Neues differenziertes Multiphase-Flussmodell verbessert Reservoirdruckkontrolle

Die präzise Kontrolle des Untergrunddrucks in Erdöl- und Erdgasreserven bleibt eine enorme Herausforderung. Geologische Heterogenität und die komplexen Dynamiken multiphasiger Fluidströmungen erfordern hochauflösende physikbasierte Simulationen, die jedoch extrem rechenintensiv sind. Um die notwendige Vielzahl an Simulationen handhabbar zu machen, wurde ein neues, physikinformiertes Machine‑Learning‑Workflow entwickelt.

Im Kern steht ein vollständig differenzierbarer Multiphase‑Flow‑Simulator, der im DPFEHM‑Framework implementiert ist, der mit einem Convolutional Neural Network (CNN) gekoppelt wird. Das CNN lernt, aus heterogenen Permeabilitätsfeldern die Ausfuhrraten von Fluiden vorherzusagen, sodass Druckgrenzen an kritischen Reservoirstellen eingehalten werden können. Durch die Einbindung der transienten Multiphase‑Physik in den Trainingsprozess werden realistische Injektions‑ und Extraktionsszenarien deutlich genauer abgebildet als bei bisherigen Ansätzen.

Um die Trainingszeit drastisch zu verkürzen, wird das Modell zunächst mit einfachen, einphasigen, stationären Simulationen vortrainiert und anschließend auf vollwertige Multiphase‑Szenarien feinjustiert. Diese Strategie reduziert die benötigte Rechenleistung erheblich und ermöglicht eine hochpräzise Schulung mit weniger als drei Tausend vollständigen Physik‑Simulationen – ein drastischer Rückgang im Vergleich zu den zuvor geschätzten zehn Millionen.

Durch den gezielten Einsatz von Transfer‑Learning aus kostengünstigen einphasigen Simulationen eröffnet dieses Verfahren einen vielversprechenden Weg, um in der Praxis effiziente und zuverlässige Druckmanagement‑Lösungen für komplexe Reservoirs bereitzustellen. Es kombiniert die Genauigkeit physikbasierter Modelle mit der Skalierbarkeit moderner Machine‑Learning‑Techniken und stellt damit einen bedeutenden Fortschritt im Reservoir‑Engineering dar.