Состязательные сверточные нейронные сети в качестве эвристической модели процесса двухфазной фильтрации в пористой среде

  • Арсений Вячеславович Умановский Российский государственный университет нефти и газа (национальный исследовательский университет) имени И.М. Губкина
Ключевые слова: имитационное моделирование, пористая среда, гидродинамика, сверточные нейронные сети, состязательное обучение

Аннотация

Имитационное моделирование на основе обучающих данных - перспективный подход к созданию эвристических моделей сложных физических систем. Согласно этому подходу множество весов искусственной нейронной сети оптимизируется с целью непосредственного предсказания характеристик расчетных блоков, в виде которых представляется исследуемая система. Подход впервые применен к задаче моделирования двухфазного течения в пористой среде, а именно для определения насыщенностей двух несмешивающихся фаз при их фильтрации в пространственной области в произвольный момент времени. Проведен вычислительный эксперимент, заключающийся в обучении глубокой сверточной нейронной сети состязательным методом с использованием статистических оценок отклонения от эталонных численных решений, выступающего в качестве целевой функции. Рассмотрены сеть оригинальной архитектуры и процесс обучения, включающий нетривиальную последовательность обновления весов подсетей, в частности двух кодировщиков и одного декодировщика-генератора. В рамках методологии состязательного обучения также использована сеть-дискриминатор с целевой функцией, отражающей задачу, противоречащую целевым функциям основных подсетей. Результаты обучения искусственной нейронной сети выбранной конфигурации доказали ее способность успешно генерализировать закономерности, усвоенные из набора обучающих данных. Разработанная методика, предполагающая наличие двух основных целевых функций для оптимизации множества весов каждой из подсетей, позволила эвристической модели достичь результатов, сопоставимых с эталонным имитационным моделированием двухфазного течения на основе численных методов. Специфика задач нефтегазодобывающей индустрии - неизбежное возникновение неопределенностей в геологических и гидродинамических моделях пласта, делает актуальными изыскания в области эвристических методов гидродинамического моделирования. Скорость вывода данных при расчете по разработанной модели для сравнимых значений точности выше скорости традиционных решений на 2-3 порядка. Это позволяет говорить о применимости предлагаемого синтетического моделирования к задачам прогнозирования месторождений углеводородов и планирования их разработки.

Литература


  1. Ladicky L., Jeong S., Solenthaler B., Pollefeys M., Gross M. Data-driven fluid simulations using regression forests // ACM Transactions on Graphics. 2015. Vol. 34. 199. https://doi.org/10.1145/2816795.2818129

  2. Cosentino L. Integrated reservoir studies. New-York: Editions TECHNIP, 2001. 336 p.

  3. Krogstad S., Lie K., Møyner O., Nilsen H., Raynaud X., Skaflestad B. MRST-AD – an open-source framework for rapid prototyping and evaluation of reservoir simulation problems. Houston, USA: Society of Petroleum Engineers, 2015. 26 p. https://doi.org/10.2118/173317-MS

  4. Губайдуллин Р.Р., Репин Н.В., Юлдашев А.В. Опыт применения графических процессоров для решения разреженных систем линейных алгебраических уравнений в рамках задачи гидродинамического моделирования нефтегазовых месторождений // Вестник УГАТУ. 2015. Т. 19, № 4(70). C. 118-123.

  5. Васильев В.И., Васильева М.В., Никифоров Д.Я. Решение задач однофазной фильтрации методом конечных элементов на вычислительном кластере // Вестник СВФУ. 2016. № 6(56). C. 31-40.

  6. Васильева М.В., Васильев В.И., Тырылгин А.А. Консервативная разностная схема для задач фильтрации в трещиноватых средах // Математические заметки СВФУ. 2018. Т. 25, № 4. C. 84-101.

  7. Каневская Р.Д., Исакова Т.Г., Коробкин, С.В., Будкин К.Д., Маркова А.Ю., Любимова О.В., Рафиков Р.Я. Влияние переменной смачиваемости карбонатного пласта на распределение нефтенасыщенности // Нефтяное хозяйство. 2017. № 10. C. 22-27. https://doi.org/10.24887/0028-2448-2017-10-22-27

  8. Любимова Т.П., Зубова Н.А. Возникновение и нелинейные режимы конвекции трехкомпонентной смеси в прямоугольной области пористой среды с учетом эффекта Соре // Вычисл. мех. сплош. сред. 2019. Т. 12, № 3. C. 249-262. https://doi.org/10.7242/1999-6691/2019.12.3.21

  9. Циберкин К.Б. Двумерные течения в каналах ограниченной ширины, частично заполненных пористой средой // Вычисл. мех. сплош. сред. 2018. Т. 11, № 4. C. 438-447. https://doi.org/10.7242/1999-6691/2018.11.4.34

  10. Сираев Р.Р. Фильтрация жидкости в пористой среде Форцгеймера с пространственно неоднородными пористостью и проницаемостью // Вычисл. мех. сплош. сред. 2019. Т. 12, № 3. C. 281-292. https://doi.org/10.7242/1999-6691/2019.12.3.24

  11. Токарева М.А. О глобальной разрешимости задачи о движении вязкой жидкости в деформируемой вязкой пористой среде // Известия АлтГУ. 2020. № 1(111). C. 133-138. https://doi.org/10.14258/izvasu(2020)1-23

  12. Yang C., Yang X., Xiao X. Data-driven projection method in fluid simulation // Computer Animation and Virtual Worlds. 2016. Vol. 27. P. 415-424. https://doi.org/10.1002/cav.1695

