WellPINN: Accurate Well Representation for Transient Fluid Pressure Diffusion in Subsurface Reservoirs with Physics-Informed Neural Networks

Dieser Beitrag stellt WellPINN vor, einen neuartigen Workflow, der sequentiell trainierte physikbasierte neuronale Netze auf schrumpfenden Teilbereichen einsetzt, um die Fluiddruckdiffusion um Bohrungen herum während des gesamten Injektionszeitraums präzise zu modellieren und damit frühere Einschränkungen bei der Erfassung der Druckdynamik in der Frühphase zu überwinden.

Das Wesentliche

Das große Problem: Der "pixelierte" Brunnen

Stellen Sie sich vor, Sie versuchen, eine Karte des Wasserdrucks in einem riesigen unterirdischen Reservoir (wie einem massiven Schwamm) zu zeichnen. In der Mitte dieses Schwamms befindet sich ein winziger Brunnen, aus dem Wasser gepumpt wird.

Das Problem ist, dass der Brunnen winzig ist (etwa so breit wie ein Bleistift), das Reservoir aber riesig (so groß wie ein Fußballfeld).

Wenn Sie versuchen, diese Karte mit Standard-Computermodellen (oder sogar Standard-KI) zu zeichnen, gerät der Computer in Verwirrung. Es ist wie der Versuch, ein einzelnes, scharfes Pixel auf eine riesige Leinwand zu zeichnen. Die KI versucht, die Dinge zu glätten, da sie glatte Linien bevorzugt, aber der Druck direkt neben dem Brunnen ändert sich sehr scharf. Standard-KI-Modelle "verschwimmen" diese scharfe Änderung oft, sodass der Druck zu niedrig erscheint oder die schnellen Veränderungen, die genau beim Pumpstart auftreten, übersehen werden. Es ist wie der Versuch, einen scharfen Berggipfel durch ein nebliges Fenster zu sehen.

Die Lösung: WellPINN (Die "Hineinzoomen"-Strategie)

Die Autoren entwickelten eine neue Methode namens WellPINN. Anstatt zu versuchen, die gesamte Karte auf einmal perfekt zu zeichnen, verwenden sie eine "Hineinzoomen"-Strategie.

Stellen Sie sich vor, Sie machen eine Reihe von Fotos, um eine Landschaft einzufangen:

1. Foto 1 (Die Weitwinkelaufnahme): Sie machen ein Foto des gesamten Reservoirs. Sie können die allgemeine Form der Hügel und Täler sehen (den Druck weit entfernt vom Brunnen), aber der winzige Brunnen in der Mitte sieht wie ein verschwommener Punkt aus.
2. Foto 2 (Die mittlere Zoomstufe): Sie zoomen auf den Bereich ein, in dem sich der Brunnen befindet. Sie machen ein neues Foto nur dieses kleineren Bereichs. Jetzt können Sie den Brunnen besser sehen, aber das sehr Zentrum ist noch etwas verschwommen.
3. Foto 3 (Die Nahaufnahme): Sie zoomen ein letztes Mal hinein und konzentrieren sich nur auf den unmittelbaren Bereich um den Brunnen. Jetzt können Sie die scharfen Details des Brunnens perfekt erkennen.

WellPINN macht dies mathematisch. Es trainiert drei separate KI-Modelle in einer Sequenz:

• Das erste Modell lernt das große Ganze.
• Das zweite Modell lernt den mittleren Bereich, wobei es die Antwort des ersten Modells als Ausgangspunkt verwendet.
• Das dritte Modell lernt den winzigen Bereich direkt um den Brunnen, wobei es die Antwort des zweiten Modells verwendet.

Schließlich fügt es diese drei "Fotos" zu einer perfekten, hochauflösenden Karte zusammen, die vom Rand des Reservoirs bis zum Zentrum des Brunnens genau ist.

Die geheimen Zutaten

Damit dies funktioniert, mussten die Autoren zwei Dinge in ihrem KI-Rezept anpassen:

1. Die "Zeitlinse" (Logarithmische Skalierung):
   Wenn das Pumpen beginnt, ändert sich der Druck in den ersten Sekunden unglaublich schnell und verlangsamt sich dann. Standard-KI betrachtet die Zeit wie ein Lineal mit gleichen Markierungen (1 Sekunde, 2 Sekunden, 3 Sekunden). Dies verpasst die schnellen Aktionen am Anfang.
   Die Autoren änderten das "Lineal" auf eine logarithmische Skala. Stellen Sie sich ein Lineal vor, bei dem der erste Zoll riesig ist (um die schnellen Änderungen zu sehen) und die späteren Zoll immer kleiner werden. Dies ermöglicht es der KI, den kritischen frühen Momenten des Pumpens besondere Aufmerksamkeit zu schenken.

