一个端到端可微分的、基于图神经网络的孔隙网络模型,用于渗透性预测

《Journal of Hydrology》:An end-to-end differentiable, graph neural network–embedded pore network model for permeability prediction

【字体: 大 中 小 】 时间:2026年05月09日 来源:Journal of Hydrology 6.3

编辑推荐:

  赵青琪|肖恒 斯图加特模拟科学中心,斯图加特大学,德国斯图加特,70569 **摘要** 准确预测多孔介质的渗透性对于模拟地下流动至关重要。虽然纯数据驱动的模型具有计算效率,但它们往往缺乏跨尺度的泛化能力,并且没有纳入明确的物理约束。另一方面,孔隙网络模型(PNMs

  赵青琪|肖恒
斯图加特模拟科学中心,斯图加特大学,德国斯图加特,70569

**摘要**
准确预测多孔介质的渗透性对于模拟地下流动至关重要。虽然纯数据驱动的模型具有计算效率,但它们往往缺乏跨尺度的泛化能力,并且没有纳入明确的物理约束。另一方面,孔隙网络模型(PNMs)基于物理原理且效率较高,但依赖于理想化的几何假设来估计孔隙尺度的水力传导性,这限制了它们在复杂结构中的准确性。为了克服这些限制,我们提出了一个端到端可微分的混合框架,该框架将图神经网络(GNN)嵌入到PNM中。在这个框架中,用于传导性计算的解析公式被基于孔隙和喉部特征的GNN预测所替代。然后将预测的传导性传递给PNM求解器进行渗透性计算。通过这种方式,模型避免了PNM的理想化几何假设,同时保留了基于物理的流动计算。首先对GNN进行预训练,使其能够从局部孔隙和喉部特征中回归PNM的传导性,然后使用单一的标量渗透性进行微调,从而无需依赖DNS得到的孔隙尺度标签。这是通过将梯度反向传播到GNN(通过自动微分)和PNM求解器(通过离散伴随方法)来实现的,从而实现了完全耦合的端到端训练。所得模型具有高精度,并且能够很好地泛化到不同尺度,优于纯数据驱动和传统的PNM方法。基于梯度的敏感性分析进一步揭示了物理上一致的特征影响,增强了模型的可解释性。这种方法为复杂多孔介质中的渗透性预测提供了一个可扩展且基于物理的框架,减少了模型不确定性并提高了准确性。

**1. 引言**
理解地下流动行为对于许多应用至关重要,包括地质碳储存(Bickle, 2009)、地下氢储存(Wang et al., 2024)、油气开采(Sakhaee-Pour and Bryant, 2012)以及地下水中的污染物迁移和运输(Smith et al., 2024)。渗透性是控制流体在多孔介质中流动的基本属性,通常使用达西定律来量化(Adeyemi et al., 2022)。已经开发了几种数值方法来模拟渗透性。其中,直接数值模拟(DNS),如格子玻尔兹曼方法(LBM),能够提供最准确的渗透性估计(McClure et al., 2014; Guo et al., 2022)。DNS可以明确求解多孔结构内的速度场,从而基于达西定律精确计算渗透性。然而,DNS计算量大,需要大量的计算资源、内存和时间。

在过去十年中,机器学习和深度学习作为许多科学和工程应用中的有前景的工具脱颖而出,包括航空航天(Duraisamy et al., 2019)、材料科学(Jones et al., 2021)、医学成像(Erickson et al., 2017)和地球科学(Wang et al., 2023)。这些技术在捕捉输入和输出数据之间的复杂功能关系方面特别有效,无论这些数据是通过实验还是数值模拟获得的。从多孔介质图像预测渗透性的最简单方法涉及提取微观结构特征,并将它们作为多层感知器(MLP)的输入(Tian et al., 2021; Fu et al., 2023; Tembely et al., 2021; Kamrava et al., 2020)。然而,这些特征通常是在整个域级别计算的,只能提供多孔介质的高级别统计摘要,因此可能无法充分捕捉局部异质性或孔隙空间的详细几何结构,导致预测精度受限。

深度学习,特别是卷积神经网络(CNNs),也被广泛用于从微观CT图像中预测渗透性,例如数字岩石图像(Wang et al., 2021a; Yang et al., 2024)。CNNs在模式识别和图像分割方面表现出色,非常适合直接处理多孔介质图像以预测渗透性(Kang et al., 2024; Liu et al., 2023; Caglar et al., 2022; Tian et al., 2020)。一种增强基于CNN的预测的方法是结合额外的物理信息与输入图像。Wu et al.(2018)通过将CNN与二维合成多孔介质图像中的孔隙率和比表面积等物理参数相结合,展示了改进的渗透性预测。后续研究将这种方法扩展到更复杂的场景,包括三维合成多孔介质和真实砂岩样本(Tang et al., 2022; G?rttner et al., 2023; Tembely et al., 2020)。此外,还提出了各种创新的CNN架构来进一步提高渗透性预测(Zhang et al., 2022a; dos Anjos et al., 2023)。例如,Elmorsy et al.(2022)开发了一种具有并行路径的CNN,利用不同的核大小,通过捕获多尺度结构信息来提高模型的泛化能力。更先进的设计包括将CNN与自注意力机制结合,并整合额外的物理信息,取得了进一步的改进(Meng et al., 2023)。另一种不同的方法首先是使用CNN预测孔隙空间内的完整速度场,然后基于预测的速度场计算渗透性(Wang et al., 2021b; Santos et al., 2020; Zhou et al., 2022)。这种方法更注重流场建模而非直接渗透性估计。基于CNN的方法在图像中预测渗透性的一个关键限制是内存消耗大,尤其是对于大的三维图像域。最近的研究通过各种方法解决了这个问题,包括点云表示和多尺度技术(Nabipour et al., 2024; Jiang et al., 2023)。Kashefi和Mukerji(2021)应用了一种点云深度学习方法,通过仅关注固体基质和孔隙空间之间的边界点,显著减小了输入大小。Elmorsy et al.(2023)提出的另一种创新方法是将大图像分割成较小的子域,使用轻量级CNN预测每个子域的渗透性,然后使用多层感知器从子域结果估计整个域的渗透性。这些方法突出了克服大尺度多孔介质图像渗透性预测中内存限制的实际方法。

另一种提高渗透性预测计算效率的方法是使用图神经网络(GNNs)——一种专门为图结构数据设计的神经网络类型(Wu et al., 2020; Scarselli et al., 2008; Corso et al., 2024)。GNNs的发展是为了克服传统CNN在处理不规则结构和可变输入尺寸方面的局限性。它们非常适合学习图节点之间的复杂关系,并已广泛应用于图分类(Han et al., 2024)和链接预测(Zhang and Chen, 2018)等任务。图神经网络越来越多地用于模拟和预测多孔介质中的流动行为(Alzahrani et al., 2023; Zhao et al., 2024; Kim and Suh, 2025)。Zhao et al.(2025)开发了一个GNN模型,可以直接从图中预测多孔介质的渗透性。在这个图中,孔隙表示为节点,喉部表示为边。GNN通过处理节点和边特征来预测渗透性。这种方法的一个关键优势是其灵活性。由于GNN在节点和边特征上操作,而不是固定大小的输入网格,因此可以处理任意大小的图。此外,将图像数据转换为孔隙级别的图显著减少了内存使用,因为像素簇被压缩成具有紧凑特征向量的单个节点。

