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

Ce papier présente WellPINN, un nouveau flux de travail qui utilise des réseaux de neurones informés par la physique entraînés séquentiellement sur des sous-domaines rétrécissants pour modéliser avec précision la diffusion de la pression des fluides autour des puits tout au long de la période d'injection, surmontant ainsi les limitations précédentes dans la capture de la dynamique de pression aux stades précoces.

L'essentiel

Le Grand Problème : Le Puits "Pixélisé"

Imaginez que vous essayez de dessiner une carte de la pression de l'eau dans un gigantesque réservoir souterrain (comme une éponge massive). Au milieu de cette éponge, il y a un tout petit puits où l'eau est pompée.

Le problème est que le puits est minuscule (environ la largeur d'un crayon), mais le réservoir est énorme (de la taille d'un terrain de football).

Si vous essayez de dessiner cette carte en utilisant des modèles informatiques standards (ou même une IA standard), l'ordinateur se perd. C'est comme essayer de dessiner un seul pixel net sur une immense toile. L'IA tente d'adoucir les choses car elle préfère les lignes lisses, mais la pression juste à côté du puits change très brusquement. Les modèles d'IA standards "floutent" souvent ce changement net, rendant la pression trop basse ou manquant les variations rapides qui se produisent dès le début du pompage. C'est comme essayer de voir un sommet de montagne net à travers une fenêtre embuée.

La Solution : WellPINN (La Stratégie "Zoom")

Les auteurs ont créé une nouvelle méthode appelée WellPINN. Au lieu d'essayer de dessiner toute la carte parfaitement d'un seul coup, ils utilisent une stratégie de "zoom".

Pensez-y comme prendre une série de photographies pour capturer un paysage :

1. Photo 1 (Le Plan Large) : Vous prenez une photo de tout le réservoir. Vous pouvez voir la forme générale des collines et des vallées (la pression loin du puits), mais le tout petit puits au centre ressemble à un point flou.
2. Photo 2 (Le Zoom Moyen) : Vous zoomez sur la zone où se trouve le puits. Vous prenez une nouvelle photo de cette seule zone plus petite. Maintenant, vous voyez mieux le puits, mais le centre même est encore un peu flou.
3. Photo 3 (Le Gros Plan) : Vous zoomez une dernière fois, en vous concentrant uniquement sur la zone immédiate autour du puits. Maintenant, vous pouvez voir les détails nets du puits parfaitement.

WellPINN fait cela mathématiquement. Il entraîne trois modèles d'IA séparés dans une séquence :

• Le premier modèle apprend la vue d'ensemble.
• Le deuxième modèle apprend le plan moyen, en utilisant la réponse du premier modèle comme point de départ.
• Le troisième modèle apprend la toute petite zone juste autour du puits, en utilisant la réponse du deuxième modèle.

Enfin, il assemble ces trois "photos" en une seule carte haute définition parfaite, précise depuis le bord du réservoir jusqu'au centre du puits.

Les Ingrédients Secrets

Pour que cela fonctionne, les auteurs ont dû ajuster deux choses dans leur recette d'IA :

1. La "Lentille Temporelle" (Échelle Logarithmique) :
   Lorsque le pompage commence, la pression change incroyablement vite dans les premières secondes, puis ralentit. L'IA standard regarde le temps comme une règle avec des marques égales (1 seconde, 2 secondes, 3 secondes). Cela manque l'action rapide au début.
   Les auteurs ont changé la "règle" pour une échelle logarithmique. Imaginez une règle où le premier pouce est énorme (pour voir les changements rapides) et les pouces suivants deviennent de plus en plus petits. Cela permet à l'IA de prêter une attention particulière aux moments critiques du début du pompage.

2. La "Barrière Rigide" (Contraintes Fortes) :
   Habituellement, l'IA devine où se trouvent les limites. Les auteurs ont intégré une "barrière rigide" dans les mathématiques. Cela force l'IA à savoir exactement où se trouve le bord du réservoir et que la pression doit être nulle là-bas. C'est comme dire à l'IA : "Tu ne peux pas dessiner en dehors de ces lignes", ce qui empêche le modèle de se perdre sur les bords.

