WISE-FM：多タスク井戸設計のための、操作（運用）を考慮しエンジニアリングに基づく基盤モデル

要旨: 多様な生産井（ウェル）に対して機械学習モデルを展開するには、訓練分布の外側にある設計パラメータを持つ井に対する汎化が必要です。仮想流量計測（VFM）や坑底推定に関する現在のデータ駆動型のアプローチは、典型的には各井を独立に扱うか、井の設計が運転挙動に与える影響を無視しています。本論文では、WISE（Well Intelligence and Systems Engineering Foundation Model）を提案します。これは、設計を意識し、物理に基づくマルチタスクモデルであり、3つの相補的な仕組みを統合しています。すなわち、井の設計パラメータに基づいて運転エンベディングを条件付けるための、特徴ごとの線形変調（FiLM）とクロスモーダル注意機構です；流量、坑底状態、流動様式の分類を同時に予測するためのマルチタスク学習です；および、井の工学的原理から導かれるソフトな物理制約による構造的な質量保存です。ManyWells ベンチマーク（シミュレーション井2000本、データ点 10^6）での評価により、設計を意識したモデルは、設計を考慮しないベースラインと比べてVFM予測誤差を最大 13 imes 減少させること、また物理制約が負の流量予測を65% 削減することが示されます。流動様式の分類は 97.7% の坑底精度を達成し、追加のセンサーなしで連続的な井の健全性モニタリングを可能にします。この手法は、5つの Equinor Volve 生産井から得られた実運用データにも移転でき、（油量 R^2 = 0.89、坑底圧 R^2 = 0.98、水量 R^2 = 0.97）という結果が得られます。さらに学習済みモデルは、24次元の設計空間にわたる健全性を意識した井の設計最適化のための高速な代理モデルとしても機能し、ドリフトフラックス・シミュレーションに対して1000倍超の高速化を実現します。これらの結果は、大規模な井群にまたがって動作することを意図したファウンデーションモデルにとって、設計への意識、物理の強制、そしてマルチタスク学習が不可欠であり、かつ相補的な要素であることを示しています。