基于相同的图表示方法,孔隙网络模型(PNM)提供了一个物理上有依据且计算效率高的框架来预测渗透性(Joekar-Niasar and Hassanizadeh, 2012; Raoof and Hassanizadeh, 2010; Blunt, 2001)。它使用连接孔隙对之间的水力传导性作为模型参数来预测渗透性。水力传导性量化了流体通过每个孔隙-喉部连接的容易程度。给定一个孔隙网络结构,可以通过为所有孔隙对分配水力传导性值并求解孔隙网络方程来计算渗透性。然而,水力传导性通常使用假设理想化孔隙几何的简化解析公式来计算。这些几何假设往往无法捕捉孔隙形状的真实复杂性,从而在预测中引入不确定性。一些研究试图提高水力传导性估计的准确性。例如,Liu et al.(2022)提出了一种基于局部水力阻力等价的改进孔隙-喉部分割算法来增强渗透性预测。另一种方法是彻底用神经网络模型替换解析公式本身。Misaghian et al.(2022)使用CNN从局部孔隙图像预测类似水力传导性的扩散传导性参数,然后使用预测的传导性值在孔隙网络模型中计算体积级别的形成因子。然而,这种方法需要从高保真模拟(如格子玻尔兹曼方法)为每个单独的孔隙对获取训练数据。单个孔隙网络可以包含数千个这样的孔隙对,每个都需要进行模拟。因此,即使对于一个多孔介质样本,准备训练数据也会变得计算成本较高。此外,与体积渗透性不同,孔隙尺度的水力传导性在实验上无法测量,因为无法隔离和独立测试单个孔隙对。因此,大多数现有方法都基于图级别(全局)GNN模型(Alzahrani et al., 2023; Zhao et al., 2025)。这些模型直接预测图级别的量,如渗透性或形成因子。相比之下,针对多孔介质的边级别GNN模型仍然相对较少被探索,因为边级别的标签(如水力传导性)在实践中难以获得。

依赖孔隙级别训练数据对多孔网络建模中的深度学习应用提出了重大挑战。为了解决这个问题,我们借鉴了最近在数据驱动的雷诺平均纳维-斯托克斯(RANS)建模方面的进展。这些方法没有采用完全数据驱动的模型,而是采用混合物理-神经网络框架,其中神经网络用于表示闭合项,如雷诺应力或涡粘度。然后将这些学习到的组件嵌入RANS求解器中,形成偏微分方程(PDE)系统的一部分(Michelén-Str?fer and Xiao, 2021; Zhang et al., 2022b)。在这个框架中,模型不是根据闭合项本身进行训练,而是通过将RANS求解器的最终输出(速度或压力场)与参考数据进行比较来训练。这些输出被称为间接数据,因为它们不是直接由神经网络模型预测的,而是通过使用神经网络模型的输出求解物理方程得到的结果。相比之下,直接数据是指与神经网络模型的输出直接对应的训练数据,例如标记的雷诺应力场。虽然直接数据简化了模型设计和训练,但在实践中往往难以获得,尤其是对于复杂或高雷诺数流动。因此,使用神经网络产生数值模型组件,然后将其传递到传统求解器以匹配间接观测的混合方法,为许多实际应用提供了更加实用且基于物理的替代方案。

根据这一概念,PNM也可以用直接和间接数据来解释。孔隙尺度的水力传导性虽然代表了高保真信息,但在实验上难以获得,因此构成直接数据。相比之下,体积渗透性易于测量,并且可以从多样化的代表性孔隙结构数据集中获得,可以被视为间接数据。表1提供了雷诺平均纳维-斯托克斯模型和孔隙网络模型在直接和间接观测方面的类比概述。在这项工作中,我们采用了类似的策略,以避免依赖直接的孔隙尺度训练数据。受到数据驱动湍流建模工作的启发(Zhang et al., 2022b),我们提出了一个图神经网络嵌入的孔隙网络模型,其中图神经网络用于推断运行孔隙网络模型所需的孔隙尺度水力传导性。类似于神经网络在RANS建模中用于表示闭合项(即雷诺应力)的方式,我们框架中的图形神经网络预测孔隙网络模型中的水力传导性作为闭合项。在RANS和PNM设置中,目标都是改进神经网络对物理模型中闭合项的预测。这引入了基于神经网络输出的影响来优化神经网络的挑战,而不是直接基于其输出。虽然标准学习技术可以处理直接监督,但需要额外的策略来处理间接监督。一种广泛使用的解决方案是伴随方法,该方法通过求解辅助的伴随方程来高效计算偏微分方程(PDE)约束系统中的梯度(Jameson,1988;Brenner,2024;Michelén-Str?fer和Xiao,2021)。当模型输入的数量(例如,GNN参数)远远超过输出的数量(例如,体渗透率)时,伴随方法特别有利,这在物理信息机器学习中是一个常见场景(Martins和Ning,2021)。尽管基于伴随方法的端到端可微建模已在流体力学和水文学的其他领域得到探索(Michelén-Str?fer和Xiao,2021),但其应用于孔隙网络建模和孔隙尺度水力导率闭合的研究相对较少。在这里,我们明确地将这些想法转移到数字岩石和PNM(Porous Network Modeling)环境中:我们在孔隙网络求解器中嵌入了一个图神经网络(GNN),首先使用传统的PNM导率对其进行预训练,然后仅使用体渗透率作为监督信号,在合成珠状填充物、砂岩和碳酸盐岩上进行微调。因此,所提出的方法属于一种混合物理-机器学习方法,其中神经网络用于表示控制物理模型中未解决或不确定的组成部分,而整个系统行为则由基于物理的求解器确定。这种方法已在湍流建模、地下流和数据同化等领域成功应用(Michelén-Str?fer和Xiao,2021;Zhang等人,2022b),在这些领域中无法直接监督中间量。在这项工作中,我们将这些想法扩展到孔隙网络建模中,通过学习水力导率作为在物理约束框架内的数据驱动闭合。通过这种方式,我们提供一个具体的工作流程,利用真实的、可实验获取的目标(体渗透率)来学习有效的、具有物理解释能力的导率闭合,而不是黑箱替代方法,并展示了在标准PNM框架内跨越不同域大小和岩石类型的改进泛化能力。

表1. 雷诺平均纳维-斯托克斯(RANS)框架和孔隙网络模型(PNM)框架在直接和间接数据方面的类比。

概念
RANS模型 PNM模型
直接数据 标记的雷诺应力场 水力导率
间接数据 速度、阻力、升力 体渗透率
所需闭合 雷诺应力 水力导率
物理求解器 基于PDE的RANS求解器 孔隙网络流动求解器

本文的其余部分组织如下。在“材料与方法”部分,我们首先介绍所提出框架的一般概念。然后介绍PNM和GNN模型,接着详细描述端到端可微的GNN嵌入孔隙网络模型。接下来是对用于模型训练和评估的数据集的概述。在“结果”部分,我们比较了纯数据驱动的GNN模型、传统的PNM模型以及所提出的混合GNN嵌入PNM模型在不同数据集上的性能。我们还通过对节点和边缘特征的渗透率进行基于梯度的分析来研究模型的可解释性。最后,在“结论”部分总结了关键发现。

2. 材料与方法
我们开发了一个混合建模框架,将GNN与基于物理的PNM结合起来预测多孔介质的渗透率。核心思想是用基于GNN的数据驱动预测来替换通常基于简化几何假设的解析导出的孔隙尺度水力导率值,该GNN首先在传统PNM导率上进行预训练,然后使用体渗透率观测数据进行微调。在这个框架中,GNN以孔隙网络的图表示作为输入,并基于节点特征向量 和边缘特征向量 预测边缘水力导率值(见图1)。然后使用这些预测的导率在传统的PNM求解器中计算体渗透率,通过求解基于达西定律和质量平衡的方程组来实现。关键的是,经过微调的GNN是通过优化其参数来间接训练的,而不是通过将其输出(导率)与标记数据进行比较,而是通过最小化PNM求解器的渗透率输出与参考值之间的不匹配来实现的。这需要通过伴随方法将损失反向传播到PNM求解器中,这使得该方法变得可行。伴随方法可以高效地计算损失对预测导率值的敏感性,从而允许基于梯度的GNN权重优化。该框架结合了孔隙网络建模的物理可解释性和效率以及深度学习的灵活性,使得无需高保真模拟或实验的孔隙尺度标签即可预测渗透率。

