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

Este artículo presenta WellPINN, un flujo de trabajo novedoso que utiliza redes neuronales informadas por física entrenadas secuencialmente en subdominios decrecientes para modelar con precisión la difusión de presión de fluidos alrededor de pozos durante todo el período de inyección, superando las limitaciones anteriores en la captura de la dinámica de presión en etapas tempranas.

Lo esencial

El Gran Problema: El Pozo "Pixelado"

Imagina que estás intentando dibujar un mapa de la presión del agua en un gigantesco acuífero subterráneo (como una esponja masiva). En medio de esta esponja, hay un pozo diminuto donde se está bombeando agua.

El problema es que el pozo es minúsculo (aproximadamente del ancho de un lápiz), pero el acuífero es enorme (del tamaño de un campo de fútbol).

Si intentas dibujar este mapa utilizando modelos informáticos estándar (o incluso IA estándar), la computadora se confunde. Es como intentar dibujar un solo píxel nítido en un lienzo gigante. La IA intenta suavizar las cosas porque prefiere líneas suaves, pero la presión justo al lado del pozo cambia muy bruscamente. Los modelos estándar de IA suelen "difuminar" este cambio agudo, haciendo que la presión parezca demasiado baja o pasando por alto los cambios rápidos que ocurren justo cuando comienza el bombeo. Es como intentar ver un pico de montaña nítido a través de una ventana empañada.

La Solución: WellPINN (La Estrategia de "Acercar la Vista")

Los autores crearon un nuevo método llamado WellPINN. En lugar de intentar dibujar todo el mapa perfectamente de una sola vez, utilizan una estrategia de "acercar la vista".

Piénsalo como tomar una serie de fotografías para capturar un paisaje:

1. Foto 1 (La Toma Amplia): Tomas una foto de todo el acuífero. Puedes ver la forma general de las colinas y los valles (la presión lejos del pozo), pero el pozo diminuto en el centro parece un punto borroso.
2. Foto 2 (El Zoom Medio): Acercas la vista al área donde está el pozo. Tomas una nueva foto solo de esa zona más pequeña. Ahora puedes ver el pozo mejor, pero el centro mismo sigue un poco borroso.
3. Foto 3 (El Primer Plano): Acercas la vista una última vez, enfocando solo el área inmediata alrededor del pozo. Ahora puedes ver los detalles nítidos del pozo perfectamente.

WellPINN hace esto matemáticamente. Entrena tres modelos de IA separados en secuencia:

• El primer modelo aprende la imagen general.
• El segundo modelo aprende el plano medio, utilizando la respuesta del primer modelo como punto de partida.
• El tercer modelo aprende el área diminuta justo alrededor del pozo, utilizando la respuesta del segundo modelo.

Finalmente, une estas tres "fotos" en un solo mapa perfecto y de alta definición que es preciso desde el borde del acuífero hasta el centro del pozo.

Los Ingredientes Secretos

Para que esto funcione, los autores tuvieron que ajustar dos cosas en su receta de IA:

1. La "Lente de Tiempo" (Escala Logarítmica):
   Cuando comienza a bombearse agua, la presión cambia increíblemente rápido en los primeros segundos, luego se ralentiza. La IA estándar ve el tiempo como una regla con marcas iguales (1 segundo, 2 segundos, 3 segundos). Esto pasa por alto la acción rápida al inicio.
   Los autores cambiaron la "regla" a una escala logarítmica. Imagina una regla donde el primer centímetro es enorme (para ver los cambios rápidos) y los centímetros posteriores se vuelven más y más pequeños. Esto permite que la IA preste atención extra a los momentos críticos iniciales del bombeo.

2. La "Valla Rígida" (Restricciones Duras):
   Por lo general, la IA adivina dónde están los límites. Los autores construyeron una "valla rígida" dentro de las matemáticas. Esto obliga a la IA a saber exactamente dónde está el borde del acuífero y que la presión debe ser cero allí. Es como decirle a la IA: "No puedes dibujar fuera de estas líneas", lo cual evita que el modelo se confunda en los bordes.

