Neural Operator-Based Proxy for Reservoir Simulations Considering Varying Well Settings, Locations, and Permeability Fields

在多孔介质中模拟达西流是理解烃类和碳储存储层中流体未来流动行为的基础。储层的地质模型通常伴随着高度不确定性，导致需要进行许多数值模拟来进行历史拟合和生产优化。通过使用模拟数据训练的机器学习模型可以提供传统模拟器的更快替代方法。本文提出了一种单一傅里叶神经算子（FNO）代理模型，它通过能够预测不同渗透率场、井位、井控和井数的压力和饱和度，优于传统储层模拟器。95\%的压力和饱和度预测的最大平均相对误差小于5\%。这是通过采用一种简单但非常有效的数据增强技术实现的，该技术减少了75\%的数据集大小并减少了过拟合。此外，以二进制方式构建输入张量可以预测未见过的井位、井控和井数。这种模型可以将历史拟合和储层表征程序的加速度提高数个数量级。预测新的井位、井控和井数的能力可以实现高效的储层管理和优化。

本论文旨在通过机器学习模型加速历史匹配和油藏表征过程，提出了一种能够在变化渗透率场、井位置、井控制和井数量方面进行预测的傅里叶神经算子（FNO）代理，以解决油藏模型存在的不确定性问题。

该论文的关键思路是使用FNO代理模型进行预测，通过简单而有效的数据增强技术减少数据集大小并减少过拟合，以及使用二进制方式构建输入张量，从而实现对未见过的井位置、井控制和井数量的预测。

该模型在预测压力和饱和度方面的最大平均相对误差小于5％，能够在新的井位置、井控制和井数量上进行预测，从而实现高效的油藏管理和优化。该论文的实验使用了数据集，展示了该模型的高效性和准确性，并提供了开源代码。

最近的相关研究包括使用深度学习模型进行油藏预测的研究，如“Deep Reservoir Intelligence: A Hybrid Deep Learning Framework for Reservoir Characterization and Performance Prediction”和“Deep Learning for Reservoir Characterization: A Comparative Study”等。