|
ИСТИНА |
Войти в систему Регистрация |
ИСТИНА ЦЭМИ РАН |
||
Нейронные операторы для гидродинамического моделирования подземных хранилищ газастатья Исследовательская статья
Статья опубликована в журнале из списка RSCI Web of Science
Статья опубликована в журнале из перечня ВАК- Авторы: Сирота Д.Д., Гущин К.А., Хан С.А., Костиков С.Л., Бутов К.А.
- Журнал: Russian Technological Journal
- Том: 12
- Номер: 6
- Год издания: 2024
- Издательство: МИРЭА-Российский технологический университет
- Местоположение издательства: Москва
- Первая страница: 102
- Последняя страница: 112
- DOI: 10.32362/2500-316x-2024-12-6-102-112
- Аннотация: Цели. Значительная часть исследований в области глубокого обучения сосредоточена на изучении отображений между конечномерными пространствами. Гидродинамические процессы фильтрации газа в подземных хранилищах, описываемые дифференциальными уравнениями в частных производных (ДУЧП), требуют изучения отображений между функциональными пространствами бесконечной размерности, что отличает данную задачу от традиционных. Одним из перспективных подходов является построение нейронных операторов – обобщение нейронных сетей для аппроксимации отображений между функциональными пространствами. Цель работы – создание нейронного оператора для ускорения расчетов гидродинамического моделирования подземных хранилищ газа (ПХГ) при допустимых потерях точности.Методы. В работе построен и обучен модифицированный нейронный оператор Фурье для гидродинамического моделирования процессов фильтрации газа в ПХГ.Результаты. Показано, что данный метод может быть успешно применен для задач трехмерной фильтрации газа в декартовой системе координат на объектах с множеством скважин. Разработанная модель обеспечивает высокое качество при моделировании объектов с неравномерной сеткой дискретизации и сложной геометрией, несмотря на использование в архитектуре алгоритма быстрого преобразования Фурье. При этом нейронному оператору не требуется большой размер обучающей выборки для достижения высокой точности аппроксимации решений ДУЧП, что демонстрируется не только на тестовой выборке, но и на искусственно сгенерированных сценариях с внесением существенных изменений в структуру моделируемого объекта. Обученный нейронный оператор осуществляет моделирование заданного сценария за доли секунды, что, по меньшей мере, в 10^6 раз быстрее, чем традиционный численный симулятор.Выводы. Построенный и обученный нейронный оператор показал хорошую эффективность в задаче гидродинамического моделирования ПХГ. Полученный алгоритм воспроизводит адекватные решения даже в случае существенных изменений в моделируемом объекте, которых не было в процессе обучения. Все это делает возможным применение данной модели в задачах планирования и принятия решений в отношении различных аспектов эксплуатации ПХГ, таких как оптимальное использование скважин, контроль давления и управление запасами газа.
- Добавил в систему: Сирота Даниил Дмитриевич