.png){kind=icon}
返回
Multi-Pattern Generalization in CO2-EOR: Physically Consistent Surrogate for Saturation-Field Evolution
.png){kind=icon}
OA
AI
DOI：10.1021/acsomega.5c12379.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
准确高效地预测CO2饱和度场演化对于筛选CO2-EOR/CCUS中的注采策略至关重要，但传统模拟器在快速多场景评估中成本过高，且许多数据驱动模型难以在不同井网拓扑间泛化。为弥合这些差距，我们提出了一种多模态、物理约束的生成时空网络（MPG-STNet）。该模型采用增强型傅里叶神经网络算子对静态地质场进行高效、物理感知的推理，利用图注意力网络显式编码井网拓扑，并通过时间Transformer编码器从动态三相生产序列中提取特征。这些信号共同约束一个条件生成对抗网络，生成高保真度的CO2饱和度场，从而在单一生成路径中耦合空间、时间和物理信息。我们进一步在判别器侧嵌入物理约束——特别是物质平衡约束，将质量守恒作为硬性标准以增强生成场域的物理合理性。在涵盖9种不同井网拓扑、150个月时间跨度的4,500组高保真模拟数据集上进行评估，MPG-STNet在测试集上达到均方误差0.0062和结构相似性指数0.9788，并在未见过的井网配置中保持优异性能。该提出的代理模型可为井网泛化和操作决策支持提供快速、物理合理的饱和度场预测。
Keyword:
Inorganic carbon compounds
Lipids
Mathematical methods
Oxides
Saturation
期刊
IF:
4.3
论文数:
3.4W
被引数:
9.8W
机构
引用论文
Comparing a long short-term memory (LSTM) neural network with a physically-based hydrological model for streamflow forecasting over a Canadian catchment.png)
JOURNAL OF HYDROLOGY
OAAI
JOURNAL OF HYDROLOGYIF6.3
OAAI分享收藏Improving the accuracy of short-term multiphase production forecasts in unconventional tight oil reservoirs using contextual Bi-directional long short-term memory使用上下文双向长短期记忆提高非常规致密油藏短期多相产量预测的准确性
PREAI
分享收藏The implementation of Water Alternating (WAG) injection to obtain optimum recovery in Cornea Field, Australia在澳大利亚科恩油田实施交替注水（WAG）以提高采收率。OAAI
OAAI分享收藏Lessons Learned from the Process of Water Injection Management in Impactful Onshore and Offshore Carbonate ReservoirsEnergies
EnergiesIF0
PREAI
分享收藏Meta Learning Using Deep N-BEATS Model for Production Forecasting with Limited History基于深度N-BEATS模型的生产预测元学习─以Norne油田为例
PREAI
分享收藏
查看更多内容