La technologie d'injection non miscible de CO₂ dans les réservoirs pétroliers à faible perméabilité joue un rôle crucial dans l'amélioration du taux de récupération du pétrole et la réalisation de la neutralité carbone. Ce processus implique la résolution d'équations fortement non linéaires, les méthodes numériques traditionnelles rencontrent des défis de stabilité numérique et de convergence, nécessitant un réglage précis des pas de temps et d'espace. Par conséquent, une méthode de simulation numérique basée sur les réseaux de neurones informés par la physique (Physics-Informed Neural Networks, PINNs) a été proposée pour l'injection non miscible de CO₂ dans les réservoirs à faible perméabilité. Cette méthode repose sur l'équation classique de Buckley-Leverett (BL), intégrant le gradient de pression d'initiation et le paramètre de solubilité du CO₂, révélant leur influence couplée sur la propagation du front de déplacement et l'évolution de la saturation. En incorporant l'équation BL et ses conditions aux limites initiales dans la fonction de perte des PINNs, le réseau neuronal satisfait automatiquement les contraintes des équations de contrôle lors de l'entraînement, tout en étant capable de modéliser des processus complexes de flux non linéaire dans un espace continu sans maillage, améliorant ainsi la stabilité numérique et la capacité prédictive du modèle. Pour valider la précision du modèle, la solution numérique a été comparée à la solution analytique. Les résultats montrent que le modèle PINNs établi présente une grande précision pour capturer la position du front de déplacement et la distribution de saturation du fluide, avec une faible différence par rapport à la solution analytique, un coefficient de détermination (R²) supérieur à 93 % et une erreur absolue moyenne de 0,19×10^-2. Par rapport à la méthode explicite aux différences finies traditionnelle, la méthode de simulation numérique PINNs offre une meilleure stabilité numérique et une meilleure extensibilité. Cette recherche propose une nouvelle voie d'apprentissage profond pour la simulation numérique de l'injection non miscible de CO₂ dans les réservoirs à faible perméabilité, aidant à une compréhension approfondie des mécanismes d'écoulement sous couplage multifisique, et fournissant un soutien théorique et des références méthodologiques pour un stockage géologique efficace du CO₂ et une amélioration du taux de récupération du pétrole.

réseaux de neurones informés par la physique;réservoirs à faible perméabilité;injection non miscible de CO₂;gradient de pression d'initiation;solubilité de CO₂;équation de Buckley-Leverett