利用物理驱动的人工智能进行能源创新

核心观点与关键数据

• 物理驱动人工智能（PINN）的应用潜力：物理驱动人工智能通过将物理定律融入机器学习过程，尤其在解决复杂问题方面展现出巨大潜力，特别是在能源领域。
• PINN 的优势：PINN 减少了对数据在 AI 预测和决策中的依赖，适用于数据稀缺、损坏或获取成本高的场景。
• NVIDIA Modulus 的作用：作为专门的框架，NVIDIA Modulus 集成 NVIDIA GPU 技术进行高性能计算，提供预构建模型和示例，适用于流体动力学、结构分析等领域。
• 应用场景：PINN 可用于静态数据（如化学反应模拟、油提取流体动力学）、动态物理系统（如管道检测机器人、海上平台无人机监控）和交互式模拟数据（如实时流体分离、风力涡轮机空气动力学）。

电气潜泵（ESP）油井虚拟计量应用

• 问题背景：许多油藏压力不足，难以实现经济油流，需采用人工举升技术，其中 ESP 是最广泛的方法。然而，ESP 油井流量测量成本高、技术限制大且易出错。
• 解决方案：SoftServe 设计了一种基于 PINN 的混合虚拟流量计（VFM），结合物理知识和辅助传感器数据，实现准确流量估计。
• 问题公式化：目标是通过求解控制油生产过程的常微分方程组（ODE），在给定时间域内估计平均油流量。使用压力测量值作为边界条件，并利用 PINN 处理参数化边界条件。
• ESP 油井动态两体积模型：涉及底部井眼压力（Pbh）、井口压力（Pwh）、平均体积流量（q）等未知函数，受泵频率（ƒ）、生产 choke 阀门开度（Zc）等参数控制，并考虑歧管压力（Pm）的扰动。
• 实施阶段：
  • 训练：使用 NVIDIA A100 GPU 训练 PINN，输入控制变量和边界条件，通过最小化 ODE 残差和边界条件损失函数，输出参数化近似解。
  • 推理：输入特定时间段的控制参数和两端压力数据，在预定义的初始流量参数范围内进行推理，并使用经典子程序估计初始点的最佳流量。
• 优势：VFM 跨参数范围工作，无需重新训练即可用于不同油井；仅依赖物理知识进行训练，用户通过输入数据与预训练模型交互；可作为更全面的 ESP 油生产设施数字孪生模型的基础。
• 结果：PINN 模型准确复制了合成流量数据集，展现出高精度。

研究结论

• 技术验证：展示了 PINN 在 ESP 油井虚拟流量计量中的有效性，并与传统 VFM 方法进行了比较。
• 行业意义：该解决方案克服了传统流量计的障碍，提供准确、实时的监测，提升设备寿命和盈利能力。
• 未来展望：SoftServe 结合机器学习和物理定律，利用 NVIDIA 技术，推动能源创新，为复杂业务挑战提供解决方案。

关于 SoftServe

• SoftServe 是一家领先的 IT 咨询和数字服务提供商，专注于利用新技术解决复杂业务挑战。
• 公司拥有 30 多年经验，服务高科技、金融服务、医疗保健等行业的客户。
• 提供数字工程、数据与分析、云和 AI/ML 等服务。