下载:下载高分辨率图像(256KB)
下载:下载全尺寸图像

图1. 所提出的图神经网络(GNN)嵌入孔隙网络模型(PNM)框架的概述,用于渗透率预测。GNN以节点 的特征向量和连接它们的边缘 作为输入,并输出每个孔隙-喉部对的预测水力导率 。这些导率值随后被传递到基于物理的PNM求解器中,求解器应用达西定律和质量守恒来计算体渗透率。底部框是GNN模块(左上角)的放大图,说明了如何使用节点和边缘特征来计算每个孔隙-喉部対的水力导率。关于GNN嵌入孔隙网络模型的更多细节见图4。输入节点和边缘特征的描述见表A.7.2.1。

2.1. 用于渗透率计算的孔隙网络模型
孔隙网络模型是对多孔介质的简化表示,它将孔隙空间简化为图结构,其中孔隙被建模为节点,喉部被建模为边缘。该网络是通过将多孔介质图像分割成不同的区域(图2(a).i-ii)来构建的,每个区域代表一个孔隙。然后将这些分割的区域映射到图节点上,它们之间的连通关系形成网络的边缘(图2(a).ii-iii)。流体通过该网络的流动受每个孔隙处的质量守恒和每个喉部处的达西定律的支配。为了模拟流动,必须为网络中的每条边缘分配一个水力导率值,该值量化了流体通过连接喉部的难易程度。给定一组边缘导率值后,PNM将这些值作为系数用于离散的质量平衡方程组中。在应用边界条件(例如,入口和出口压力)后,离散的质量平衡方程可以组装成一个线性系统(1),其中 是孔隙压力向量, 表示边界条件, 是一个取决于水力导率的稀疏矩阵。在所有PNM模拟中,我们通过在域的对面施加固定的压力降(Pa)来计算单相不可压缩流动,同时对剩余的面施加无流动边界条件。在这些条件下,孔隙网络方程在压力上是线性的,因此均匀缩放所有流量,但保持固有渗透率 不变。因此,我们学习框架中的目标量是固有渗透率,它独立于施加的压力降的具体值,前提是流动保持在线性(达西)范围内。求解方程(1)可以得到速度场,从中可以计算入口处的净流量。然后达西定律给出总体渗透率 (2),其中 是由流体属性、域大小和施加的压力降确定的已知因子。关于PNM系统的矩阵组装及其渗透率计算的详细描述见附录C。

下载:下载高分辨率图像(543KB)
下载:下载全尺寸图像

图2. 孔隙网络提取和几何理想化的流程。(a)孔隙网络提取的流程:(i)准备多孔介质图像;(ii)将图像分割成不同的孔隙区域;(iii)提取孔隙网络。图(b)显示了一个孔隙对(对应于图(a.ii)中的红色矩形)的示例,其中孔隙形状被理想化为标准几何形状,如(c)球体和圆柱体,或(d)圆锥体和圆柱体。这里, 表示长度, 是横截面积,下标 、 和 分别表示孔隙、孔和喉部。(关于此图例中颜色的解释,请参阅本文的网页版本。)

因此,多孔介质的渗透率 由孔隙结构和每个孔隙对的孔隙-喉部-孔隙通道的水力导率 决定。水力导率 由孔隙-喉部-孔隙通道的几何形状定义,与水力尺寸因子 相关,即:
(3)

其中 是流体动态粘度, 和 分别表示两个连接孔隙的长度, 是喉部的长度, 表示沿通道的横截面积, 是取决于几何假设的形状因子。水力尺寸因子 是通过沿孔隙-喉部-孔隙通道积分几何属性计算得出的。对于通道段的不同几何假设会导致不同的形状因子,这会影响水力导率的准确性。图2(b)显示了从图2(a).ii中提取的孔隙对区域的示例。要从这样的子域图像中提取孔隙和喉部属性,必须对孔隙和喉部的形状做出特定的假设。例如,图2(c)和(d)展示了两种常见的几何配置:在图2(c)中,孔隙被建模为球体,喉部被建模为圆柱体,而在图2(d)中,孔隙被表示为圆锥体,喉部保持圆柱形。水力导率预测的准确性强烈依赖于正确估计的尺寸因子,而这取决于形状。因此,在计算孔隙网络属性时,我们考虑了多种理想化的几何形状,包括金字塔、长方体、圆锥体、圆柱体、梯形、矩形和立方体。这些理想化的几何形状随后被用来近似孔隙和喉部的属性。从这些假设中得出的几何属性在表A.7中有总结,由于它们与水力导率有很强的相关性,因此被明确用作模型输入。

2.2. 图神经网络方法
虽然PNM为渗透率预测提供了一个具有物理解释能力和计算效率的框架,但其准确性从根本上受到用于估计水力导率的假设的限制。如2.1节所述,水力导率的计算依赖于用于近似孔隙-喉部-孔隙通道的理想化几何假设,当应用于复杂和不规则的孔隙结构时,这可能会引入显著的误差(Liu等人,2022;Misaghian等人,2022)。为了克服这一限制,我们提出使用GNN从孔隙网络的结构特征学习到与渗透率相关的量的数据驱动映射。最近的工作(Zhao等人,2025)表明,全局的图级GNN方法可以准确预测渗透率。该方法将从多孔介质图像中提取的整个孔隙网络表示为图,然后应用GNN直接估计体渗透率。这是一种纯粹的数据驱动方法,不依赖于任何物理求解器。虽然这种方法在计算效率上优于传统的数值方法,但当应用于不同规模的数据集时,其准确性可能会下降,并且缺乏嵌入的物理原理限制了可解释性和泛化性能。关于这种纯数据驱动GNN模型的详细信息见附录B。

为了解决这些缺点,在这项工作中,我们提出了一种基于边缘级GNN的方法,如图3所示。在这种混合方法中,GNN嵌入在孔隙网络求解器中,使用连接孔隙和喉部的特征来预测边缘级水力导率。然后这些预测的导率值被传递到PNM求解器中以计算体渗透率。这种策略在仅使用渗透率观测数据进行数据驱动学习的同时保持了物理一致性。GNN嵌入的孔隙网络模型从一个包含节点特征 和边缘特征的输入图开始。我们通过多个图神经网络层迭代更新每个节点 和边缘 。设 表示节点 在第 层的嵌入, 表示连接节点 到其邻居 的边缘特征。使用消息传递框架,通过聚合来自相邻节点和边缘的信息来计算中间消息 (4):
(4)

其中 是一个可学习的函数,结合了邻居嵌入 和相应的边缘特征。然后通过应用一个可学习的更新函数 来计算下一层中节点 的更新嵌入 :(5)

