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。

Apr, 2024

通过使用 Fourier 神经算子构建的模型，能够准确地预测不同渗透率、井位、井控和井数条件下的压力和饱和度，从而实现了对未知井位、井控和井数的预测，能够加速油藏历史匹配和油藏表征过程，实现高效的油藏管理和优化。

Jul, 2024

本文提出了一种新颖的代理模型 -- 物理知识卷积递归神经网络（PICRNN），用于建模具有井控制的井下流体流动。

May, 2023

我们提出了一种新的孔隙尺度成像数据同化策略，并通过不确定性量化，展示了它能够稳健地解决反应性反问题。

Aug, 2023

在这项研究中，我们利用基于深度学习的代理模型来处理具有高度地质不确定性的地质碳储存系统，通过使用大量地质情景下的地质模型实现了准确的预测，并将其用于马尔可夫链蒙特卡洛历史匹配工作流程以降低地质不确定性，从而得到与真实模型更接近的 3D 压力和饱和度。

Aug, 2023

改进了物理信息神经网络（Physics-Informed Neural Network）的架构以解决核反应堆中中子扩散方程的精确计算问题。使用路径连接的卷积神经网络（Convolutional Neural Network with a shortcut）并结合残差自适应采样（Residual Adaptive Resampling）机制，提高了模型的收敛能力和预测精度，克服了当前方法中的局限性。

Jun, 2024

我们提出了一种基于随机化的物理信息神经网络（rPINN）方法，用于不确定性量化和含有噪声数据的反向偏微分方程（PDE）问题。通过对 PINN 损失函数进行随机化来解决贝叶斯 PINN（BPINN）方法中 Hamiltonian Monte Carlo（HMC）方法无法收敛的问题，该方法在线性和非线性 Poisson 方程以及高维空间相关扩散系数的扩散方程中得出了信息丰富的分布。

Jul, 2024

本文提供了一种改进的 cPINN 算法用于构造非守恒形式的双曲标量守恒律例子中的 Riemann 问题的弱解，并使用深度学习算法在保守和非保守形式以及临界和非临界状态下解决了该问题。

May, 2023

本文提出物理信息神经操作器（PINO），该方法使用现有的数据和物理约束条件来学习参数化偏微分方程（PDE）族的解算器，通过结合数据和 PDE 约束条件，PINO 成功地实现了高分辨率实例的准确性和泛化能力。

Nov, 2021

通过在 PINC 网络中引入跳跃连接以及改进 ODE 的某些项，我们在训练过程中实现了更准确的梯度，从而为油井系统的建模过程提供了有效的解决方案。我们提出的改进的 PINC 展现出卓越的性能，将油井应用中的验证预测误差平均降低了 67％，并显著增强了网络层之间的梯度流动，使其幅度相对于原始 PINC 增加了四个数量级。此外，实验展示了通过改进的 PINC 模型，在存在噪声测量的情况下，使用模型预测控制 (MPC) 来调节油井的底孔压力的有效性。

Mar, 2024