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

Dit artikel introduceert WellPINN, een nieuwe werkstroom die sequentieel getrainde fysisch geïnformeerde neurale netwerken op krimpende subdomeinen gebruikt om de diffusie van vloeistofdruk rond boorgaten nauwkeurig te modelleren gedurende de volledige injectieperiode, waardoor eerdere beperkingen in het vastleggen van drukdynamiek in een vroeg stadium worden overwonnen.

De kern

Het Grote Probleem: De "Gepixelde" Put

Stel je voor dat je een kaart probeert te tekenen van de waterdruk in een gigantisch ondergronds reservoir (zoals een enorm spons). In het midden van deze spons bevindt zich een kleine put waaruit water wordt gepompt.

Het probleem is dat de put klein is (ongeveer de breedte van een potlood), maar het reservoir enorm (zo groot als een voetbalveld).

Als je probeert deze kaart te tekenen met standaard computermodellen (of zelfs standaard AI), raakt de computer in de war. Het is alsof je probeert een enkele, scherpe pixel te tekenen op een gigantisch canvas. De AI probeert dingen glad te strijken omdat het voorkeur geeft aan gladde lijnen, maar de druk direct naast de put verandert zeer scherp. Standaard AI-modellen "vervagen" deze scherpe verandering vaak, waardoor de druk te laag lijkt of de snelle veranderingen die direct bij het starten van het pompen optreden, worden gemist. Het is alsof je probeert een scherpe bergtop te zien door een mistig raam.

De Oplossing: WellPINN (De "Inzoomen"-Strategie)

De auteurs hebben een nieuwe methode ontwikkeld die WellPINN heet. In plaats van te proberen de hele kaart in één keer perfect te tekenen, gebruiken ze een "inzoomen"-strategie.

Stel je voor dat je een reeks foto's maakt om een landschap vast te leggen:

1. Foto 1 (De Wijdopname): Je maakt een foto van het hele reservoir. Je kunt het algemene reliëf van de heuvels en valleien zien (de druk ver weg van de put), maar de kleine put in het midden lijkt op een vage stip.
2. Foto 2 (De Middenzoom): Je zoomt in op het gebied waar de put zich bevindt. Je maakt een nieuwe foto van alleen dat kleinere gebied. Nu kun je de put beter zien, maar het allercentrum is nog steeds een beetje wazig.
3. Foto 3 (De Close-up): Je zoomt één keer extra in, met alleen de directe omgeving rond de put in beeld. Nu kun je de scherpe details van de put perfect zien.

WellPINN doet dit wiskundig. Het traint drie aparte AI-modellen in een volgorde:

• Het eerste model leert het grote geheel.
• Het tweede model leert het middengebied, waarbij het antwoord van het eerste model als startpunt wordt gebruikt.
• Het derde model leert het kleine gebied direct rond de put, waarbij het antwoord van het tweede model wordt gebruikt.

Tot slot worden deze drie "foto's" samengevoegd tot één perfecte, hoogwaardige kaart die nauwkeurig is van de rand van het reservoir tot aan het centrum van de put.

De Geheime Ingrediënten

Om dit werkend te maken, moesten de auteurs twee dingen aanpassen in hun AI-recept:

1. De "Tijdslens" (Logaritmische Schaling):
   Wanneer water begint te pompen, verandert de druk in de eerste paar seconden ongelooflijk snel, waarna het vertraagt. Standaard AI kijkt naar tijd als naar een liniaal met gelijke streepjes (1 seconde, 2 seconden, 3 seconden). Dit mist de snelle actie aan het begin.
   De auteurs veranderden de "liniaal" naar een logaritmische schaal. Stel je een liniaal voor waarbij de eerste inch enorm is (om de snelle veranderingen te zien) en de latere inches steeds kleiner worden. Hierdoor kan de AI extra aandacht besteden aan de kritieke vroege momenten van het pompen.

2. De "Harde Omheining" (Harde Beperkingen):
   Meestal raadt AI waar de grenzen liggen. De auteurs bouwden een "harde omheining" in de wiskunde. Dit dwingt de AI om precies te weten waar de rand van het reservoir is en dat de druk daar nul moet zijn. Het is alsof je de AI zegt: "Je mag niet buiten deze lijnen tekenen", wat voorkomt dat het model in de war raakt aan de randen.

