基于物理信息的神经网络,对油页岩在微波加热下的热机械响应进行非线性多场耦合分析预测
《Engineering Applications of Artificial Intelligence》:Nonlinear multi-field coupling analysis and prediction of thermo-mechanical response of oil shale under microwave heating using physics-informed neural network
【字体:
大
中
小
】
时间:2026年05月05日
来源:Engineering Applications of Artificial Intelligence 8
编辑推荐:
成瑶|朱银龙|马玉琳辽宁工程技术大学创新与实践学院,抚顺市,123000,中国摘要在石油页岩的微波加热过程中,存在强烈的非线性多场耦合问题,这需要高精度和高效的解决方法。基于物理信息的神经网络(PINN)已成为求解偏微分方程(PDEs)的强大工具;然而,现有的PINN方法在特定条
成瑶|朱银龙|马玉琳
辽宁工程技术大学创新与实践学院,抚顺市,123000,中国
摘要
在石油页岩的微波加热过程中,存在强烈的非线性多场耦合问题,这需要高精度和高效的解决方法。基于物理信息的神经网络(PINN)已成为求解偏微分方程(PDEs)的强大工具;然而,现有的PINN方法在特定条件下的适用性往往有限,且当应用于强非线性、温度依赖的材料问题时,其训练收敛性仍不理想。为了解决这一问题,本研究提出了一种具有强物理约束加权策略的PINN框架,在该框架中,物理损失权重被限制在0.5-0.6之间,并在训练过程中动态平衡。结合实验获得的温度依赖材料参数,这种框架能够高效地替代求解耦合的PDEs。通过三个测试案例(600 W、800 W微波加热以及交叉条件下的高温蒸汽加热石油页岩)进行了训练和预测。结果表明,PINN框架能够在几毫秒内输出任意点的温度和位移场,总损失稳定在10?4-10?3的水平,具有高预测精度,并与COMSOL模拟结果高度一致。这些发现表明,所提出的框架能够实现对温度依赖材料中强非线性热机械耦合问题的高精度、快速预测和跨条件泛化。
引言
能源消耗的快速增长促使人们开发替代能源并实施创新技术(Zhao等,2024a)。作为非常规油气资源,石油页岩含有丰富的有机物质,其质量分数介于5%到65%之间。通过热解过程,它可以产生类似石油的页岩油,这些页岩油可以通过重整化工艺提炼成汽油、煤油和柴油(Li和Zhang,2023)。中国的石油页岩资源总量约为9780亿吨,其中6320亿吨位于伸展区,占全国总量的65%,大约有320亿吨为原位页岩油(Cheng等,2024)。有机物质对温度非常敏感。研究表明,从350℃到550℃的加热可以引发剧烈的热解反应,产生大量的页岩油和天然气(Do?an等,1996)。
近年来,微波热解技术在石油工业中发展迅速,全球许多公司正在探索其用于提取非常规油气的可能性(Taheri-Shakib等,2021)。微波热解石油页岩是生产油气的有效方法。与传统干馏相比,它具有加热快速、均匀且无温度梯度的优势(Cheng等,2022)。微波加热是通过电场与分子之间的相互作用(包括偶极子旋转和离子传导)在材料内部发生的。电场引起的分子或离子的高速旋转产生热量(Meng等,2021),从而触发石油页岩的热解。石油页岩在微波加热下的热响应涉及多个物理领域:电磁加热、热量和质量传递、化学反应、流体流动以及固体力学(Zhu等,2021)。将这些领域耦合起来通常需要求解非线性偏微分方程,这对于研究此类系统至关重要。一个主要挑战是解析解往往难以获得。为了解决这个问题,研究人员提出了各种数值方法来求解偏微分方程,如有限差分法(FDM)、有限元法(FEM)和有限体积法(FVM)(Mirzaee等,2021)。尽管数值方法推动了PDE研究的发展,但它们主要限于热、流动、力和化学过程的简单耦合。对于复杂条件和复杂耦合的研究仍处于早期阶段(Liu等,2024)。此外,这些模拟的高计算成本限制了它们的工程应用范围。
随着机器学习和深度学习的快速发展,数据驱动的方法被广泛用于分析和预测复杂的工程问题(Zhao等,2021)。这些传统方法通常依赖于大量高质量的训练数据通过数据拟合来将输入映射到输出。然而,在许多工程领域,如航空航天和地质勘探中,数据采集成本高昂或实验条件受限,导致标记数据稀疏或缺失。在这种情况下,纯数据驱动的模型常常因为过拟合或违反物理原理而失败。因此,在数据稀疏的环境中,利用物理知识减少对标记数据的依赖是必要的。无需任何标记数据,仅依靠约束条件就可以训练机器学习模型(Stewart和Ermon,2017)。Raissi(Raissi等,2019)首次提出了基于物理信息的神经网络(PINN),该方法将物理定律、控制方程和约束条件纳入正则化损失函数中。这种方法允许使用较小的样本量进行训练,同时提高了深度学习的可解释性和模型的泛化能力。近年来,PINN在求解偏微分方程(PDEs)方面找到了广泛的应用。传统的数值方法耗时且劳动密集,需要较大的网格和重复求解非线性系统。与有限元法(FEM)相比,PINN利用神经网络近似和自动微分技术来处理高维问题,这对FEM、有限体积法(FVM)和其他方法来说具有挑战性。此外,它们具有广泛的适用性和简单的推导过程,一旦训练完成,网络可以快速产生结果(Shi,2024)。Meng等(2023)提出,PINN是有效的黑盒求解器,能够在保证准确性和效率的同时避免对各种PDEs进行直接计算。
章节片段
在石油页岩的多物理场耦合问题研究中,广泛使用了FEM、FVM和FDM以及基于这些方法的商业多物理场求解器来求解涉及电磁学、热传递、化学反应、流体流动和力学的耦合方程。研究人员应用这些方法研究了石油页岩微波加热的多个方面。例如,Wang等(2022)开发了一个用于多孔介质的三维多物理场模型
如图1所示,这是一个几何对称的微波加热石油页岩模型。模拟的石油页岩储层的长度为16米,宽度为12米,高度为10米。坐标系以左下角点(0,0)为原点。放置微波发生器的两个输入井的坐标分别为(4,3)和(4,9),生产井的坐标为(8,6)。井的半径为0.1米,x = 8是对称轴,
如图6所示,在训练过程中,模型在早期阶段经历了多尺度协调阶段,总损失从10?1降低到10?3,大约在500个训练周期内实现。这种快速收敛反映了网络识别和描述多个物理场之间内在相关性的能力。从分量损失图中可以看出,数据损失L_u分量(Lu_(u), Lu_(v), Lu_(T)在训练过程中表现出不同的收敛模式。温度
利用训练好的PINN模型,预测了整个计算域(x ∈ [0,8] 米, y ∈ [0,12] 米,不包括井区域)内的石油页岩储层的温度和位移场,包括插值(t = 200天)和外推(t = 550天)预测。然后将预测结果与COMSOL Multiphysics模拟结果进行比较,以评估模型在不同时间域内的性能和准确性。
对于插值情况
成瑶:撰写 – 审稿与编辑,撰写 – 原稿,验证,监督,调查,形式分析,概念化。朱银龙:撰写 – 审稿与编辑,撰写 – 原稿,软件开发,方法论,调查,数据管理,概念化。马玉琳:监督,形式分析,概念化。
作者声明他们没有已知的可能会影响本文工作的财务利益或个人关系。
生物通微信公众号
生物通新浪微博
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