Die nichtmischbare CO₂-Verdrängung in niedrig durchlässigen Öllagerstätten ist von großer Bedeutung zur Steigerung der Ölausbeute und zur Erreichung der Kohlenstoffneutralität. Dieser Prozess beinhaltet die Lösung stark nichtlinearer Gleichungen; traditionelle numerische Simulationsmethoden stehen vor Herausforderungen hinsichtlich numerischer Stabilität und Konvergenz, die eine präzise Anpassung der zeitlichen und räumlichen Schritte erfordern. Daher wurde eine numerische Simulationsmethode basierend auf physikinformierten neuronalen Netzwerken (Physics-Informed Neural Networks, PINNs) für die nichtmischbare CO₂-Verdrängung in niedrig durchlässigen Lagerstätten vorgeschlagen. Die Methode basiert auf der klassischen Buckley-Leverett (BL)-Stromgleichung, wobei der Startdruckgradient und der CO₂-Löslichkeitsparameter eingeführt werden, um deren gekoppelte Auswirkungen auf die Ausbreitung der Verdrängungsvorderkante und die Sättigungsentwicklung zu verdeutlichen. Durch Einbettung der BL-Gleichung und ihrer Anfangsrandbedingungen in die Verlustfunktion von PINNs erfüllt das neuronale Netzwerk während des Trainings automatisch die Steuerungsgleichungsbeschränkungen und kann gleichzeitig komplexe nichtlineare Strömungsprozesse in einem netzfreien kontinuierlichen Raum modellieren, wodurch die numerische Stabilität und die Vorhersagefähigkeit des Modells verbessert werden. Zur Validierung der Modellgenauigkeit wurde die numerische Lösung mit der analytischen verglichen. Die Ergebnisse zeigen, dass das erstellte PINNs-Modell sowohl bei der Erfassung der Position der Verdrängungsvorderkante als auch der Flüssigkeitssättigungsverteilung eine hohe Genauigkeit aufweist, die sich nur gering vom analytischen Ergebnis unterscheidet, der Bestimmtheitskoeffizient (R²) übersteigt 93 % und der mittlere absolute Fehler beträgt 0,19×10^-2. Im Vergleich zur herkömmlichen expliziten Differenzenmethode bietet die PINNs-numerische Simulationsmethode eine stärkere numerische Stabilität und Skalierbarkeit. Diese Studie bietet einen neuen Weg des Deep Learnings für die numerische Simulation der nichtmischbaren CO₂-Verdrängung in niedrig durchlässigen Öllagerstätten, trägt zum tieferen Verständnis von Mechanismen des Mehrfeldkopplungsströmungsverhaltens bei und bietet theoretische Unterstützung und methodische Referenzen für die effiziente geologische Speicherung von CO₂ und die Steigerung der Ölausbeute.

physikinformierte neuronale Netzwerke;niedrig durchlässige Öllagerstätten;nichtmischbare CO₂-Verdrängung;Startdruckgradient;CO₂-Löslichkeit;Buckley-Leverett-Gleichung