利用物理驱动的人工智能进行能源创新

损失函数创建与优化问题选择利用物理驱动人工智能进行能源创新建筑设计的數據管理将基本物理定律融入机器学习过程使PINNs能够处理传统数据驱动模型往往难以应对的复杂问题。物理信息神经网络是人工智能中潜在的变革者在其核心，PINNs是关于将物理学的基本定律整合到机器学习过程中的。通过利用物理定律，PINNs为更高效的解决方案和强大的技术进步铺平了道路——特别是在能源领域。PINNs减少了对数据在人工智能赋能的预测和决策中的依赖，使它们在解决其他模型可能难以应对的复杂问题时具有价值。这些神经网络可以整合到所有模型步骤中，以确保模型遵循相关的物理定律。可以使用PINNs的步骤包括：物理学定律是宇宙的主导力量，从行星轨道到电流流动，它们支配着一切。在人工智能和机器学习中，通过物理信息神经网络（PINNs）的应用，这些基本原理发挥着关键作用。 2 33交云数据（仅模拟）风力涡轮机空气动力学：使用PINNs在可变条件下预测和提升风力涡轮机性能。管道检测机器人：将PINNs应用于训练管道环境中的自适应检查和维护机器人系统。生活与物理（网络物理系统）：海上平台无人机监控：将PINNs应用于无人机，以实现海上平台的稳定性和环境监测。静态数据（模拟或实验）：油藏开采中的流体动力学使用PINNs对钻井设备和管道周围的流体流动进行建模。pinn在数据可能稀缺、损坏或获取成本高昂的场景中特别有益。虽然像tensorflow这样的通用平台有用于物理学的扩展，但像nvidia modulus这样的专用框架正在涌现。nvidia modulus集成了nvidia的高性能计算gpu技术。它提供了一组预构建的模型和示例，可作为从流体动力学到结构分析的广泛应用的起点，包括：化学反应器模拟：使用PINNs对模型反应进行优化，以优化条件和效率。电网管理：使用PINNs对静态负载进行建模，以优化能源分配和可再生能源并网。Oil Production ODE Analysis:将PINNs应用于求解石油生产的常微分方程，估计压力测量值之间的流量随时间的变化，并采用参数化边界条件。利用物理驱动人工智能进行能源创新使用物理信息机器学习和NVIDIA Modulus进行虚拟利用物理驱动人工智能进行能源创新电潜泵(ESP)油田的计量实时流体分离仿真：使用PINNs实时模拟油水分离过程。 利用物理驱动人工智能进行能源创新使用基于PIN的应用改进流量监控为解决此问题，SoftServe设计了一种混合PINN虚拟流量计，将底层物理知识与辅助传感器数据相结合，以产生精确的流量估计。与更传统的方法相比，该解决方案适用于广泛的参数范围，并且可用于不同的油井，无需重新训练。我们的VFM应用可作为上游石油生产系统综合数字孪生模型的基础。监控ESP是否在安全范围内运行，并在这些极限被违反时立即外部调整控制参数，是最佳策略。这样做可以防止泵突然失效或预期寿命下降。这种预防有助于避免与ESP更换成本和相应井停机时间相关的巨大经济损失。随着电潜泵技术在当前人工举升石油开采领域的主导地位，测量ESP油井的流量成为一项关键任务。然而，由于物理设备的成本高昂和技术限制，获得可靠的流量测量值被证明是具有挑战性的。需要新颖的软测量方法来确保准确性。许多油田的设施建设在没有足够高的压力，无法确保流体以适当的速率流到地表。这种低压通常发生在枯竭的油田或流体重且粘性高的情况下。在这种情况下，使用人工举升技术来使经济性石油生产得以实现或提高。目前，人工举升技术被用于超过95%的所有油井中，其中电潜泵（ESP）举升是最广泛使用的方法之一。每年，电潜泵油井生产了全球总石油产量的约60%。一个ESP举升油井是一个复杂的系统，有多种仪器跟踪压力、温度和振动。然而，由于需要在每口井中安装物理多相流计来测量流量，因此测量流量具有挑战性和成本高昂。这些仪表仅提供定期测量，导致延迟和后勤问题。此外，它们易于发生故障和不准确，特别是在粘性油环境中。准确的流量估算对于生产优化和ESP故障诊断等任务至关重要。动态、实时监控可降低昂贵的泵故障和停机时间的风险。 4 问题公式化利用物理驱动人工智能进行能源创新ESP油井动态两卷模型这个问题可以通过在每个连续压力测量值之间的时间间隔上独立地求解所考虑的常微分方程组来解决。因此，我们将进一步在我们方便表示为 t Δt = ti+1 − ti 的这样一个短时间间隔上定义我们的问题。这里我们假设∈[0,Δt], 其中测量以恒定的周期性获得。目标：给定历史序列 ，P传感器的压力数据Pbh wh，并测量控制参数ƒ，Zc,估计平均流量扰动Pm在时间域上由第一个和最后一个压力测量值界定的q。注意，对于流动没有可用的先验经验知识。为求解我们的常微分方程组，我们引入了压力和流量边界条件。前者由直接压力测量给出，而要结合后者——在没有关于流量大小的实际知识的情况下——我们将使用PINNs处理参数化边界条件的能力。