Обратный инжиниринг гидравлических корреляций с помощью физически информированных нейронных сетей

Аннотация: В условиях активного импортозамещения и развития технологий нефтегазовой промышленности критически важно использовать современные методы для моделирования процессов добычи нефти. Гидравлические корреляции являются важной частью инженерных расчетов, но их точность и применимость ограничены исходными данными и приближениями. Для улучшения моделей предложено использовать физически информированные нейронные сети (PINN), которые объединяют нейронные сети и физические уравнения. Метод основан на минимизации функции потерь, включающей три компонента: соответствие физическим уравнениям, граничным условиям и исходным данным. Обучение PINN проводится на массиве данных результатов расчета коммерческих корреляций, где физической составляющей является уравнение градиента давления. Входные параметры включают PVT-свойства, дебит, степень обводненности, газовый фактор, диаметр трубы, угол и шероховатость. Выходные параметры - доля жидкости в потоке и коэффициент трения. Обучение модели проводится на фиксированной длине трубы. Также используется подход, где нейронная сеть применяется как коэффициент адаптации в сочетании с классическими гидравлическими корреляциями, такими как Duns & Ros, Hagedorn-Brown и BeggsBrill. Для каждого режима течения была создана отдельная модель, отвечающая за классификацию режимов течения. Специализированный слой адаптирует модель к конкретным данным с месторождения. Результаты обучения показывают высокую точность модели, с погрешностью менее 0.05% в 99% расчетов. Предложенный подход демонстрирует способность адаптироваться к различным условиям и является мощным инструментом для инженеров нефтегазовой промышленности.