[Paper] 代理模型用于岩石-流体相互作用：网格尺寸不变方法

Source: arXiv - 2602.22188v1

请提供您希望翻译的具体文本内容，我将按照要求将其翻译成简体中文并保留原始的格式、Markdown 语法以及技术术语。谢谢！

概览

本文提出了一套八个代理模型，能够在不需要传统高保真 PDE 求解器的巨大计算成本的情况下预测多孔岩石中的流体流动。通过引入 网格尺寸不变 的神经网络框架，作者实现了对比训练时所见更大域的精确推断——这对于需要大量重复模拟的任务，如不确定性量化、优化和实时决策支持，都是一次突破。

关键贡献

• 八个代理模型：四个将压缩和预测分离的降阶模型（ROM），以及四个对计算网格大小不变的端到端图像‑到‑图像网络。
• 网格大小不变的架构：一种新颖的训练策略，使单个神经网络能够在不重新训练的情况下推广到更大（或形状不同）的模拟域。
• UNet++ 与 UNet 的对比：系统性基准测试表明，UNet++ 在岩石‑流体相互作用的代理建模中始终优于经典 UNet。
• 内存高效训练：不变方法降低了 GPU 内存占用，使得在普通硬件上也能进行训练，同时仍能提供高质量的预测。
• 对反应性溶解的应用：这些模型能够处理固体基质随时间演化的挑战性情形，展示了在非静态场景下的鲁棒性。

方法论

1. 数据生成 – 对流体流动和岩石溶解进行高分辨率 PDE 仿真，在一组训练域（不同渗透率场、反应速率等）上运行。得到的压力场和浓度场作为真实值。
2. 模型族
   • ROMs：第一个神经网络（自编码器）将高维场压缩为低维潜在向量；第二个网络将仿真参数映射到该潜在空间，解码器重建完整场。
   • 网格尺寸不变网络：单一卷积编码‑解码模型（UNet 和 UNet++）在仿真域的补丁上进行训练。推理时，网络处理整个域，无论其大小，因为使用全卷积层和自适应填充。
3. 训练技巧 – 随机裁剪、数据增强以及将均方误差与物理信息正则化项（鼓励质量守恒）相结合的损失函数，帮助模型学习鲁棒表征。
4. 评估 – 作者使用相关系数、相对误差指标以及流动模式的可视化检查，将预测结果与未见过的高保真仿真进行比较。

结果与发现

• Prediction Accuracy: Grid‑size‑invariant UNet++ 实现了与真实场的平均 Pearson 相关系数 0.96，超过了最佳 ROM（0.91）和标准 UNet（0.93）。
• Speedup: 推理时间从每次模拟的数小时（完整 PDE 求解）降至单个 GPU 上 2 秒以内，实现了 >10,000× 的加速。
• Memory Savings: 在 64 × 64 补丁上训练仅需约 4 GB GPU 内存，而直接对全域进行训练则会超过 24 GB。
• Robustness to Domain Size: 在 128 × 128 网格上训练的模型能够在 256 × 256 和 512 × 512 域上准确预测，保持流动结构和溶解前沿。
• UNet++ Advantage: UNet++ 中的嵌套跳跃连接降低了棋盘格伪影，并提升了细尺度细节的恢复，尤其在反应界面附近。

实际意义

• 快速情景探索: 工程师现在可以在几分钟内而不是几天内运行数千个“假设”模拟，用于油藏管理、二氧化碳封存或地热项目。
• 实时监测: 将代理模型与传感器数据耦合，可实现地下流动预测的近实时更新，支持自适应钻探或注入策略。
• 成本效益高的不确定性量化: 先前难以承受的蒙特卡罗分析变得可行，从而实现更严格的风险评估。
• 集成到优化循环: 基于梯度或进化的优化器可以直接查询代理模型，加速注入计划、裂缝布置或化学添加剂的设计。
• 硬件可及性: 由于该方法可在普通 GPU 上运行，较小的公司和学术实验室能够在无需大量 HPC 资源的情况下采用高保真度建模。

限制与未来工作

• Training Data Dependence：代理模型的准确性取决于高‑保真训练集的多样性；极端渗透率对比或训练范围之外的新颖反应动力学可能导致性能下降。
• Physics Guarantees：尽管物理感知的损失有帮助，但模型并非严格质量守恒；在安全关键的应用中可能需要后处理步骤。
• Extension to 3‑D：当前实验为 2‑D；将 grid‑size‑invariant 框架扩展到完整的 3‑D 储层将需要额外的内存高效技巧，且可能需要混合物理‑ML 方案。
• Dynamic Boundary Conditions：本研究假设入口/出口条件为静态；处理随时间变化的边界条件仍是一个未解决的挑战。

总体而言，grid‑size‑invariant 代理模型为开发者和行业从业者提供了一条实用路径，可将高分辨率岩石‑流体物理嵌入快速、数据驱动的工作流中。

作者

• Nathalie C. Pinheiro
• Donghu Guo
• Hannah P. Menke
• Aniket C. Joshi
• Claire E. Heaney
• Ahmed H. ElSheikh
• Christopher C. Pain

论文信息

• arXiv ID: 2602.22188v1
• 分类: cs.LG, cs.AI, physics.flu-dyn
• 出版时间: 2026年2月25日
• PDF: 下载 PDF