下载:下载高分辨率图像(229KB)
下载:下载全尺寸图像

图3.图神经网络嵌入式孔隙网络模型的工作流程示意图。该模型以初始节点特征和边特征作为输入。经过图神经网络处理后,使用更新后的节点嵌入以及原始边特征来预测每条边的水力传导性。例如,使用节点嵌入和边特征来预测某个边的水力传导性。然后,将包含预测传导性的图传递给孔隙网络模型求解器来计算有效渗透率。在一系列的消息传递层之后,节点嵌入会迭代更新以得到最终表示。在最后一个消息传递层之后,通过对连接的节点嵌入和原始边属性的拼接特征应用多层感知器来预测每条边的水力传导性:(6)(7)其中 和 分别是具有ReLU和Softplus激活函数的多层感知器层; 是中间边表示。边级GNN的详细架构在表B.9中提供。从边级GNN得到的预测水力传导性随后被组装到方程式(1)中的矩阵中,用于求解孔隙网络模型以计算渗透率。

2.3. GNN嵌入式孔隙网络模型和梯度计算
边级GNN基于局部孔隙和喉部特征预测孔隙尺度的水力传导性值。这些预测值随后被PNM用于计算整体渗透率。然而,一个关键挑战是:直接用于孔隙尺度水力传导性的训练数据通常不可获得,因为这些量无法通过实验测量,且通过高保真模拟获得成本高昂。这使得直接监督GNN变得不可行。为了解决这一挑战,我们提出了一个结合了GNN和PNM求解器的端到端可微分框架。GNN嵌入式孔隙网络模型的端到端可微分框架的工作流程如图4所示。

下载:下载高分辨率图片(338KB)
下载:下载全尺寸图片
图4. 图神经网络(GNN)嵌入式孔隙网络模型(PNM)的端到端可微分框架。
前向过程:(a) 一个带有权重的GNN根据孔隙网络图的节点特征和边特征预测每条边的水力传导性值。(b) 预测的水力传导性值被传递给PNM求解器以计算渗透率。
后向过程:(c) 离散伴随方法应用于PNM,计算损失对水力传导性的梯度。(d) 通过反向传播,结合基于伴随的损失梯度和对GNN权重的梯度,使用链式法则计算损失对GNN权重的总梯度。
后向过程之后:根据梯度下降法则更新GNN权重,使用学习率。

2.3.1. 前向模型和损失函数
端到端可微分框架从前向过程开始,该过程基于图的表示来预测多孔介质的整体渗透率。这一过程结合了图神经网络(从节点和边特征估计每条边的水力传导性)和孔隙网络模型求解器(计算最终的渗透率)。如图4(a)–(c)所示,前向过程之后是一个损失函数,该函数将预测的渗透率与参考值进行比较,以用于训练目的。这些步骤涉及以下关键计算组件:
1. 通过GNN进行水力传导性预测。给定节点特征和边特征,具有可学习参数的GNN预测孔隙网络图中每条边的水力传导性:(8)
节点和边输入 和 是从表A.7中列出的全部孔隙和喉部尺度几何描述符构建的。为了减少相关描述符之间的冗余(例如,多个孔隙/喉部尺寸和长度的定义),并提供紧凑、物理上可解释的表示,我们首先通过小型多层感知器(MLPs)将这些标准化原始特征映射为低维的潜在节点和边特征(例如,孔隙潜在尺寸、喉部潜在尺寸和喉部潜在长度)。然后使用这些潜在嵌入作为后续消息传递和边级传导性预测的输入特征向量。该预测是使用之前在(4)、(5)、(7)中定义的消息传递和边输出规则计算的。GNN是数据驱动的,并不保证严格遵循物理定律。为了解决这个问题,我们在将GNN与PNM耦合到端到端可微分框架之前引入了一个基于物理的训练步骤。在这个阶段,相同的GNN架构在大量合成孔隙网络上进行训练,这些孔隙网络的水力传导性是使用第2.1节中描述的传统孔隙网络闭合方法计算的。GNN被监督以从节点和边特征回归这些基于PNM的传导性。这种离线预训练使GNN暴露于几何形状和传导性之间的已知单调趋势中,从而将基本的物理行为嵌入到初始权重中。因此,这个预训练步骤主要作为一个基于物理的初始化步骤,它使GNN能够学习几何形状和传导性之间基本且物理上合理的关系,这些关系随后在使用渗透率数据进行端到端训练时得到进一步细化。
2. 通过PNM求解器计算渗透率。预测的传导性值被传递给PNM求解器以计算整体渗透率:(9)
这些步骤对应于图4(b),并在(1)、(2)中详细定义。
一旦计算出渗透率,就将其与真实渗透率(例如,来自格子Boltzmann模拟的结果)进行比较。由此定义的损失函数为:(10),该函数惩罚预测渗透率与参考渗透率之间的差异(图4(c))。这个过程建立了从GNN参数到损失的可微分路径,使得在后续的后向步骤中可以基于梯度进行训练。

2.3.2. 使用反向传播和伴随方法的梯度计算
在损失函数之后,端到端可微分框架通过后向过程完成,该过程基于从预测渗透率计算出的损失来学习GNN参数(图4(d)–(e))。这是通过基于梯度的优化实现的,其中权重使用损失函数的计算梯度进行更新。更新规则遵循标准梯度下降:(11)
其中 是学习率。使用链式法则获得损失对GNN权重的总梯度:(12)
其中 是边的预测水力传导性。这个梯度由两个关键部分组成,分别对应于前向模型的GNN和PNM阶段:通过自动微分计算出的预测传导性对GNN权重的敏感性,以及使用离散伴随方法获得的损失对每个传导性的敏感性。这些组件如下详细说明:
1. GNN输出相对于权重的梯度()。这一项对应于前向模型的第一步,其中GNN预测每条边的传导性。在反向传播过程中,我们计算每个预测的传导性如何随着GNN权重的变化而变化,从而得到水力传导性对GNN权重的导数。这个量是通过GNN的架构使用自动微分(AD)获得的。在前向传递过程中,每个操作(如消息传递、特征更新和MLP评估)都由自动微分引擎跟踪。当需要梯度时,自动微分通过所有层和操作反向应用链式法则来高效计算水力传导性对GNN权重的梯度。这种方法消除了手动求导的需要,并支持复杂的GNN架构(图4(e))。
2. 损失相对于传导性的梯度()。这一项对应于前向模型的第二步,其中PNM求解器使用预测的传导性来计算渗透率。为了训练模型,我们必须计算损失如何随着每个预测的传导性而变化,从而得到导数。这种影响并不直接,因为每个 不仅影响通过孔隙网络线性系统的压力解,而且解随后决定了流量和渗透率,这些因素进入损失函数。通过有限差分或全反向传播通过线性求解器直接计算损失对水力传导性的梯度是低效且不稳定的。相反,我们使用离散伴随方法(图4(d))。直观地说,伴随方法不是单独扰动每个传导性,而是将损失对最终渗透率的敏感性通过PNM系统向后传播,一次性有效地捕获所有传导性如何同时影响输出。这引入了一个辅助线性系统:(13)其中 是伴随向量。这个系统反映了原始前向问题的结构,但将损失对每个状态变量的物理敏感性反向传播。一旦这两个系统(前向的 和伴随的 解决了,我们可以通过以下公式计算损失对每个传导性的总敏感性:(14)
由于损失函数在方程式(10)中定义,其相对于渗透率的导数为:(15)这种基于伴随的公式既节省内存又计算效率高,因为它避免了为每个 单独进行线性求解,并自然地结合了系统矩阵的稀疏结构。离散伴随系统和损失对传导性敏感性的详细推导在附录D中提供。
这两个组件共同产生损失对GNN权重的完整梯度,从而通过方程式(11)实现对GNN参数的准确和物理一致的更新。GNN嵌入式孔隙网络模型的端到端训练的详细步骤总结在表2中。
表2. 算法1:GNN嵌入式孔隙网络的端到端训练。
输入:节点特征、边特征、真实渗透率、学习率、预训练的GNN参数。
输出:训练后的GNN参数。
初始化:设置GNN参数。
for epoch = to num_epochs do:
1. GNN前向传递:通过消息传递计算喉部传导性。
2. PNM求解:组装系统矩阵。
求解线性系统以获得压力。
3. 计算损失:计算渗透率。
评估损失。
4. 伴随求解:计算相对于 的梯度。
5. 计算物理梯度:对于每个喉部,使用方程式(D.26)计算损失对水力传导性的梯度。
6. 反向传播:计算损失相对于GNN权重的梯度(通过自动微分)。
7. 更新:更新参数。

