人工智能加速组分油藏模拟中的平衡计算

¼地球科学中的人工智能2（2021）202应用神经网络加速组分油藏模拟中的平衡计算瓦格纳Q。阿道夫？巴罗斯皮雷*Calculat'oriodeEngenhariaeExploraça~odePetr'oleo-UniversidadeEstadualdoNorteFluminenseDarcyRibeiro， RodoviaAmaralPeixoto，Km163， Imboassica，Maca'e， 27925-310，Rio de Janeiro（里约热内卢），巴西A R T I C L E I N F O保留字：神经网络成分模拟人工智能Flash计算油藏工程A B S T R A C T油气藏组分模拟是模拟油气藏流体流动的重要工具关于石油回收方法的重要投资决策是基于模拟结果，其中执行了数百甚至数千次不同的运行在这项工作中，提出了一种使用人工智能来学习热力学平衡的新方法在油藏数值模拟中，用该算法代替经典的平衡功流新方法避免了单相电池的稳定性测试，在大多数情况下，并提供了一个准确的两相电流初始估计。以油气混合为例，对经典工作流程和新工作流程进行了比较，结果表明，新工作流程的模拟时间比经典工作流程提高了约50%。新方法可用于组分油藏模拟。1. 介绍组合油藏模拟是一种数值模型，用于求解多孔介质中的流体输运与热力学相平衡（Fussell和Fussell，1979;Coats，1980）。为了准确地描述储层，数值网格可以由数百万个单元组成，并且沿着组分模拟，在每个时间步长针对每个单元因此，大部分的计算工作都花在了计算中。存在平衡计算达到超过50%的模拟时间的情况（Okuno等人， 2009; Wang等人，2019年a，b）。初始组成模拟器使用K值方法，其中热力学平衡被先验计算并存储在K值的表或相关性中，其中Ki是组分i在气相和油相中的摩尔分数之间的比率（ Ki y i/xi ） （ Kazeff 和 Naville ， 1965; Price 和 Donohue ， 1967;Culham等人， 1969; Roebuck等人，1969年）。这种方法不需要太多的内存或处理能力。这种模型的主要问题是K值可能导致相组成误差，特别是在临界点附近。随着计算机处理能力的提高，一种基于状态方程（EOS）的新的组分模拟技术应运而生。在这种情况下，使用立方EOS严格求解相平衡（Fussell和Fussell，1979; Coats，1980; Thele等人， 1983; Okuno等人， 2009; Moortgat和Firoozabadi，2013; Schmall等人， 2013年）。这方法是准确的，并不会导致临界点附近的数值不稳定然而，每个网格单元的2Nc1方程必须在每个时间步求解，其中Nc是组件的数量然后，对于大型水库网格，计算成本变得非常昂贵（Todd和Longstaff，1972;Wong等人， 1987; El-Banbi等人， 2000年）。 为了克服这一限制，可以使用集总技术来减少流体描述中的分量的数量（Joergensen和Stenby，1995; Moghadam和Moghadam，2009; Alavian等人，2014年）。对于每个时间步，必须在所有单元中评估相位消失是一个简单的问题（Whitson和Michelsen，1989;Li和Firoozabadi，2012），但是相位出现检查不是那么简单，并且它是一个计算耗时的过程。在相位出现算法中，检查单相单元的稳定性。一种技术是将电池中的液体饱和压力与电池压力进行比较（Fussell和Yanosik，1978;Fussell和Fussell，1979;Coats，1980）。 现代模拟器使用切平面稳定性测试来确定给定的单相组成是否稳定（Baker等人， 1982; Michelsen，1982 a;Sun 和 Seider ， 1995; Firoozabadi 和Pan，2000; Li和 Firoozabadi，2012）。在这两种情况下，我们都必须用迭代法求解非线性方程组如果相不稳定，则进行两相饱和度计算以确定每个单元中的相组成和饱和度（Fussell和 Yanosik ， 1978; Boston和 Britt ，1978; Hirose等 人，1978; Michelsen，1982 b; Abhvani* 通讯作者。