用于$\textit{Norne}$油藏系统的连续物理约束神经算子正向建模

# Sequential Physics-Constrained Neural Operator Forward Modeling for the Norne Reservoir System  
Source: https://arxiv.org/html/2605.28909  

Clement Etienam1,∗&Juntao Yang1&Oleg Ovcharenko1&Nick Luiken1&Tsubasa Onishi1&Nefeli Moridis1&Issam Said1  
1NVIDIA Corporation\. ∗通讯作者:cetienam@nvidia\.com  

关键词:物理信息神经算子;傅里叶神经算子;序列自回归建模;油藏模拟;监督学习。  

###### 摘要  

我们开发了一个全面的数学和计算框架，用于使用神经算子的三相黑油油藏动力学序列代理建模，特别强调傅里叶神经算子(FNO)及其物理信息变体(PINO)。应用重点是Norne基准油藏，定义在异质的46×112×22网格(113,344个单元)上，生产历史覆盖T=30个时间步，共3298天。我们的理论贡献围绕四个相互关联的问题组织。(1) 泛函分析公式。我们将离散时间黑油系统嵌入到一个严格的产品-Sobolev-空间中。有限体积隐式残差算子R:ℝ^{4N}×ℝ^{4N}→ℝ^{4N}是连接模拟器物理与神经算子训练的典型数学对象；其零流形M定义了PINO训练集中预测的*物理一致流形*。我们在离散强制条件下证明了隐式时间步映射F的适定性(定理2.6(https://arxiv.org/html/2605.28909#S2.Thmtheorem6))，提供了尖锐的局部Lipschitz估计(引理2.7(https://arxiv.org/html/2605.28909#S2.Thmtheorem7))，并刻画了控制状态变量间微分稳定性的椭圆-双曲结构二分性。(2) 协变量偏移与分布散度。我们证明了真实状态分布μ_n与预测状态分布μ̂_n^θ之间的Wasserstein-2距离增长为W_2(μ̂_n^θ,μ_n)≤ε(L^n-1)/(L-1)，其中L是算子Lipschitz常数，ε是单步误差(定理4.1(https://arxiv.org/html/2605.28909#S4.Thmtheorem1))。我们进一步界定了单步与自回归训练范式之间的总体风险差异(推论4.2(https://arxiv.org/html/2605.28909#S4.Thmtheorem2))，并证明该差距导致L>1双曲变量的R^2指数级退化。(3) 物理约束谱稳定性。我们证明，如果物理权重λ_R≥λ_R^*，则PINO训练将学习到的算子雅可比矩阵的谱半径减小为ρ(D_x G_θ)≤ρ_F + C λ_R^{-1/2}，其中ρ_F<1是真实动力学的耗散率(定理6.5(https://arxiv.org/html/2605.28909#S6.Thmtheorem5))。伴随结果(定理6.6(https://arxiv.org/html/2605.28909#S6.Thmtheorem6))表明，PINO残差惩罚起到了谱雅可比正则化的作用：它在加权算子范数下惩罚D_x G_θ与真实动力学雅可比矩阵D_x F的偏差，误差为O(λ_R^{-1/2})。结合这些，我们证明了PINO训练的自回归算子的统一时间展开误差界‖δ_n‖_φ≤ε/(1-ρ)(定理6.7(https://arxiv.org/html/2605.28909#S6.Thmtheorem7))。(4) TBPTT梯度分析。我们将K步截断反向传播时间(TBPTT)形式化为自回归目标的有偏随机梯度估计器。我们证明了跨窗口梯度贡献以O(ρ^K)的速率几何衰减(定理7.3(https://arxiv.org/html/2605.28909#S7.Thmtheorem3))，通过偏差-方差分解推导出最优窗口大小K^*=O(log(T/σ^2))(推论7.4(https://arxiv.org/html/2605.28909#S7.Thmtheorem4))，并建立了Adam优化器下TBPTT训练的自回归算子的非渐近收敛率，形式为O(1/√t)+O(ρ^{K^*})(命题7.5(https://arxiv.org/html/2605.28909#S7.Thmtheorem5))。至关重要的是，PINO训练和TBPTT形成了一个自我强化的循环：物理约束降低了ρ，这减少了任何固定K下TBPTT的偏差，从而允许更短的窗口、每个时期更多的梯度步以及进一步的物理改善。在完整的Norne生产时间线上的实证验证定量地证实了所有理论预测。自回归PINO代理在整个3298天的时间范围内保持R^2>0.99(油饱和度)、R^2>0.90(气饱和度)、R^2≈0.80(压力)和单调改善的R^2(水饱和度)，训练八个NVIDIA B200(HGX B200 / Blackwell) GPU在一小时内完成。相比之下，教师强制单步模型分别退化为R^2≈0.96、0.38、0.72和0.75——气饱和度在t≈1250天的崩溃由定理5.1(https://arxiv.org/html/2605.28909#S5.Thmtheorem1)的展开界使用L^G≈1.15和ε≈3×10^{-3}准确预测。一个包含1000个样本的集合在单个NVIDIA B200 GPU上不到一分钟内运行完成，提供~10^4倍的挂钟时间加速于OPM有限体积模拟器，并使工业规模的贝叶斯反演和不确定性量化工作流成为可能。  

