محاكاة تدفق الدفع غير المختلط لـ CO2 في خزانات الزيت منخفضة النفاذية بناءً على الشبكات العصبية المستندة إلى المعلومات الفيزيائية

SHI QIONGLIN ,  

LI JUNJIAN ,  

LYU XIAOCONG ,  

LIU HUIQING ,  

YANG XIAOLIANG ,  

摘要

تمثل تقنية دفع CO2 غير المختلطة في خزانات الزيت منخفضة النفاذية أهمية كبيرة في تحسين معدل استخلاص النفط وتحقيق التوازن الكربوني. تتضمن هذه العملية حل معادلات غير خطية قوية، وتواجه طرق المحاكاة العددية التقليدية تحديات في الاستقرار العددي والتقارب، مما يتطلب ضبط دقيق للخطوات الزمنية والمكانية. لذلك، تم اقتراح طريقة محاكاة عددية تعتمد على الشبكات العصبية المستندة إلى المعلومات الفيزيائية (Physics-Informed Neural Networks، PINNs) لدفع CO2 غير المختلط في خزانات الزيت منخفضة النفاذية. تعتمد الطريقة على معادلة التدفق الكلاسيكية Buckley-Leverett (BL) مع إدخال تدرج ضغط التشغيل ومعامل ذوبان CO2، مما يكشف التأثير التفاعلي على انتشار الجبهة الدافعة وتطور التشبع. من خلال تضمين معادلة BL وشروطها الحدية الابتدائية في دالة خسارة PINNs، تلبي الشبكة العصبية تلقائيًا قيود معادلات التحكم أثناء التدريب، مع القدرة على نمذجة عملية التدفق غير الخطية المعقدة في فضاء مستمر بدون شبكة، مما يحسن الاستقرار العددي وقدرة التنبؤ للنموذج. للتحقق من دقة النموذج، تمت مقارنة الحل العددي بالحل التحليلي. أظهرت النتائج أن نموذج PINNs المنشأ يظهر دقة عالية في التقاط موقع الجبهة الدافعة وتوزيع التشبع السائل، مع اختلاف ضئيل عن الحل التحليلي، حيث تجاوز معامل التحديد (R2) 93٪، والخطأ المطلق المتوسط هو 0.19×10-2. مقارنةً بطريقة الفروق النهائية الصريحة التقليدية، تتمتع طريقة المحاكاة العددية PINNs باستقرار عددي وقدرة توسع أفضل. توفر هذه الدراسة مسارًا جديدًا للتعلم العميق لمحاكاة دفع CO2 غير المختلط في خزانات الزيت منخفضة النفاذية، مما يساعد على فهم أعمق لآليات التدفق في ظل تداخل المجالات الفيزيائية المتعددة، كما تقدم دعمًا نظريًا ومرجعيًا لكفاءة الحبس الجيولوجي لـ CO₂ وتحسين استخراج النفط.

关键词

الشبكات العصبية المستندة إلى المعلومات الفيزيائية;خزانات الزيت منخفضة النفاذية;دفع CO2 غير مختلط;تدرج ضغط التشغيل;ذوبان CO2;معادلة Buckley-Leverett

阅读全文