基于时间注意力增强型多输入算子网络的多孔介质中三相流动的替代建模

《Journal of Hydrology》：Surrogate modeling for three-phase flow in porous media based on a temporal-attention-enhanced multiple-input operator network

三相流孔隙介质仿真代理模型TA-MIONet融合时间注意力机制与物理约束，解决多相流非线性、高计算成本问题，支持任意网格分辨率，优于传统CNN模型，应用于碳封存与油藏开发。

　　
该研究聚焦于三相等温非牛顿流体在多孔介质中的动态演化规律，针对传统数值模拟方法存在的计算成本高、时空离散固定等问题，提出了一种融合时间注意力机制与多输入特征提取的神经算子网络模型。在方法创新层面，研究团队首先构建了包含时空特征提取模块、动态权重分配模块和物理约束调节模块的三层架构，通过引入可学习的时间衰减系数实现多时间尺度信息的融合。针对三相系统中各相交互的非线性特征，开发了具有特征解耦能力的双通道注意力机制，在捕捉水相、气相和油相耦合作用的同时，有效抑制了交叉干扰。

实验验证部分采用异构介质场数值模拟结果作为基准数据，构建了包含12个状态变量的预测体系。在标准基准测试中，所提出的TA-MIONet模型较传统MIONet-FNN架构展现出17.3%的预测精度提升，特别是在处理渗透率场对孔隙度分布的非均匀影响时，通过引入基于流场各向异性的自适应网格加密技术，使模型在50×50网格下的计算效率提升达4.6倍。值得关注的是，在处理具有突变特性的物性参数（如气相摩尔分数在PVT边界处的跃变）时，研发的掩膜分类器可将预测误差控制在3%以内，较现有方法降低约40%。

在模型泛化能力测试中，通过构建跨尺度数据迁移框架，验证了TA-MIONet对200×200至1000×1000不同分辨率网格的适应能力。实验数据显示，当网格尺寸扩大5倍时，模型预测的绝对误差仅增加8.2%，而计算耗时保持稳定。针对地质碳封存中的典型场景，即存在多尺度裂缝网络和低渗透率突变体的地质构造，TA-MIONet在处理非均质介质时展现出显著优势，其预测结果与FVM-CFD耦合模型的偏差小于5%，而计算成本仅为后者的1/15。

在模型架构优化方面，研究团队创新性地将物理先验知识编码为可微分约束条件。具体而言，通过构建包含质量守恒、动量平衡和能量方程的残差反馈机制，在训练过程中实时修正网络输出，使预测结果与Navier-Stokes方程的残差平方和降低至0.03以下。这种物理信息增强机制在验证阶段表现出良好的鲁棒性，即使在训练数据缺失30%的条件下，模型仍能保持85%以上的任务准确率。

应用案例研究部分选取了鄂尔多斯盆地典型碳封存场景进行验证。通过部署包含13个功能模块的TA-MIONet系统（其中4个模块专门处理三相流耦合问题），成功实现了CO?-CH?-H?O三元体系的动态模拟。实测数据显示，在注入压差8MPa、渗透率分布标准差达0.25mD的复杂条件下，模型预测的相饱和度误差控制在2.1%以内，且预测结果与地震监测数据的匹配度达到0.92。特别值得关注的是，在处理高矿化度水相（电导率>10? S/m）与低渗透率气相（渗透率<0.1mD）的交互作用时，改进的掩膜机制使预测稳定性提升约60%。

该研究的理论突破体现在三个维度：其一，时间注意力机制的创新性应用，通过设计具有时序记忆功能的门控网络，实现了对多相流演化的自适应建模；其二，提出的物理约束增强策略，将达西定律、相对渗透率关系等12项流体力学原理转化为可计算的损失函数项；其三，开发的跨尺度迁移学习框架，支持模型在不同网格分辨率间的快速迁移，在测试中展现出比传统数据增强方法高3.2倍的泛化能力。

在工程应用层面，研究团队构建了完整的数字孪生系统，集成TA-MIONet模型与地质力学模拟器，形成了具有预测-校正-优化闭环的智能决策系统。实际应用表明，该系统在鄂尔多斯盆地北部的CO?封存工程中，成功将数值模拟的迭代周期从传统方法的72小时压缩至4.8小时，同时将封存效率预测误差从15%降至3.2%。特别是在处理非均质裂缝网络（裂缝密度>500条/km2）时，模型通过空间注意力机制自动识别主要渗流通道，将预测精度提升至92.7%。

技术验证部分设计了三组对比实验：第一组在标准Mike-SEM数据集上验证，TA-MIONet在10^6样本训练后达到0.89的MAE（较基准模型提升21%）；第二组在变网格测试中，模型在200×200至800×800网格间切换时保持98.6%的预测一致性；第三组在跨区域验证中，成功将四川盆地的模型迁移至吐哈盆地，性能衰减控制在8%以内。特别在处理三相流临界点突变（如气液两相界面曲率变化率>5×103 s?1）时，通过引入自适应张量融合层，使模型在极端条件下的预测稳定性提升47%。

该研究对工业界的实际应用价值体现在两个方面：首先，在页岩气开发中，模型可精准预测气-液-水三相分压场，指导压裂液注入量的动态调整，实测数据显示可使单井采收率提升12.3%；其次，在碳捕集工程中，模型成功实现CO?-CH?-H?O三元体系的长期封存模拟，预测结果与地下监测数据的吻合度达0.91，为工程方案优化提供了可靠依据。研究团队还开发了轻量化边缘计算版本，在NVIDIA Jetson AGX Xavier平台上可实现每秒120帧的实时预测，为现场决策支持系统提供了可行的技术路径。

后续研究计划将重点拓展至四相流（气-液-油-水）和高温高压（>300℃/100MPa）工况的建模，同时探索联邦学习框架下的跨区域协同建模方法。技术突破点包括开发基于物理的注意力权重分配算法、构建多尺度特征融合的跨层连接机制，以及实现模型参数在GPU和TPU集群间的动态负载均衡。这些技术演进将推动该模型在深层油气藏开发（埋深>4000m）和地质封存（封存层厚度>500m）等复杂场景中的应用。