差分可能なシミュレータを用いたバルクおよび極端圧力イベントからの物理インフォームドなリザーバー特性推定

概要: 地下の不均一性を正確に特徴づけることは困難ですが、貯留層の圧力管理、地熱エネルギーの採取、そしてCO_2、H_2、および廃水の注入作業といった用途では不可欠です。この課題は、特に極端な圧力事象（めったに観測されないものの、作業上のリスクに強く影響し得る）で、いっそう深刻になります。従来の履歴マッチングや反転手法はコストの高いフル物理シミュレーションに依存しているため、不確実性や極端な事象を大規模に扱うことが現実的に不可能です。純粋にデータ駆動のモデルは、疎な観測、複雑な地質、そして極端な事象を扱う際に、物理整合性を維持するのがしばしば難しくなります。これらの制約を克服するために、我々は物理に基づいた機械学習手法を提案します。この手法では、微分可能な地下流動シミュレータをニューラルネットワークの学習に直接組み込みます。ネットワークは限られた圧力観測から不均一な透水率場を推定し、学習ではシミュレータを通じて透水率損失と圧力損失の双方を最小化することで、物理的整合性を強制します。シミュレータは学習時にのみ使用するため、モデル学習後の推論は高速のまま維持されます。初期テストでは、提案手法が純粋にデータ駆動のアプローチと比べて圧力推論誤差を半減させました。さらに、8つの異なるデータシナリオにわたってテストを拡張したところ、いずれの場合も、提案手法は純粋にデータ駆動モデルよりも有意に低い圧力推論誤差を生成しました。また、サンプル分布の裾に位置する高リスク（高い帰結）データとして、極端な事象に対しても本手法を評価しました。バルク分布と同様に、物理に基づいたモデルは極端事象の領域において、より高い圧力推論精度を維持します。総合すると、提案手法は、リアルタイムの貯留層の特性評価とリスクを考慮した意思決定のために、迅速で物理整合的な地下の反転を可能にします。