物理正则化神经反演框架用于长水平井穿过多条断层的试井参数识别

《Processes》：A Physics-Regularized Neural Inversion Framework for Well-Test Parameter Identification in Long Horizontal Wells Intersecting Multiple Faults

　　

摘要：高渗透性断块油藏中的长水平井可能穿过多条断层，导致复杂的压力瞬态响应、常规试井解释中的强参数耦合、低效的手工历史拟合，以及断层性质识别中显著的非唯一性。为应对这些挑战，本研究提出了一种基于物理正则化神经反演框架的方法，该方法采用PINN参数化和低权重物理正则化，用于穿过多条断层的长水平井的试井参数反演。所提出的方法将长水平井的多断层压力响应作为目标问题。同时采用压降曲线和压降导数曲线作为数据约束。同时引入参数缩放和分阶段训练，以联合反演储层渗透率、断层传导系数、表皮因子和水平井有效生产长度。考虑到简化线源正演模型与二维压力扩散方程及断层界面残差不完全一致，研究人员进行了物理损失一致性测试，以确定偏微分方程残差和断层界面残差的安全权重范围。然后将这些残差作为低权重物理正则化项纳入训练过程，以提高反演结果的物理合理性。来自基准案例、不同断层类型、多断层组合、噪声鲁棒性测试、消融实验和方法对比的结果表明，所提出的方法能够稳定地拟合压降和压降导数曲线，并在单断层情况和部分多断层情况下有效识别关键试井参数。在单断层情况下，断层传导系数的量级可被稳定识别。对于中等至高传导系数断层以及某些多断层组合，可获得可靠的反演性能。相比之下，在多个低传导系数断层组合中，封闭性断层与强遮挡断层之间仍存在模糊性。结果进一步表明，在多次随机初始化下，与传统最小二乘法相比，物理正则化神经反演框架在所测试的合成低传导系数多断层案例中提供了改进的反演稳定性。因此，所提出的框架可作为复杂断块油藏中试井参数反演和断层连通性评估的智能辅助工具。然而，对低传导系数断层的精细区分以及高噪声现场数据的解释仍需要地质、地震和生产动态信息的联合约束。利用X井压降事件的初步简化现场PINN拟合测试进一步为实际压力瞬态数据提供了工程尺度的适用性检验，提取的关井响应的压力归一化均方根误差为2.457%。

**论文解读：物理正则化神经反演框架在穿过多条断层的长水平井试井参数识别中的应用**

**一、研究背景与问题**

在高渗透性复杂断块油藏中，长水平井是提高单井控制储量、扩大接触储层体积、改善开发效果的重要井型。然而，当长水平井穿过多条断层时，压力瞬态响应变得极为复杂：井筒、断层、断块属性及外部边界之间的耦合作用，使得压力及压降导数曲线不仅受渗透率、表皮因子、井筒储存和有效生产长度控制，还受断层位置、封闭能力、传导系数及块间连通性的显著影响。常规试井解释依赖典型曲线诊断、压力导数分析及人工历史拟合，但在多断层条件下，不同参数（如渗透率降低、断层传导减弱、有效生产长度变化、表皮因子改变）可能导致相似的导数抬升、过渡期展宽或导数平台畸变，从而引发强烈的非唯一性问题。尽管机器学习方法已被应用于试井模型识别和参数估计，但纯数据驱动模型缺乏流动方程、井筒边界和断层界面的物理约束，在训练样本不足、测试分布外推或数据强噪声时，易产生物理不一致的预测结果。因此，亟需一种能够联合压力数据、导数特征及流动物理约束的智能反演方法，以实现对长水平井穿过多条断层时关键参数（渗透率、断层传导系数、表皮因子、有效生产长度）的稳定识别。

**二、研究内容与结论**

本研究针对上述挑战，提出了一种基于PINN参数化与低权重物理正则化的神经反演框架，将压降曲线与压降导数曲线作为数据约束，引入参数缩放与分阶段训练，并经过物理损失一致性测试后，将偏微分方程残差和断层界面残差作为低权重正则化项，以提升反演结果的物理合理性。通过基准案例、不同断层类型、多断层组合、噪声鲁棒性测试、消融实验及方法对比，系统评估了该方法的有效性。结果表明：在单断层弱遮挡条件下，该方法可准确拟合压降及导数曲线，稳定反演渗透率、表皮因子、有效生产长度及断层传导系数（平均压降NRMSE 0.000166%，导数NRMSE 0.000617%）；在单断层不同传导类型下，断层传导系数量级可稳定识别；在多断层组合中，反演仍能精确拟合曲线，但低传导系数断层组合（如封闭+强遮挡）存在参数模糊性，平均对数误差可达1.298；噪声实验显示导数对噪声敏感，1%噪声时导数NRMSE升至10.188%；多初始化对比表明，该框架在低传导系数多断层案例中的反演稳定性优于传统最小二乘法（MF4中平均T_f对数误差1.211 vs 4.446）；初步现场X井压降数据拟合获得压力NRMSE为2.457%，验证了工程适用性。该研究发表在《Processes》期刊，为复杂断块油藏动态表征、断层连通性评估及开发调整提供了可解释的智能辅助工具。