2.4. 数据集
为了评估我们提出的框架与传统PNM和独立GNN模型的性能,我们构建了一个包含合成和真实砂岩样本的综合数据集。合成样本是程序生成的,而真实砂岩样本是从高分辨率X射线CT扫描中获得的。数据集的概览在图5中提供。
下载:下载高分辨率图片(891KB)
下载:下载全尺寸图片
图5. 用于训练和测试渗透率预测的深度学习模型的数据集概览。(a) 使用PoreSpy和随机球堆积生成的合成多孔介质,具有三个不同的域尺寸:每个域的体素数分别为、 和 。(b) 在相应合成几何形状上的流动模拟结果。(c) 来自Digital Rocks Portal的高域尺寸真实岩石(砂岩和碳酸盐岩),包括Bandera Brown、Bandera Gray、Bentheimer、Berea和Castle Gate砂岩以及Estaillades和Esteaillades2碳酸盐岩。(d) 从真实岩石图像中提取的子样本:对于砂岩,有50个体素的样本(绿色框),2000个体素的样本(橙色框)和50个体素的样本(红色框);对于碳酸盐岩,仅使用个体素的样本。(e) 对于子样本的真实岩石图像的流动模拟结果。(关于图中颜色参考的解释,请参阅本文的网络版本。)
合成多孔介质是使用开源软件PoreSpy(Gostick等人,2019年)生成的,创建了随机球堆积来模拟多孔结构。这些合成数据集是在三个不同的域尺寸下生成的:2000个样本的体素尺寸为 ,50个样本的体素尺寸为 ,另外50个样本的体素尺寸为 。所有三个域尺寸下的粒径分布是一致的;因此,随着图像尺寸从64个体素增加到256个体素,粒数呈指数级增加(图5(a))。从合成数据集中,90%的体素图像被用于训练模型,而剩余的10%的体素图像以及所有的其他体素图像被保留用于测试训练好的模型。除了合成样本外,我们还包含了来自Digital Rocks Portal(Prodanovi?等人,2023年)的真实岩石图像。我们研究中包含的砂岩类型包括Berea、Bandera Brown、Bandera Gray、Bentheimer和Castle Gate,同时还考虑了两种碳酸盐样本Esteillades和Esteillades2。最初,这些砂岩样本的尺寸为体素(图5(c))。然后,这些大图像被细分为2000个更小的子样本,每个子样本的尺寸也为体素。对于砂岩图像,还提取了50个尺寸为体和素的子样本用于测试目的(图5(d))。所有的合成和真实岩石图像都使用MPLBM-UT中实现的格子玻尔兹曼方法(LBM)进行了渗透率计算(图5(b)和(e))。LBM是一种基于介观流体模型的计算流体动力学(CFD)技术,能够有效地捕捉多孔结构内的复杂几何特征和流体行为。在LBM中,流体域被离散成格子网格,流体动力学通过粒子分布函数的变化来建模,其中包括碰撞和流动过程。有关LBM计算的更多详细信息可以在MPLBM-UT文档中找到(Santos等人,2022年)。在图像准备和LBM渗透率模拟之后,每个多孔结构图像都使用PoreSpy进行处理以提取其孔隙网络。为此,应用了一个过分割流域(SNOW)算法的子网络(Gostick等人,2019年)。SNOW算法使用基于标记的流域分割方法将图像的孔隙空间划分为不同的孔隙区域(图2(a))。具体来说,该算法首先计算二值图像的距离变换,找到每个孔隙的中心。然后应用高斯滤波器来减少虚假峰值,确保准确识别孔隙中心。最后,基于标记的流域分割将图像划分为单独的孔隙区域,将每个体素分配给一个特定的孔隙。处理后的图像随后使用OpenPNM进行处理(Gostick等人,2016年),生成孔隙网络的详细数值描述,包括每个孔隙和连接口的属性。随后分析这些孔隙网络以计算渗透率(由孔隙网络模型得出的渗透率)。此外,这些孔隙网络被表示为图结构,其中节点代表孔隙,边代表连接口(图5(c))。节点和边被赋予了详细的几何和拓扑属性,包括4个孔隙属性,如孔隙直径,和7个连接口属性,如连接口直径、长度、横截面积和水力尺寸因子。这些孔隙和连接口属性的完整列表和详细解释在附录A中提供。

为了确保具有不同物理单位和数量级的特征之间的数值一致性,在训练之前对所有节点和边属性进行了标准化。给定一个特征,使用z-score标准化计算标准化值:(16)其中 和 表示该特征在整个训练数据集中计算得出的全局平均值和标准差。这种转换产生了均值为零、方差为单位的无量纲特征。这些标准化的节点和边属性作为图神经网络的输入,确保特征贡献平衡并提高训练稳定性。

3. 结果
3.1. 模型性能比较
我们比较了三种模型的预测性能:传统的孔隙网络模型、纯数据驱动的图神经网络模型以及本研究中提出的GNN-嵌入的孔隙网络模型。孔隙网络模型直接基于从孔隙网络属性导出的几何因素预测渗透率。纯数据驱动的图神经网络模型通过图卷积聚合孔隙和连接口特征,并将渗透率作为单一标量进行预测。GNN-嵌入的孔隙网络模型结合了这两种方法,使用图神经网络预测连接口级别的水力传导率,然后将其用于基于物理的孔隙网络求解器进行渗透率计算。
我们在大小为体素的合成球堆积和砂岩图像上评估了渗透率预测性能。如方法中所述,只有图像用于训练图神经网络和GNN-嵌入的孔隙网络模型,而合成球堆积和砂岩的图像则专门用于测试其在未见规模上的外推能力。相比之下,孔隙网络模型是一种分析性孔隙网络计算,不需要训练。
模型性能使用四个指标进行评估:平均绝对误差(MAE)、均方根误差(RMSE)、平均绝对百分比误差(MAPE)和决定系数(),定义为:(17)(18)(19)(20),其中 表示观测到的渗透率, 表示预测的渗透率, 表示观测到的渗透率值的平均值。
MAE和RMSE都衡量预测误差的平均幅度。MAE是绝对差异的平均值,因此易于用与渗透率相同的单位进行解释;较低的值表示更准确的预测。RMSE由于平方运算而对较大误差的惩罚更强烈,因此对异常值更敏感;在这里,较低的值也对应于更好的性能。MAPE将平均误差表示为真实值的百分比,提供了一个不受数据集影响的度量标准;较小的百分比反映了更高的预测准确性。最后, 衡量了模型解释的观测数据中方差的比例。接近1的值表示较强的解释能力,而接近0的值表明预测能力较差。除了总体误差指标外,我们还进一步分析了样本间相对误差的分布,以更好地表征模型在不同数据集上的性能。每个样本的相对误差定义为:(21)
这种分布提供了关于预测误差的变异性和不确定性的额外见解。

