«Оборудование и технологии для нефтегазового комплекса»

Применение нейронной сети U-FNO в совокупности с рекуррентными нейронными сетями в гидродинамическом моделировании подземных хранилищ газа

УДК: 004.8+004.94:622.691.4
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: подземные хранилища газа, рекуррентные нейронные сети, нейронная сеть U-FNO, гидродинамическое моделирование, геологическое моделирование, архитектура нейронной сети

Аннотация:

Применение нейронных сетей в гидродинамическом моделировании представляет собой перспективный подход, который может улучшить точность и скорость прогнозирования физических процессов, связанных с хранением газа в подземных хранилищах газа (ПХГ). В статье изучается возможность применения нейронной сети U-FNO в гидродинамических моделях ПХГ, предлагаются методы улучшения архитектуры этой нейронной сети. В частности, рассматривается возможность улучшения алгоритма attention, который используется для подбора максимального количества компонент преобразования Фурье kmax. Предлагается использовать слой attention, который будет обладать обучаемыми матрицами и выучивать веса для отдельных мод. Отдельно рассматривается пространство “времени” в гидродинамических моделях, исследуются возможности применения рекуррентных нейронных сетей, которые отлично справляются с обработкой временных рядов. Для реализации рекуррентной нейронной сети в исследовании была решена синтетическая задача, схожая с процессами закачки-отбора в ПХГ. Данная синтетическая задача поможет подготовить архитектуру нейронной сети для проведения дальнейших расчетов.

Список литературы:

1. Азиз Х., Сеттари Э. Математическое моделирование пластовых систем / пер. с англ. А.В. Королева, В.П. Кестнера. – М.: Недра, 1982. – 407 с.
2. Lie K.-A. An Introduction to Reservoir Simulation Using MATLAB/GNU Octave: User Guide for the MATLAB Reservoir Simulation Toolbox (MRST). – Cambridge University Press, 2019. – 674 p. – DOI: 10.1017/9781108591416
3. Старцев Н.И., Михайлов Н.Н. Использование нейронных сетей в гидродинамическом моделировании подземных хранилищ газа // Оборудование и технологии для нефтегазового комплекса. – 2024. – № 3(141). – С. 49–53.
4. U-FNO – an enhanced Fourier neural operator-based deep-learning model for multiphase flow / Gege Wen, Li Zongyi, K. Azizzadenesheli [et al.]. – 2021. – 37 p. – DOI: 10.48550/arXiv.2109.03697
5. 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
6. Multipole Graph Neural Operator for Parametric Partial Differential Equations / Li Zongyi, N. Kovachki, K. Azizzadenesheli [et al.] // 34th Conf. on Neural Information Processing Systems (NeurIPS 2020), Vancouver, Canada, Dec. 6–12, 2020. – 17 p. – DOI: 10.48550/arXiv.2006.09535
7. Neural Operator: Graph Kernel Network for Partial Differential Equations / Li Zongyi, N. Kovachki, K. Azizzadenesheli [et al.]. – 2020. – 21 p. – DOI: 10.48550/arXiv.2003.03485
8. Jiang Zhihao, Tahmasebi P., Mao Zhiqiang. 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