## 1 引言  

### 1.1 动机  
多相流在非均质多孔介质中的模拟是油田管理、地质碳封存和地下水修复中的关键正演问题。工业级模拟器——基于Newton-Raphson隐式有限体积的代码，如Open Porous Media Flow模拟器(OPM)[25(https://arxiv.org/html/2605.28909#bib.bib25)]——在每个时间步求解大规模非线性代数方程组，壁钟时间可达数小时至数天。在基于集合的工作流中，如历史拟合、不确定性量化(UQ)和生产优化，这个单一的正演求解必须重复10^3到10^5次，使得直接使用模拟器在计算上不可行[10(https://arxiv.org/html/2605.28909#bib.bib10),11(https://arxiv.org/html/2605.28909#bib.bib11)]。因此，学习以一小部分成本逼近模拟器响应的神经算子代理具有相当大的实际重要性[20(https://arxiv.org/html/2605.28909#bib.bib20),16(https://arxiv.org/html/2605.28909#bib.bib16),22(https://arxiv.org/html/2605.28909#bib.bib22),13(https://arxiv.org/html/2605.28909#bib.bib13)]。在可用架构中，傅里叶神经算子(FNO)[20(https://arxiv.org/html/2605.28909#bib.bib20)]已崭露头角：它本质上是分辨率不变的(参数与离散化无关)，通过谱卷积提供高效的全局感受野，并承认Banach空间之间映射的严格通用逼近理论[16(https://arxiv.org/html/2605.28909#bib.bib16),19(https://arxiv.org/html/2605.28909#bib.bib19)]。其物理信息扩展PINO[21(https://arxiv.org/html/2605.28909#bib.bib21)]还额外惩罚PDE或离散残差，提供提高物理一致性的正则化。  

### 1.2 序列代理问题及其数学挑战  
一个在现有代理文献中未被充分认识的基本困难是，用于油藏模拟的神经算子必须以*自回归*方式部署：在每个生产时间步，预测被反馈作为后续时间步的输入。这在单步(教师强制，“1–1”)训练范式(其中每个步骤都提供真实模拟器状态)和模型运行时的闭环推理模式之间造成了尖锐的紧张关系。这种不匹配在序列建模文献中被称为*曝光偏差*或*协变量偏移*[4(https://arxiv.org/html/2605.28909#bib.bib4),31(https://arxiv.org/html/2605.28909#bib.bib31),18(https://arxiv.org/html/2605.28909#bib.bib18)]，并已在循环语言模型、学习型天气预报器[27(https://arxiv.org/html/2605.28909#bib.bib27),5(https://arxiv.org/html/2605.28909#bib.bib5),17(https://arxiv.org/html/2605.28909#bib.bib17)]和神经PDE代理[36(https://arxiv.org/html/2605.28909#bib.bib36)]中得到研究。这种不稳定性背后的数学机制在迭代函数系统和离散时间动力系统理论中已得到充分理解。对于学习到的单步算子G_θ，经过n步后的展开误差满足一个由沿预测轨迹的雅可比乘积∏_{j=0}^{n-1} D_x G_θ(x_j)驱动的递推关系。即使算子范数略大于1，也会导致指数级误差放大[3(https://arxiv.org/html/2605.28909#bib.bib3),26(https://arxiv.org/html/2605.28909#bib.bib26),23(https://arxiv.org/html/2605.28909#bib.bib23)]。对于黑油油藏，饱和度方程是对流主导的，可能发展出尖锐的饱和度前缘、重力指进和溶解驱动的不稳定性——所有这些都对应于沿前缘对齐状态方向的雅可比范数超过1。这使得长期稳定性成为Norne型系统中气饱和度动态特别关注的问题。  

