PI-DeepOKAN:一种基于物理信息的深度算子Kolmogorov–Arnold网络,通过输出头重新加权机制实现多相流预测

《Expert Systems with Applications》:PI-DeepOKAN: Physics-Informed Deep Operator Kolmogorov– Arnold Network with Output-Head Reweighting for Multiphase Flow Prediction

【字体: 大 中 小 】 时间:2026年03月31日 来源:Expert Systems with Applications 7.5

编辑推荐:

  多相流 reservoir 模拟中,PI-DeepOKAN 通过融合物理信息约束、Kolmogorov-Arnold 网络和输出头自适应加权,解决了传统数据驱动模型少样本泛化能力不足的问题,实验显示其相对 L2 误差较基线降低 63%-65%,RMSE 降低 64%-64.7%。

  
张晓迪|程海波|李东|乔家豪|熊先娥|张丽婷|胡明璐
中国科学院沈阳自动化研究所,机器人技术与智能系统国家重点实验室,沈阳,110000,中国

摘要

水库模拟为分析地下流动过程提供了基本框架。近年来,为了提高水库模拟的效率,替代建模得到了广泛研究。然而,现有的数据驱动型水库替代模型在小样本环境下往往表现出有限的泛化能力。在本文中,我们提出了PI-DeepOKAN,这是一种基于物理信息的深度算子Kolmogorov-Arnold网络,该网络结合了输出头部权重重置机制,用于多相流替代建模。该模型通过可学习的激活函数增强了表达能力,并采用了双分支深度算子架构,通过输出头部权重重置机制自适应地调整地质分支和控制分支,以实现特定输出的融合。物理约束作为软惩罚被纳入损失函数中,以在观测数据有限的情况下提高物理一致性。在两个数据集上的验证结果表明,所提出的方法在决定系数R2、相对L2误差和均方根误差(RMSE)等关键指标上优于主流神经网络。与公开的有故障水库数据集上表现最好的模型相比,所提出的方法将压力相关的L2误差降低了65.2%,水饱和度相关的L2误差降低了63.3%,压力相关的RMSE降低了64.7%,水饱和度相关的RMSE降低了63.4%。这些结果表明,PI-DeepOKAN是复杂水库中多相流精确且稳健替代建模的一种有前景的方法。

引言

多相流描述了不可混溶流体(如油、水和气体)在地下多孔介质中的同时传输(Blunt (2017))。对于水库中的油水两相流,准确模拟其动态对于生产规划和运营决策至关重要(Feng et al. (2024))。虽然传统的数值方法(如有限差分法和有限体积法)为多相流过程模拟提供了理论基础(Castro & Parés (2020); Szabó & Babu?ka (2021); Teixeira et al. (2023)),但在实际应用中存在固有局限性。在具有复杂地质结构和强异质性的真实水库环境中,获得高保真度解需要长时间范围内的精细网格模拟。这导致了计算负担过重,使得传统的基于物理的求解器无法满足实时预测和快速开发优化的要求(Santos et al. (2022); Wang, Zhang, Chang, & Li (2020))。
深度学习替代模型作为一种有效的解决方案应运而生,以缓解这些限制。虽然纯数据驱动的方法可以近似复杂的输入-输出映射,但它们通常作为黑盒模型运行,忽略了物理定律(Coutinho, Dall’Aqua, & Gildin (2021))。为了解决这个问题,提出了基于物理信息的神经网络(PINNs)(Raissi, Perdikaris, & Karniadakis (2019))。通过将物理方程嵌入损失函数,PINNs使模型能够在训练过程中利用物理先验,从而提高预测的一致性。然而,标准的PINN公式通常依赖于多层感知器(MLPs)(Rumelhart, Hinton, & Williams (1986)),这些模型在表示异质水库中的高维、时空耦合流动动态方面能力有限(Tancik et al. (2020); Wang, Teng, & Perdikaris (2021b))。最近的研究探索了其他网络架构,如Kolmogorov–Arnold网络(KANs)(Liu et al. (2024)),以增强功能表达能力。此外,大多数现有的PINN框架是点对点的,并没有明确学习从输入场到输出解的算子映射。
这些局限性促使人们从点对点学习范式转向算子学习框架。最近在算子学习方面的研究,例如深度算子网络(DeepONets)(Lu, Jin, Pang, Zhang, & Karniadakis (2021)),旨在学习函数空间之间的映射,而不仅仅是单个数据点之间的映射。在真实的水库系统中,地质属性和井控制变量共同决定了流动行为,但它们的相对影响在不同的输出变量和水库设置中有所不同。然而,标准的DeepONet架构采用固定的输入分支融合方式,对所有预测输出应用相同的地质和控制特征组合。这种统一处理限制了网络适应不同输入的依赖性敏感性的能力,尤其是在复杂的地质异质性条件下。
为了解决这一挑战,我们提出了一种基于物理信息的深度算子Kolmogorov-Arnold网络(PI-DeepOKAN),该网络在数据有限的情况下能够进行高效且物理一致的多相流预测。该模型通过双分支架构和输出头部权重重置(OHR)机制扩展了DeepONet框架,自适应地融合地质和控制表示。此外,KANs被嵌入算子主干中以增强非线性表达能力,而基于控制方程和边界/故障条件的物理信息约束确保了物理一致性和鲁棒性。所提出模型的主要贡献总结如下:
  • •
    我们设计了一种新颖的OHR增强型双分支深度算子架构,为每个输出头部重新加权地质分支和控制分支,克服了传统DeepONet的非自适应融合限制。
  • •
    我们开发了PI-DeepOKAN,它用基于KAN的非线性映射替换了深度算子主干中的标准MLP组件,从而在强异质性和数据有限的情况下增强了多相水库流预测的表达能力。
  • •
    我们制定了一个全链式的基于物理信息的损失函数,提供了一个模块化的目标,可以轻松适应不同的水库设置和物理约束配置。
  • •
    我们在两个具有不同地质复杂性的水库数据集上评估了PI-DeepOKAN的性能,包括一个合成的低渗透率水库和一个具有不规则角点网格的真实有故障水库,并观察到在数据有限的情况下,与基线算子学习模型相比,其预测准确性更强。
  • 相关工作