3.1.1. 合成数据上的结果
在合成数据集中,GNN-嵌入的PNM在各种域大小上始终优于传统的孔隙网络模型和纯数据驱动的GNN,实现了更高的准确性和泛化能力。图6显示了不同域大小的合成数据集中预测渗透率与真实渗透率的代表性散点图。每一行对应一个特定的域大小,而每一列比较不同的模型:PNM(左)、GNN(中)和GNN-嵌入的PNM(右)。在所有子图中,虚线绿色代表理想的1:1预测。

3.1.2. 真实砂岩数据上的结果
在真实砂岩数据集上,GNN-嵌入的PNM再次展示了卓越的泛化和准确性,优于传统的PNM和纯数据驱动的GNN。图8显示了在不同域大小的真实砂岩图像上预测渗透率与真实渗透率的对比。与合成数据的情况一样,我们比较了在仅使用数据进行训练的两种基于GNN的模型的情况。训练域大小为体素时,模型的性能表现良好(图6(e))。然而,在未见过的数据集(图6(b)和(h))上,其性能下降。这种下降可能是由于纯数据驱动的图神经网络使用了全局池化操作,将这些节点和边特征聚合成单一的图级表示。虽然这些操作确保了排列不变性,但它们也可能掩盖了不同大小和连接性图之间的关键结构差异。因此,当应用于不同规模的数据集时,纯数据驱动的图神经网络难以泛化。
GNN-嵌入的PNM在所有域大小上都实现了高准确性和强泛化能力。如图6(c)、(f)和(i)所示,GNN-嵌入的PNM在所有域大小上都实现了较低的RMSE。在训练域大小为体素时,其性能与纯数据驱动的GNN相当(图6(e)和(f))。然而,GNN-嵌入的PNM的主要优势在于其泛化能力。在训练期间未见过的粗略和精细的图上,它的性能显著优于GNN(图6(c)和(i))。这种鲁棒性源于将学习到的水力传导率值嵌入到物理上一致的流动求解器中。虽然GNN捕捉了局部几何依赖性,但PNM保持了孔隙网络的真实性。这种组合使GNN-嵌入的PNM能够更有效地跨尺度外推,减少了过拟合或域大小不匹配引入的误差。除了RMSE之外,表3还报告了其他评估指标,包括MAE、MAPE和。这些指标观察到的趋势是一致的,进一步证实了与纯数据驱动的GNN和传统的PNM相比,GNN-嵌入的PNM模型的准确性和泛化能力有所提高。
与总体指标观察到的趋势一致,GNN-嵌入的PNM在所有域大小上都展示了最低的中位相对误差和最窄的四分位数范围,表明了高准确性和稳定的性能。图7展示了不同域大小的合成数据集的样本间相对误差的箱线图。纯数据驱动的GNN在训练域大小上表现相当,但在未见过的域大小上表现出的变异性增加,反映了其有限的泛化能力。相比之下,传统的PNM显示出更宽的误差分布,中位数较高,分布范围较广。

3.1.3. 真实砂岩数据上的结果
在实际砂岩数据集上,GNN-嵌入的PNM再次展示了出色的泛化和准确性,优于传统的PNM和纯数据驱动的GNN。图8显示了在不同域大小的真实砂岩图像上预测渗透率与真实渗透率的对比。与合成数据的情况一样,我们比较了在仅使用数据训练两种基于GNN的模型的情况。在使用孔隙网络模型(PNM)、纯数据驱动的图神经网络(GNN)模型和GNN嵌入的PNM的不同域大小下,对砂岩数据集的模型评估指标进行了研究。这些指标包括平均绝对误差(MAE)、均方根误差(RMSE)、平均绝对百分比误差(MAPE)和决定系数(R2)。以下是各模型在不同域大小下的性能表现:

| 域大小 | PNM | GNN | GNN-嵌入PNM |
|--------|------------|------------|------------|
| 0.2 | 22.22 | 1.295 | 38.08 |
| 0.3 | 60.8 | 1.782 | 68.63 |
| 0.15 | 90.566 | 107.70 | 0.911 |
| 0.0399 | 10.106 | 16.96 | 0.813 |
| 0.0751 | 10.114 | 172.04 | 0.784 |
| 0.0380 | 0.0637 | 25.51 | 0.933 |
| 0.0582 | 10.120 | 13.76 | 0.859 |
| 0.0918 | 10.144 | 36.38 | 0.797 |
| 0.0535 | 10.101 | 21.46 | 0.899 |

从结果可以看出,纯数据驱动的GNN在不同孔隙网络域大小上的泛化能力有限。如图8(e)所示,GNN模型在训练域大小下表现良好,但在其他域大小下(图8(b)和(h))则出现了较大误差,表明其对未见网络大小的泛化能力较差。这可能是由于图级GNN依赖于全局池化,导致无法准确捕捉不同尺度网络之间的拓扑差异。相比之下,GNN嵌入的PNM在所有域大小上都保持了较低的误差。虽然在训练域大小下其性能与GNN相当(图8(f)),但其真正的优势在于能够较好地泛化到较小和较大的网络(图8(c)和(i))。这是通过将学习到的喉部导水率嵌入到物理一致的PNM求解器中实现的,这既基于流动物理约束了解,又允许通过学习灵活估计导水率。神经网络有效地用从孔隙和喉部特征到水力导水率的数据驱动映射替换了经验形状因子相关性,从而提高了预测精度,即使在没有直接喉部尺度监督的情况下也是如此。除了RMSE之外,表4还报告了其他评估指标,包括MAE、MAPE和R2。大多数指标的结果都是一致的,进一步验证了GNN嵌入PNM模型相对于纯数据驱动GNN和传统PNM的准确性和鲁棒性。一个例外是在较粗的域大小下,GNN嵌入PNM的平均绝对百分比误差(MAPE)相对较高(93%),尽管其MAE和RMSE低于传统PNM。MAE和RMSE的降低表明GNN嵌入PNM能够减少较大的绝对误差并更有效地处理异常值。然而,其MAPE较差,这是因为MAPE是将所有样本的误差相对于它们的真实渗透率进行标准化处理。与可能被少数大异常值主导的RMSE不同,MAPE突显了整个数据集的系统性相对偏差。较差的MAPE表明,尽管GNN嵌入PNM能很好地控制大误差,但在所有数据点权重相等的情况下,它引入了相对较大的比例误差。一个可能的原因是,对于如此粗糙的孔隙网络,使用两层GNN可能过于复杂,导致节点特征过度平滑,从而降低了相对精度。换句话说,有限的图规模不需要那么深的消息传递深度,额外的聚合步骤可能会稀释在这种域规模下仍然重要的局部结构信息。随着域大小的增加,GNN嵌入PNM在所有误差指标上都有所改善。这一趋势表明,更大、更复杂的孔隙网络从更深的GNN中受益,因为额外的层有助于捕捉更丰富的连通性模式并提高渗透率预测。这种尺度依赖的性能差异表明,根据图规模调整GNN架构可能会进一步提高性能。在未来的工作中,可以通过采用自适应消息传递深度或动态缩放的架构来实现这一点,其中GNN层的数量可以根据孔隙网络规模或连通性进行调整,以平衡局部特征保留和全局信息聚合。

砂岩数据集的预测误差分布显示,与纯数据驱动的GNN相比,GNN嵌入PNM显著降低了中位数误差和误差分布的扩散程度。图9显示,纯数据驱动的GNN表现出非常宽的误差分布,包含许多大的异常值。这表明,尽管GNN可能对某些样本的预测较为合理,但它无法在整个数据集上提供可靠的性能。传统的PNM在砂岩数据集上显示出相对稳定的误差分布。然而,这种稳定性并非普遍适用,因为在合成数据上的性能会下降,反映出由于不同的几何假设而产生的系统性不准确性。