### 1.3 贡献概述  
本文的贡献组织如下。  
1. (i) 严格公式化(第2节(https://arxiv.org/html/2605.28909#S2))。我们将离散时间黑油系统嵌入到一个产品-Sobolev-空间框架中。我们证明了隐式时间步映射的适定性，提供了将Lipschitz常数与有限体积残差的强制联系起来的尖锐局部Lipschitz估计，并刻画了控制不同状态变量间稳定性行为的椭圆-双曲结构区分。  
2. (ii) 协变量偏移量化(第4节(https://arxiv.org/html/2605.28909#S4))。我们证明了1–1和AR训练度量之间分布差异的显式W_2和总变差界限，表明对于L>1，该差距驱动指数级的总体风险差异，并证明了一个匹配的下界，表明对于双曲输运，上界是紧的。  
3. (iii) 带有尖锐常数的展开误差分析(第5节(https://arxiv.org/html/2605.28909#S5))。我们证明了覆盖一般、一致、压缩和边际不稳定情况的尖锐展开界，以及每个区域适合哪些PDE类型的刻画。为混合椭圆-双曲的Norne状态空间推导了一个依赖于维度的放大因子。  
4. (iv) PINO谱稳定性理论(第6节(https://arxiv.org/html/2605.28909#S6))。我们证明PINO训练将学习到的雅可比谱半径约束在真实耗散率以下，并带有显式常数。我们展示了物理残差作为谱雅可比正则化器，并证明了PINO展开的统一时间界。  
5. (v) TBPTT梯度偏差理论(第7节(https://arxiv.org/html/2605.28909#S7))。对K步TBPTT作为梯度估计器的完整偏差-方差分析，包括最优窗口大小选择和Adam下的收敛率。  
6. (vi) 混合PDE类型的FNO逼近理论(第8节(https://arxiv.org/html/2605.28909#S8))。我们证明了FNO对椭圆与双曲变量的谱逼近率，并量化了为什么气饱和度需要更深的网络或AR训练来补偿前缘附近类似Gibbs谱截断伪影。  
7. (vii) 在Norne上的实证验证(第11节(https://arxiv.org/html/2605.28909#S11))。所有四个状态变量的完整时间分辨R^2基准测试，并带有一致理论的每个观察行为的定量解释。  

## 2 数学预备  

### 2.1 域、网格和函数空间  
设Ω⊂ℝ³为表示油藏的开有界Lipschitz域。我们使用维度为(n_x,n_y,n_z)=(46,112,22)的Norne笛卡尔网格，得到N:=n_x n_y n_z=113,344个单元。每个单元Ω_i⊂Ω是体积|Ω_i|>0的矩形立方体。对于1≤p≤∞，L^p(Ω)是标准的Lebesgue空间；H^s(Ω)是阶数s≥0的Sobolev空间。在离散网格上，对单元采样的标量场a:Ω→ℝ被识别为向量a∈ℝ^N。离散ℓ^p范数为‖a‖_p:=(∑_i|a_i|^p)^{1/p}，带有单元体积的网格L^p范数为‖a‖_{L^p_h}:=(∑_{i=1}^N |Ω_i|\,|a_i|^p)^{1/p}。  

###### 定义2.1(孔隙体积加权内积)。在ℝ^N上定义孔隙体积加权内积：⟨a,b⟩_φ:=∑_{i=1}^N φ_i |Ω_i| a_i b_i，其中φ_i∈(0,1)是单元孔隙度。诱导范数‖a‖_φ:=√⟨a,a⟩_φ按孔隙体积加权误差，这是质量守恒相关量的物理自然度量。  

### 2.2 黑油PDE系统及其结构  
Ω×(0,T_f]上的三相(水、油、气)黑油模型为：  
φ ∂S_w/∂t - ∇·[T_w(∇P_w+ρ_w g e_3)] = Q_w, (1)  
φ ∂S_o/∂t - ∇·[T_o(∇P_o+ρ_o g e_3)] = Q_o, (2)  
∂/∂t [φ(ρ_g/B_g S_g + R_so ρ_g/B_o S_o)] - ∇·[ρ_g/B_g T_g(∇P_g+ρ_g g e_3) + R_so ρ_g/B_o T_o(∇P_o+ρ_o g e_3)] = Q_g, (3) (4)  
并带有饱和度约束S_w+S_o+S_g=1和毛管关系P_cwo:=P_o-P_w, P_cog:=P_g-P_o。相传导率为 T_α:=K(x) K_{rα}(S)/μ_α, α∈{w,o,g}, (5)