Wat Ze Vonden

Het team testte dit op een computersimulatie van een 100-meter vierkant reservoir met een put van 10 centimeter.

• Oude Manier: De AI miste de drukveranderingen direct naast de put en kreeg de vroege timing verkeerd.
• WellPINN: De AI voorspelde de druk bij de put met hoge nauwkeurigheid, waarbij zowel de snelle veranderingen aan het begin als de stabiele toestand later werden vastgelegd.

Ze ontdekten dat voor deze "inzoomen"-methode om het beste te werken, elk ingezoomde gebied ongeveer 17% van de grootte van het vorige gebied moet zijn. Als de zoom te agressief is, raakt de AI opnieuw in de war; als het te zacht is, komt het niet dicht genoeg bij de put.

De Conclusie

Dit artikel introduceert een nieuwe manier om AI te gebruiken voor ondergrondse vloeistofmodellering. Door het probleem op te splitsen in kleinere, hanteerbare stappen (zoals inzoomen met een camera) en aan te passen hoe tijd wordt gemeten, hebben ze een lang bestaand probleem opgelost: AI-modellen nauwkeurig genoeg maken om de kleine, scherpe details van een put te zien binnen een enorm ondergronds reservoir. Dit is een grote stap voorwaarts voor het simuleren van hoe reservoirs zich gedragen tijdens real-world operaties.

Technische samenvatting

Technische Samenvatting: WellPINN

Probleemstelling
Een accurate weergave van putten is cruciaal voor een betrouwbare reservoirkarakterisering en de simulatie van operationele scenario's in stromingsmodellen voor de ondergrond. Hoewel Physics-Informed Neural Networks (PINN's) een veelbelovende hybride aanpak bieden door monitoringgegevens te integreren met de leidinggevende fysische vergelijkingen, hebben bestaande op PINN's gebaseerde studies moeite om veld van vloeistofdruk in de buurt van putten te vangen, met name in de vroege stadia van injectie. Deze beperking ontstaat omdat analytische oplossingen putten behandelen als singulariteiten (puntbronnen), terwijl kunstmatige neurale netwerken (ANN's) het beste presteren op gladde, continue en vergelijkbaar geschaalde variabelen. Eerdere pogingen om dit op te lossen met "equivalente putfuncties" (bijvoorbeeld Gaussische, Lorentz- of stuksgewijze functies) vereisten doorgaans een grote equivalente putstraal (vaak $\ge$ 10% van de domeingrootte) om een stabiele convergentie te bereiken. Hoewel dit voldoende is voor voorspellingen in het verre veld op late injectietijden, onderschatten deze benaderingen de putdruk ($p_w$) tijdens late injectie aanzienlijk met tot 30% en slagen ze er volledig in om vroege tijdsdiffusie te vangen. Dit tekort ondermijnt de betrouwbaarheid van PINN's voor history matching op basis van stromingsraten ($q_w$).

Methodologie: De WellPINN-werkstroom
Om de multischaaluitdaging van het weergeven van een put op centimeterschaal binnen een reservoirschaaldomein (over drie grootteordes) aan te pakken, stellen de auteurs WellPINN voor, een sequentiële trainingswerkstroom die meerdere PINN-modellen combineert. De methodologie omvat de volgende kerncomponenten:

1. Domeindecompositie en Sequentiële Training: Het modelleerdomein wordt opgedeeld in geneste subdomeinen. De werkstroom begint met het trainen van een PINN ($D_1$) over het volledige domein om de druk in het verre veld te vangen. Aansluitende PINN's ($D_2, D_3, \dots$) worden getraind op progressief kleinere subdomeinen die gecentreerd zijn rond de put. De grootte van elk nieuw subdomein wordt gedefinieerd door de equivalente putstraal ($\bar{r}_{weq}$) van het eerder getrainde model.
2. Iteratieve Straalreductie: De equivalente putstraal wordt stapsgewijs verkleind ($\bar{r}_{weq, D} = b \cdot \bar{x}_{max, D}$) totdat deze overeenkomt met de fysische putstraal. Hierdoor kan het netwerk de oplossing in de buurt van de put progressief verfijnen zonder dat een enkel netwerk steile gradiënten over het volledige domein gelijktijdig hoeft op te lossen.
3. Harde Constraints en Samengestelde Oplossing: Om continuïteit en strikte naleving van randvoorwaarden te waarborgen, hanteren de auteurs een aanpak met harde constraints. Een samengestelde drukfunctie $\hat{p}_c$ wordt geconstrueerd door de uitvoer van de getrainde PINN's op te tellen, elk gewogen met een factor $\epsilon_n$ en vermenigvuldigd met een stuksgewijze benaderingsafstandfunctie $\tau_n$. Deze functie $\tau$ zorgt ervoor dat de oplossing nul is op de domeingrenzen en op het tijdstip $t=0$.
4. Verliesfunctie en Optimalisatie: De training maakt gebruik van een enkele verliesterm gebaseerd op het residu van de dimensieloze leidinggevende partiële differentiaalvergelijking (PDE). Om het accumuleren van rekenkundige overhead te vermijden, worden residuen van eerdere trainingsstadia vooraf berekend en toegevoegd als vaste termen aan de verliesfunctie van het huidige stadium. De training maakt gebruik van de Adam-optimizer gevolgd door L-BFGS.
5. Invoerschaal: De invoertijdvariabele wordt logaritmisch geschaald om rekening te houden met de niet-lineariteit in de vroege tijdsdiffusie van druk, een techniek die wordt aangemerkt als nieuw voor putrepresentatie in PINN's.

Belangrijkste Resultaten
De werkstroom werd gevalideerd op een synthetische 2D-studie met een enkele injectieput ($r = 10$ cm) in een domein van $100 \text{ m} \times 100 \text{ m}$ met homogene permeabiliteit.

• Nauwkeurigheid: De sequentiële training slaagde erin de maximale absolute fout ($AE_{max}$) in de buurt van de put te reduceren van 0,53 in het initiële domeinbrede model ($D_1$) tot 0,11 in het definitieve model ($D_3$).
• Temporele Resolutie: In tegenstelling tot eerdere methoden, vatte WellPINN de drukontwikkeling nauwkeurig gedurende de volledige injectieperiode, inclusief de kritieke fase van vroege tijdsdiffusie.
• Parameteroptimalisatie: Een parameterstudie identificeerde een optimale verhouding $b$ (equivalente putstraal tot subdomeingrootte) tussen 0,1 en 0,17. De auteurs kozen voor $b = 0,17$, wat drie subdomeinen in staat stelde de put effectief op te lossen.
• Rekenkundige Efficiëntie: Door PDE-termen voor elk stadium te isoleren, behield de methode consistente trainingtijden en vermijdt de rekenkundige kosten van het evalueren van alle netwerken bij elke epoch.

Betekenis en Claims
Het artikel beweert dat WellPINN de eerste op PINN's gebaseerde werkstroom is die nauwkeurig vloeistofdruk kan afleiden uit pompraten gedurende de volledige injectieperiode, inclusief vroege tijdstippen, binnen een groot domein. De primaire betekenis ligt in:

• Overbruggen van de Multischaalgat: Het biedt een schaalbare oplossing voor het weergeven van putten waarbij de fysische straal meerdere grootteordes kleiner is dan het reservoirdomein, een uitdaging die door single-network PINN's met standaard tanh-activeringsfuncties niet kan worden opgelost.
• Potentieel voor Inverse Modellering: Door nauwkeurige afleiding van putdruk ($p_w$) op basis van stromingsraten ($q_w$) mogelijk te maken zonder te vertrouwen op dichte observatiegegevens, bevordert de werkstroom het potentieel van PINN's voor inverse modellering en history matching van pomputproeven.
• Methodologische Vooruitgang: De studie demonstreert dat domeindecompositie in combinatie met logaritmische tijdschaal en harde constraints noodzakelijk is voor een accurate putrepresentatie met behulp van PINN's met tanh-activeringsfuncties.

De auteurs merken op dat hoewel de huidige studie zich richt op een enkele put en homogene permeabiliteit, de werkstroom theoretisch uitbreidbaar is naar heterogene domeinen en multi-putconfiguraties, hoewel laatstgenoemde mogelijk verder onderzoek vereist naar rekenkundige efficiëntie en schaling van activeringsfuncties.