Neues KI-Modell kombiniert Physik und Daten für schnelle Reservoircharakterisierung

Die präzise Bestimmung von Untergrundheterogenitäten ist für das Reservoirmanagement, die Geothermie und CO₂‑, H₂‑ sowie Abwasserinjektionen entscheidend – doch besonders bei seltenen, extremen Druckereignissen wird die Aufgabe enorm komplex. Traditionelle Historienanpassungen und Inversionsverfahren erfordern aufwändige, physikbasierte Simulationen, die bei Unsicherheiten und extremen Szenarien kaum skalierbar sind.

Um diese Grenzen zu überwinden, wurde ein physikinformiertes Machine‑Learning‑Modell entwickelt, das einen differenzierbaren Untergrundfluss‑Simulator direkt in den Trainingsprozess einer neuronalen Netzwerks einbettet. Das Netzwerk ermittelt heterogene Durchlässigkeitsfelder aus wenigen Druckmessungen, während die Trainingsphase gleichzeitig Druck‑ und Durchlässigkeitsverluste minimiert und so die physikalische Konsistenz sicherstellt.

In ersten Tests konnte das Verfahren die Druckinferenz‑Fehler gegenüber rein datenbasierten Ansätzen um die Hälfte reduzieren. Bei acht unterschiedlichen Datenszenarien zeigte es konsequent geringere Fehlerwerte. Besonders bei extremen Druckereignissen erwies sich die Methode als robust und deutlich genauer.

Da der Simulator ausschließlich während des Trainings eingesetzt wird, bleibt die Inferenz nach dem Lernen extrem schnell. Das eröffnet die Möglichkeit, Unsicherheiten und seltene Ereignisse in großem Maßstab zu berücksichtigen und damit die Betriebssicherheit von Reservoirs nachhaltig zu erhöhen.