2. Der "harte Zaun" (Harte Randbedingungen):
   Normalerweise rät die KI, wo die Grenzen liegen. Die Autoren bauten einen "harten Zaun" in die Mathematik ein. Dies zwingt die KI, genau zu wissen, wo der Rand des Reservoirs ist und dass der Druck dort null sein muss. Es ist wie der Hinweis an die KI: "Sie dürfen nicht außerhalb dieser Linien zeichnen", was das Modell daran hindert, an den Rändern in Verwirrung zu geraten.

Was sie herausfanden

Das Team testete dies an einer Computersimulation eines 100 Meter quadratischen Reservoirs mit einem 10 Zentimeter großen Brunnen.

• Alter Weg: Die KI verpasste die Druckänderungen direkt neben dem Brunnen und bekam den frühen Zeitpunkt falsch.
• WellPINN: Die KI sagte den Druck am Brunnen erfolgreich mit hoher Genauigkeit voraus und erfasste sowohl die schnellen Änderungen am Anfang als auch den stationären Zustand später.

Sie stellten fest, dass für diese "Hineinzoomen"-Methode jeder eingezoomte Bereich etwa 17 % der Größe des vorherigen Bereichs betragen sollte. Wenn der Zoom zu aggressiv ist, gerät die KI erneut in Verwirrung; wenn er zu sanft ist, kommt sie dem Brunnen nicht nahe genug.

Das Fazit

Dieses Papier stellt eine neue Art vor, KI für die Modellierung unterirdischer Fluide einzusetzen. Indem sie das Problem in kleinere, handhabbare Schritte zerlegten (wie das Hineinzoomen mit einer Kamera) und die Art und Weise, wie die Zeit gemessen wird, anpassten, lösten sie ein lang bestehendes Problem: KI-Modelle so genau zu machen, dass sie die winzigen, scharfen Details eines Brunnens in einem massiven unterirdischen Reservoir erkennen können. Dies ist ein großer Schritt vorwärts für die Simulation des Verhaltens von Reservoirs während realer Operationen.

Technische Zusammenfassung

Technischer Zusammenfassung: WellPINN

Problemstellung
Eine genaue Darstellung von Bohrungen ist entscheidend für eine zuverlässige Charakterisierung von Reservoirs und die Simulation von Betriebsszenarien in Strömungsmodellen im Untergrund. Während Physics-Informed Neural Networks (PINNs) einen vielversprechenden hybriden Ansatz bieten, indem sie Überwachungsdaten mit den zugrundeliegenden physikalischen Gleichungen integrieren, haben bestehende PINN-basierte Studien Schwierigkeiten, die Fluiddruckfelder in der Nähe von Bohrungen zu erfassen, insbesondere in den frühen Phasen der Injektion. Diese Einschränkung ergibt sich daraus, dass analytische Lösungen Bohrungen als Singularitäten (Punktquellen) behandeln, während Künstliche Neuronale Netze (ANNs) am besten mit glatten, kontinuierlichen und ähnlich skalierten Variablen arbeiten. Frühere Versuche, dies durch „äquivalente Bohrungsfunktionen" (z. B. Gauß-, Lorentz- oder stückweise Funktionen) zu lösen, erforderten typischerweise einen großen äquivalenten Bohrungsradius (oft $\ge$ 10 % der Domänengröße), um eine stabile Konvergenz zu erreichen. Obwohl dies für Fernfeldvorhersagen zu späten Injektionszeiten ausreicht, unterschätzen diese Ansätze den Bohrungsdruck ($p_w$) während der späten Injektion erheblich um bis zu 30 % und versagen vollständig darin, die Diffusion zu frühen Zeitpunkten zu erfassen. Dieses Defizit untergräbt die Zuverlässigkeit von PINNs für das History-Matching auf Basis von Durchflussraten ($q_w$).

Methodik: Der WellPINN-Arbeitsablauf
Um die Multiskalen-Herausforderung zu bewältigen, eine Bohrungsgröße im Zentimeterbereich innerhalb eines Reservoir-Domänenbereichs (der drei Größenordnungen umfasst) darzustellen, schlagen die Autoren WellPINN vor, einen sequenziellen Trainingsworkflow, der mehrere PINN-Modelle kombiniert. Die Methodik umfasst folgende Schlüsselkomponenten:

