A Novel A.I Enhanced Reservoir Characterization with a Combined Mixture of Experts -- NVIDIA Modulus based Physics Informed Neural Operator Forward Model

我们开发了一种高级的油藏表征工作流，通过一种新颖的方法有效地解决了油藏历史匹配的挑战。该方法将物理信息神经算子（PINO）作为前向模型集成在复杂的集群分类回归（CCR）框架中。该过程通过自适应正则化集合卡尔曼反演（aREKI）进行优化，以实现油藏历史匹配的快速不确定性量化。这种创新的工作流对未知渗透率和孔隙度场进行参数化，利用变分卷积自编码器和CCR等技术捕捉非高斯后验度量。CCR作为外部先验和监督模型，与PINO代理协同作用，准确模拟Peaceman井方程的非线性动态。CCR方法允许在其各个阶段应用不同的机器学习算法，从而具有灵活性。PINO油藏代理的更新由监督数据、初始条件和黑油PDE的残差导出的损失函数驱动。我们的集成模型称为PINO-Res-Sim，输出关键参数，包括油、水和气的压力、饱和度和产量。通过对合成油藏和Norne油田进行控制实验，该方法在与传统模拟器的验证中表现出了显著的准确性。此外，在aREKI工作流中，PINO-Res-Sim能够高效地恢复未知场，计算速度比传统方法快100到6000倍。PINO-Res-Sim的学习阶段在NVIDIA H100上进行，效率令人印象深刻，适用于复杂计算任务的集合方法。

论文旨在通过一种新的方法解决油藏历史匹配的挑战，该方法将物理知识神经算子（PINO）作为前向模型集成到复杂的集群分类回归（CCR）框架中，并通过自适应正则化集合卡尔曼反演（aREKI）进行优化，以快速量化油藏历史匹配的不确定性。

该论文的关键思路是将PINO作为前向模型与CCR框架集成，通过aREKI进行优化，以快速准确地模拟Peaceman井方程的非线性动态，并输出关键参数。

论文的实验结果表明，PINO-Res-Sim在合成油藏和Norne油田上的控制实验中表现出了显着的准确性。此外，PINO-Res-Sim在aREKI工作流中有效地恢复了未知场，计算速度比传统方法快100到6000倍。该论文的亮点还包括使用了变分卷积自动编码器和CCR等技术来捕捉非高斯后验度量，并且实验结果也非常高效。

最近在这个领域中，还有一些相关的研究，例如“Deep Learning for Reservoir Characterization: A Comparative Study of Autoencoder and Convolutional Neural Network”和“Physics-informed Machine Learning for Porous Media Applications: A Review of Advancements and Opportunities”。