电子邮件地址：wagnerqb@gmail.com（W.Q. Barros），puime@lenep.uenf.br（A.P. Pires）.https://doi.org/10.1016/j.aiig.2022.03.004接收日期：2021年12月27日;接收日期：2022年3月28日;接受日期：2022年3月30日2022年4月8日网上发售2666-5441/©2022作者。出版社：Elsevier B.V.代表科爱通信有限公司公司这是一篇基于CC BY-NC-ND许可证的开放获取文章（http://creativecommons.org/licenses/by-nc-nd/4.0/）。可在ScienceDirect上获得目录列表地球科学中的人工智能杂志主页：www.keaipublishing.com/en/journals/artificial-intelligence-in-geosciences含水量巴罗斯，A.P. 皮雷地球科学中的人工智能2（2021）202203¼¼¼Fig. 1. 经典相平衡工作流程图。图二、4 层 相位识别神经网络，其中n1，n2和n3是第1层、第2层和第3层中的神经元数量。和Beaumont，1987年;Li和Johns，2006年）。为了减少油藏数值模拟过程中稳定性试验和两相流计算的次数，提出了一种称为成分空间自适应制表（CSAT）的技术 在这种方法中，热力学平衡数据存储在表中。在模拟过程中，通过对存储的数据进行插值，获得了用于计算Komash的初始估计值（Voskov和Tchelepi，2009年b，a）。这种方法提供了精确的初始估计的Cumarash算法，减少了迭代次数。然而，在JavaScript描述中使用的组件越多图3. 两阶段初始猜测估计四层神经网络，其中n1，n2和n3是第1，2和3层的神经元的数目。见图4。 神经网络相平衡工作流。花费更多的计算时间来内插数据，降低了方法效率（Rezaveisi等人，2014年）。在这项工作中，我们提出了一个类似的技术，提供初始估计的计算，使用人工神经网络，而不是连接线插值。神经网络模型基于人脑，应用于识别和分类问题。在数学上，神经网络被称为通用函数逼近器，能够调整任何连续的多变量函数（Ojha等人， 2017年）。人工智能在热力学平衡问题中有许多应用Goda等人（2003年）训练了一个神经网络，用来自中东油藏的160多种不同的黑油型原油的数据来预测黑油型原油的性质神经网络也被应用于预测CO2在离子液体中的溶解度（Baghban等人，2015年）。利用14种不同离子液体的728个实验数据，建立了纯组分临界性质、压力和温度对溶解度的影响模型。网络相关系数R2为0.9336，优于PR-EOS（Robinson and Peng，1978）（R2为0.7323）和SRK-EOS（Soave，1972）（R2为0.6989）。 Baghban等人（2016a，b）开发了几种模型来预测空气露点和水合物形成含水量巴罗斯，A.P. 皮雷地球科学中的人工智能2（2021）202204表1SPE3胶体表征。！ZMwPcTcωkCO2kN2kC1kC2碳三（g/mol）（atm）（K）二氧化碳72.8304.20.225N20.019428.01333.5126.20.040-0.02000C10.659916.04345.4190.60.0080.100000.03600C20.086930.07048.2305.40.0980.130000.050000.00000C30.059144.09741.9369.80.1520.135000.080000.000000.00000C40.096758.12437.5425.20.1930.127700.100200.092810.000000.00000C710.0472110.90025.6572.50.3320.100000.100000.000000.003850.00385C720.0153170.90016.7630.20.4950.100000.100000.000000.006300.00630C730.0034282.1008.5862.60.8330.100000.100000.139200.006000.00600图五. SPE 3相包络填充有气相摩尔分数值。在不同的情况下。纯物质的蒸发焓基于其沸点温度、比重和分子量也使用神经网络建模（Eghtedaei等人， 2019年）。