在合成和真实的砂岩数据集中,GNN嵌入PNM在超出训练范围的泛化能力上始终优于纯数据驱动的GNN。虽然GNN将所有节点和边特征聚合到一个全局向量中,这有助于确保排列不变性,但也有可能失去关键的多尺度结构信息。相比之下,GNN嵌入PNM框架逐边预测水力导水率,保持了孔隙网络结构,并允许PNM通过达西尺度质量平衡来强制全局流动行为。这种具有结构意识的公式使得模型在不同网络规模上具有更好的可扩展性。尽管PNM组件基于物理学,但其准确性仍可能受到实际孔隙-喉部几何形状不符合经验形状因子的限制。通过用从渗透率观测中学习水力导水率关系的GNN替换这些经验校正,GNN嵌入PNM框架即使在没有直接喉部尺度监督的情况下也能捕捉复杂的非线性依赖性。相反,伴随方法通过PNM提供梯度,使得模型仅基于体积尺度渗透率数据进行训练,同时保持物理一致性。

3.2. 对碳酸盐数据集的跨形态学泛化和迁移学习
GNN嵌入PNM在碳酸盐岩样本上展示了有效的泛化能力,这些岩石的孔隙结构与合成数据和砂岩数据不同。我们在一个具有不同孔隙连通性和拓扑结构的碳酸盐数据集上评估了该模型。图10比较了该数据集上的预测渗透率与真实渗透率。GNN嵌入PNM在整个范围内提供了更准确的渗透率预测,而传统的PNM在低渗透率端表现出较大误差。碳酸盐样本的渗透率范围较广,导致传统PNM的经验方法在低渗透率下准确性下降。相比之下,GNN增强模型在整个范围内保持了稳定的准确性。这种性能差距体现在表5中:例如,GNN嵌入PNM的R2(0.90)和平均绝对百分比误差(MAPE)都优于标准PNM(0.42和)。

3.3. 学习到的导水率场和特征梯度解释
在样本尺度渗透率上的微调保持了物理上合理的导水率场,而不是简单地转换为任意的边缘权重配置。如图11所示,我们比较了微调前后代表性孔隙网络的预测水力导水率分布。图11(a)以对数空间展示了微调前后的预测水力导水率分布。仅使用样本尺度渗透率作为监督进行微调后,分布系统性地向右移动,表明整个网络的导水率幅值有所增加。为了进一步评估这些变化是否反映了结构化的物理调整而不是随机的局部补偿,图11(b)比较了十个随机选择的喉部在整个导水率范围内的预训练和微调后的导水率。对于大多数采样喉部,微调导致导水率的一致增加。这些变化在整个网络上的符号和幅度是一致的,而不是局部交替或抵消的。这一一致的趋势表明,微调在物理上可解释的方向修改了导水率场。

为了评估学习到的渗透率映射的物理可解释性,我们分析了特征梯度,并比较了GNN嵌入孔隙网络模型和纯数据驱动GNN所产生的几何敏感性。在我们的边级GNN中,每个喉部导水率是通过边级GNN实现的标准化孔隙和喉部特征的非线性映射来预测的。我们不是根据单个原始几何描述符来解释敏感性,而是在潜在几何特征的层面上评估物理一致性,这提供了更稳健和物理上有意义的表示。具体来说,表A.7中列出的所有孔隙和喉部尺度特征都被用作模型的输入。相关的几何孔隙和喉部特征首先通过多层感知器结合成四个潜在变量:孔隙潜在大小、协调数、喉部潜在大小和喉部潜在长度。这种聚合反映了渗透率受集体几何效应控制的事实,而不是任何单一直径或长度定义。然后根据这些潜在特征计算梯度,量化了渗透率对物理上可解释的几何模式的敏感性。

特征梯度显示了输入特征如何影响每个模型的输出渗透率,提供了一种方法来评估预测是否与已知的物理关系一致。为此,我们计算并可视化了GNN嵌入孔隙网络模型和纯数据驱动GNN的渗透率相对于各种几何特征的偏导数。图12分别展示了GNN嵌入孔隙网络模型和纯数据驱动图神经网络的预测渗透率相对于各种几何特征的偏导数。这些导数反映了模型输出对每个标准化特征的敏感性。如方法部分所述,所有节点和边特征都使用z分数标准化进行了标准化(方程(16));因此,导数的单位是m2。对于特征集,不同的特征可能对预测的渗透性产生正面或负面的影响,这与物理预期一致。为了可视化模型预测与这些物理预期的对齐情况,我们根据这些特征的预期影响对它们进行分类:预期会增加渗透性的特征被绘制在正轴上,而预期会减少渗透性的特征则被绘制在负轴上。在图中,灰色区域表示模型预测与预期效果一致,而无色区域表示预测与预期效果不一致。箱线图总结了每个特征在所有样本中的梯度值分布。每个箱子的中央灰线表示中值,箱子的边缘代表第25百分位(下四分位数)和第75百分位(上四分位数)。须状线延伸到四分位数范围(IQR)的1.5倍,以捕捉典型的值范围。超出此范围的异常值已被排除,以提高可视性。用红色显示的箱线图突出显示了模型预测的梯度方向与物理预期不一致的特征。这种可视化提供了关于每个节点和边特征如何在不同样本中贡献于渗透性预测的比较概览,以及模型如何符合已知的物理趋势。

图12. 关于孔隙级几何特征的渗透性梯度分析。(a) 来自图神经网络(GNN)嵌入的孔隙网络模型(PNM)的结果。(b) 来自纯数据驱动的GNN模型的结果。每个箱线图显示了预测渗透率(单位为m2)对z分数标准化潜在几何特征的偏导数的分布。每个箱子内的灰线表示中值;箱子边缘表示第25和第75百分位数;须状线延伸到四分位数范围的1.5倍。出于清晰考虑,超出此范围的异常值被省略。黑色箱线图表示梯度符号总体与物理预期一致,而红色箱线图突出显示了相关特征之间物理上不一致的梯度。背景阴影表示预期的梯度方向:灰色区域(标记为“:”表示正向匹配,“:”表示负向匹配)表示梯度的符号与已知的物理关系一致——即,预期增加渗透性的特征具有正梯度,预期减少渗透性的特征具有负梯度。(关于图中颜色参考的解释,请参阅本文的网页版本。)

GNN嵌入的孔隙网络模型产生的敏感性模式在物理上更加一致且易于解释,而纯数据驱动的GNN则不然。在图12中,黑色箱线图表示与已知物理预期一致的梯度符号,而红色箱线图标记出梯度行为不合理的特征。图12(a)显示,GNN嵌入的PNM的渗透性敏感性符合流体力学直觉:孔隙潜在尺寸、喉部潜在尺寸和协调数的增加一致地产生正渗透性梯度,而喉部潜在长度的增加则产生负梯度,反映了流动阻力的增加。这些趋势与已建立的孔隙网络和达西尺度流动物理一致,并表明端到端训练在潜在特征层面保持了物理意义上的敏感性。相比之下,图12(b)揭示了纯GNN模型产生了物理上不一致的敏感性(红色箱线图),相关特征之间的梯度符号矛盾。例如,纯GNN为协调数分配了负梯度。这种行为反映了缺乏明确的物理约束:纯GNN仅从统计上优化渗透性预测,可能过度依赖于一部分相关特征,从而导致不稳定的或非物理意义上的敏感性。

