综述:多孔介质流动的物理信息神经网络:能源应用中的基准、变体及前景

《Energy and AI》:Applications of physics-informed neural networks in fluid flow in porous media - A review study

【字体: 大 中 小 】 时间:2026年04月25日 来源:Energy and AI 9.6

编辑推荐:

  本综述系统梳理了物理信息神经网络(PINN)在多孔介质流动(PMF)中的前沿应用。文章聚焦(PINNs)在(Darcy)流、(Buckley-Leverett)位移及(EOR)等能源场景下的求解性能,对比了(XPINN)、(gPINN)等变体,并讨论了其在替代传统数值模拟与加速(UQ)方面的潜力。

  

引言:当神经网络遇见达西定律

多孔介质中的流体流动(Porous Media Flow, PMF)是能源工程(如油气开采、地热利用、CO2封存)和地下水文学的核心问题。传统的数值方法(如有限元、有限体积)虽然成熟,但在处理强非线性、多尺度异质性及大规模不确定性量化(Uncertainty Quantification, UQ)时往往计算成本高昂。物理信息神经网络(Physics-Informed Neural Networks, PINNs)的出现,为这一领域带来了新的范式——它并非完全抛弃物理定律,也非纯粹依赖数据,而是将偏微分方程(PDE)的残差作为约束嵌入神经网络的损失函数中,实现了“物理规律指导下的机器学习”。

理论基础:从Darcy到Buckley-Leverett的经典方程

PINNs在多孔介质中的应用始于对经典流动方程的求解,这些方程构成了验证算法性能的“试金石”:
  • •
    单相Darcy流:这是最基础的渗流模型,描述了不可压缩流体在刚性多孔介质中的流动。PINN通过将Darcy定律与质量守恒方程结合,直接学习压力场与速度场,避免了传统求解器所需的网格离散化。
  • •
    两相Buckley-Leverett方程:该方程描述了不可压缩两相(如水驱油)驱替过程,以其强非线性特征(如饱和度前沿的激波)而闻名。传统方法易受数值扩散影响,而PINN通过引入熵条件或自适应权重,能够更精确地捕捉尖锐前沿。
  • •
    Richards方程:用于描述非饱和带(包气带)的水分运移,在农业和地下水文中应用广泛。其非线性系数(如水力传导度随含水量的变化)对PINN的优化稳定性提出了挑战,通常需要结合先验知识或分段训练策略。
  • •
    多相多组分流:涉及CO2-盐水-油气等多相系统,包含复杂的相态平衡与输运耦合。此类问题通常采用hp-VPINN(变分PINN)或保守PINN(cPINN) 等变体,以更好地满足质量守恒。

方法演进:应对挑战的PINN变体

标准PINN在处理多孔介质问题时面临梯度消失(特别是在初始/边界层)、高维参数空间及复杂几何边界等挑战。为此,研究者发展了一系列改进变体:
  • •
    域分解策略(XPINN/保守PINN):针对大尺度或强异质性区域(如裂缝性油藏),扩展PINN(XPINN) 将计算域划分为若干子域,每个子网络独立训练并通过界面条件耦合,显著提升了并行效率与表达能力。保守PINN(cPINN) 则特别关注跨子域的质量守恒,通过引入通量连续性条件,避免了非物理的数值泄漏。
  • •
    梯度增强gPINN:通过显式地将PDE残差对输入坐标的梯度加入损失函数,强制网络学习解的高阶变化,有效提升了对高梯度区域(如裂缝尖端、饱和度锋面)的逼近精度。
  • •
    变分VPINN与混合方法:基于变分原理的VPINN更适合处理自然边界条件,而PINN与数据同化(如集合平滑器ES-MDA) 的结合,则实现了物理模型与现场观测数据的深度融合,在历史拟合与参数反演中表现出色。
  • •
    自适应采样与权重:针对解空间分布不均的问题(如锋面附近残差远大于平滑区),自适应重要性采样(AIS) 和残差感知权重分配被广泛采用,通过动态调整训练点的分布,避免优化过程陷入局部极小。

前沿应用:从孔隙尺度到增强采油

  • •
    孔隙尺度模拟:在微观尺度,PINN被用于求解Stokes方程或直接模拟流体-固体相互作用,结合卷积神经网络(CNN)处理复杂的孔隙几何结构,为计算均质化属性(如渗透率张量)提供了新途径。
  • •
    裂缝性介质与流固耦合:对于含裂缝网络的多孔介质,双重连续介质模型(基质-裂缝系统)常被用于构建PINN的损失函数。在涉及热-水-力(THM)耦合的地热问题中,PINN能够同时求解温度场、压力场与应力场,避免了传统迭代求解器的收敛困难。
  • •
    强化采油(EOR)与反应输运:在化学驱(如聚合物驱)或热采(如蒸汽吞吐)过程中,PINN被用于模拟粘度变化、吸附效应及化学反应,尽管目前多限于二维或简化模型,但已显示出替代传统模拟器的潜力。

挑战与展望

尽管前景广阔,PINN在PMF领域的应用仍面临三大核心挑战:
  1. 1.
    高维诅咒:油藏模拟通常涉及高维参数空间(如渗透率场的随机分布),传统的全连接PINN难以胜任,需要结合降维技术或深度算子网络(DeepONet)。
  2. 2.
    极端非线性与不适定问题:对于强非线性本构关系(如非达西流)或逆问题(参数反演),PINN的优化极易失败,需要更先进的优化器与正则化策略。
  3. 3.
    计算效率与验证:虽然PINN在正向求解上可能更快,但其训练时间与超参数敏感性仍是瓶颈。未来需要建立更系统的基准测试集,并与传统数值方法进行严格的性能对比。

结语

PINN为多孔介质流动模拟提供了一条介于纯物理模型与纯数据驱动之间的“第三条道路”。它并非要完全取代传统数值方法,而是在快速预测、参数反演、不确定性量化等特定场景下,成为一种高效的补充工具。随着算法鲁棒性的提升与计算框架的成熟,PINN有望在能源勘探、环境修复及地质碳封存等领域发挥越来越重要的作用。
相关新闻
生物通微信公众号
微信
新浪微博

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号