Графовые нейронные сети для прокси-моделирования гидродинамики пласта

Умановский, А. В.; Umanovskiy, A. V.

Основной задачей гидродинамического моделирования пласта является предсказание показателей работы добывающих скважин в будущем, точнее, зависимости этих показателей от выбора тех или иных воздействий на пласт, от плана разработки месторождения. Решение данной задачи затрудняется недостатком точных сведений о свойствах пласта, заключение о которых приходится так или иначе делать из косвенных данных, прежде всего из исторических показателей уже функционирующих скважин. Эта информация используется для адаптации численной модели пласта, или прокси-моделей, менее информативных, но имеющих преимущества скорости и гибкости. В статье предлагается метод прокси-моделирования пласта, основанный на использовании специфической искусственной нейронной сети (ИНС). Особенность предложенного метода – инновационная графовая сверточная архитектура ИНС, принимающая входные данные в формате графа, вершинам и ребрам которого сопоставлены известные характеристики пласта наряду с историей функционирования скважин. Такая архитектура делает возможным обучение ИНС не для одного конкретного случая, но для целого класса ситуаций. В соответствии с принципами развивающегося направления нейросетевых моделей физических процессов (Physics-Informed Neural Networks, PINN), задачей ИНС является вывод не просто корреляции между зависимыми величинами, но более общего физического закона, обуславливающего такие корреляции в различных случаях. Преимуществами такого подхода перед большинством применяемых сегодня прокси-моделей, основанных на ИНС, являются, во-первых, скорость: адаптация к историческим данным и вывод прогноза не требуют трудоемкого обучения, и даже для сотен скважин осуществляются за секунды; во-вторых, определенная степень физической содержательности.

Графовые нейронные сети для прокси-моделирования гидродинамики пласта

Связанные документы (рекомендация CORE)

Новости проекта

Новости

Партнеры

Индексация