物理信息神经网络混合方法预测CO?注入井筒井底压力与温度：面向现场标定与稳态模拟的场校准框架

《Carbon Capture Science & Technology》：Field-Calibrated PINN-Based Hybrid Approach to Predict Bottomhole Pressure and Temperature in CO 2 Injection Wellbores

　　

准确预测井底压力(Bottomhole Pressure, BHP)与井底温度(Bottomhole Temperature, BHT)，对碳捕集与封存(Carbon Capture and Storage, CCS)注入系统的安全高效运行十分重要。稳态多相流模拟器常用于CO?注入井分析；然而在动态运行条件下，实测BHT与稳态模拟器预测值差异显著。研究人员提出一种基于物理信息神经网络(Physics-Informed Neural Network, PINN)的混合方法，用于预测CO?注入井筒中的BHP与BHT。该方法由模拟器训练的PINN与现场标定的PINN组成。模拟器训练的PINN采用两步物理信息训练策略，使用来自海上CO?运输与注入场景的稳态多相流PIPESIM模拟数据生成，并嵌入控制动量方程与能量方程以及状态方程(Equation of State, EOS)。该模拟器训练的PINN与常规机器学习模型、Peng–Robinson(PR)与Benedict–Webb–Rubin–Starling(BWRS)状态方程公式及CCS现场测量值进行比较。稳态运行期间，其对BHP与BHT的平均绝对百分比误差(Mean Absolute Percentage Error, MAPE)分别为0.74%与2.91%。现场标定的PINN利用动态运行条件下采集的CCS现场测量值建立；该PINN使基于PINN的混合方法在保留数据集上的BHP的MAPE达到0.513%、BHT的MAPE达到0.253%，对应均方根误差(Root Mean Square Error, RMSE)分别为19.33 psia与1.87°F。对PR与BWRS EOS参数的蒙特卡洛敏感性分析表明，在±5% EOS参数扰动下预测误差低于1%。所提出的基于PINN的混合方法在保持控制流动与热力学物理规律的同时，可在正常与动态运行条件下提供可靠的BHP与BHT预测。

研究背景方面，碳捕集与封存（Carbon Capture and Storage，CCS）注入系统需要准确预测井底压力（Bottomhole Pressure，BHP）与井底温度（Bottomhole Temperature，BHT），以保障安全高效运行。稳态多相流模拟器虽常用于CO?注入井分析，但在动态运行条件下，实测BHT与稳态模拟器预测值存在显著差异。因此，研究人员需要一种既能保持流动与热力学物理规律，又能在正常与动态工况下可靠预测BHP与BHT的方法。研究人员开展了基于物理信息神经网络（Physics-Informed Neural Network，PINN）的混合方法研究，由模拟器训练的PINN与现场标定的PINN组成，并在《Carbon Capture Science》发表。结论是该混合方法在保留控制流动与热力学物理规律的同时，可在正常与动态运行条件下提供可靠预测，对CCS现场监测与安全注入管理具有重要意义。

主要关键技术方法上，研究人员采用两步物理信息训练策略构建模拟器训练的PINN，使用海上CO?运输与注入场景的稳态多相流PIPESIM模拟数据，并嵌入动量方程、能量方程与状态方程（Equation of State，EOS）。随后利用动态工况下采集的CCS现场测量值建立现场标定的PINN。研究中还将模拟器训练的PINN与常规机器学习模型、Peng–Robinson（PR）与Benedict–Webb–Rubin–Starling（BWRS）EOS公式及现场测量值比较，并开展PR与BWRS EOS参数的蒙特卡洛敏感性分析。

研究结果部分，Simulator-Trained PINN Development中，研究人员通过两步物理信息训练策略与PIPESIM稳态模拟数据构建模型，并嵌入控制方程与EOS，形成可预测BHP与BHT的基础PINN。Evaluation Against Conventional Models and EOS Formulations中，研究人员将模拟器训练的PINN与常规机器学习模型、PR与BWRS EOS公式及CCS现场测量值比较，稳态运行下BHP的MAPE为0.74%，BHT的MAPE为2.91%。Field-Calibrated PINN中，研究人员使用动态运行条件下采集的CCS现场测量值标定PINN，使混合方法在保留数据集上BHP的MAPE达0.513%，BHT的MAPE达0.253%，对应RMSE分别为19.33 psia与1.87°F。Monte Carlo Sensitivity Analysis of EOS Parameters中，研究人员对PR与BWRS EOS参数进行±5%扰动分析，结果表明预测误差低于1%，说明模型对EOS参数不确定性具有鲁棒性。

讨论部分总结，研究人员指出稳态模拟器在动态工况下对BHT预测偏差较大，而PINN混合方法通过现场测量值校准，弥补了纯模拟器与纯数据驱动模型的不足。该方法在保持物理一致性的同时提升动态工况精度，可用于CCS注入井实时监测、运行风险评估与模型更新。

研究结论部分译为：所提出的基于PINN的混合方法结合了模拟器训练的PINN与现场标定的PINN。在稳态条件下，模拟器训练的PINN对BHP与BHT的预测MAPE分别为0.74%与2.91%；在现场标定后，混合方法对保留数据集的BHP与BHT的MAPE分别为0.513%与0.253%，RMSE分别为19.33 psia与1.87°F。对PR与BWRS EOS参数的蒙特卡洛敏感性分析显示，在±5%参数扰动下预测误差低于1%。该基于PINN的混合方法在保持控制流动与热力学物理规律的同时，在正常与动态运行条件下均可提供可靠的BHP与BHT预测。