    多相流在多孔介质中的高保真数值模拟仍然是水库预测和开发规划的核心,然而,为了进行历史匹配和生产优化而重复运行计算成本可能非常高,尤其是在地质和井控制变量高度异质的情况下(Badawi & Gildin (2025))。因此,基于物理信息的机器学习成为地下能源系统中的一个活跃研究方向,旨在构建快速的替代模型

    方法

    在本文中,提出的PI-DeepOKAN流程如图1所示。该流程包括三个步骤:(i)基于KAN的双分支架构,用于编码时空坐标、地质属性和井控制变量;(ii)输出头部权重重置,学习特定于输出的权重以自适应地结合两个分支的表示;以及(iii)基于物理信息的损失函数,使用多项损失函数优化模型

    基线和公平比较设置

    为了全面评估多相水库流建模的性能,我们将PI-DeepOKAN与几种代表性替代方法进行了比较,包括传统的人工神经网络(ANN)(Walczak (2019))、基于长短期记忆(LSTM)的时间模型(DiPietro & Hager (2020))、基于KAN的回归器、经典的算子网络DeepONet以及改进的算子变体DeepOKAN(Abueidda, Pantidis, & Mobasher (2025))。所有实验均在PyTorch平台上进行

    结论和未来工作

    在这项工作中,我们提出了PI-DeepOKAN,这是一种基于物理信息的深度算子Kolmogorov–Arnold网络,用于在数据有限的情况下进行多相水库流替代建模,该网络结合了输出头部权重重置。PI-DeepOKAN从渗透率和井控制变量学习参数化的算子映射到时空压力和水饱和度场,用基于KAN的非线性映射替换了MLP主干。它采用了OHR增强的双分支深度算子设计,分别编码

    CRediT作者贡献声明

    张晓迪:概念化、方法论、软件开发、数据管理、形式分析、可视化、写作;
    程海波(通讯作者):概念化、方法论、监督、资金获取、审稿;
    李东:监督、方法论、审稿;
    乔家豪:数据管理、资源提供;
    熊先娥:数据管理、验证;
    张丽婷:资源提供、数据管理;
    胡明璐:形式分析、验证。

    利益冲突声明

    作者声明他们没有已知的财务利益或个人关系可能影响本文报告的工作。
    相关新闻
    生物通微信公众号
    微信
    新浪微博

    热点排行

      今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

      版权所有 生物通

      Copyright© eBiotrade.com, All Rights Reserved

      联系信箱:

      粤ICP备09063491号