本论文基于深度学习方法开发了一个代理模型，以加速油藏模拟，相较于现有业界物理学基础偏微分方程求解器提高了三个数量级，并进行了深入的实验评估。我们证明，在实际环境中，可以实现超过2000倍的加速，平均序列误差约为10％相对于油田模拟器。该代理模型与高质量的基于物理学的加速基线进行对比，并显示其性能优于其几个数量级。本论文的结果非常有前途，并为持续开展油田开发优化方面的研究提供了有价值的基准。

May, 2019

开发了基于深度学习的代理模型，用于预测渠道化地质模型中的动态地下水流。它通过深度卷积和递归神经网络结构来支持，特别是使用了长短时记忆循环网络。使用深度代理模型可以减少预测的不确定性，提高模型速度，可能在未来应用更正式的后验采样方法来解决现实问题。

Aug, 2019

U-FNO是一种基于傅里叶神经算子的新颖神经网络结构，可用于解决在多孔介质中的多相流问题，相较于传统卷积神经网络模型和ML模型，U-FNO模型在CO2注入问题中具有更高的准确性和数据利用率，只需三分之一的训练数据即可实现与该项目等效的准确性。

Sep, 2021

介绍了一种名为Hybrid Graph Network Simulator（HGNS）的数据驱动替代模型，该模型可在学习3D地下流体流动的同时准确地预测流体流动。与以往的替代模型相比，HGNS 可以缩短推理时间并减少长期预测误差。

Jun, 2022

本文提出了一种名为TunaOil的新方法，利用机器学习从过去的模拟执行日志中提取特征信息，以优化库存流模拟的数值参数，从而减少工作负荷及计算资源，并在历史匹配中使用卡尔曼滤波调整多个储层模型以适应实际数据，结果表明，这些预测可以平均提高31%的整体运行时长。

Aug, 2022

采用多保真度傅里叶神经操作器解决大规模地质碳储存问题，并减少高真实度数据生成成本。

Aug, 2023

通过专门的机器学习模型和领域分解，该研究提出了一种减少大规模地质储存成本的方法，以增强机器学习在地质碳储存中的效率。

Oct, 2023

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

开发了一种新的油藏表征工作流，通过将物理知识注入的神经操作器与混合专家方法相结合，解决了油藏历史拟合问题。

Jun, 2024

该研究探讨了多重网格神经算子（MgNO）在多孔介质内多相流模拟中的应用，该架构针对各种关键因素进行了调整，如渗透率和孔隙率的异质性。该研究将MgNO扩展到依赖时间的多孔介质流动问题，并验证了其在预测多相流的关键方面的准确性。此外，研究还详细比较了MgNO和傅里叶神经算子（FNO），这是其中一种最流行的神经算子方法，它们在随时间积累预测误差方面的性能表现。该研究展示了MgNO有效地模拟多相流问题的能力，相比传统模拟方法节省了大量时间，这标志着数据驱动方法在地球科学应用中的进步。

Jun, 2024