Графовые нейронные сети для прокси-моделирования гидродинамики пласта

Abstract

Основной задачей гидродинамического моделирования пласта является предсказание показателей работы добывающих скважин в будущем, точнее, зависимости этих показателей от выбора тех или иных воздействий на пласт, от плана разработки месторождения. Решение данной задачи затрудняется недостатком точных сведений о свойствах пласта, заключение о которых приходится так или иначе делать из косвенных данных, прежде всего из исторических показателей уже функционирующих скважин. Эта информация используется для адаптации численной модели пласта, или прокси-моделей, менее информативных, но имеющих преимущества скорости и гибкости. В статье предлагается метод прокси-моделирования пласта, основанный на использовании специфической искусственной нейронной сети (ИНС). Особенность предложенного метода – инновационная графовая сверточная архитектура ИНС, принимающая входные данные в формате графа, вершинам и ребрам которого сопоставлены известные характеристики пласта наряду с историей функционирования скважин. Такая архитектура делает возможным обучение ИНС не для одного конкретного случая, но для целого класса ситуаций. В соответствии с принципами развивающегося направления нейросетевых моделей физических процессов (Physics-Informed Neural Networks, PINN), задачей ИНС является вывод не просто корреляции между зависимыми величинами, но более общего физического закона, обуславливающего такие корреляции в различных случаях. Преимуществами такого подхода перед большинством применяемых сегодня прокси-моделей, основанных на ИНС, являются, во-первых, скорость: адаптация к историческим данным и вывод прогноза не требуют трудоемкого обучения, и даже для сотен скважин осуществляются за секунды; во-вторых, определенная степень физической содержательности.

The primary goal of hydrodynamic reservoir modeling is to predict the production wells performance, or more precisely, the dependence of this performance on the choice of the reservoir development plan. The achievement of this goal is hampered by the lack of accurate information about the properties of the reservoir. These properties have to be inferred from indirect data, first of all from the historical indicators of already functioning wells. This information is used to perform the adaptation of the numerical reservoir model or proxy models, which are less informative but have the advantage of speed and flexibility. The article proposes a reservoir proxy modeling method based on the use of a specific artificial neural network (ANN). The novel graph convolutional architecture of the ANN takes in the graph data describing the reservoir. The edges and vertices of the graph contain a spatial description of the reservoir along with the history of the well performance. Such architecture makes it possible to train the neural network for a whole class of situations instead of only one case. In accordance with the principles of the Physics-Informed Neural Networks (PINN), the task of the ANN is to derive a kind of formulation of a physical law guiding the system, rather than just a correlation between time series. The advantages of this approach over most ANN based proxy models used today are, firstly, speed: adjustment to historical data and forecast output are made in seconds even for hundreds of wells; secondly, a certain degree of physical meaningfulness.