力。

引言
天然气在全球能源供应中发挥着核心作用，海上气田对该供应的贡献显著且快速增长[1], [2], [3]。在这些气田中，气凝析油甲场依赖集输管道网络，其中单条管道将井口流体从海底圣诞树通过海底和海上升管输送到海平面或岸上处理设施[4]。这些管道通常沿起伏的海底铺设，井口流体在压力、温度和重力的持续变化下沿管道轴线演化，逐渐发展为气凝析油两相流[4], [5]。作为生产与下游处理之间唯一的物理连接，这些管道安全高效的运行直接决定了油田的生产率和后续天然气输送的可靠性。

这种两相流的瞬态演化受到相变、管道几何和重力引起的相再分配耦合效应的影响。在井口，产出物流是高温高压下含有重烃和水的单相气。随着流体沿管道流动，温度和压力的逐渐下降触发反常冷凝，部分重组分凝结为液相，形成以气为主的气凝析油两相流[5], [6]。海底的自然起伏进一步在管道轴线上以空间非均匀方式分布重力分量[7]。液体在低洼段排空并积聚，而在上坡段向上的重力分量则阻碍液体输送[8], [9], [10]。这三种效应的相互作用使瞬态流动强耦合且空间非均匀。

除了这些固有物理特性外，现场操作还对海上集输管道施加额外的扰动和监控约束。管道内部状态进一步受到井口流量波动、阀门操作、紧急停车和泄压程序的影响，这些都重塑了管道沿程压力、温度、持液率和相流速度的时空分布[11]。可靠地了解这些分布是流动保障、运行调节和工况优化的基础。然而在海上环境中，由于海底仪表的成本和海底区段的不可达性，沿管道的传感器部署受到限制，SCADA系统通常仅在入口、出口和少量中间站记录测量值[12]。由此产生的仪表间隙需要瞬态仿真方法来从有限边界测量重建管道时空完整的状态。

此类重建的常用方法是物理基础数值模拟。OLGA[13]和LedaFlow[14]等工业模拟器求解质量、动量和能量耦合守恒方程，已被广泛用于流动保障研究。然而，对于起伏海底上的气凝析油两相流，相变、重力引起的相再分配和流型转变之间的强耦合迫使这些模拟器依赖大量经验闭合关系和精细的时空离散化以维持数值稳定性[6], [15], [16]。相关计算成本很高，在复杂工况下收敛变得困难。这些限制使物理基础模拟器不适合需要快速响应的场景，如在线状态监控、实时预警和运行决策支持，并推动开发数据驱动代理模型，以极低的计算成本近似相同的输入-输出关系。

对快速可靠瞬态仿真的日益增长需求促使对管道建模的数据驱动方法进行了广泛研究。本节回顾了现有方法的三个类别并指出推动本研究的差距。

传统数据驱动模型学习从输入变量到预定义位置输出值的固定维度映射。早期对管道瞬态的应用集中在单相场景。人工神经网络（ANNs）首先被用于压力跟踪和水力状态估计等任务[17], [18], [19], [20]。随后引入循环架构以捕获瞬态演化过程中的时间依赖性[21], [22]。在此基础上，Du等[23]开发出一种改进的门控循环单元用于生产瞬态的序列建模，Zhou等[24]提出了可解释的shortcut-ENN用于天然气管道网络的动态仿真。在多相流方面，数据驱动研究也引起大量关注，但主要针对稳态量。流型分类是最广泛研究的话题[25], [26], [27], [28]，压力降和持液率估计也得到了研究[28], [29]。然而，逐点范式限制模型在固定数量的离散位置预测目标变量，而非重建完整的时空场，需要同时重建整个时空域上多个状态变量的多相管道瞬态预测仍基本未被探索。

物理信息神经网络（PINNs）[30]将控制方程集成到训练损失函数中，允许神经网络在数据和物理定律的联合约束下训练。这种范式已应用于管道瞬态仿真，复杂度逐步增加。Ye等[31]开发了一种用于水管压力瞬态分析的PINN，无需已知边界或初始条件，随后将该方法扩展到具有弹性水柱模型的管道网络[32]。Du等[33]将物理扩散理论和工程知识嵌入神经网络以预测多产品管道中的混合油浓度。同一团队进一步引入了多阶段分层训练策略[34]来解决水力瞬态仿真中遇到的损失不平衡问题。对于更复杂的拓扑，Zhang和Shafieezadeh[35]提出了一种具有自适应加权策略的嵌套PINN，处理多管道天然气管网中的瞬态流动。这些方法通过使用物理约束减少了对大量标注数据集的依赖，但仍存在两个结构性限制。首先，物理损失是针对特定边界和初始值配置的，因此PINN必须针对每个新的运行条件重新训练[36], [37]。其次，在单一损失中同时满足多个耦合守恒方程大大增加了两相流问题中的训练收敛难度，[34], [35]中提出的多阶段和自适应加权策略间接证明了这一困难。

神经算子[36], [38]脱离了传统回归和基于PINN模型的逐点范式。神经算子不是将单个时空坐标映射到局部值，而是学习函数空间之间的映射。给定输入函数，它在单次前向传递中产生整个输出场。作为开创性模型，DeepONet[36]通过分支-主干架构实现了这一思想，分别编码输入函数和查询位置。沿着基于迭代核积分的另一条路线，Li等[37]提出了傅里叶神经算子（FNO）来学习无穷维空间之间的映射。特别是FNO引起了关注，因为频域全局卷积在保持高计算效率和零样本跨分辨率泛化能力的同时有效地捕获了长程依赖。这些优势导致了其在一系列能源和流体问题中的应用[39], [40], [41]。在天然气管道领域，Gong等[42]开发了基于FNO的单相管道瞬态仿真代理模型，并纳入了基于BWRS状态方程的物理约束损失函数。该模型实现了高预测精度和相对于传统数值方法的显著加速。最近，Wang等[43]扩展了FNO，采用时间-频率增强设计和协同对抗学习来处理单相气管道瞬态中的多物理耦合。这些工作确立了FNO作为管道瞬态代理建模可行骨干的地位，但它们都将分析限制在简单几何构型上的单相气流。如何将FNO框架扩展到起伏气凝析油两相流，其中几何、相变和重力引起的再分配紧密耦合，尚未解决。