Ce Qu'ils Ont Découvert

L'équipe a testé cela sur une simulation informatique d'un réservoir carré de 100 mètres avec un puits de 10 centimètres.

• Ancienne Méthode : L'IA manquait les changements de pression juste à côté du puits et se trompait sur le timing précoce.
• WellPINN : L'IA a prédit avec succès la pression au puits avec une grande précision, capturant à la fois les changements rapides au début et l'état stable plus tard.

Ils ont découvert que pour que cette méthode de "zoom" fonctionne au mieux, chaque zone zoomée devrait représenter environ 17 % de la taille de la zone précédente. Si le zoom est trop agressif, l'IA se perd à nouveau ; s'il est trop doux, elle ne se rapproche pas assez du puits.

La Conclusion

Ce papier introduit une nouvelle façon d'utiliser l'IA pour la modélisation des fluides souterrains. En décomposant le problème en étapes plus petites et gérables (comme zoomer avec un appareil photo) et en ajustant la façon dont le temps est mesuré, ils ont résolu un problème de longue date : rendre les modèles d'IA assez précis pour voir les détails nets et minuscules d'un puits à l'intérieur d'un immense réservoir souterrain. C'est une grande avancée pour simuler le comportement des réservoirs lors d'opérations réelles.

Résumé technique

Résumé Technique : WellPINN

Énoncé du Problème
Une représentation précise des puits est cruciale pour une caractérisation fiable des réservoirs et la simulation de scénarios opérationnels dans les modèles d'écoulement souterrain. Bien que les Réseaux de Neurones Informés par la Physique (PINN) offrent une approche hybride prometteuse en intégrant des données de surveillance avec les équations physiques régissant le système, les études existantes basées sur les PINN peinent à capturer les champs de pression des fluides à proximité des puits, en particulier lors des premières étapes de l'injection. Cette limitation découle du fait que les solutions analytiques traitent les puits comme des singularités (sources ponctuelles), tandis que les Réseaux de Neurones Artificiels (RNA) fonctionnent mieux sur des variables lisses, continues et de taille similaire. Les tentatives précédentes pour résoudre ce problème à l'aide de « fonctions de puits équivalentes » (par exemple, fonctions gaussiennes, lorentziennes ou par morceaux) nécessitent généralement un rayon de puits équivalent important (souvent $\ge$ 10 % de la taille du domaine) pour obtenir une convergence stable. Bien que suffisantes pour les prédictions en champ lointain aux temps tardifs d'injection, ces approches sous-estiment considérablement la pression du puits ($p_w$) jusqu'à 30 % durant l'injection tardive et échouent totalement à capturer la diffusion aux temps précoces. Cette déficience compromet la fiabilité des PINN pour l'ajustement historique basé sur les débits ($q_w$).

Méthodologie : Le Flux de Travail WellPINN
Pour relever le défi multiscale consistant à représenter un puits de l'ordre du centimètre au sein d'un domaine à l'échelle du réservoir (s'étendant sur trois ordres de grandeur), les auteurs proposent WellPINN, un flux de travail d'entraînement séquentiel combinant plusieurs modèles PINN. La méthodologie comprend les composants clés suivants :

