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

Este artigo apresenta o WellPINN, um fluxo de trabalho inovador que utiliza redes neurais informadas por física treinadas sequencialmente em subdomínios encolhentes para modelar com precisão a difusão de pressão de fluidos ao redor de poços durante todo o período de injeção, superando limitações anteriores na captura da dinâmica de pressão em estágios iniciais.

O essencial

O Grande Problema: O Poço "Pixelado"

Imagine que você está tentando desenhar um mapa da pressão da água em um aquífero subterrâneo gigante (como uma esponja massiva). No meio dessa esponja, há um poço minúsculo onde a água está sendo bombeada para fora.

O problema é que o poço é minúsculo (cerca da largura de um lápis), mas o aquífero é gigante (do tamanho de um campo de futebol).

Se você tentar desenhar esse mapa usando modelos computacionais padrão (ou até mesmo IA padrão), o computador fica confuso. É como tentar desenhar um único pixel nítido em uma tela gigante. A IA tenta suavizar as coisas porque prefere linhas suaves, mas a pressão logo ao lado do poço muda muito abruptamente. Modelos padrão de IA frequentemente "borram" essa mudança abrupta, fazendo com que a pressão pareça muito baixa ou ignorando as mudanças rápidas que ocorrem exatamente quando o bombeamento começa. É como tentar ver um pico de montanha nítido através de uma janela embaçada.

A Solução: WellPINN (A Estratégia de "Zoom")

Os autores criaram um novo método chamado WellPINN. Em vez de tentar desenhar todo o mapa perfeitamente de uma só vez, eles usam uma estratégia de "zoom".

Pense nisso como tirar uma série de fotografias para capturar uma paisagem:

1. Foto 1 (A Foto Geral): Você tira uma foto de todo o aquífero. Você consegue ver a forma geral das colinas e vales (a pressão longe do poço), mas o poço minúsculo no centro parece um borrão.
2. Foto 2 (O Zoom Médio): Você dá zoom na área onde está o poço. Você tira uma nova foto apenas dessa área menor. Agora você consegue ver o poço melhor, mas o centro ainda está um pouco embaçado.
3. Foto 3 (O Close-up): Você dá zoom uma última vez, focando apenas na área imediata ao redor do poço. Agora você consegue ver os detalhes nítidos do poço perfeitamente.

O WellPINN faz isso matematicamente. Ele treina três modelos de IA separados em sequência:

• O primeiro modelo aprende o panorama geral.
• O segundo modelo aprende o plano intermediário, usando a resposta do primeiro modelo como ponto de partida.
• O terceiro modelo aprende a área minúscula logo ao redor do poço, usando a resposta do segundo modelo.

Finalmente, ele costura essas três "fotos" em um único mapa perfeito e de alta definição, que é preciso desde a borda do aquífero até o centro do poço.

Os Ingredientes Secretos

Para fazer isso funcionar, os autores tiveram que ajustar duas coisas em sua receita de IA:

1. A "Lente de Tempo" (Escala Logarítmica):
   Quando a água começa a ser bombeada, a pressão muda incrivelmente rápido nos primeiros segundos e depois desacelera. A IA padrão olha para o tempo como uma régua com marcas iguais (1 segundo, 2 segundos, 3 segundos). Isso ignora a ação rápida no início.
   Os autores mudaram a "régua" para uma escala logarítmica. Imagine uma régua onde o primeiro centímetro é enorme (para ver as mudanças rápidas) e os centímetros subsequentes ficam cada vez menores. Isso permite que a IA preste atenção extra aos momentos críticos iniciais do bombeamento.

2. A "Cerca Rígida" (Restrições Rígidas):
   Geralmente, a IA adivinha onde estão os limites. Os autores construíram uma "cerca rígida" dentro da matemática. Isso força a IA a saber exatamente onde está a borda do aquífero e que a pressão deve ser zero ali. É como dizer à IA: "Você não pode desenhar fora dessas linhas", o que impede que o modelo fique confuso nas bordas.

O Que Eles Encontraram

A equipe testou isso em uma simulação computacional de um aquífero quadrado de 100 metros com um poço de 10 centímetros.

• Método Antigo: A IA ignorou as mudanças de pressão logo ao lado do poço e errou o tempo inicial.
• WellPINN: A IA previu com sucesso a pressão no poço com alta precisão, capturando tanto as mudanças rápidas no início quanto o estado estacionário posterior.

Eles descobriram que, para que esse método de "zoom" funcione melhor, cada área ampliada deve ter cerca de 17% do tamanho da área anterior. Se o zoom for muito agressivo, a IA fica confusa novamente; se for muito suave, ela não chega perto o suficiente do poço.

A Conclusão

Este artigo apresenta uma nova maneira de usar IA para modelagem de fluidos subterrâneos. Ao dividir o problema em etapas menores e gerenciáveis (como dar zoom com uma câmera) e ajustar como o tempo é medido, eles resolveram um problema de longa data: tornar os modelos de IA precisos o suficiente para ver os detalhes minúsculos e nítidos de um poço dentro de um aquífero subterrâneo massivo. Este é um grande passo à frente para simular como os aquíferos se comportam durante operações do mundo real.

