用于两相流环空压力预测的自适应物理信息神经网络模型

石油勘探开发不断面向着更为复杂多变的地层,为应对深层复杂油气藏钻探过程中存在的气侵现象,需要采用控压钻井技术(MPD)以防止气侵导致的井喷事故。其中,通过求解气侵工况下两相流井筒水力学偏微分方程组(PDEs)来准确预测井底压力是制定控制方案的关键。采用基于自适应物理信息神经网络(PINN)方法对两相流井筒环空压力进行预测:首先,根据井筒机理设计全连接神经网络,用于拟合训练数据样本的分布;其次,将已知的两相流井筒模型的偏微分方程以微分形式约束条件融入神经网络的损失函数中,此外,采用可训练的自适应权重提升神经网络模型精度,使网络在训练过程中着重关注边界点、初始点等求解困难区域;最后采用Adam算法对网络参数和微分方程的权重进行优化,并使用L-BFGS算法对网络参数进一步优化。随机选取有限差分法在稠密网格情况下求解井筒水力学模型所得的部分数据作为实验数据集。实验结果表明,相较于常规的物理信息神经网络和传统的有限差分法,用于两相流环空压力预测的自适应物理信息神经网络模型性能更佳。