CO?-EOR中的多井网泛化：饱和度场演化的物理一致代理模型(Multi-Pattern Generalization in CO?-EOR: Physically Consistent Surrogate for Saturation-Field Evolution)

《ACS Omega》：Multi-Pattern Generalization in CO2-EOR: Physically Consistent Surrogate for Saturation-Field Evolution

　　

准确高效的CO?饱和度场(SCO?)演化预测对于CO?驱提高采收率(CO?-EOR)/碳捕集利用与封存(CCUS)中注入-采出策略筛选至关重要，但常规数值模拟器计算成本高昂难以满足多情景快速评价需求，且多数数据驱动模型在不同井网拓扑(well-pattern topology)间泛化能力差。为弥补上述不足，研究人员提出一种多模态物理约束时空生成网络(multimodal, physics-constrained, generative spatiotemporal network, MPG-STNet)。该模型采用增强傅里叶神经算子(Fourier neural operator, FNO)对静态地质场进行高效物理感知推断，采用图注意力网络(Graph Attention Network, GAT)显式编码井网拓扑，采用时序Transformer编码器从三相生产动态序列中提取特征，三者联合条件化一个条件生成对抗网络(conditional generative adversarial network, cGAN)以生成高保真CO?饱和度场，从而在单一生成通路中耦合空间、时间与物理信息。研究人员进一步在判别器侧嵌入物理约束——特别是物质平衡(material balance)约束，将质量守恒作为硬性判据以提升生成场的物理可接受性。基于涵盖9种非均质井网、150个月生产期、4500个高保真模拟案例的数据集评估，MPG-STNet在测试集上达到均方误差(mean squared error, MSE) 0.0062、结构相似性(structural similarity index measure, SSIM) 0.9788，且在未见过的井网配置下保持良好性能。所提代理模型可为井网泛化与操作决策支持提供快速、物理合理的饱和度场预测。

《ACS Omega》刊载论文"Multi-Pattern Generalization in CO?-EOR: Physically Consistent Surrogate for Saturation-Field Evolution"解读

研究背景与问题提出

CO?驱提高采收率(CO?-EOR)结合碳捕集利用与封存(CCUS)是兼顾经济效益与减排目标的重要技术路径，准确预测CO?饱和度场(saturation-field)演化是优化注采策略的核心。传统基于偏微分方程(PDE)求解的数值模拟器（如Eclipse、CMG）虽具物理严谨性，但细网格长时步模拟计算耗时巨大，难以支撑历史拟合、参数反演等需批量运算的工作流；同时传统模拟器难以实时融合动态生产数据进行智能决策。已有机器学习方法多聚焦单井或井组标量产量预测，对二维/三维饱和度场时空演化的预测存在两方面瓶颈：一是多数数据驱动模型假定固定井网构型，跨井网拓扑(well-pattern topology)泛化能力弱；二是纯数据驱动易生成违背质量守恒等物理定律的场，外推可靠性差。物理信息神经网络(PINN)虽引入PDE残差约束，但直接反向传播高维长时饱和度场残差难以收敛且扩展性差。为此，研究人员开展本研究，提出多模态物理约束时空生成代理模型MPG-STNet，旨在实现跨井网拓扑泛化、物理一致的CO?饱和度场快速预测。

主要关键技术方法

研究人员基于MRST生成地质模型、CMG组分模拟器生成4500个高保真算例（9种井网、1~3口注入井配4~8口生产井、100×100网格、150个月逐月输出CO?饱和度场），井位编码为-1(注入井)/+1(生产井)/0(无井)，注入制度采用含WAG(水气交替注入)的非稳态速率曲线。构建MPG-STNet模型：①带物理质量守恒正则化的改进FNO(FP-FNO)将渗透率等静态地质场映射为初步饱和度场序列；②GAT将井网建模为图G=(V,E)以自适应学习井间注采影响权重；③时序Transformer编码油/气/水月产动态提取长时依赖特征；三者特征拼接后条件化U-Net型cGAN生成器细化饱和度场，判别器除真假判断外接收离散质量平衡残差(mass-balance residual)作为辅助输入并纳入对抗损失，迫使生成场近似满足物质平衡。采用Optuna框架(Tree-structured Parzen Estimator)优化超参数，按3:1:1分层划分训练/验证/测试集做交叉验证。