人工智能可以用特定的数值储层模型进行训练，生成评估速度更快的PROXy该近似模型用于优化生产替代方案，并通过蒙特卡罗模拟评估不确定性，其中需要数千次运行才能获得满意的结果（Mohaghegh等人，2012; Ala-keely和Horne，2021 b）。可以使用深度学习技术来估计生产井中的多相采油速率（Tian和Horne，2017; Li等人， 2019; Alakeely和Horne，2021 a）。这些人工智能方法使用生产历史进行训练，并且足够精确以用于实时监控工具。物理信息神经网络（PINN）可以用于创建无网格储层模型，当与传统模拟技术相比时，该无网格储层模型可以在更高维问题中提供准确的结果（Cheung等人， 2018; Coutinho等人， 2021，2022; Almajid和Abu-Alsaud，2022）。Wang等人（2019a，b）创建了一个神经网络模型来预测烃混合物的泡点，并为两相混合算法提供初始猜测。由于用神经网络预测的泡点与气泡压力的比较代替了稳定性检验算法，使油藏模拟总时间减少了30%。在这项工作中，我们提出了一种神经网络方法，以提供准确的初始估计的相位稳定性测试的计算，而不是。该程序可应用于组分储层模拟，节省计算时间。所提出的方法测试相稳定性，并在单相情况下将其分类为液体或蒸气。在第二节中，我们讨论了热力学平衡例程，并比较了经典的模拟工作流程与一个新的，基于神经网络。然后，在第3节中的新技术进行评估，检查预测的热力学计算的准确性和比较经典的方法和在这项工作中提出的计算时间。最后，在第4节中讨论了一些结论。2. 两相平衡本节介绍了数学的描述，并介绍了人工智能如何可以用来改善这些例程。如果总吉布斯自由能（G）最小，则在恒定压力、温度和整体组成下的封闭系统处于平衡状态：图第六章SP E 3相位包络，带有由经典工作流程和神经网络工作流程生成的相位标识标签，其中黑点标记临界点。含水量巴罗斯，A.P. 皮雷地球科学中的人工智能2（2021）202205见图7。具有logKCO2值的相包络：（a）平衡值，（b）由神经网络估计，（c）由Wilson相关估计，（d）由稳定性检验估计。见图8。具有logKC71值的相包络：（a）平衡值，（b）通过神经网络估计，（c）通过Wilson相关性估计，（d）通过稳定性测试估计。dG¼XNπ“的。∂GΣpdp/dt∂GΣ不dTXNc . ∂GΣdη#Nπ是组分和相的总数π¼1¼0∂T;ηc;π∂p;ηc;πc1πc;πT;p;ηj6¼c;πc;π（一）2.1. 阶段识别工作流程在组分油藏模拟中，相稳定性测试其中，ηc，π是相π中组分c的摩尔数，（Michelsen，1982 a;Firoozabadi和Pan，2000;Li和Firoozabadi，2012）在单相电池中进行，以评估吉布斯自由能含水量巴罗斯，A.P. 皮雷地球科学中的人工智能2（2021）2022061/4我我我见图9。在稳定性测试收敛后，填充有logKC71值的相包络，其中：（a）从液体状成分开始，（b）从蒸汽状成分开始。表2见图10。 气相摩尔分数的相包络：（a）由EOS计算，（b）由神经网络估计的初始猜测。无穷小摩尔数（ε）和组成！因此，等式（2）可以以摩尔为基础重写为：SPE3油和气的溶胀实验组成石油摩尔分数气体摩尔分数ΔG¼εXNc-是的μp;T;！-μ.p;T;！中文（简体）快！x！y1/4我我我其中，μi是组分i的摩尔分数，μi是化学组分。分量i的势，由μi1/2给出。你好定义Fp;T;！主持人：阿努岛p;T;ηj 1/26i我操！联系我们-是的μP;T;！-μ.p;T;！中文（简体）已知如果F≥0，则对于任何可能的！然后，能量最小（稳定）或者如果相位分裂为两个（不稳定）。两相系统和参考相之间的吉布斯自由能的差由下式给出：ΔG¼GIGII-G0（2）其中GI和GII是相I和相II的吉布斯自由能，并且G是相I和相II的吉布斯自由能。参考相位！Z作为单相混合物是稳定的。而不是尽可能地评估这个等式！稳定性测试搜索临界点，其中吉布斯自由能是局部极小。可以使用直接替换法找到临界点（Michelsen，1982 a）：lnYtlnZlnφ。P;T; ！ Z-lnφP;T; ！宾馆（ 5）CO20.01210.0129N20.01940.0206C10.65990.7016C20.08690.0922C30.05910.0623C40.09670.0993C710.04720.0110C720.01530.0001C730.00340.0000含水量巴罗斯，A.P. 