1. Domänendekomposition und sequenzielles Training: Die Modellierungsdomain wird in verschachtelte Teilbereiche zerlegt. Der Workflow beginnt mit dem Training eines PINN ($D_1$) über die gesamte Domäne, um den Fernfelddruck zu erfassen. Nachfolgende PINNs ($D_2, D_3, \dots$) werden auf progressiv kleineren, auf die Bohrung zentrierten Teilbereichen trainiert. Die Größe jedes neuen Teilbereichs wird durch den äquivalenten Bohrungsradius ($\bar{r}_{weq}$) des zuvor trainierten Modells definiert.
2. Iterative Radiusreduktion: Der äquivalente Bohrungsradius wird schrittweise reduziert ($\bar{r}_{weq, D} = b \cdot \bar{x}_{max, D}$), bis er dem physikalischen Bohrungsradius entspricht. Dies ermöglicht dem Netzwerk, die Lösung in der Nähe der Bohrung schrittweise zu verfeinern, ohne dass ein einzelnes Netzwerk steile Gradienten über die gesamte Domäne gleichzeitig auflösen muss.
3. Harte Randbedingungen und zusammengesetzte Lösung: Um Kontinuität und strikte Einhaltung der Randbedingungen sicherzustellen, wenden die Autoren einen Ansatz mit harten Randbedingungen an. Eine zusammengesetzte Druckfunktion $\hat{p}_c$ wird durch Summierung der Ausgaben der trainierten PINNs konstruiert, wobei jede mit einem Faktor $\epsilon_n$ gewichtet und mit einer stückweisen Näherungsfunktion für den Abstand $\tau_n$ multipliziert wird. Diese Funktion $\tau$ stellt sicher, dass die Lösung an den Domänengrenzen und zum Zeitpunkt Null null ist.
4. Verlustfunktion und Optimierung: Das Training verwendet einen einzigen Verlustterm basierend auf dem Residuum der dimensionslosen zugrundeliegenden partiellen Differentialgleichung (PDE). Um die Anhäufung von Rechenaufwand zu vermeiden, werden Residuen aus früheren Trainingsstufen vorab berechnet und als feste Terme zur Verlustfunktion der aktuellen Stufe hinzugefügt. Das Training verwendet den Adam-Optimierer, gefolgt von L-BFGS.
5. Eingabeskaling: Die Eingabezeitvariable wird logarithmisch skaliert, um der Nichtlinearität der Druckdiffusion zu frühen Zeitpunkten Rechnung zu tragen, eine Technik, die als neuartig für die Bohrungsrepräsentation in PINNs gilt.

Hauptergebnisse
Der Workflow wurde an einer synthetischen 2D-Studie mit einer einzelnen Injektionsbohrung ($r = 10$ cm) in einer $100 \text{ m} \times 100 \text{ m}$ großen Domäne mit homogener Permeabilität validiert.

• Genauigkeit: Das sequenzielle Training reduzierte den maximalen absoluten Fehler ($AE_{max}$) in der Nähe der Bohrung erfolgreich von 0,53 im initialen domänenweiten Modell ($D_1$) auf 0,11 im finalen Modell ($D_3$).
• Zeitliche Auflösung: Im Gegensatz zu früheren Methoden erfasste WellPINN die Druckentwicklung über den gesamten Injektionszeitraum hinweg genau, einschließlich der kritischen Diffusionsphase zu frühen Zeitpunkten.
• Parameteroptimierung: Eine Parameterstudie identifizierte ein optimales Verhältnis $b$ (äquivalenter Bohrungsradius zu Teilbereichsgröße) zwischen 0,1 und 0,17. Die Autoren wählten $b = 0,17$, was es ermöglichte, dass drei Teilbereiche die Bohrung effektiv auflösten.
• Rechenleistung: Durch die Isolierung von PDE-Termen für jede Stufe behielt die Methode konsistente Trainingszeiten bei und vermied die Rechenkosten der Auswertung aller Netzwerke in jedem Epoche.

Bedeutung und Behauptungen
Die Arbeit behauptet, dass WellPINN der erste PINN-basierte Workflow ist, der in der Lage ist, den Fluiddruck aus Pumpraten über den gesamten Injektionszeitraum hinweg, einschließlich früher Zeitpunkte, innerhalb einer großen Domäne genau zu inferieren. Seine primäre Bedeutung liegt in:

• Überbrückung der Multiskalenlücke: Es bietet eine skalierbare Lösung für die Darstellung von Bohrungen, bei denen der physikalische Radius um Größenordnungen kleiner ist als die Reservoir-Domäne, eine Herausforderung, die Single-Network-PINNs mit Standard-tanh-Aktivierungsfunktionen nicht lösen können.
• Potenzial für inverse Modellierung: Durch die Ermöglichung einer genauen Inferenz des Bohrungsdrucks ($p_w$) auf Basis von Durchflussraten ($q_w$) ohne reliance auf dichte Beobachtungsdaten, fördert der Workflow das Potenzial von PINNs für inverse Modellierung und History-Matching von Pumpversuchen.
• Methodischer Fortschritt: Die Studie zeigt, dass eine Domänendekomposition in Kombination mit logarithmischer Zeitskalierung und harten Randbedingungen für eine genaue Bohrungsrepräsentation mit PINNs und tanh-Aktivierungsfunktionen notwendig ist.

Die Autoren stellen fest, dass sich die aktuelle Studie zwar auf eine einzelne Bohrung und homogene Permeabilität konzentriert, der Workflow jedoch theoretisch auf heterogene Domänen und Mehrbohrungskonfigurationen erweiterbar ist, wobei letztere möglicherweise weitere Untersuchungen zur Recheneffizienz und Skalierung der Aktivierungsfunktionen erfordern.