ストレスに敏感な貯留層における高次元ウェル制御のための深層学習加速サロゲート最適化

Abstract

応力に敏感な従来型でない貯留層における生産最適化は、圧力駆動の流れと、応力によって引き起こされる破砕導通率およびマトリクス透過率の劣化との間の、非線形なトレードオフによって支配される。揚水量（ドローダウン）を大きくすることは短期の生産を改善する一方で、透過率の損失を加速させ、長期の回収率を低下させる。最適な時間変化型の制御戦略を特定するには、完全連成の流動・地盤力学（ジオメカニクス）シミュレータを繰り返し評価する必要があり、従来の最適化は計算コストが高くなる。 本研究では、高次元の井戸制御に対する深層学習ベースのサロゲート（代理）最適化フレームワークを提案する。事前に定義された制御パラメータ化や、一般的なサンプリングに依存する先行手法とは異なり、我々の手法では井戸制御を連続的な高次元問題として扱い、学習データを最適化中に遭遇する軌道に整合させる問題に即したサンプリング戦略を導入する。連成の流動・地盤力学モデルから得られるデータを用いて、ボトムホール圧力の軌道から累積生産量への写像を近似するニューラルネットワーク代理モデルを訓練する。 この代理モデルを制約付き最適化ワークフローに組み込むことで、制御戦略の迅速な評価が可能になる。複数の初期化にわたって、サロゲートはフル物理（full-physics）解と2〜5パーセント以内で一致する一方で、計算コストを最大で3桁低減する。差異は主に、学習分布の境界付近の軌道や局所的な最適化効果に関連している。 本フレームワークは、サロゲートモデリングと問題に即したサンプリングを組み合わせることで、高次元でシミュレータに基づく問題に対してスケーラブルかつ信頼性の高い最適化が可能であり、さらにPDEに制約された系へと幅広く適用できることを示している。