Stone Ridge Technology 利用 AWS 上的 NVIDIA Modulus 加速油藏模擬工作流 NEWS DETAIL

能源勘探中固有的風險和不確定性包括未知的地質參數、流體和岩石屬性的變化、邊界條件和噪聲觀測資料。嚴格校准關鍵油藏工程任務和現場優化的不確定性需要運行大量前向模擬。用例包括歷史記錄匹配、概率預測和反向問題。當與包含數十萬或數百萬個主動網格單元的高保真模型結合使用時，高性能計算 (HPC) 模擬器需要大量計算資源。

傳統上，代理或代理模型用於應對這些挑戰，因為它們能夠快速評估場景。許多現有的代理生成方法都針對特定場景，無法推廣到不同的問題。另一方面，全場代理模型在空間和時間上直接近似地求解油藏的主要或狀態變量，類似於全物理數值模擬器。

因此，可以將這些代理替換為完整的模擬器，並可用於應對各種挑戰。由於高計算要求和算法挑戰，為 3D 油藏生成全場代理仍然是一項挑戰。然而，生成完整字段代理的可行方法是結合使用先進的 ML 技術 (例如神經運算符、Neural Operators)、高性能全物理油藏模擬器和現代 GPU (例如 NVIDIA A100、H100 和 H200 GPU)。

Stone Ridge Technology (SRT) 開發了一個高度可擴展的框架 ，通過在 AWS 上集成其油藏模擬器 ECHELON 與 NVIDIA Modulus 來生成全場代理模型。 NVIDIA Modulus 是一個開源框架，用於構建、訓練和微調 Physics-ML 模型 ，通過 Python 接口生成全場代理。與全物理數值解相比，這些全場代理模型的速度比前向模擬快 10 倍至 100 倍，同時可提供相當準確的結果。這種將 NVIDIA Modulus 和 ECHELON 相結合的通用框架可用於解決現有挑戰，例如不確定性量化和許多場優化問題。它們還可用於生成新的工程工作流，而這在其他情況下是不可能實現的。

ECHELON 會生成構建 ML 模型所需的大量訓練、測試和驗證資料。生成的資料儲存在可擴展的對象儲存 Amazon S3 上，以便快速輕鬆地進行檢索。然後，代理模型可用於比前向模擬快幾個數量級的解推理。

整個工作流程的示意圖如圖 1 所示。

使用 NVIDIA Modulus 生成基於神經運算符的代理

Stone Ridge Technology 使用 Fourier 神經算子 (FNO) 模型，在 AWS 上使用 NVIDIA Modulus 生成時空油藏代理。圖 2 概述了 FNO 網路。有關該方法的詳細資訊，請參閱「Neural Operator: Learning Maps Between Function Spaces」和 NVIDIA Modulus GitHub 儲存庫。

圖 2、Fourier 神經運算符架構，用於在 AWS 上使用 NVIDIA Modulus 生成時空庫代理

在 AWS Cloud 上實施

油藏模擬工作流在 AWS 上實施，可提供靈活的按需計算資源，並能夠處理大量資料。圖 3 概述了 AWS 架構。

圖 3、AWS 上搭載 NVIDIA Modulus 的 SRT ECHELON 架構

基於神經運算符的代理的結果

SRT 創建的以下示例展示了基於神經運算符的代理。

用於優化井位的代理模型

第一個示例展示的是具有固定但空間異構地質特性 (例如孔隙率和滲透率) 的油藏中的井位優化場景。有四口生產商井和一口注水井。

通過改變噴油器和生產商的位置來生成訓練樣本，其中繪制了井位的四個隨機樣本 (圖 4)。總共有 500 個樣本用於訓練、測試和驗證。

驗證資料的隨機樣本，這些樣本描述了以滲透場高度異構和極端變化為特徵的油藏中不同的井佈局情況

將用於水飽和度 3D 演變的基於 Modulus 的 FNO 代理解決方案與前向模擬器 ECHELON 的真值解決方案進行比較。FNO 很好地捕捉了水濱傳播的複雜拓撲細節。圖 5 顯示了高度異構滲透場不同井位場景下不同歸一化時間下水前端傳播的 FNO 預測值 (「Modulus」) 與真值 (「ECHELON」) 的比較。右側的圖表顯示了 FNO 與真值模擬之間的現場平均壓力、水和油飽和度比較。

具有地質不確定性的代理模型

第二個示例是具有高度複雜地質學和斷層的真實場模型。為這項研究選擇的油藏模型基於 挪威海 Norne 生產區的真實地下模型 。網格是一個有缺陷的角點網格，具有異構和各向異性滲透性。油藏網格的大小為 46 x 112 x 22。該模型總共由 35 口井組成，其中包括 9 個注水器、4 個注氣器和 22 個生產商 (圖 6)。

這 22 口生產井的油氣和水流量可通過固定的井底壓力進行測量。這 9 口注水井具有可測量的井底壓力 (BHP)，由固定的注水速率控制。總共模擬了 3,298 天。當地質屬性 (例如孔隙率、滲透率和斷層透射率乘數) 存在不確定性時，我們考慮全場代理是指固定的井位。

圖 6、描述了不同生產井和注入井的位置。水庫的特徵是複雜的斷層

訓練和測試資料使用 Norne 模型的 500 個實現生成，其中包括孔隙率、岩石滲透率和斷

圖 7、來自訓練資料的隨機樣本，描述了滲透率和孔隙率場的變化

圖 8 和 9 比較了 Modulus FNO 解決方案和 ECHELON 之間的解變量、壓力和水飽和度的時間演變，以便隨機選擇實現。SRT 在壓力場和飽和場的結果上有很強的一致性，解決方案中的誤差很小。

圖 8、比較 NVIDIA Modulus 和 ECHELON 在不同歸一化時間預測的壓力演變及其誤差

結束語 

Stone Ridge Technology 開發了一種將 ECHELON 油藏模擬器與 NVIDIA Modulus 相結合的工作流。全物理模擬器可作為使用 ML 框架開發的代理模型的驗證器和資料生成器。全場代理模型的速度比前向模擬快一個數量級，同時提供合理準確的結果，為快速評估場景鋪平道路。這種將 NVIDIA Modulus 和 ECHELON 相結合的通用框架可用於解決不確定性量化和許多場優化問題等現有挑戰。