**三、关键技术方法**

本研究采用的主要关键技术方法包括：（1）PINN参数化框架：以空间坐标和时间作为神经网络输入，输出压力场，将渗透率、断层传导系数、表皮因子及有效生产长度作为可训练物理参数，与网络权重联合优化；（2）联合数据约束：同时使用压降数据损失和压降导数损失，导数损失增强对流动阶段转变和断层响应的敏感性；（3）参数缩放与分阶段训练：对跨越多个量级的参数（如k、T_f、L_eff）进行对数变换，分步释放物理参数以减少补偿效应；（4）低权重物理正则化：经过一致性测试确定安全权重后，将偏微分方程残差和断层界面残差作为低权重项引入总损失函数。合成样本采用简化线源长水平井正演模型生成，参数范围基于高渗透断块油藏条件（渗透率500–3000 mD，孔隙度0.20–0.30，断层传导系数10^?5至10^?1等）。现场数据来自匿名高渗透断块油藏X井的压降事件，记录了注入与关井阶段。

**四、研究结果**

**5.1 基准案例反演结果**
采用单断层弱遮挡模型（k=1000 mD，T_f=10^?2.5，S=5，L_eff=500 m）进行分阶段训练，验证了网络对压力和导数曲线的表示能力。三次重复实验的平均压降NRMSE为0.000166%，导数NRMSE为0.000617%；渗透率相对误差1.412%，表皮因子0.015%，有效生产长度0.712%，断层传导系数对数误差0.000151，表明在单断层弱遮挡下可稳定识别关键参数。

**5.2 不同断层类型的反演结果**
针对封闭（T_f=10^?5）、强遮挡（10^?3.5）、弱遮挡（10^?2.5）和泄漏（10^?1.5）四种断层类型进行实验。所有单断层案例的压降NRMSE均低于0.0003%，导数NRMSE低于0.001%。断层传导系数对数误差从弱遮挡/泄漏的接近10^?4量级到封闭时的0.0204。导数曲线对比显示，封闭和强遮挡断层晚期导数水平较高，泄漏断层最低，表明导数能有效反映不同断层传导对压力响应的影响。

**5.3 多断层组合案例的反演结果**
设计五种组合：强遮挡+弱遮挡、弱遮挡+泄漏、强遮挡+弱遮挡+泄漏、封闭+强遮挡、封闭+弱遮挡+泄漏。压降NRMSE范围为0.000185%至0.00844%，导数NRMSE为0.000806%至0.10519%。常规参数反演稳定，但断层传导系数的联合反演存在非唯一性。例如，在封闭+强遮挡案例中，平均T_f对数误差达1.29845和0.91706，表明低传导系数断层组合易产生参数模糊性。敏感性分析表明，不同断层传导系数的导数灵敏度向量高度相关（如MF4中F1与F2相关性达0.9486），导致可区分性差。

**5.4 低传导系数多断层案例的可辨识性分析**
通过有限差分灵敏度分析，MF4中F1的导数灵敏度范数仅为0.00107，远低于F2的0.00752；MF5中F1为0.00108，低于F2的0.04430和F3的0.03752。高灵敏度向量相关性进一步解释低传导系数组合的非唯一性，这些案例应视为低可辨识性而非简单反演失败。

**6.1 物理损失一致性分析**
经过物理损失一致性测试，确定PDE残差权重λ_pde=10^?8、断层界面残差权重λ_fault=10^?6作为安全范围，避免因模型不一致导致的参数偏差。过大权重会导致渗透率、表皮因子等参数显著偏离。

**6.2 噪声鲁棒性分析**
在0%、1%、3%、5%噪声水平下测试。无噪声时精度高；1%噪声时导数NRMSE升至10.188%，表皮因子误差增至15.156%，T_f对数误差增至0.2955；3%和5%噪声时导数NRMSE分别达14.865%和16.174%，T_f误差进一步增大。渗透率和有效生产长度受噪声影响较小。