GNN嵌入模型的物理一致性改进突显了架构设计和训练策略的重要性。预训练将边级GNN锚定在物理上有依据的PNM导电趋势中,而端到端微调则使用渗透性作为间接监督来精细化这些关系。尽管最终的校准阶段仅使用样本级别的渗透性作为监督,但导电场并非不受限制:针对PNM导电性的预训练和从基线模型初始化施加了基于物理的先验,尽管仍存在一定的局部非唯一性(即,不同的局部导电场可以产生相似的整体渗透性)。这种非唯一性是因为渗透性是一个全局量,多个空间分布的水力导电性可以产生相似的整体流动行为。因此,学习到的导电场应被解释为一个物理上一致的实现,而不是一个唯一的真实解。尽管如此,结合基于物理的求解器和预训练有助于将解决方案空间限制在物理上可行的导电模式范围内。另一种方法可以是在离线情况下单独训练神经网络来预测来自几何形状的局部导电性,然后将这些预测集成到标准PNM中进行渗透性计算。虽然概念上可行,但这种方法需要一个包含每个孔隙和喉部真实导电性的数据集。然而,大规模生成这样的标签将需要大量的LBM或CFD模拟。相比之下,整体渗透性要容易得多,因为它们可以直接在芯样充水实验中测量或通过DNS计算得出。我们的方法利用了这种现实的训练数据,同时产生的导电场敏感性与物理预期一致,并且接近物理上有依据的基线。此外,端到端方法允许模型针对全局目标微调这些局部预测,从而引导学习到的闭合行为朝向全局一致性的方向发展。这些结果表明,所提出的端到端框架提供了一种实用且基于物理的PNM重新参数化方法,比现有替代方案具有更高的准确性和更好的泛化能力,同时也为通过有针对性的局部验证进行未来改进指明了明确的方向。

3.4. 计算成本和实际效率
我们的混合框架在运行时间上比直接数值模拟(如LBM)节省了大量时间。表6报告了两种域大小下每个样本的渗透性估计运行时间。对于每种情况,我们列出了单个PNM求解所需的时间、在相应体素网格上的LBM模拟时间以及边级GNN的额外前向传递时间。一旦模型训练完成,GNN评估在PNM求解的基础上每样本增加不到几秒的时间,而LBM的速度比PNM慢一个数量级。因此,在我们的混合框架中,主要的在线成本仍然是PNM求解,而神经网络的开销可以忽略不计。此外,基于PNM的框架的计算成本随孔隙网络的大小而变化,主要是通过求解稀疏线性系统实现的。随着域大小的增加,孔隙和喉部的数量迅速增加,导致系统大小和求解时间的相应增加,如表6中的PNM运行时间所示。尽管如此,由于系统的稀疏性和结构,这种缩放仍然比直接数值模拟(如LBM)更有优势,使得所提出的框架非常适合更大规模的应用。

表6. 使用孔隙网络模型(PNM)、格子玻尔兹曼方法(LBM)以及边级GNN的额外前向传递在不同域大小下进行渗透性估计的每个样本运行时间。所有时间均以秒为单位报告。
域大小 PNM时间(秒) LBM时间(秒) GNN开销(秒)

3.5 22 9.3 20.0 86 53.1 99 34 50.0 89

一次性训练成本也较为适中。模型使用AdamW优化器进行训练,学习率为,权重衰减为,批量大小为4。合成和砂岩实验使用了100个训练周期。通过迁移学习,边级GNN首先在合成数据上预训练60个周期,然后在碳酸盐数据集上微调30个周期。边级GNN的合成预训练大约需要40分钟,而在碳酸盐数据集上的微调大约需要32分钟。在此离线训练阶段之后,新的样本可以在几秒钟内进行评估,其准确性与LBM接近,但在线计算成本只是一小部分。从这个意义上说,所提出的混合方法提供了一种实际高效的替代方案:离散伴随方法仅在训练期间使用,每次样本额外进行一次线性求解来计算梯度,而推理几乎保持了标准PNM的速度。

4. 结论
在这项工作中,我们提出了一种图神经网络嵌入的孔隙网络模型,采用了预训练-微调的训练策略来预测多孔介质的渗透性。与纯数据驱动的方法或传统的基于物理的模型不同,这种混合框架结合了机器学习的灵活性和求解器的物理可解释性。GNN用于学习孔隙几何形状与水力导电性之间的复杂关系,最初通过从局部几何描述符回归传统的PNM导电性来实现,随后在端到端训练期间对其进行精细化,从而放宽了基于简化几何假设的传统分析表达式。这种混合模型解决了单独的GNN和传统PNM面临的关键限制。纯数据驱动的图神经网络模型在应用于不同空间维度的数据集时往往会出现准确性下降的问题,因为它们将丰富的图级特征简化为单一的标量输出,可能导致结构信息的丢失。相比之下,GNN嵌入的孔隙网络模型从输入到输出保留了孔隙网络的图结构,从而提高了在未见数据集上的泛化性能,并在不同维度和岩石类型上保持了更高的预测准确性。另一方面,尽管传统的PNM在计算上高效且基于物理,但它们依赖于过于简化的孔隙几何假设,这可能导致水力导电性估计的显著误差。通过直接从数据中学习水力导电性值,我们的方法增强了PNM捕捉孔隙几何形状与导电性之间复杂关系的能力,避免了使用通常引入模型不确定性的简化几何假设。在预训练边级GNN于PNM派生的标签之后,通过仅使用渗透性作为监督来进行端到端微调。这种微调是通过应用链式法则计算损失函数相对于GNN参数的梯度来实现的。具体来说,我们使用离散伴随方法来计算渗透性输出相对于预测水力导电性的梯度。然后通过自动微分将这些梯度反向传播到GNN中。这种训练过程消除了对计算成本高昂的高保真度孔隙级水力导电性模拟的需求,提高了大规模数据集的可扩展性和实用性。此外,敏感性分析表明,与纯数据驱动的GNN模型相比,GNN嵌入的孔隙网络模型对不同孔隙和喉部特征的响应更加一致且具有物理意义。这加强了混合框架的可靠性,并突出了将物理求解器纳入数据驱动建模流程的优势——不仅提高了预测性能,还增强了模型的可解释性和鲁棒性。

尽管所提出的框架性能很强,但仍应注意几个限制。首先,该方法依赖于从图像数据中提取孔隙网络的准确性。分割或网络重建中的错误可能会传播到预测的导电性和渗透性中,从而影响模型准确性。提高孔隙网络提取的鲁棒性或整合这一步骤中的不确定性是未来工作的重要方向。其次,当前框架是为单相流动开发和验证的。将方法扩展到多相流动需要建模额外的物理过程,如毛细压力和相对渗透性,以及处理孔隙网络内的动态流体分布。将这些效应纳入混合GNN-PNM框架是一个有前景但非平凡的扩展。最后,GNN组件的性能取决于所选的架构。特别是,对于小孔隙网络,使用更深的消息传递层时可能会发生过度平滑现象。开发适应图大小和拓扑的自适应GNN架构仍然是提高鲁棒性的重要方向。总体而言,这项研究突出了混合物理-机器学习方法在模拟多孔介质流动方面的潜力。通过将神经网络嵌入到基于物理的求解器中,我们可以开发出在尺度上准确、可泛化并且在物理上有解释性的模型。这一框架为模型闭合、不确定性减少和复杂地下流动系统的可扩展学习开辟了新的机会。

CRediT作者贡献声明
赵青琦:写作 - 审阅与编辑、写作 - 原始草稿、可视化、验证、软件、方法论、调查、正式分析、数据管理。
肖恒:写作 - 审阅与编辑、可视化、验证、监督、资源管理、项目协调、方法论、资金获取、正式分析、概念化。
相关新闻
生物通微信公众号
微信
新浪微博
  • 搜索
  • 国际
  • 国内
  • 人物
  • 产业
  • 热点
  • 科普

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