  13. Tompson J., Schlachter K., Sprechmann P., Perlin K. Accelerating Eulerian fluid simulation with convolutional networks. https://arxiv.org/abs/1607.03597v6

  14. Wiewel S., Becher M., Thuerey N. Latent space physics: towards learning the temporal evolution of fluid flow // Computer Graphics Forum. 2019. Vol. 38. No. 2. P. 71-82. https://doi.org/10.1111/cgf.13620

  15. Xie Y., Franz E., Chu M., Thuerey N. tempoGAN: A temporally coherent, volumetric GAN for super-resolution fluid flow // ACM Transactions on Graphics. 2018. Vol. 37. 95. https://doi.org/10.1145/3197517.3201304

  16. Thuerey N., Weißenow K., Prantl L., Hu X. Deep learning methods for Reynolds-averaged Navier–Stokes simulations of airfoil flows // AIAA Journal. 2020. Vol. 58. P. 25-36. https://doi.org/10.2514/1.J058291

  17. Guo X., Li W., Iorio F. Convolutional neural networks for steady flow approximation // Proc. of the 22nd ACM SIGKDD International Conference on Knowledge Discovery and Data Mining. KDD’16, San Francisco, California, USA, August 13-17, 2016. P. 481-490. https://doi.org/10.1145/2939672.2939738

  18. Harrison G.H., Safar F. Harness oil and gas big data with analytics: optimize exploration and production with data-driven models. Wiley, 2019. 384 p.

  19. Chen H., Klie H., Wang Q. A black-box interpolation method to accelerate reservoir simulation solutions // Proc. of the SPE Reservoir Simulation Symposium. Woodlands, Texas, USA, February 18-20, 2013. SPE 163614. https://doi.org/10.2118/163614-MS

  20. Некрасов И.В., Жагфаров И.Ф., Должин М.В. Адаптация математической модели магистрального нефтепровода как процесс обучения нейронной сети // Транспорт и хранение нефтепродуктов и углеводородного сырья. 2018. № 4. C. 22-31. https://doi.org/10.24411/0131-4270-2018-10404

  21. Агафонов Е.Д., Ващенко Г.В. Имитационная эвристическая модель магистрального нефтепровода // Изв. ТулГУ. Технические науки. 2016. № 3. C. 195-203.

  22. Gorucu F.B., Ertekin T., Bromhal G., Smith D., Sams W., Jikich S. A neurosimulation tool for predicting performance in enhanced coalbed methane and CO2 sequestration projects // Proc. of the SPE Annual Technical Conference and Exhibition. Dallas, Texas, USA, October 9-12, 2005. SPE 97164. https://doi.org/10.2118/97164-MS

  23. Amini S., Mohaghegh S. Application of machine learning and artificial intelligence in proxy modeling for fluid flow in porous media // Fluids. 2019. Vol. 4. 126. https://doi.org/10.3390/fluids4030126

  24. Lie K.-A. An introduction to reservoir simulation using MATLAB/GNU Octave. Cambridge University Press: 2019. 660 p. https://doi.org/10.1017/9781108591416

  25. Kingma D.P., Ba J.L. Adam: a method for stochastic optimization. https://arxiv.org/abs/1412.6980

  26. Breen P.G., Foley C., Boekholt T., Zwart S. Newton vs the machine: solving the chaotic three-body problem using deep neural networks // Mon. Not. Roy. Astron. Soc. 2020. Vol. 494. P. 2465-2470. https://doi.org/10.1093/mnras/staa713

  27. He S., Li Y., Feng Y., Ho S., Ravanbakhsh S., Chen W., Póczos B. Learning to predict the cosmological structure formation // PNAS. 2019. Vol. 116, no. 28. P. 13825-13832. https://doi.org/10.1073/pnas.1821458116

  28. Csáji B. Approximation with artificial neural networks / MSc Dissertation. Budapest: Eötvös Loránd University, 2011. 45 p.

  29. Kasabov N.K. Kasabov N.K. Foundations of neural networks, fuzzy systems, and knowledge engineering // Choice Reviews Online. 1997. № 01 (35). C. 35-0330-35–0330. https://doi.org/10.5860/choice.35-0330

  30. Klie H. Unlocking fast reservoir predictions via nonintrusive reduced-order models // Proc. of the SPE Reservoir Simulation Symposium. Woodlands, Texas, USA, February 18-20, 2013. SPE 163584. https://doi.org/10.2118/163584-MS

  31. Alajmi M.N., Ertekin T. The development of an artificial neural network as a pressure transient analysis tool for applications in double-porosity reservoirs // Proc. of the Asia Pacific Oil and Gas Conference and Exhibition. Jakarta, Indonesia, 30 October-1 November, 2007. SPE 108604. https://doi.org/10.2118/108604-MS

  32. Shahkarami A., Mohaghegh S.D., Hajizadeh Y. Assisted history matching using pattern recognition technology // Int. J. Oil Gas Coal Tech. 2018. Vol. 17. P. 412-442. https://doi.org/10.1504/IJOGCT.2018.090966

  33. Klie M., Florez H. Data-driven modeling of fractured shale reservoirs // Proc. of the 16th European Conference on the Mathematics of Oil Recovery. ECMOR XVI, Barcelona, Spain, September 3-6, 2018. https://doi.org/10.3997/2214-4609.201802234

Опубликован
2020-06-30
Как цитировать
Умановский, А. В. (2020). Состязательные сверточные нейронные сети в качестве эвристической модели процесса двухфазной фильтрации в пористой среде. Вычислительная механика сплошных сред, 13(2), 231-241. https://doi.org/https://doi.org/10.7242/1999-6691/2020.13.2.18
Раздел
Статьи