«Оборудование и технологии для нефтегазового комплекса»

Использование нейронных сетей в гидродинамическом моделировании подземных хранилищ газа

УДК: 622.691.4:004.896
DOI: -

Авторы:

¹ Московский государственный университет имени М.В. Ломоносова, Москва, Россия
² РГУ нефти и газа (НИУ) имени И.М. Губкина, Москва, Россия
³ Институт проблем нефти и газа РАН, Москва, Россия

Ключевые слова: нейронная сеть, подземное хранение газа, гидродинамические и геологические модели

Аннотация:

В статье описаны геологические и технологические критерии выбора пласта коллектора для хранения газа. Проведен детальный анализ применения различных нейронных сетей в гидродинамическом моделировании подземных хранилищ газа. Авторы исследуют возможности использования нейронных сетей для улучшения точности и эффективности моделирования процессов, связанных с хранением газа в подземных образованиях. В статье рассматриваются основные принципы работы нейронных сетей, их применение в гидродинамике. Результаты исследования могут быть полезны для развития более точных и надежных моделей подземных хранилищ газа.

Список литературы:

1. Мо Цзяли, Михайлов Н.Н. Динамический анализ разработки нефтяных месторождений на основе искусственной нейронной сети обратного распространения ошибки // Нефтепромысловое дело. – 2023. – № 5(653). – С. 13–20. – DOI: 10.33285/0207-2351-2023-5(653)-13-20
2. Doughty C. Investigation of CO2 Plume Behavior for a Large-Scale Pilot Test of Geologic Carbon Storage in a Saline Formation // Transport in Porous Media. – 2010. – Vol. 82, Issue 1. – P. 49–76. – DOI: 10.1007/s11242-009-9396-z
3. Gege Wen, Benson S.M. CO2 plume migration and dissolution in layered reservoirs // Int. J. of Greenhouse Gas Control. – 2019. – Vol. 87. – P. 66–79. – DOI: 10.1016/j.ijggc.2019.05.012
4. Еремян Г.А., Рукавишников В.С. Критерии качества автоматизированной адаптации геолого-гидродинамической модели месторождения углеводородов // Экспозиция Нефть Газ. – 2020. – № 6(79). – С. 76–79.
5. Yinhao Zhu, Zabaras N. Bayesian Deep Convolutional Encoder-Decoder Networks for Surrogate Modeling and Uncertainty Quantification // J. of Computational Physics. – 2018. – Vol. 366. – P. 415–447. – DOI: 10.1016/j.jcp.2018.04.018
6. Deep Convolutional Encoder-Decoder Networks for Uncertainty Quantification of Dynamic Multiphase Flow in Heterogeneous Media / Shaoxing Mo, Yinhao Zhu, N. Zabaras [et al.] // Water Resources Research. – 2019. – Vol. 55, Issue 1. – P. 703–728. – DOI: 10.1029/2018WR023528
7. Zhi Zhong, Sun A.Y., Hoonyoung Jeong. Predicting CO2 Plume Migration in Heterogeneous Formations Using Conditional Deep Convolutional Generative Adversarial Network // Water Resources Research. – 2019. – Vol 55, Issue 7. – P. 5830–5851. – DOI: 10.1029/2018WR024592
8. Gege Wen, Meng Tang, Benson S.M. Towards a predictor for CO2 plume migration using deep neural networks // Int. J. of Greenhouse Gas Control. – 2021. – Vol. 105. – P. 103223. – DOI: 10.1016/j.ijggc.2020.103223
9. Gege Wen, Hay C., Benson S.M. CCSnet: A deep learning modeling suite for CO2 storage // Advances in Water Resources. – 2021. – Vol. 155. – P. 104009. – DOI: 10.1016/j.advwatres.2021.104009
10. Zhihao Jiang, Tahmasebi P., Zhiqiang Mao. Deep Residual U-net Convolution Neural Networks with Autoregressive Strategy for Fluid Flow Predictions in Large-scale Geosystems // Advances in Water Resources. – 2021. – Vol. 150. – P. 103878. – DOI: 10.1016/j.advwatres.2021.103878
11. Raissi M., Perdikaris P., Karniadakis G.E. Physics-Informed Neural Networks: A Deep Learning Framework for Solving Forward and Inverse Problems Involving Nonlinear Partial Differential Equations // J. of Computational Physics. – 2019. – Vol. 378. – P. 686–707. – DOI: 10.1016/j.jcp.2018.10.045
12. Lu Lu, Pengzhan Jin, Karniadakis G.E. DeepONet: Learning nonlinear operators for identifying differential equations based on the universal approximation theorem of operators. – 2019. – 22 p. – DOI: 10.48550/arXiv.1910.03193
13. Multipole Graph Neural Operator for Parametric Partial Differential Equations / Zongyi Li, N. Kovachki, K. Azizzadenesheli [et al.]. – 2020. – 17 p. – DOI: 10.48550/arXiv.2006.09535
14. Neural Operator: Graph Kernel Network for Partial Differential Equations / Zongyi Li, N. Kovachki, K. Azizzadenesheli [et al.]. – 2020. – 21 p. – URL: https://arxiv.org/pdf/2003.03485
15. Fourier Neural Operator for Parametric Partial Differential Equations / Zongyi Li, N. Kovachki, K. Azizzadenesheli [et al.]. – 2020. – 16 p. – DOI: 10.48550/arXiv.2010.08895
16. U-FNO – an enhanced Fourier neural operator-based deep-learning model for multiphase flow / Gege Wen, Zongyi Li, K. Azizzadenesheli [et al.]. – 2022. – 37 p. – DOI: 10.48550/arXiv.2109.03697
17. Pruess K., Oldenburg C.M., Moridis G. Tough 2 User's Guide: Version 2. – Berkeley, CA, United States: Lawrence Berkeley National Laboratory, 1999. – XII, 198 p.