Stone Ridge Technology 以 AWS 與 NVIDIA Modulus 建構油藏模擬代理工作流 NEWS DETAIL

對於需要反覆執行高保真油藏模擬的團隊，Stone Ridge Technology（SRT）提出的作法是：在 AWS 上結合 ECHELON 油藏模擬器與 NVIDIA Modulus，利用全物理模擬資料訓練全場代理模型，縮短情境推論時間。此流程面向歷史擬合、機率預測、反問題、不確定性量化與油田最佳化等工作；其價值在於讓模型可較快速地評估大量情境，但代理結果仍應以全物理模擬及專案驗證作為判斷依據。

油藏模擬為何需要代理模型

能源勘探與生產決策會受到地質參數未知、流體與岩石性質變化、邊界條件及觀測雜訊影響。若要校準這些不確定性，往往必須執行大量前向模擬。當模型包含數十萬甚至數百萬個活躍網格單元時，HPC 模擬器需要大量運算資源。

傳統代理模型可更快評估情境，但不少方法只針對特定案例設計，未必能延伸至不同問題。全場代理模型則直接在空間與時間上近似油藏主要狀態變數，概念上更接近全物理數值模擬器，因此可作為多類工程問題的快速推論工具。其困難在於三維油藏資料、演算法與訓練運算需求都較高。

工作流架構：ECHELON、Amazon S3 與 NVIDIA Modulus

SRT 的架構以 ECHELON 產生訓練、測試與驗證資料，並將資料存放於 Amazon S3，以支援大規模資料的儲存與擷取。接著，團隊透過 NVIDIA Modulus 的 Python 介面建立、訓練及微調 Physics-ML 模型，生成全場代理。

來源指出，該方法採用 Fourier Neural Operator（FNO）建立時空油藏代理，並在 AWS 雲端環境部署工作流。雲端運算可配合大量資料與按需資源需求；不過，實際執行時仍須由採購與工程團隊確認雲端帳戶權限、資料傳輸、儲存策略、GPU 執行個體選擇及成本控制方式。來源雖列舉 NVIDIA A100、H100 與 H200 GPU 作為可結合的現代 GPU 範例，但未提供此工作流各硬體組態的效能或成本比較。

適用情境與來源案例

第一個案例為井位最佳化：油藏具有固定但空間異質的孔隙率與滲透率，包含四口生產井與一口注水井。SRT 透過改變注入井與生產井位置產生樣本，合計使用 500 個樣本進行訓練、測試與驗證。來源描述，FNO 對水驅前緣傳播的複雜拓撲細節具有良好捕捉能力，並將壓力、水飽和度與油飽和度的場域平均值與 ECHELON 結果比較。

第二個案例處理地質不確定性，採用基於挪威海 Norne 生產區真實地下模型的油藏模型。其網格大小為 46 x 112 x 22，包含 35 口井：9 口注水井、4 口注氣井與 22 口生產井，模擬期間為 3,298 天。訓練與測試資料由 500 個地質實現產生，涵蓋孔隙率、岩石滲透率及斷層傳導相關變化。這類情境適合評估固定井位下的地質不確定性影響。

導入與評估檢查點

1. 界定目標問題：先區分是井位配置、歷史擬合、不確定性量化或產能最佳化，並決定需要預測的壓力、飽和度或井筒量測變數。
2. 建立可驗證的模擬資料：以全物理模擬器產生覆蓋合理參數範圍的訓練、測試與驗證資料，避免代理模型只記住少量操作條件。
3. 檢查資料與模型範圍：確認網格、斷層、井控條件、地質實現及時間範圍是否與目標專案相符。
4. 以保留案例驗證：應對未參與訓練的地質實現與操作情境，比較場域分布、時間演變及業務關鍵指標，而非只看單一平均誤差。
5. 保留全物理複核機制：將代理模型用於篩選與快速推論，對高風險決策、外插情境或異常結果回送全物理模擬確認。

效益邊界與決策影響

來源表示，與全物理數值解相比，這類全場代理模型可使前向模擬加快 10 至 100 倍，並提供相當準確的結果；文末亦以「快一個數量級」概括其效益。這些數字屬於來源對該工作流與案例的描述，不應直接視為其他油藏、網格規模、井控策略或硬體環境下的保證。

決策上，該架構可讓團隊更快展開大量候選情境、敏感度分析與最佳化迭代，但它不會消除地質不確定性，也不能取代模型校正。採用前應在專案資料、目標精度、可接受誤差、推論延遲與全物理回驗成本之間建立明確門檻。

常見問題

代理模型是否可以完全取代 ECHELON 等全物理模擬器？

不宜直接如此判定。來源將全物理模擬器定位為代理模型的資料產生器與驗證器。代理模型適合加速大量推論與情境篩選，但關鍵決策、訓練範圍以外的情境，以及誤差敏感的工程問題，仍應以全物理模擬驗證。

500 個樣本是否足以用於任何油藏專案？

否。500 個樣本是來源兩個示例中使用的資料規模，不能推論為通用需求。實際所需樣本量取決於地質複雜度、井控條件、預測變數、時間範圍與可接受誤差，應透過保留資料測試及專案試驗確認。

結論

SRT 在 AWS 上整合 ECHELON 與 NVIDIA Modulus 的流程，展示了以全物理資料訓練 FNO 全場代理模型的架構，可支援油藏不確定性量化與最佳化的快速情境評估。其導入關鍵不只是訓練速度，而是資料覆蓋度、保留案例驗證，以及對重要結果持續採用全物理模擬複核。

圍繞「Stone Ridge Technology 以 AWS 與 NVIDIA Modulus 建構油藏模擬代理工作流」繼續瞭解 NVIDIA 產品與網路方案。