尽管取得了上述进展，仍有两个相互关联的差距未解决：
1. 从应用范围角度看，现有的管道瞬态数据驱动研究集中在单相天然气管道或简化几何构型上。对起伏地形上气凝析油两相流数据驱动瞬态预测的系统研究，涉及压力、温度、持液率和相速度在整个时空域上的同时演化，尚未报告。
2. 从方法学角度看，起伏管道的几何构型作为物理先验，支配沿管道轴线的重力分量分布和液体积聚位置，而非被动结构描述符。如何将这种几何先验注入神经算子框架，使其在超越浅层输入级联之外持续塑造深层特征演化，尚未探索。

这两个差距共同促成了本工作，提出了一个几何条件化神经算子模型，同时解决应用挑战和方法学需求。

为解决上述差距，本文提出了傅里叶神经算子与特征级线性调制（FNO-FiLM），一种用于起伏气凝析油管道快速瞬态仿真的几何条件化神经算子。该模型采用FNO作为骨干网络学习全局映射，并集成特征级线性调制（FiLM）[44]将几何先验嵌入每个傅里叶层的特征学习过程。图1提供了所提框架的概述。主要贡献总结如下：
1. 将起伏气凝析油管道的瞬态仿真建模为几何条件化算子学习问题。该公式化将瞬态系统的异质信息组织成四个输入函数空间，并将管道几何提升为显式条件输入，为后续模型设计提供统一的数学基础。
2. 提出了一种几何条件化神经算子FNO-FiLM。该模型通过双路径机制集成FNO和FiLM，其中几何先验在输入级通过级联注入，在每个傅里叶层通过特征级调制注入。这种设计使几何先验能够超越浅层输入级，持续塑造深层特征演化。
3. 使用工业多相流模拟器OLGA构建了高保真多场景数据库，联合覆盖多样的起伏几何、代表性的边界扰动模式和稳态起始与瞬态起始初始化，从而使模型暴露于几何、边界条件和初始状态的耦合效应。
4. 通过一系列综合实验评估了所提模型，包括与跨越多个建模范式的八个基准模型的比较、隔离每个设计选择的三级消融研究，以及涵盖长时程自回归预测、跨分辨率迁移和典型工程工况的泛化测试。

本文其余部分组织如下。第2节介绍方法，包括问题公式化、FNO-FiLM架构和训练策略。第3节描述高保真数据生成过程，包括管道仿真模型、瞬态样本生成策略和用于泛化评估的独立测试场景。第4节报告实验结果和分析。第5节总结全文。

小节片段
问题公式化
管道中气凝析油两相流的瞬态过程由质量、动量和能量的耦合守恒方程系统控制，参数化于时变边界条件和空间变化的管道几何。传统代理模型在离散坐标处近似该系统的局部响应，这限制了它们通过单次前向传递恢复完整时空场的能力。为克服这一限制，本工作...

管道仿真模型
鉴于1.1节讨论的仪表间隙，沿整个管道的时空完整瞬态曲线无法直接从现场SCADA记录获得。因此，本研究使用的瞬态场由OLGA 2022.1生成，这是一款在石油和天然气行业广泛用于瞬态管道分析的多相流模拟器[13]。

所建模的管道内径为203.2毫米，管壁粗糙度为0.05毫米，总长度为10公里。

**实验**

本节通过设计的实验来评估FNO-FiLM，以回答以下研究问题（RQ）：

- **RQ1：** 与代表性基线模型相比，FNO-FiLM是否在所有目标变量上都实现了更优的预测精度？
- **RQ2：** FNO-FiLM相比基于物理的模拟实现了多大的计算加速，引入FiLM是否对推理和训练带来了明显的额外开销？
- **RQ3：** FNO-FiLM中每项设计选择如何对整体……（贡献）

**结论**

本工作通过几何条件化的算子学习框架，解决了波动型气液管道（含凝析气）的快速瞬态模拟问题。瞬态任务首先被表述为四个异构输入函数空间与目标空间之间的映射，其中管道几何被提升为显式的条件输入。在此基础上，FNO-FiLM通过双路径机制将几何先验注入FNO主干网络。浅层拼接提供几何……

**CRediT作者贡献声明**

Siheng Shen：撰写——审稿与编辑，撰写——初稿，可视化，验证，软件，方法论，调查研究，概念化设计。Shangfei Song：撰写——审稿与编辑，验证，指导，项目管理，资金获取。Luyao Hou：可视化，验证，软件，调查研究，数据管理，概念化设计。Yangfan Lu：撰写——审稿与编辑，可视化。Yunchao Li：撰写——审稿与编辑，验证。Fengfeng Yin：撰写——审稿

**利益冲突声明**

作者声明不存在可能影响本文所报告工作的已知竞争性经济利益或个人关系。

**致谢**

本工作得到油气重大项目[项目编号：2025ZD1403000]和中国国家自然科学基金委员会[项目编号：52574091]的资助，对此表示衷心感谢。

Siheng Shen | Shangfei Song | Luyao Hou | Yangfan Lu | Yunchao Li | Fengfeng Yin | Daqian Liu | Qi Kang | Bohui Shi | Jing Gong