Details

Данная работа посвящена исследованию возможности ускорения процесса моделирования и решения оптимизационных задач за счет использования гибридных методов машинного обучения для решения уравнений, описывающих процессы нефтегазодобычи (течение в трубопроводе). Задачи, которые решались в ходе исследования: реализовать алгоритм Deep Galerkin для моделирования данных математических моделей; разработать алгоритм подбора оптимальной архитектуры Deep Galerkin для эффективного решения поставленных задач. В данной работе произведено исследование решение уравнения Навье-Стокса для моделирования течения жидкости в трубе с помощью одного из гибридных методов машинного обучения (PINN). Реализованы алгоритмы численного решения, а также методом Deep Galerkin для решения уравнения Навье-Стокса. В результате решение уравнения Навье-Стокса на основе Deep Galerkin были получены результаты, совпадающие с численным решением на основе метода конечных разностей. Расхождение между решениями составило менее 3% относительной ошибки по дебиту жидкости для потока в трубах различной длины.

This work is devoted to investigating the potential for accelerating modeling and optimization processes by employing hybrid machine learning methods—particularly the Deep Galerkin Method - to solve equations governing oil and gas production processes (e.g., flow through pipelines). The research sets the following goals: to formulate a mathematical model describing multiphase fluid flow in a pipeline; to implement the Deep Galerkin algorithm for modeling the defined mathematical system. This study was carried out in collaboration with Gazpromneft Science & Technology Center LLC, which served as the source for a substantial portion of the theoretical background, as well as information regarding the methods, algorithms, and software tools applied in multiphase flow modeling. The research focused on solving the Navier–Stokes equations for fluid flow in a pipe using one of the hybrid machine learning methods: Physics-Informed Neural Networks (PINNs). Both numerical and Deep Galerkin-based solution algorithms were implemented for this purpose. As a result, the solution of the Navier–Stokes equations based on the Deep Galerkin Method produced results consistent with the numerical solution obtained using the finite difference method. The discrepancy between the two approaches was less than 3% in relative error for the liquid flow rate in pipelines of varying lengths.