Состязательные сверточные нейронные сети в качестве эвристической модели процесса двухфазной фильтрации в пористой среде

Имитационное моделирование на основе обучающих данных - перспективный подход к созданию эвристических моделей сложных физических систем. Согласно этому подходу множество весов искусственной нейронной сети оптимизируется с целью непосредственного предсказания характеристик расчетных блоков, в виде которых представляется исследуемая система. Подход впервые применен к задаче моделирования двухфазного течения в пористой среде, а именно для определения насыщенностей двух несмешивающихся фаз при их фильтрации в пространственной области в произвольный момент времени. Проведен вычислительный эксперимент, заключающийся в обучении глубокой сверточной нейронной сети состязательным методом с использованием статистических оценок отклонения от эталонных численных решений, выступающего в качестве целевой функции. Рассмотрены сеть оригинальной архитектуры и процесс обучения, включающий нетривиальную последовательность обновления весов подсетей, в частности двух кодировщиков и одного декодировщика-генератора. В рамках методологии состязательного обучения также использована сеть-дискриминатор с целевой функцией, отражающей задачу, противоречащую целевым функциям основных подсетей. Результаты обучения искусственной нейронной сети выбранной конфигурации доказали ее способность успешно генерализировать закономерности, усвоенные из набора обучающих данных. Разработанная методика, предполагающая наличие двух основных целевых функций для оптимизации множества весов каждой из подсетей, позволила эвристической модели достичь результатов, сопоставимых с эталонным имитационным моделированием двухфазного течения на основе численных методов. Специфика задач нефтегазодобывающей индустрии - неизбежное возникновение неопределенностей в геологических и гидродинамических моделях пласта, делает актуальными изыскания в области эвристических методов гидродинамического моделирования. Скорость вывода данных при расчете по разработанной модели для сравнимых значений точности выше скорости традиционных решений на 2-3 порядка. Это позволяет говорить о применимости предлагаемого синтетического моделирования к задачам прогнозирования месторождений углеводородов и планирования их разработки.