Apr, 2024
基于混合专家的新型人工智能增强储层表征——基于NVIDIA模量的物理建模神经运算器正演模型
A Novel A.I Enhanced Reservoir Characterization with a Combined Mixture
of Experts -- NVIDIA Modulus based Physics Informed Neural Operator Forward
Model
TL;DR我们开发了一种先进的油藏表征工作流，通过一种新颖方法有效解决油藏历史拟合的挑战。这种方法在一个复杂的聚类分类回归 (CCR) 框架中将物理启发神经算子 (PINO) 作为前向模型进行集成。通过一种自适应正则化集合卡尔曼反演 (aREKI) 进一步优化该过程，以实现油藏历史拟合中的快速不确定性量化。该创新的工作流以未知渗透率和孔隙度场为参数，利用变分卷积自编码器和CCR等技术捕捉非高斯后验测度。CCR作为一种非常规先验和有监督模型与PINO代理相互协作，精确模拟Peaceman井方程的非线性动力学。CCR方法允许在其各个阶段应用不同的机器学习算法。通过来自有监督数据、初始条件和黑油PDE残差的损失函数驱动PINO油藏代理的更新。我们的集成模型称为PINO-Res-Sim，输出包括油、水和气的压力、饱和度和产量等关键参数。通过在合成油藏和Norne油田上对传统模拟器进行控制实验验证，该方法展示了显著的准确性。此外，PINO-Res-Sim在aREKI工作流中有效恢复了未知场，计算速度比传统方法快100到6000倍。在NVIDIA H100上进行的PINO-Res-Sim学习阶段非常高效，与复杂计算任务的集合方法兼容。