Resumo técnico

Resumo Técnico: WellPINN

Enunciado do Problema
A representação precisa de poços é crítica para a caracterização confiável de reservatórios e a simulação de cenários operacionais em modelos de fluxo subsuperficial. Embora as Redes Neurais Informadas pela Física (PINNs) ofereçam uma abordagem híbrida promissora ao integrar dados de monitoramento com equações físicas governantes, estudos existentes baseados em PINNs lutam para capturar campos de pressão de fluido próximos a poços, particularmente durante os estágios iniciais de injeção. Essa limitação surge porque soluções analíticas tratam poços como singularidades (fontes pontuais), enquanto Redes Neurais Artificiais (ANNs) performam melhor em variáveis suaves, contínuas e com escalas similares. Tentativas anteriores de resolver isso usando "funções de poço equivalentes" (por exemplo, funções Gaussianas, Lorentz ou por partes) tipicamente requerem um raio de poço equivalente grande (frequentemente $\ge$ 10% do tamanho do domínio) para alcançar convergência estável. Embora suficientes para previsões de campo distante em tempos tardios de injeção, essas abordagens subestimam significativamente a pressão do poço ($p_w$) em até 30% durante a injeção tardia e falham completamente em capturar a difusão de tempo inicial. Essa deficiência compromete a confiabilidade das PINNs para ajuste histórico baseado em vazões ($q_w$).

Metodologia: O Fluxo de Trabalho WellPINN
Para abordar o desafio multiescala de representar um poço na escala de centímetros dentro de um domínio na escala de reservatório (abrangendo três ordens de grandeza), os autores propõem o WellPINN, um fluxo de trabalho de treinamento sequencial que combina múltiplos modelos PINN. A metodologia envolve os seguintes componentes-chave:

1. Decomposição de Domínio e Treinamento Sequencial: O domínio de modelagem é decomposto em subdomínios aninhados. O fluxo de trabalho começa treinando uma PINN ($D_1$) em todo o domínio para capturar a pressão de campo distante. PINNs subsequentes ($D_2, D_3, \dots$) são treinadas em subdomínios progressivamente menores centrados no poço. O tamanho de cada novo subdomínio é definido pelo raio de poço equivalente ($\bar{r}_{weq}$) do modelo treinado anteriormente.
2. Redução Iterativa do Raio: O raio de poço equivalente é reduzido passo a passo ($\bar{r}_{weq, D} = b \cdot \bar{x}_{max, D}$) até que corresponda ao raio físico do poço. Isso permite que a rede refine progressivamente a solução próxima ao poço sem exigir que uma única rede resolva gradientes íngremes em todo o domínio simultaneamente.
3. Restrições Rígidas e Solução Composta: Para garantir continuidade e adesão estrita às condições de contorno, os autores empregam uma abordagem de restrição rígida. Uma função de pressão composta $\hat{p}_c$ é construída somando as saídas das PINNs treinadas, cada uma ponderada por um fator $\epsilon_n$ e multiplicada por uma função de distância aproximada por partes $\tau_n$. Essa função $\tau$ garante que a solução seja zero nas fronteiras do domínio e no tempo inicial.
4. Função de Perda e Otimização: O treinamento utiliza um único termo de perda baseado no resíduo da equação diferencial parcial (EDP) governante adimensional. Para evitar acumular sobrecarga computacional, os resíduos de etapas anteriores de treinamento são pré-calculados e adicionados como termos fixos à função de perda da etapa atual. O treinamento usa o otimizador Adam seguido por L-BFGS.
5. Escalonamento de Entrada: A variável de tempo de entrada é escalada logaritmicamente para levar em conta a não linearidade de tempo inicial na difusão de pressão, uma técnica notada como inovadora para representação de poços em PINNs.

Principais Resultados
O fluxo de trabalho foi validado em um estudo de caso sintético 2D envolvendo um único poço de injeção ($r = 10$ cm) em um domínio de $100 \text{ m} \times 100 \text{ m}$ com permeabilidade homogênea.

• Precisão: O treinamento sequencial reduziu com sucesso o erro absoluto máximo ($AE_{max}$) próximo ao poço de 0,53 no modelo inicial de todo o domínio ($D_1$) para 0,11 no modelo final ($D_3$).
• Resolução Temporal: Diferentemente de métodos anteriores, o WellPINN capturou com precisão a evolução da pressão durante todo o período de injeção, incluindo a fase crítica de difusão de tempo inicial.
• Otimização de Parâmetros: Um estudo de parâmetros identificou uma razão ótima $b$ (raio de poço equivalente para tamanho do subdomínio) entre 0,1 e 0,17. Os autores selecionaram $b = 0,17$, o que permitiu que três subdomínios resolvessem efetivamente o poço.
• Eficiência Computacional: Ao isolar termos da EDP para cada etapa, o método manteve tempos de treinamento consistentes e evitou o custo computacional de avaliar todas as redes em cada época.

Significado e Alegações
O artigo afirma que o WellPINN é o primeiro fluxo de trabalho baseado em PINN capaz de inferir com precisão a pressão de fluido a partir de vazões de bombeamento durante todo o período de injeção, incluindo tempos iniciais, dentro de um grande domínio. Seu significado primário reside em:

• Ponte da Lacuna Multiescala: Fornece uma solução escalável para representar poços onde o raio físico é ordens de grandeza menor que o domínio do reservatório, um desafio que PINNs de rede única com funções de ativação tanh padrão não conseguem resolver.
• Potencial de Modelagem Inversa: Ao permitir a inferência precisa da pressão do poço ($p_w$) baseada em vazões ($q_w$) sem depender de dados de observação densos, o fluxo de trabalho avança o potencial das PINNs para modelagem inversa e ajuste histórico de testes de poços de bombeamento.
• Avance Metodológico: O estudo demonstra que a decomposição de domínio combinada com escalonamento logarítmico de tempo e restrições rígidas é necessária para representação precisa de poços usando PINNs com funções de ativação tanh.

Os autores observam que, embora o estudo atual foque em um único poço e permeabilidade homogênea, o fluxo de trabalho é teoricamente extensível a domínios heterogêneos e configurações de múltiplos poços, embora estes últimos possam exigir investigação adicional sobre eficiência computacional e escalonamento de função de ativação.