1. Décomposition du Domaine et Entraînement Séquentiel : Le domaine de modélisation est décomposé en sous-domaines imbriqués. Le flux de travail commence par l'entraînement d'un PINN ($D_1$) sur l'ensemble du domaine pour capturer la pression en champ lointain. Des PINN subséquents ($D_2, D_3, \dots$) sont entraînés sur des sous-domaines progressivement plus petits centrés sur le puits. La taille de chaque nouveau sous-domaine est définie par le rayon de puits équivalent ($\bar{r}_{weq}$) du modèle précédemment entraîné.
2. Réduction Itérative du Rayon : Le rayon de puits équivalent est réduit par étapes ($\bar{r}_{weq, D} = b \cdot \bar{x}_{max, D}$) jusqu'à ce qu'il corresponde au rayon physique du puits. Cela permet au réseau d'affiner progressivement la solution près du puits sans exiger qu'un réseau unique résolve des gradients raides sur l'ensemble du domaine simultanément.
3. Contraintes Rigides et Solution Composite : Pour assurer la continuité et le respect strict des conditions aux limites, les auteurs emploient une approche de contraintes rigides. Une fonction de pression composite $\hat{p}_c$ est construite en sommant les sorties des PINN entraînés, chacune pondérée par un facteur $\epsilon_n$ et multipliée par une fonction de distance approximative par morceaux $\tau_n$. Cette fonction $\tau$ garantit que la solution est nulle aux limites du domaine et au temps initial.
4. Fonction de Perte et Optimisation : L'entraînement utilise un seul terme de perte basé sur le résidu de l'équation aux dérivées partielles (EDP) gouvernante sans dimension. Pour éviter d'accumuler une surcharge de calcul, les résidus des étapes d'entraînement précédentes sont précalculés et ajoutés comme termes fixes à la fonction de perte de l'étape actuelle. L'entraînement utilise l'optimiseur Adam suivi de L-BFGS.
5. Mise à l'Échelle des Entrées : La variable de temps d'entrée est mise à l'échelle logarithmiquement pour tenir compte de la non-linéarité aux temps précoces dans la diffusion de la pression, une technique notée comme nouvelle pour la représentation des puits dans les PINN.

Résultats Clés
Le flux de travail a été validé sur une étude de cas synthétique 2D impliquant un seul puits d'injection ($r = 10$ cm) dans un domaine de $100 \text{ m} \times 100 \text{ m}$ avec une perméabilité homogène.

• Précision : L'entraînement séquentiel a réussi à réduire l'erreur absolue maximale ($AE_{max}$) près du puits de 0,53 dans le modèle initial couvrant tout le domaine ($D_1$) à 0,11 dans le modèle final ($D_3$).
• Résolution Temporelle : Contrairement aux méthodes précédentes, WellPINN a capturé avec précision l'évolution de la pression tout au long de la période d'injection complète, y compris la phase critique de diffusion aux temps précoces.
• Optimisation des Paramètres : Une étude paramétrique a identifié un rapport optimal $b$ (rayon de puits équivalent sur taille du sous-domaine) compris entre 0,1 et 0,17. Les auteurs ont sélectionné $b = 0,17$, ce qui a permis à trois sous-domaines de résoudre efficacement le puits.
• Efficacité Computationsnelle : En isolant les termes des EDP pour chaque étape, la méthode a maintenu des temps d'entraînement constants et évité le coût computationnel d'évaluer tous les réseaux à chaque époque.

Signification et Revendications
L'article revendique que WellPINN est le premier flux de travail basé sur les PINN capable d'inférer avec précision la pression des fluides à partir des débits de pompage tout au long de la période d'injection complète, y compris aux temps précoces, au sein d'un grand domaine. Sa signification principale réside dans :

• Combler le Fossé Multiscale : Il fournit une solution évolutive pour représenter des puits où le rayon physique est plusieurs ordres de grandeur plus petit que le domaine du réservoir, un défi que les PINN à réseau unique avec des fonctions d'activation tanh standard ne peuvent résoudre.
• Potentiel de Modélisation Inverse : En permettant une inférence précise de la pression du puits ($p_w$) basée sur les débits ($q_w$) sans dépendre de données d'observation denses, le flux de travail fait progresser le potentiel des PINN pour la modélisation inverse et l'ajustement historique des tests de puits de pompage.
• Avancement Méthodologique : L'étude démontre que la décomposition de domaine combinée à une mise à l'échelle logarithmique du temps et à des contraintes rigides est nécessaire pour une représentation précise des puits utilisant des PINN avec des fonctions d'activation tanh.

Les auteurs notent que, bien que l'étude actuelle se concentre sur un puits unique et une perméabilité homogène, le flux de travail est théoriquement extensible aux domaines hétérogènes et aux configurations multi-puits, bien que ces derniers puissent nécessiter des investigations supplémentaires sur l'efficacité computationnelle et la mise à l'échelle des fonctions d'activation.