研究结果

Data Set Design

研究人员系统构建含9种井网拓扑、多点地质统计学(MPS)与序贯高斯协同模拟生成非均质渗透率-孔隙度场、WAG变周期注入制度的4500组样本，详细列出岩石物性、流体组分(Peng-Robinson状态方程)、三相相对渗透率(修正Stone模型)及边界条件，保证数据集覆盖合理参数分布并具有物理自洽性。

Deep Learning Models

MPG-STNet由FP-FNO、GAT、Transformer三模块融合驱动cGAN。FP-FNO在Fourier域做全局卷积并在每层计算离散质量守恒残差L_mass作物理正则项；GAT通过多头自注意力(e_ij=LeakyReLU(a^T[Wh_i‖Wh_j])、α_ij=softmax(e_ij))量化井间拓扑关系；Transformer用多头注意力捕捉150个月产液历史长程依赖；cGAN生成器以FP-FNO粗场为草稿、GAT和Transformer编码特征为条件生成精细场，判别器将物质平衡残差‖?(φS_G)/?t+?·F(S_G)-q‖2₂作为物理约束参与对抗训练(L_physics(S_G))，总损失为加权对抗损失L_adv、MSE及物理损失。

Evaluating Metrics

选用MSE、平均绝对误差(MAE)、SSIM、决定系数(R2)四项指标综合评价像素误差与空间结构保真度。

Model Training and Experimental Results

经120轮训练与分层交叉验证，最优超参数为FNO层数6、模态(16,16)、宽度128；GAT层数3、隐层128；Transformer嵌入维256、头数4；cGAN物理权重1.1、U-Net深度6、通道64；学习率2.3×10??、权重衰减8.0×10??。测试集结果为MSE=0.0062、MAE=0.0724、SSIM=0.9788、R2=0.9804。可视化显示模型能清晰刻画CO?驱替前缘(sweep front)与波及体积(sweep volume)，并可扩展预测油饱和度场。计算效率对比：数值模拟需5~10 min/例，MPG-STNet推理仅需3~10 s/例，加速约30~200倍。

Comparative Experiments

与XGBoost(MSE 0.1482)、随机森林(MSE 0.1269)、GCN-BiLSTM(MSE 0.0557)、PINN(MSE 0.0331)、Res U-Net(MSE 0.0243)对比，MPG-STNet各项指标最优。归因于GAT动态赋权井间关系优于GCN、Transformer优于BiLSTM处理长时序列、多模态融合及判别器侧物质平衡约束保障物理合理性，而PINN难扩展至高维长时场预测，纯U-Net缺物理约束与拓扑编码。

Ablation Experiment

移除物理约束(Model-1, MSE 0.2849)、移除GAT(Model-2, MSE 0.3026)、移除cGAN直接用FP-FNO输出(Model-3, MSE 0.3191)均显著退化性能，证实各模块（物理约束保非均质区精度、GAT捕获井网拓扑、cGAN细化驱替前缘）及多模态深度融合对高精度预测不可或缺。

讨论与结论翻译

研究人员开发了多模态物理约束生成框架MPG-STNet，创新性融合FP-FNO的场到场映射能力、GAT的井网拓扑表征力及Transformer的长时依赖捕获能力，并通过cGAN判别器嵌入物质平衡约束确保生成结果物理合理。基于涵盖9种井网4500样本的高保真数据集验证，测试集MSE达0.0062、SSIM达0.9788，显著优于系列基线模型，且对训练未见井网配置具良好泛化能力，可高精度刻画复杂驱替前缘与CO?波及体积。研究表明神经算子在场尺度储层驱替预测中可实现数量级效率提升并保持物理分辨率，将井网拓扑与时序操作条件作为条件信息注入生成器、让守恒残差参与对抗训练可有效缓解生成模型的物理漂移与误差累积。该研究为CO?-EOR/CCUS注采方案快速筛选、波及效率评价及封存容量预测提供了新技术途径，未来将拓展至强非均质与多油藏耦合复杂地质条件。