能源勘探中固有的风险和不确定性包括未知的地质参数、流体和岩石属性的变化、边界条件和噪声观测数据。严格校准关键油藏工程任务和现场优化的不确定性需要运行大量前向模拟。用例包括历史记录匹配、概率预测和反向问题。当与包含数十万或数百万个主动网格单元的高保真模型结合使用时，高性能计算 (HPC) 模拟器需要大量计算资源。
传统上，代理或代理模型用于应对这些挑战，因为它们能够快速评估场景。许多现有的代理生成方法都针对特定场景，无法推广到不同的问题。另一方面，全场代理模型在空间和时间上直接近似地求解油藏的主要或状态变量，类似于全物理数值模拟器。
因此，可以将这些代理替换为完整的模拟器，并可用于应对各种挑战。由于高计算要求和算法挑战，为 3D 油藏生成全场代理仍然是一项挑战。然而，生成完整字段代理的可行方法是结合使用先进的 ML 技术 (例如神经运算符、Neural Operators)、高性能全物理油藏模拟器和现代 GPU (例如 NVIDIA A100、H100 和 H200 GPU)。
Stone Ridge Technology (SRT) 开发了一个高度可扩展的框架 ，通过在 AWS 上集成其油藏模拟器 ECHELON 与 NVIDIA Modulus 来生成全场代理模型。 NVIDIA Modulus 是一个开源框架，用于构建、训练和微调 Physics-ML 模型 ，通过 Python 接口生成全场代理。与全物理数值解相比，这些全场代理模型的速度比前向模拟快 10 倍至 100 倍，同时可提供相当准确的结果。这种将 NVIDIA Modulus 和 ECHELON 相结合的通用框架可用于解决现有挑战，例如不确定性量化和许多场优化问题。它们还可用于生成新的工程工作流，而这在其他情况下是不可能实现的。
ECHELON 会生成构建 ML 模型所需的大量训练、测试和验证数据。生成的数据存储在可扩展的对象存储 Amazon S3 上，以便快速轻松地进行检索。然后，代理模型可用于比前向模拟快几个数量级的解推理。整个工作流程的示意图如图 1 所示。
使用 NVIDIA Modulus 生成基于神经运算符的代理
Stone Ridge Technology 使用 Fourier 神经算子 (FNO) 模型，在 AWS 上使用 NVIDIA Modulus 生成时空油藏代理。图 2 概述了 FNO 网络。有关该方法的详细信息，请参阅“Neural Operator: Learning Maps Between Function Spaces”和 NVIDIA Modulus GitHub 存储库。
在 AWS Cloud 上实施
油藏模拟工作流在 AWS 上实施，可提供灵活的按需计算资源，并能够处理大量数据。图 3 概述了 AWS 架构。
基于神经运算符的代理的结果
SRT 创建的以下示例展示了基于神经运算符的代理。
用于优化井位的代理模型
第一个示例展示的是具有固定但空间异构地质特性 (例如孔隙率和渗透率) 的油藏中的井位优化场景。有四口生产商井和一口注水井。
通过改变喷油器和生产商的位置来生成训练样本，其中绘制了井位的四个随机样本 (图 4)。总共有 500 个样本用于训练、测试和验证。
将用于水饱和度 3D 演变的基于 Modulus 的 FNO 代理解决方案与前向模拟器 ECHELON 的真值解决方案进行比较。FNO 很好地捕捉了水滨传播的复杂拓扑细节。图 5 显示了高度异构渗透场不同井位场景下不同归一化时间下水前端传播的 FNO 预测值 (“Modulus”) 与真值 (“ECHELON”) 的比较。右侧的图表显示了 FNO 与真值模拟之间的现场平均压力、水和油饱和度比较。
具有地质不确定性的代理模型
第二个示例是具有高度复杂地质学和断层的真实场模型。为这项研究选择的油藏模型基于 挪威海 Norne 生产区的真实地下模型 。网格是一个有缺陷的角点网格，具有异构和各向异性渗透性。油藏网格的大小为 46 x 112 x 22。该模型总共由 35 口井组成，其中包括 9 个注水器、4 个注气器和 22 个生产商 (图 6)。
这 22 口生产井的油气和水流量可通过固定的井底压力进行测量。这 9 口注水井具有可测量的井底压力 (BHP)，由固定的注水速率控制。总共模拟了 3,298 天。当地质属性 (例如孔隙率、渗透率和断层透射率乘数) 存在不确定性时，我们考虑全场代理是指固定的井位。
训练和测试数据使用 Norne 模型的 500 个实现生成，其中包括孔隙率、岩石渗透率和断层透射性乘数的变化。图 7 显示训练数据中的两个随机样本，其中描述了渗透率和孔隙率场的变化。
图 8 和 9 比较了 Modulus FNO 解决方案和 ECHELON 之间的解变量、压力和水饱和度的时间演变，以便随机选择实现。SRT 在压力场和饱和场的结果上有很强的一致性，解决方案中的误差很小。
结束语
Stone Ridge Technology 开发了一种将 ECHELON 油藏模拟器与 NVIDIA Modulus 相结合的工作流。全物理模拟器可作为使用 ML 框架开发的代理模型的验证器和数据生成器。全场代理模型的速度比前向模拟快一个数量级，同时提供合理准确的结果，为快速评估场景铺平道路。这种将 NVIDIA Modulus 和 ECHELON 相结合的通用框架可用于解决不确定性量化和许多场优化问题等现有挑战。
该框架为重要的地下应用 (例如不确定性量化和现场开发优化) 提供了前景广阔的支柱，并具有增强的性能和较高的准确性。
详细了解如何借助 Stone Ridge Technology 和 AWS 构建 和 部署生成 式 AI 油藏模拟助手。
探索如何借助 AI、高性能计算 (HPC) 和 可视化加速地下工作负载 。
