Нейронные операторы ускорили моделирование резервуара Norne в 10 000 раз
Группа ученых представила новый подход к моделированию нефтяных резервуаров с помощью нейронных операторов. Работа, опубликованная на arXiv, описывает применение Fourier Neural Operators (FNO) и их физически-информированной версии (PINO) для симуляции резервуара Norne — сложной системы с гетерогенной сеткой из 113 344 ячеек и временным горизонтом 3298 дней.
Авторы разработали математический фреймворк, включающий функционально-аналитическую формулировку в пространствах Соболева, оценку смещения ковариат и спектральную стабильность с физическими ограничениями. Это позволило гарантировать равномерную устойчивость прогнозов во времени.
Эмпирические результаты показали высокую точность: авторегрессионные PINO-суррогаты достигли R? > 0.99 для нефти, > 0.90 для газа и около 0.80 для давления с монотонным улучшением для воды на всем 3298-дневном горизонте. Обучение модели на восьми графических ускорителях NVIDIA B200 заняло менее часа.
Особое внимание уделено ускорению вычислений. Ансамбль из 1000 реализаций выполняется менее чем за одну минуту на одном чипе B200, что дает выигрыш в реальном времени примерно в 10 000 раз по сравнению с традиционным конечно-объемным симулятором OPM. Это открывает возможности для быстрого вероятностного анализа и оптимизации добычи.
Теоретический анализ также включал изучение сходимости метода обратного распространения ошибки по времени (TBPTT) и оптимизации Adam. Установлено, что оптимальный размер окна TBPTT для данной задачи составляет O(log(T/??)), а градиентная ошибка затухает экспоненциально.
Разработка демонстрирует, как методы глубокого обучения с физическими ограничениями могут радикально сократить вычислительные затраты при моделировании пористых сред, сохраняя приемлемую точность. Это делает нейронные операторы перспективным инструментом для цифровых двойников месторождений и принятия решений в нефтегазовой отрасли.