Lo Que Encontraron

El equipo probó esto en una simulación por computadora de un acuífero cuadrado de 100 metros con un pozo de 10 centímetros.

• Método Antiguo: La IA pasó por alto los cambios de presión justo al lado del pozo y obtuvo mal el tiempo inicial.
• WellPINN: La IA predijo con éxito la presión en el pozo con alta precisión, capturando tanto los cambios rápidos al inicio como el estado estacionario posterior.

Descubrieron que para que este método de "acercar la vista" funcione mejor, cada área acercada debe tener aproximadamente el 17% del tamaño del área anterior. Si el acercamiento es demasiado agresivo, la IA se confunde de nuevo; si es demasiado suave, no se acerca lo suficiente al pozo.

La Conclusión

Este artículo presenta una nueva forma de utilizar la IA para el modelado de fluidos subterráneos. Al dividir el problema en pasos más pequeños y manejables (como acercar la vista con una cámara) y ajustar cómo se mide el tiempo, resolvieron un problema de larga data: hacer que los modelos de IA sean lo suficientemente precisos para ver los detalles diminutos y nítidos de un pozo dentro de un acuífero subterráneo masivo. Este es un gran paso adelante para simular cómo se comportan los acuíferos durante las operaciones del mundo real.

Resumen técnico

Resumen Técnico: WellPINN

Enunciado del Problema
La representación precisa de los pozos es crítica para la caracterización confiable de los yacimientos y la simulación de escenarios operativos en modelos de flujo subsuperficial. Si bien las Redes Neuronales Informadas por Física (PINN) ofrecen un enfoque híbrido prometedor al integrar datos de monitoreo con ecuaciones físicas gobernantes, los estudios existentes basados en PINN tienen dificultades para capturar los campos de presión de fluidos cerca de los pozos, particularmente durante las etapas tempranas de inyección. Esta limitación surge porque las soluciones analíticas tratan a los pozos como singularidades (fuentes puntuales), mientras que las Redes Neuronales Artificiales (ANN) funcionan mejor con variables suaves, continuas y de escala similar. Los intentos previos de resolver esto mediante "funciones de pozo equivalentes" (por ejemplo, funciones gaussianas, lorentzianas o por tramos) típicamente requieren un radio de pozo equivalente grande (a menudo $\ge$ 10% del tamaño del dominio) para lograr una convergencia estable. Aunque suficientes para predicciones en el campo lejano en tiempos tardíos de inyección, estos enfoques subestiman significativamente la presión del pozo ($p_w$) en hasta un 30% durante la inyección tardía y fracasan completamente en capturar la difusión en tiempos tempranos. Esta deficiencia socava la confiabilidad de las PINN para la calibración histórica basada en caudales ($q_w$).

Metodología: El Flujo de Trabajo WellPINN
Para abordar el desafío multiescala de representar un pozo de escala centimétrica dentro de un dominio de escala de yacimiento (que abarca tres órdenes de magnitud), los autores proponen WellPINN, un flujo de trabajo de entrenamiento secuencial que combina múltiples modelos PINN. La metodología involucra los siguientes componentes clave:

1. Descomposición del Dominio y Entrenamiento Secuencial: El dominio de modelado se descompone en subdominios anidados. El flujo de trabajo comienza entrenando una PINN ($D_1$) en todo el dominio para capturar la presión en el campo lejano. Las PINN subsiguientes ($D_2, D_3, \dots$) se entrenan en subdominios progresivamente más pequeños centrados en el pozo. El tamaño de cada nuevo subdominio está definido por el radio de pozo equivalente ($\bar{r}_{weq}$) del modelo entrenado previamente.
2. Reducción Iterativa del Radio: El radio de pozo equivalente se reduce paso a paso ($\bar{r}_{weq, D} = b \cdot \bar{x}_{max, D}$) hasta que coincide con el radio físico del pozo. Esto permite que la red refine progresivamente la solución cerca del pozo sin requerir que una sola red resuelva gradientes pronunciados en todo el dominio simultáneamente.
3. Restricciones Duras y Solución Compuesta: Para garantizar la continuidad y el estricto cumplimiento de las condiciones de frontera, los autores emplean un enfoque de restricciones duras. Se construye una función de presión compuesta $\hat{p}_c$ sumando las salidas de las PINN entrenadas, cada una ponderada por un factor $\epsilon_n$ y multiplicada por una función de distancia aproximada por tramos $\tau_n$. Esta función $\tau$ asegura que la solución sea cero en los límites del dominio y en el tiempo inicial.
4. Función de Pérdida y Optimización: El entrenamiento utiliza una única término de pérdida basado en el residuo de la ecuación diferencial parcial (EDP) gobernante adimensional. Para evitar acumular sobrecarga computacional, los residuos de etapas de entrenamiento anteriores se precalculan y se añaden como términos fijos a la función de pérdida de la etapa actual. El entrenamiento utiliza el optimizador Adam seguido de L-BFGS.
5. Escala de Entrada: La variable de tiempo de entrada se escala logarítmicamente para tener en cuenta la no linealidad en la difusión de presión en tiempos tempranos, una técnica señalada como novedosa para la representación de pozos en PINN.

Resultados Clave
El flujo de trabajo se validó en un estudio de caso sintético 2D que involucra un pozo de inyección único ($r = 10$ cm) en un dominio de $100 \text{ m} \times 100 \text{ m}$ con permeabilidad homogénea.

• Precisión: El entrenamiento secuencial redujo exitosamente el error absoluto máximo ($AE_{max}$) cerca del pozo de 0.53 en el modelo inicial de todo el dominio ($D_1$) a 0.11 en el modelo final ($D_3$).
• Resolución Temporal: A diferencia de métodos anteriores, WellPINN capturó con precisión la evolución de la presión durante todo el período de inyección, incluida la fase crítica de difusión en tiempos tempranos.
• Optimización de Parámetros: Un estudio de parámetros identificó una relación óptima $b$ (radio de pozo equivalente a tamaño de subdominio) entre 0.1 y 0.17. Los autores seleccionaron $b = 0.17$, lo que permitió que tres subdominios resolvieran efectivamente el pozo.
• Eficiencia Computacional: Al aislar los términos de la EDP para cada etapa, el método mantuvo tiempos de entrenamiento consistentes y evitó el costo computacional de evaluar todas las redes en cada época.

Significado y Afirmaciones
El artículo afirma que WellPINN es el primer flujo de trabajo basado en PINN capaz de inferir con precisión la presión de fluidos a partir de tasas de bombeo durante todo el período de inyección, incluidos los tiempos tempranos, dentro de un dominio grande. Su significado principal radica en:

• Cerrando la Brecha Multiescala: Proporciona una solución escalable para representar pozos donde el radio físico es órdenes de magnitud más pequeño que el dominio del yacimiento, un desafío que las PINN de red única con funciones de activación tanh estándar no pueden resolver.
• Potencial de Modelado Inverso: Al permitir la inferencia precisa de la presión del pozo ($p_w$) basada en caudales ($q_w$) sin depender de datos de observación densos, el flujo de trabajo avanza el potencial de las PINN para el modelado inverso y la calibración histórica de pruebas de pozos de bombeo.
• Avance Metodológico: El estudio demuestra que la descomposición del dominio combinada con la escala de tiempo logarítmica y las restricciones duras es necesaria para una representación precisa de pozos utilizando PINN con funciones de activación tanh.

Los autores señalan que, aunque el estudio actual se centra en un solo pozo y permeabilidad homogénea, el flujo de trabajo es teóricamente extensible a dominios heterogéneos y configuraciones de múltiples pozos, aunque estos últimos podrían requerir una investigación adicional sobre la eficiencia computacional y la escala de la función de activación.