皮雷地球科学中的人工智能2（2021）2022070我具有组成的参考相的吉布斯自由能！Z. 考虑到-使得参考相位一分为二，其中新相位具有其中φi是组分i的逸度系数，使用任意含水量巴罗斯，A.P. 皮雷地球科学中的人工智能2（2021）202208¼KiPPJ我p我不P Nc xiVc iTc iNcxiV c iK¼pc;i exp5;3 71ω。1-Tc;iβ - 内酰胺酶（6）其中Pc，i，Tc，i和ωi分别为组分i的临界压力、临界温度和偏心因子。K值与蒸气（yi）和液体（xi）摩尔分数相关：Kyi（七）Ixi然后，如果评估液体状相，则初始试验组成由Δi1/4Zi给出，并且如果测试蒸气状相，则初始试验组成为Δi1/4Ki Zi。如果相位是稳定的，则相位识别算法确定其是否是液体还是气体必须执行。 当系统温度T大于混合物临界温度（T> Tc）时，该相被标记为蒸气，否则被标记为液体。临界温度取决于混合合成并且需要大量的计算工作。在在成分油藏模拟中，临界温度通常通过修改的Li混合规则（Li，1971）来近似：Tc¼r1i¼0;;（八）1/4;其中Vc，i是组分i的临界体积，r1是用于调整该算法的先前描述的过程将被称为经典的相平衡算法，其用于基于EOS的成分储层模拟器中（图1）。①的人。请注意，仅在两次稳定性测试（液体和蒸汽初始估计值）后，才将液体视为单相，然后执行相识别算法。沿着全场成分储层模拟，每个时间步长针对每个网格单元调用该例程，使得该算法负责大约50%的处理时间，其中稳定性测试是最消耗的部分（Wang等人，2019年a，b）。2.2. 神经网络在相位识别中的为了减少稳定性测试和相位标记算法的调用次数，我们开发了一种专门用于相位识别的神经网络（图1）。 2）。多层感知器（MLP）是选择的网络布局图2，每一圈都是一个感知器神经元，每一层都与下一层直接相连（Haykin，1999）。对于相位识别网络，所有神经元具有相同的S形激活函数，由下式给出：1一次！x·！w-b键（九）见图11。 不同气体分数的相包络（αg）。状态方程步骤t1中的组合物由下式求得：Yi.在哪里！x是神经元输入向量（图中的线）。 2），！w是神经元权重向量，b是恒定偏置。 注意，神经元输出受到间隔N的限制！x20;1。所以，训练一个网络是一个选择，定义值的问题！每个神经元的w和b最小化网络响应与给定训练数据集的输出之间的误差对于相识别网络，将压力、温度和全局组成定义为输入。该算法返回三个实数，其间隔为100; 100：液体（L）、蒸汽（V）或两相（TPH）。相位识别（Ph ID）通过投票系统执行，其中神经网络响应是最大值在三项产出中：iNcYj¼0初始迭代！通常使用Wilson相关性（Wilson，1968）计算水溶性骨的δ0pHID最大值L;V;TpH（10）为了检查网络响应是否有效，我们通过以下方式估计PhID的置信度不！x¼含水量巴罗斯，A.P. 皮雷地球科学中的人工智能2（2021）202209X¼>：y1/2V-1VðÞ>我1Ki-1VZ K;Þ ¼;见图12。 在三种不同的（p，T）条件下，用状态方程计算蒸汽摩尔分数，用神经网络和Wilson关联式估算蒸汽摩尔分数，气体馏分。CPhMaximumL;V;T（十一）并使用Newton-Raphson方法求解通常K值产品名称：如果神经网络识别的相位的置信度大于95%，则其被接受，否则使用传统的相位识别工作流程（第2.1节）。与文献中报道的其他方法相比，引入置信度概念并将其标记为单相情况下的液体或蒸气是本工作中提出的技术的一些改进（Wang等人，2019年a，b）。当模拟混溶过程时，它的重要性提高了，因为在不穿过两相边界或甚至不穿过界面的情况下，两相包络因此，所提出的方法的使用减少了稳定性测试调用的数量。在相位稳定性测试（等式（5））结束时获得的值被用作初始估计。在收敛之后，通过求解Rachford-Rice方程（Rachford和Rice，1952）来确定气相摩尔分数（V）：NcZ iK i-10（14）i/11伏每一相的组成计算如下：8>x¼Zi;i/1;2.3. 两阶段并行算法两相系统的相平衡条件由（Prausnitz等人，1998; Sandler，2006）：我 我我我2.4. 