AN UPSCALING MACHINE LEARNING METHOD BASED ON PHYSICAL INFORMATION

Abstract

Objective: The objective of this study is to investigate a machine learning methodology based on the physics of dynamic fluid flow, with the aim of incorporating the knowledge of physical laws into learning algorithms to estimate precise results with lower computational cost. Theoretical Framework: This section presents the main concepts and theories that underpin the research. Key theories include nonlinear partial differential equations (PDEs), Darcy's Law, and the conservation of mass and energy, providing a solid foundation for understanding the research context. Method: The methodology adopted for this research involves modeling a one-dimensional two-phase fluid flow problem in a porous medium, governed by a first-order hyperbolic nonlinear equation. Data collection was conducted through numerical simulations, using micro and macro grids to evaluate permeability and boundary conditions. Results and Discussion: The results revealed that considering learning only in absolute permeability yielded good estimates of reservoir pressures. However, small discrepancies were observed in the estimation of saturations. The discussion contextualizes these results in light of the theoretical framework, highlighting the identified implications and relationships, as well as the study's limitations. Research Implications: The practical and theoretical implications of this research are discussed, providing insights into how the results can be applied or influence practices in the field of reservoir modeling and fluid flow simulations. These implications may include optimizing oil extraction processes and improving predictive models in reservoir engineering. Originality/Value: This study contributes to literature by presenting an innovative approach that integrates physical laws into machine learning algorithms, resulting in more accurate and efficient estimates. The relevance and value of this research are evidenced by the potential application of the results in optimizing industrial processes and improving computational simulations.

Alternate abstract:

Objetivo: O objetivo deste estudo é investigar uma metodologia de aprendizagem de máquina baseada na física do fluxo dinámico de fluidos, com o objetivo de incorporar o conhecimento de leis físicas em algoritmos de aprendizagem para estimar resultados precisos com menor custo computacional. Estrutura Teórica: Esta seção apresenta os principais conceitos e teorias que sustentam a pesquisa. As principais teorias incluem equações diferenciais parciais não lineares (EDPs), a Lei de Darcy e a conservação de massa e energia, fornecendo uma base sólida para a compreensão do contexto de pesquisa. Método: A metodologia adotada para esta pesquisa envolve a modelagem de um problema de fluxo de fluido bifásico unidimensional em um meio poroso, governado por uma equacáo hiperbólica náo-linear de primeira ordem. A coleta de dados foi realizada por meio de simulações numéricas, utilizando microrredes e macroredes para avaliar a permeabilidade e as condições de contorno. Resultados e Discussão: Os resultados revelaram que considerar o aprendizado apenas em permeabilidade absoluta produziu boas estimativas de pressões de reservatório. No entanto, foram observadas pequenas discrepâncias na estimativa de saturaçôes. A discussão contextualiza esses resultados a luz do marco teórico, destacando as implicações e relações identificadas, bem como as limitações do estudo. Implicações da pesquisa: As implicações práticas e teóricas desta pesquisa são discutidas, fornecendo insights sobre como os resultados podem ser aplicados ou influenciar práticas no campo da modelagem de reservatórios e simulações de fluxo de fluidos. Essas implicações podem incluir a otimização dos processos de extração de petróleo e a melhoria dos modelos preditivos na engenharia de reservatórios. Originalidade/valor: Este estudo contribui para a literatura, apresentando uma abordagem inovadora que integra as leis físicas em algoritmos de aprendizagem de máquina, resultando em estimativas mais precisas e eficientes. A relevância e o valor desta pesquisa são evidenciados pela aplicação potencial dos resultados na otimização de processos industriais e na melhoria de simulações computacionais.

Alternate abstract:

Objetivo: El objetivo de este estudio es investigar una metodología de aprendizaje automático basada en la física del flujo dinámico de fluidos, con el objetivo de incorporar el conocimiento de las leyes físicas en algoritmos de aprendizaje para estimar resultados precisos con menor costo computacional. Marco teórico: Esta sección presenta los principales conceptos y teorías que sustentan la investigación. Las teorías clave incluyen ecuaciones diferenciales parciales (PDEs) no lineales, la Ley de Darcy y la conservación de masa y energía, proporcionando una base sólida para entender el contexto de investigación. Método: La metodología adoptada para esta investigación consiste en modelar un problema unidimensional de flujo de fluido bifásico en un medio poroso, gobernado por una ecuación hiperbólica no lineal de primer orden. La recolección de datos se llevó a cabo mediante simulaciones numéricas, utilizando microrredes y macroredes para evaluar la permeabilidad y las condiciones de frontera. Resultados y Discusión: Los resultados revelaron que considerar el aprendizaje solo en permeabilidad absoluta produjo buenas estimaciones de las presiones del reservorio. Sin embargo, se observaron pequeñas discrepancias en la estimación de las saturaciones. La discusión contextualiza estos resultados a la luz del marco teórico, destacando las implicaciones y relaciones identificadas, así como las limitaciones del estudio. Implicaciones de la investigación: Se discuten las implicaciones prácticas y teóricas de esta investigación, aportando ideas sobre cómo los resultados pueden ser aplicados o influir en prácticas en el campo de la modelación de yacimientos y simulaciones de flujo de fluidos. Estas implicaciones pueden incluir la optimización de los procesos de extracción de petróleo y la mejora de los modelos predictivos en la ingeniería de los yacimientos. Originalidad/Valor: Este estudio contribuye a la literatura presentando un enfoque innovador que integra leyes físicas en algoritmos de aprendizaje automático, lo que resulta en estimaciones más precisas y eficientes. La relevancia y el valor de esta investigación se evidencian en la aplicación potencial de los resultados en la optimización de procesos industriales y en la mejora de simulaciones computacionales.