WellPINN:基于物理信息神经网络准确表征地下储层瞬态流体压力扩散中的井

《Water Resources Research》:WellPINN: Accurate Well Representation for Transient Fluid Pressure Diffusion in Subsurface Reservoirs With Physics-Informed Neural Networks

【字体: 大 中 小 】 时间:2026年05月21日 来源:Water Resources Research 5

编辑推荐:

  准确表征抽水井对于地下水流模型中可靠的储层特征描述及运行情景模拟至关重要。物理信息神经网络(PINNs)作为数值模型的潜在替代方案正逐渐兴起,它能够实现监测数据与控制物理方程的无缝集成。然而,现有的基于 PINN 的研究在使用源/汇项时,特别是在抽水开始后的早

  
准确表征抽水井对于地下水流模型中可靠的储层特征描述及运行情景模拟至关重要。物理信息神经网络(PINNs)作为数值模型的潜在替代方案正逐渐兴起,它能够实现监测数据与控制物理方程的无缝集成。然而,现有的基于 PINN 的研究在使用源/汇项时,特别是在抽水开始后的早期阶段,难以准确捕捉井附近的流体压力。研究人员通过引入 WellPINN 解决了这一问题,该工作流程首先利用一个较大的等效井半径训练初始 PINN,以推断整个储层域内的流体压力。随后,利用一组针对较小额定井半径训练的子域 PINN 对井周围区域进行局部细化。通过对每个 PINN 在其子域边界上施加强约束,确保了这些子域界面之间以及初始条件的连续性。研究结果表明,WellPINN 是首个专注于在整个注入期内根据抽水速率准确推断流体压力的工作流程,显著提升了 PINN 在反演建模和运行情景模拟方面的潜力。相关数据与代码已公开可用。
**研究背景与意义**
抽水井是饮用水生产、含水层修复及地热能利用等水文地质应用的基础设施。在勘探阶段,试井有助于刻画地下参数;而在后续阶段,则需要模拟流体压力对运行情景的响应。目前,储层建模的主流方法是数值求解器,它们通过有限元、有限差分或有限体积法求解质量、能量和动量守恒方程。尽管这些方法有效,但在整合含噪现场数据及量化不确定性方面存在局限。数据驱动的机器学习方法虽能灵活整合数据,但通常需要比地下系统所能提供的更多的数据。为克服上述局限,物理信息神经网络(PINNs)等混合模型应运而生,它们通过将控制偏微分方程(PDEs)的残差嵌入损失函数,结合了物理模型与数据驱动模型的优势。然而,现有 PINN 研究在准确表征抽水井方面仍面临重大挑战:由于人工神经网络(ANNs)在处理平滑、连续且尺度相似的参数字段时表现最佳,直接使用点源(如狄拉克δ函数)并不适用。现有研究多采用等效井函数(如高斯函数)近似井,但这通常要求较大的等效井半径(至少为域尺寸的 10%),导致在注入晚期低估井压力达 30%,并完全遗漏早期扩散过程。这一局限降低了模型基于体积流量进行历史匹配的可靠性。针对上述问题,研究人员开发了名为 WellPINN 的顺序训练工作流程,旨在解决稀疏数据下井的真实表征难题,推动 PINN 在试井历史匹配中的应用。该研究成果发表于《Water Resources Research》。

**关键技术方法**
研究人员构建了一个二维合成数据集,利用 OpenGeoSys 数值求解器求解流体压力扩散方程作为真实值(Ground Truth)。研究核心在于 WellPINN 工作流,该方法将建模域分解为嵌套的子域,并采用顺序训练策略。首先,在整个域上训练第一个 PINN,使用较大的等效井半径以捕捉远场压力;随后,依次在缩小的子域内训练后续 PINN,逐步减小等效井半径以细化井附近的压力场。为确保连续性,研究人员利用近似距离函数对每个子域边界及初始条件施加强约束(Hard-constraint),并将前一阶段的解作为后一阶段的初始化或修正项。此外,研究中对时间变量进行了对数缩放以处理早期非线性,并采用 Adam 与 L-BFGS 组合优化器进行模型训练,仅依赖 PDE 残差作为损失函数,未使用观测数据。

**研究结果**
**顺序训练的效果分析**
研究人员将 WellPINN 应用于单井二维储层模型,将其分解为三个子域(D1, D2, D3)。结果显示,初始阶段 D1 虽能较好捕捉远场压力,但在井附近及早期时间点存在显著偏差,绝对误差(AE)在井处高达 0.53。经过 D2 和 D3 的顺序细化训练后,模型在井附近的拟合度显著提升。最终阶段 D3 几乎消除了不匹配现象,成功捕捉到早期时间步的压力扩散,平均绝对误差(MAE)从 D1 的 0.53 降至 0.11,最大绝对残差也大幅降低。这表明顺序训练有效解决了多尺度问题,实现了从远场到近场的精确推断。

**压力演化与空间分布**
通过对不同半径处压力演化的分析,WellPINN 模型在整个注入期内均能与真实值高度吻合,仅在极早期存在微小偏差。在二维表面映射中,模型准确捕捉了早期的压力前锋,并在晚期稳态下表现出良好的径向对称性。尽管在域角处因非径向扩散存在细微差异,但整体精度满足要求,证明了该方法在处理厘米级井半径与百米级域尺寸比值(rw/L ≈ 0.002)时的有效性。

**参数敏感性分析**
研究人员对等效井半径与子域扩展之比(req/Lsub)进行了参数研究。结果表明,当该比值为 0.1 时,模型在井表面的平均绝对误差、域内平均绝对误差及均方残差均达到最优。比值过小会导致源项梯度过大而降低性能,比值过大则无法有效重叠覆盖。研究确认了 0.1 为最优比例,并发现增加共置点数量对缓解多尺度问题效果有限,证实了域分解策略的必要性。

**结论与展望**
研究总结指出,WellPINN 通过域分解和顺序训练,首次实现了在无观测数据支持下,仅凭物理定律即可在整个注入期(包括早期)准确推断单井流体压力。该方法确定了等效井半径与子域尺寸比值为 0.1 的最佳实践,解决了传统 PINN 无法分辨大域中小尺寸井的难题。尽管目前 PINN 的训练时间仍长于传统数值模拟器,但其一次训练即可推断多种参数情景的潜力巨大。未来研究需进一步拓展至多井系统、千米级稀疏观测域、非均质渗透率分布及裂缝网络等复杂场景,并结合水力耦合机制,以提升 PINN 在实际储层模拟中的竞争力。
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