神经网络估计的初始计算当相位识别神经网络用于确定8>：x⋮ ⋮T！X y⋮T！ygence用于生成方程（13）的初始估计。对于这个问题，一个MLP网络被训练为每个变量其中φc是混合物中组分的逸度系数，使用任何状态方程计算，上标l和v表示液相和气相。每个组分的逸度条件方程可以用残差形式重写：logφip;T;！y-lo gφip;T;！xK iRi;i1;（V，logK1，.，logK N c）（图 3）。 输入与稳定性测试和相位识别p;T;相同！Z并且每个网络中有一个输出神经元。输出神经元使用线性激活函数：不！x¼！x·！中文（ 简体）NcφN cp;NcφN cp;Þ含水量巴罗斯，A.P. 皮雷地球科学中的人工智能2（2021）202210而输入层和隐藏层的所有其他神经元都使用含水量巴罗斯，A.P. 皮雷地球科学中的人工智能2（2021）202211阿吉什ðÞð Þ ðÞ2½] 2½]图 13. log K CO2 并记录KC73 通过EOS计算，并通过神经网络和Wilson相关性对三种不同的（p，T）条件进行估计，气体馏分。线性激活函数：不！x¼max0;！x·！中国（ 17）应该注意的是，必须为每个离散变量（V，logK1，该架构基于专门化概念，其中减少输 出变 量 减小 了 优 化问 题 的规 模 ，并 提 高了 其 精 度（ Haykin，1999）。2.5. 改进的两相平衡模型图4显示了拟议的相平衡工作流程，该流程使用人工智能来取代部分经典的计算（图4）。①的人。第一步使用相位识别网络来生成置信度的估计值并识别流体相位（等式（11））。如果C PhID95%，则不考虑结果，并进行常规稳定性试验否则，生成使用两相区域的估计网络的双灰参数（图13）。 3）。所提出的方法并不能完全取代成分模拟器中的Crachash计算。它避免了稳定性测试，并提供了非常接近的解决方案的初始估计。正如将在下一节中讨论的那样，神经网络工作流程与置信度计算相结合，确保找到两相平衡的精确解3. 结果和讨论新的相平衡工作流程（图）。 4）与SPE3混合物的经典工作流程（图1 ） 进 行 了 比 较 （ Kenyon 和 Behie ， 1987; Haugen 和 Beckner ，2013）。表1列出了SPE 3微流体特征和Fig. 图5示出了用Peng-Robinson 状态方程（Robinson和Peng ，1978）模拟的其相位包络。 k i值是行分量和i分量之间的二进制相互作用系数。该油为轻质油，API为51℃，溶解气油比为850 sm3/sm3本节分为三个部分：在前两个子部分中，我们检查人工智能算法是否从恒定的全局组成计算和气体泄漏回收过程中学习两相热力学平衡结果。最后一节比较了所提出的神经网络工作流和经典工作流的计算时间。3.1. 恒定组成对于恒定组成的情况，对SPE 3超临界流体（表1）进行了10，000次经典的超临界水计算，在区间p2; 27 MPa内改变压力，在区间T240; 620 K内改变温度。这些结果被用作训练数据集。3.1.1. 相位识别网络最佳相位识别网络拓扑结构由4层组成，共43个神经元，其结构为8;16; 16; 3，其中每个数字表示每层神经元的数量通过测试不同的架构来找到这种最佳拓扑，以使用最少的层数和神经元来最大限度地提高网络精度图图6比较了由经典工作流生成的相位识别包络（用作训练数据）和由神经网络在训练后获得的包络。 注意，不确定点（红色）出现在相变区域，并且小于总数的5.23%。含水量巴罗斯，A.P. 皮雷地球科学中的人工智能2（2021）202212ðÞ3.1.2. 两相混沌初值网络生成初始估计值以进行卷积计算的网络的拓扑结构与相位识别网络的拓扑 结构 相似 ，41 个神 经元 分布 在4 层8; 16; 16; 1 中。 Newton-Raphson方法依赖于初始估计。因此，为了减少Rollash算法（等式（13））的迭代次数，重要的是：试图为每个分量提供尽可能接近解的logKi估计值。作为一个例子，我们比较了经典工作流获得的平衡后log KCO2和log KC71，并通过所提出的神经网络方法、稳定性检验（方程（5））和Wilson相关性（方程（6））进行了估计（图1和图2）。第7和第8段）。神经网络可以学习所有组件的K值，生成非常接近精确解的初始估计值，并减少迭代次数另一方面，Wilson相关性在高压下提供了较差的估计值，当直接应用于Wavelash算法时，会导致发散。注意到在使用稳定性测试的计算中是不连续的稳定性计算中的不连续区域与方程（4）中的局部最小值有关。取决于算法是否启动测试具有液体状或蒸气状组合物（！Z¼！x或！Z¼！（y），图14个。 log Ki由EOS计算，并由神经网络和Wilson相关性估算，适用于p <$5MPa、T <$300 K和几种气体馏分。概率算法可以收敛到不同的log Ki（图1）。 9）。 图图9表示液态和气态稳定性试验收敛后的log KC 71。注意，存在两种算法导致具有不同组成的不稳定相的区域。在高液体分数（低温）区域选择蒸汽状组分可能导致Newton-Raphson算法的初始估计较差。请注意，无论是液体或蒸汽类稳定性测试的不稳定区域总是小于相包络区，主要原因是有必要运行两个测试在经典的工作流程（图1）。①的人。最后图图10比较了由EOS计算的蒸气摩尔分数和由神经网络提供的初始猜测。初始图15个。在 三种不同的（αg，T）条件和不同的系统压力下，用状态方程计算蒸汽摩尔分数，并用神经网络和Wilson关联式估算。含水量巴罗斯，A.P. 皮雷地球科学中的人工智能2（2021）202213¼2½] 2½]¼¼ðÞðÞ图十六岁在 三种不同的（αg，T）条件和不同的系统压力下，用状态方程计算log KCO2和log KC73，用神经网络和Wilson关联式进行估算。猜测是接近的EOS，一个很好的评价，即使在接近临界点的区域中也可以进行散列计算3.2. 可变组合物注气是一种液态烃的开采过程，它改变了储层流体的总体组成。由于传质的影响，增加了数值模拟的复杂性。例如，在注入井附近的小单元中的组成和压力变化可以在一个时间步长中将相从油改变为气。因此，有必要使用液体样和蒸汽样估计值在每个时间步进行稳定性试验为了训练所提出的神经网络工作流用于气体渗流模拟场景，创建了数值膨胀测试该测试包括将天然气和石油以固定比例混合，并在平衡后测量各相的用于可变组成情况的训练数据集是在标准条件下在灰分分离之后SPE 3油（表1）与其自身溶解的气体的混合物（表2）。我们创造了11种不同的气体馏分（αg），从纯油（αg<$40）到纯气体（αg<$41），以αg的恒定0.1（图 11）。相同的压力和温度区域（p2; 27 MPa和T240; 620 K）。注意对于固定的气体分数，全局组成计算如下：与恒定组成的情况相比，因为全局组成输入的变化首先，我们将蒸汽摩尔分数（在使用EOS的Riskash算法收敛之后）与神经网络给出的估计值和使用Wilson相关性的Rachford-Rice方程（方程（14）和（6））的结果进行比较，对于三种不同的压力和温度，改变气体分数（图14）。 12）。 随着系统压力的增加，威尔逊相关结果变差，增加了稳定性算法的迭代次数（等式（5））。 另一方面，神经网络避免了稳定性检验，为两阶段训练算法提供了良好的初始估计。在αg> 0.9、p15MPa、T350 K时，神经网络曲线出现了缺失点由于相位识别网络的低置信度图图13给出了log KCO2和log KC 73的类似结果，图14给出 了logKCO2和log KC73的类似结果。图14显示了单个p，T条件下的所有log Ki值。对于CO2，Wilson相关可以得到很好的结果，但对于C73等重组分，Wilson相关则不能得到很好的结果.神经网络提供了很好的估计日志Ki在所有温度和压力的所有组件。 在许多情况下，神经网络估计可以取代神经网络计算。对于αg>当压力为20 MPa，温度为400 K时，当温度为0.6时，混合物为单相。图图15和图16比较了在三种不同的（α g，T）条件下改变系统压力时的V、log KCO2和log KC73，而图15和图16比较了在不同的（α g，T）条件下改变系统压力时的V、logKCO2和logKC73。图17和图18比较了三种不同（αg，p）条件下改变系统温度的相同变量。很明显，威尔逊相关性不能提供良好的！Z¼。1-αg！xαg！y（十八）估计的高（p，T）系统，导致许多迭代，直到收敛的稳定性测试在经典的工作流程，在哪里！X和！y是液体和气体组成（表2）。膨胀情况下的最佳网络拓扑结构是相位识别网络的9; 27; 27; 3结构，并且每个初始估计值都是9; 27; 27; 1。这些网络需要更多的神经元，成分模拟使用所提出的技术避免了几乎95%的情况下的稳定性测试，并产生了一个初始估计非常接近的解决方案的Crackash算法。含水量巴罗斯，A.P. 皮雷地球科学中的人工智能2（2021）202214图十七岁在 三种不同的（αg，p）条件和不同的系统温度下，用状态方程计算蒸汽摩尔分数，用神经网络和Wilson关联式估算蒸汽摩尔分数。图18. 在三种不同的（αg，p）条件和不同的体系温度下，用状态方程计算log KCO2和log KC73，用神经网络和Wilson关联式进行估算。含水量巴罗斯，A.P. 皮雷地球科学中的人工智能2（2021）202215表3稳定性检验的迭代次数和经典网络和神经网络工作流的迭代算法减少，计算时间减少。网格蒸汽稳定性迭代Flash迭代EX X粒度分数EOS NN<$EOS NN <$EOS时间（%）20X 2040X 40100X 100200X 200400X 4002019 - 05 - 2500：00：00105，356 24，796 21，532 10，400-49.8%1，148，991 243，202 112，588 43，375-54.3%2019 - 05 - 22 00：00：0000：002019 -06 - 1500：003.3. 提速成果前两节表明，可以使用人工智能来学习热力学平衡变量。如所讨论的，所提出的平衡功流避免了大多数情况下的稳定性测试，并提供了非常接近解的初始估计值。对测试算例，稳定性检验的计算时间减少了约75%，半经验算法的计算时间减少了约50%。表3显示了某些情况下的迭代次数这些情况下，产生改变系统压力和温度（网格大小），并调用两个工作流为每一个。在所有情况下，处理时间减少超过40%对于Kashash算法，神经网络生成的初始估计非常接近最终结果，在某些情况下，在一次迭代后就可以获得解决方案4. 结论在这项工作中，我们提出了一个新的相平衡工作流程，使用人工智能，以减少数量，并在大多数情况下，避免了稳定性测试和加速传统的并行算法。所开发的技术产生的初始估计的计算接近的解决方案。该工作流程可应用于组分储层模拟器中，其中在每个时间步长对每个单元执行经典的储层平衡计算。结果表明，小的神经网络是必要的学习相平衡参数，并花费时间来评估这个网络是远远小于减少的Crachash迭代和避免稳定性调用。 神经网络和最后的并行化结果非常接近，在许多情况下，并行化例程是不必要的。然而，我们建立了一个强大的工作流程，其中平衡方程的准确性在每次运行中都能实现，避免了油藏模拟中的误差传播我们比较了经典和神经网络工作流之间的处理时间，人工智能的使用减少了大约50%的时间。申报利益作者声明，他们没有已知的竞争性经济利益或个人关系，可能会影响本文报告的工作。确认作 者 感 谢 UniversidadeEstadualdoNorte Flumin-nense（UENF ）提供的资金支持。 这项研究也得到了 巴西Coordena PessoaldeNívelSuperior（CAPES）-金融法典001的部分支持。引用Abhvani，A.S.，Beaumont，D.N.，1987.发展一种有效的算法来计算两相水蒸汽平衡。SPE储液器工程2，695-702。网址：http：//doi.org/10.2118/13951-paAlakeely，A.，霍恩河2021年a.深度学习方法在使用地面测量来估计生产井中的多相渗流速率的应用。J. Petrol. Sci. 工程205。https://doi.org/10.1016/j.petrol.2021.108936网站。阿拉基利，AA，霍恩，R. N.，2021b的最后一页。用生成式深度学习模拟油藏中的多相渗流。在：SPE年度技术会议和EX ESTA，SPE。https://doi.org/10.2118/206126-ms网站。Alavian，S.A.，Whitson，C.H.，Martinsen，S. O.，2014.用于EOS计算的全局组件集总。在：SPE年度技术会议和EX ESTA。石油工程师协会。https://doi.org/10.2118/170912-ms网站。Almajid，M.M.，Abu-Alsaud，M.O.，2022年用物理学神经网络预测多孔介质中的流体流速J.汽油Sci.Eng.208.https://doi.org/10.1016/j.petrol.2021.109205www.example.comBaghban，A.，Ahmadi，硕士，Shahraki，B.H.，2015.用计算智能方法预测二氧化碳在不同离子液体J.超级暴击。液体98，50-64。https：//doi.org/10.1016/j.supplyu.2015.01.002.Baghban，A.，Bahadori，M.，Rozyn，J.，李，M.，Abbas，A.，Bahadori，A.，Rahimali，A.，2016年a。用计算智能方案估算空气露点温度。应用温度Eng.93，1043-1052. https://doi.org/10.1016/j.applthermaleng.2015.10.056.Baghban，A.，Namvarrechi，S.，Phung，L.T.K.，李，M.，Bahadori，A.，Kashiwao，T.，2016年b。基于LSSVM方法的天然气水合物生成条件相平衡模拟石油科学Technol.34，1431-1438.https://doi.org/10.1080/10916466.2016.1202966.Baker，L.E.，皮尔斯，AC，Luks，K. D.，1982.相平衡的吉布斯能分析。Soc.汽油Eng. J. 22 ，731-742。https://doi.org/10.2118/9806-pa网站。波士顿，J.，Britt，H.，一九七八年 一个完全不同的公式和解决单阶段的垃圾问题。Comput. Chem.Eng.2，109 - 122。https://doi.org/10.1016/0098-1354（78）80015-5.张世文，钟，ET，Efendiev，Y.，Gildin，E.，王玉，2018.深度全局模型约简学习。arXiv.https://doi.org/10.48550/arXiv.1807.09335网站。Coats，K.H.，1980年状态方程组成模型。Soc. 汽油Eng. J. 20，363-376.https://doi.org/10.2118/8284-pa网站。Coutinho，E.J.R.，Aqua，M.J.，Gildin，E.，2021.基于物理感知深度学习的prox y油藏模拟 模 型 ， 配 备 状 态 和 油 井 产 量 预 测 。 在 ： SPE 油 藏 模 拟 会 议 。https://doi.org/10.2118/203994-ms网站。SPE。Coutinho，E.J.R.，Dall'Aqua，M.，麦克伦尼湖Zhong，M.，布拉加-内托大学Gildin，E.，2022 年 具 有 自 适 应 局 部 人 工 粘 性 的 物 理 信 息 神 经 网 络 arXiv.https://doi.org/10.48550/arXiv.2203.08802网站。Culham，W.，Ali，S.F.，Stahl，C.，1969. 一维和二维两相流相间传质的实验和数值模拟Soc. 汽油 Eng.J.9，323-337。https://doi.org/10.2118/2187-pa网站。埃格泰代河，Moghurst，N.K.，Sarlak，V.，deldar，A.N.，Baghban，A.，2019. 预测纯烃和石油馏分汽化焓的神经计算方法。石油科学Technol. 37，1898-1904.https://doi.org/10.1080/10916466.2017.1315727.El-Banbi，A.H.，Forrest，J.，范湖，加-地麦凯恩，W.，2000.生产富气凝析油--案例历史和成分法与改良黑油法的比较SPE国际石油会议。https://doi.org/10.2118/58988-ms.SPE。Firoozabadi，A.，潘，H.，2000.快速和强大的组合建模算法：第一部分-稳定性分析测试。在：SPE年度技术会议和EX ESTA。石油工程师协会。https://doi.org/10.2118/63083-ms网站。Fussell，D.，Yanosik，J.，1978.用redlich-kwong状态方程计算相平衡的迭代程序。《石油工程学会杂志》18，173-182。https://doi.org/10.2118/6050-pa。富塞尔湖Fussell，D.，一九七九年用于组分储层模型的迭代技术Soc. 汽油Eng. J. 19，211-220. https://doi.org/10.2118/6891-pa网站。Goda，H.M.，Shokir，E.M.E.M. F