**6.3 消融实验分析**
通过逐步添加导数损失、参数缩放、分阶段训练和物理正则化，发现导数损失显著降低导数拟合误差和T_f误差；参数缩放大幅降低渗透率和有效生产长度误差（从8.99%降至1.349%）；分阶段训练和低权重物理正则化在基准案例中贡献有限，但在低可辨识性案例中提供物理合理性控制。

**6.4 方法对比分析**
在MF4和MF5低可辨识性案例中，传统最小二乘法（Traditional LS）对初值敏感，平均T_f对数误差达4.446和5.305；普通MLP不直接输出物理参数；而所提PINN方法的平均对数误差分别为1.211和1.265，误差分布更集中，表明导数约束、参数缩放和物理正则化提升了联合反演稳定性。

**6.5 初步现场PINN拟合**
利用X井压降事件进行简化现场拟合，采用压力-only PINN设置，经预处理后使用1466个关井压力点（移除6个异常尖峰），获得压力RMSE为0.794 bar，NRMSE为2.457%，能复现主要压力下降趋势。但该现场案例为变注入速率减模型拟合，非完整多断层反演。

**五、讨论与结论总结**

**讨论部分总结**：本研究开发的PINN智能反演框架能够整合压降曲线、导数曲线、参数缩放、分阶段训练及低权重物理正则化，输出具有物理意义的参数。实验表明，低压力拟合误差并不保证参数唯一性；多断层情况下低传导系数组合的非唯一性源于弱灵敏度和高灵敏度向量相关性。物理损失作为低权重正则化更为合适，过大权重会导致参数偏差。噪声主要影响导数特征及表皮因子、断层传导系数的反演，现场应用中需重视数据预处理。初步现场测试验证了工程适用性。当前研究仍存在局限：大部分定量评估基于合成样本；采用简化单相模型，未考虑井筒储存、井筒压降、两相流等；断层传导系数简化为常数；低传导系数非唯一性未完全消除；现场验证仅为简化模型拟合。未来工作应扩展至二维/三维数值模型，加入多相流动和多源数据约束，并与其他不确定性反演方法对比。

**结论部分翻译**：（1）针对高渗透复杂断块油藏长水平井穿过多条断层的试井解释强非唯一性问题，基于PINN参数化开发了一种物理正则化神经试井参数反演方法。该方法结合压降数据、压降导数、参数缩放、分阶段训练以及低权重PDE/断层正则化项，联合反演储层渗透率、断层传导系数、表皮因子和水平井有效生产长度。（2）基准案例结果表明，在单断层弱遮挡条件下，该方法能准确拟合压降及导数响应，稳定反演关键参数。三次重复实验的平均压降NRMSE为0.000166%，导数NRMSE为0.000617%；渗透率、表皮因子、有效生产长度相对误差分别为1.412%、0.015%、0.712%，断层传导系数对数误差为0.000151。（3）不同断层类型实验表明，在单断层条件下压降导数能有效反映断层传导变化。封闭和强遮挡断层的晚期导数水平较高，泄漏断层较低。四种断层类型的T_f对数误差范围为0.000145至0.0204，表明单断层下T_f量级可稳定识别。（4）多断层组合实验表明，所提PINN方法能准确拟合曲线，但多断层传导系数联合反演仍存在非唯一性。低传导系数断层在含封闭或强遮挡断层案例中易产生模糊性（MF4和MF5的平均T_f对数误差分别为1.29845和0.91706）。多初始化对比显示该方法可减小误差分布，但无法完全消除低传导系数断层间的非唯一性。（5）噪声实验表明压降导数对噪声敏感：1%噪声下导数NRMSE升至10.188%，3%和5%噪声下分别达14.865%和16.174%。表皮因子和断层传导系数受噪声显著影响，现场应用需结合数据预处理和地质动态约束。（6）方法对比显示，在低传导系数多断层案例中，传统最小二乘法对初值敏感（MF4和MF5的平均T_f对数误差4.446和5.305），而所提PINN方法的相应值为1.211和1.265，误差分布更集中，表明导数约束、参数缩放、分阶段训练和物理正则化有助于提升联合反演稳定性。但低传导系数非唯一性未完全消除，仍需地质和动态数据联合约束。附加困难案例消融表明，低权重PDE/断层残差主要起物理合理性控制作用，在当前简化正演模型下不主导精度提升。（7）利用X井压降事件进行了初步简化现场PINN拟合测试。采用实际项目PINN工作流程拟合提取的关井压力响应，优化后的压力-only PINN设置获得压力RMSE为0.794 bar，NRMSE为2.457%，表明主要压力下降趋势可被再现。由于关井前变注入速率历史未在当前工作流中显式叠加，因此该现场结果被解释为简化模型拟合测试，而非完整现场尺度多断层反演。