在物理信息机器学习的范式下，为了形式化地实现这一想法，我们构建了一个全连接PINN。优化油流是一个复杂的过程。它使用被称为常微分方程（ODEs）的方程组来预测随时间的平均油流。该过程涉及在由压力测量确定的特定时间间隔内求解这些方程。它还使用边界条件变量——压力和流量数据的组合，来提供更准确的问题解决方案。给定一个控制油生产过程的ODEs系统，我们的目标是获得平均流量估计作为在给定域上关于时间的函数。油提取过程由一阶常微分方程组[1,2]控制，其中井口压力井底压力,Pbh平均体积，和流经Pwh井的q是时间的未知函数。由于石油产量可以控制泵频率通过外部调整ƒ生产节流阀开度,这些和Zc流形方程式是参数化的。被视为。压力 Pm模型。 5 利用物理驱动人工智能进行能源创新实现训练由小型-3最小化损失函数，同时考虑常微分方程的残差和边界条件。作为一个结果，我们得到一个家族4关于由控制参数和边界条件参数化的近似解，包括初始流参数。PINN，它是核心元素之一1我们的应用程序，是使用一块NVIDIA A100-2-10C 40GB张量核心GPU进行训练的。除了时间变量，PINN2将物理模型的控制变量和从预定义范围内采样的边界条件作为输入。 在...上执行推理2初始流参数的整个预定义范围。控制的影响经验数据1所给的时间间隔以及其两端的压力都被纳入模型中。我们添加一个经典子程序到3通过最小化预测值与最终点的观测值之间的压力偏差，估计时间区间的初始点的最优流量。 6 结果虚拟计量流量利用物理驱动人工智能进行能源创新使用物理信息机器学习的优势所提出的基于混合PINN的VFM应用可作为ESP增强油田生产设施的全面数字孪生模型的基础。得益于其PINN核心，我们的解决方案可以在广泛的参数范围内运行，并且可用于不同的油井而无需重新训练。方便的是，训练过程完全依赖于底层物理知识，而最终用户通过与预训练模型交互并输入特定的经验数据来与之交互。迭代执行此过程使我们能够估计历史辅助压力传感器测量序列所涵盖整个时期的流量。我们的解决方案适用于广泛的参数范围，并且可用于不同的油井，无需重新训练。然后，将历史序列的经验数据（辅助压力测量和控制系统的参数）结合进来，以找到一个最优的流量值，使压力预测与传感器读数之间的偏差最小。我们获得的结果以很高的精度复制了合成的流量数据集。训练完全依赖于底层物理学的知识。最终用户通过与完全预训练的模型交互，输入特定的经验数据。所提出的VFM应用程序可以作为ESP增强型石油生产设施更全面数字孪生模型的一个元素。 我们提出的解决方案属于混合范式。具体来说，一个PINN被训练以获得参数化在边界条件上的常微分方程组的近似解族。 7 利用物理驱动人工智能进行能源创新结论让我们谈谈SoftServe在NVIDIA GTC 2024大会上展示了一种PINN解决方案。我们的提交重点介绍了物理信息机器学习和NVIDIA Modulus在虚拟计量方面的应用，适用于ESP油井。请查看海报。让我们谈谈 SoftServe 如何识别满足您特定需求的解决方案并加速实施。由于我们的目标仅仅是追踪流速，我们没有采用基于求解速度和压力分布的纳维-斯托克斯方程的CFD方法来模拟流动。此外，我们开发了一种传统的VFM，使用了相同的ESP井模型，并将相应的结果与基于PINN的应用进行了比较。基于PINN的混合VFM应用程序克服了传统障碍，提供准确、实时的监控，从而提高设备生命周期和盈利能力。了解更多关于NVIDIA Modulus和NVIDIA AI和HPC能源解决方案的信息。软Serve结合机器学习的力量和物理定律，即使数据有限，也能做出准确的预测和模拟。NVIDIA强大的GPU技术的整合为高性能计算提供了支持，以协助解决流体动力学和结构分析等问题，为能源创新的新的时代铺平了道路。 8 关于我们欧洲总部北美总部30 枪炮街 伦敦 EC4 6XH 英国 +44 333 006 4341info@softserveinc.com www.softserveinc.com我们的全球声誉源于顶尖工程技术人才，在30多年时间里为高科技、金融服务、医疗保健、生命科学、零售、能源和制造业等企业行业提供卓越的数字解决方案，并以超快的速度交付。欲了解更多信息，请访问我们的网站、博客、领英、脸书和X（推特）页面。201 西五街，1550室，奥斯汀，德克萨斯州 78701 +1 866 687 3588 (美国) +1 647 948 7638 (加拿大)软思是领先的IT咨询和数字服务提供商。我们拓展新技术的前沿，以解决当今复杂的商业挑战，并为我们的客户实现有意义的成果。我们无穷的好奇心驱动我们探索和重塑可能的艺术。客户们自信地依赖软思来构建和执行成熟而创新的解决方案，例如数字工程、数据和分析、云以及人工智能/机器学习。