Neural Differential Equations based Reduced Order Model for Fast and Scalable Reservoir Simulation

Data Fest Online 2020 Manufacturing, Energy, and Logistics track Павел Темирчев, Младший научный сотрудник и аспирант в Сколетехе, R&D инженер в Digital Petroleum Гидродинамическое моделирование является одним из ключевых этапов разработки нефтяного месторождения. Данный этап позволяет рассчитать характеристики газа-водо-нефтяного потока в недрах месторождения, что в свою очередь используется для поиска оптимальной стратегии разработки залежи. Классически, гидродинамическое моделирование сводится к численному решению системы дифференциальных уравнений многофазной фильтрации в пористой среде методом конечных разностей. Имея гарантии на точность решения, конечно-разностное моделирование является вычислительно сложным для больших месторождений и не позволяет проводить оптимизацию разработки с помощью многовариантных расчетов. В своей работе мы предлагаем приближенный нейросетевой метод гидродинамического моделирования, основанный на снижении размерности моделируемого пространства. Начальное состояние залежи и применяемый контроль на скважинах подаются в нейронную сеть, переводящую их в т.н. скрытое состояние, где решается обучаемое нейросетевое дифференциальное уравнение. Решения ДУ переводятся в исходное пространство еще одним нейросетевым модулем. Нейронная сеть обучается на множестве гидродинамических моделей реальных и синтетических залежей, используя решения точного конечно-разностного симулятора как целевые. Наш подход демонстрирует ускорение расчета в, примерно, 200 раз, по сравнению с конечно-разностной моделью tNavigator, при сравнительно небольшом снижении качества прогноза. Посмотреть эфир и список треков и организаторов Зарегистрироваться на фест и получить доступ к трекам Вступить в сообщество Соцсети Data Fest: