Spotlight: Stone Ridge Technology, AWS Üzerinde NVIDIA Modulus ile Rezervuar Simülasyonu Çalışmalarını Hızlandırıyor

Enerji keşfine dair taşınan riskler ve belirsizlikler, bilinmeyen jeolojik parametreler, akışkan ve kaya özelliklerindeki değişiklikler, sınır koşulları ve gürültülü gözlemsel verileri içerir. Ana rezervuar mühendisliği görevleri ve sahaların optimizasyonu için belirsizliğin titiz bir şekilde kalibre edilmesi, çok sayıda ileri simülasyonun gerçekleştirilmesini gerektirir. Kullanım senaryoları, geçmiş verilerin eşleştirilmesinden olasılıksal tahminlere ve ters problemlerden oluşmaktadır. Ancak yüz milyonlarca etkin ızgara hücresi içeren yüksek kaliteli modellerle birleştirildiğinde, yüksek performanslı hesaplama (HPC) simülatörleri önemli ölçüde hesaplama kaynaklarına ihtiyaç duyar.

Geleneksel olarak, bu zorluklarla başa çıkmak için proxy veya yedek modeller kullanılır. Bu modeller, senaryoların hızlı bir şekilde değerlendirilmesine olanak tanır. Ancak mevcut proxy üretim yöntemlerinin çoğu, özel senaryoları ele almakta ve farklı problemlere genelleştirilememektedir. Şu anki çalışmalarda, bir tam alan proxy modeli, temel veya durum değişkenlerinin çözümünü hem mekân hem de zaman açısından doğrudan bir rezervuar simülatörüne benzer şekilde yaklaşık olarak tahmin eder.

Bu nedenle, bu proxy’ler, tam simülatörün yerini alabilir ve çok çeşitli zorluklarla başa çıkmak için kullanılabilir. Ancak 3D rezervuarlar için tam alan proxy’lerinin oluşturulması, yüksek hesaplama talepleri ve algoritmik zorluklar nedeniyle hala bir sorun olmuştur. Bununla birlikte, tam alan proxy’leri oluşturmanın umut verici bir yaklaşımı, sinir operatörleri gibi modern makine öğrenimi (ML) teknikleri, tam fiziksel rezervuar simülatörleri ve NVIDIA A100, H100 ve H200 gibi yüksek bellek ve devasa hesaplama gücüne sahip modern GPU’ların birleşiminde yatmaktadır.

Stone Ridge Technology (SRT), rezervuar simülatörü ECHELON’u NVIDIA Modulus ile AWS üzerinde entegre ederek tam alan proxy modelleri oluşturmak için yüksek ölçeklenebilir bir çerçeve geliştirmiştir. NVIDIA Modulus, fiziksel ML modelleri oluşturmak, eğitmek ve ince ayar yapmak için açık kaynaklı bir çerçevedir ve Python arayüzü sunar. Bu tam alan proxy modelleri, ileri simülasyonlara göre 10 kat ile 100 kat daha hızlıdır ve bir tam fiziksel çözümle kıyaslandığında oldukça doğru sonuçlar sunar. Bu genel çerçeve, NVIDIA Modulus ve ECHELON’un bir araya gelmesi ile belirsizlik değerlendirmesi gibi mevcut zorlukların yanı sıra birçok saha optimizasyon problemi için de kullanılabilir. Ayrıca, aksi takdirde mümkün olmayan yeni mühendislik iş akışları üretmekte de kullanılabilirler.

ECHELON, ML modelini oluşturmak için gereken geniş eğitim, test ve doğrulama verilerini oluşturur. Üretilen veriler, hızlı ve kolay erişim için Amazon S3 üzerinde depolanır. Proxy modelleri, ileri simülasyonlardan kat kat daha hızlı çözüm çıkarımları sağlar. Genel iş akışının şeması Şekil 1’de gösterilmektedir.

A workflow diagram illustrating the machine learning process for proxy generation using the Echelon reservoir simulator and NVIDIA Modulus. The workflow consists of five sequential steps: Ensemble generation, Echelon forward modeling, ML data preprocessing, NVIDIA Modulus training and validation, and Build proxy. — *Şekil 1. ECHELON rezervuar simülatörü ile NVIDIA Modulus’u birleştirerek hızlı ve doğru proxy üretimini gerçekleştiren ML iş akışı*

Sinir Operatörleri ile Proxy Üretimi

Stone Ridge Technology, AWS üzerinde NVIDIA Modulus ile Fourier Sinir Operatörü (FNO) modelini kullanarak uzamsal-zamansal rezervuar proxy’leri üretmiştir. FNO ağının yüksek düzeyde bir genel görünümü Şekil 2’de gösterilmektedir. Ayrıntılı metodoloji Neural Operator: Learning Maps Between Function Spaces ve NVIDIA Modulus GitHub deposu‘nda bulunabilir.

Schematic of Fourier neural operator architecture for full-field prediction. Important steps used in the architecture are illustrated. The input layer (data) is first lifted to a higher dimensional space. A FNO layer and a residual convolution in physical space is applied multiple times to learn the kernel operator. The transformed data is passed through multiple convolutional decoder layers and finally transformed to the output layers. Each sample of the input is finally transformed to an output layer that consists of 0 to N time slices. — *Şekil 2. NVIDIA Modulus üzerinde uzamsal-zamansal rezervuar proxy’leri üretmek için Fourier Sinir Operatörü mimarisi*

AWS Bulutunda Uygulama

Rezervuar simülasyon iş akışı AWS üzerinde uygulanmıştır. AWS, büyük miktarda veriyi işlemek için güçlü bir esnekliğe sahip talep üzerine hesaplama kaynakları sunmaktadır. AWS mimarisinin genel görünümü Şekil 3’te sunulmaktadır.

A diagram showing the architecture of SRT ECHELON with NVIDIA Modulus on AWS. The corporate data center hosts reservoir engineers and geology applications, connected securely to AWS services. AWS includes Amazon SageMaker for model training and notebooks, AWS Parallel Cluster with EC2 GPU acceleration for simulations, and S3 for storing historical simulations and simulation data. — *Şekil 3. AWS üzerinde SRT ECHELON ile NVIDIA Modulus’un mimarisi*

Sonuçlar ve Uygulama Örnekleri

Stone Ridge Technology, FNO tabanlı proxy’ler için aşağıdaki örnekleri sunmaktadır.

İyi Yerleştirme Optimizasyon Modeli

İlk örnek, heterojen jeolojik özelliklere sahip bir rezervuarda iyi yerleştirme optimizasyonu senaryosunu temsil etmektedir. Bu rezervuarda dört üretici ve bir su enjeksiyon kuyusu bulunmaktadır.

Eğitim örnekleri, enjeksiyon ve üreticilerin konumları değiştirilerek üretilmiştir. Şekil 4’te dört rastgele kuyu konumunu içeren örnekler gösterilmektedir. Toplamda 500 örnek eğitim, test ve doğrulama için kullanılmıştır.

3D visualization showing random samples of validation data with different well placement scenarios in a reservoir. The reservoir is characterized by high heterogeneity and extreme variations in permeability. Each cube represents a distinct well placement configuration. — *Şekil 4. Heterojen ve yüksek değişkenliği olan rezervuarda farklı iyi yerleştirme senaryolarını gösteren rastgele örnekler*

Modulus tabanlı FNO proxy çözümü, su doygunluğunun 3D evriminin ECHELON öncü simülatörünün gerçek çözümüyle karşılaştırılmıştır. Su cephesinin karmaşık topolojik detayları FNO tarafından iyi bir şekilde yakalanmıştır. Şekil 5’te, farklı iyi yerleştirme senaryoları için FNO tahminleri (“Modulus”) ile gerçek çözüm (“ECHELON”) için su cephesi kurulumu karşılaştırılmaktadır.

Comparison of FNO predictions (middle column) and ground truth (left column) for water front propagation at different normalized times (t = 0.1, 0.5, 1) in well placement scenarios with highly heterogeneous permeability fields. The right column displays line plots comparing field-averaged pressure, water saturation, and oil saturation between the FNO predictions and ground truth over normalized time. — *Şekil 5. Su cephesi yayılımının ECHELON ile FNO proxy çözümünün karşılaştırması*

Jeolojik Belirsizliklerle Proxy Modeli

İkinci örnek, karmaşık jeoloji ve fayların bulunduğu gerçek bir alan modelidir. Bu çalışma için seçilen rezervuar modeli, Norne alanının gerçek bir yüzey altı modeline dayanmaktadır. Norveç Denizi’ndeki Norne alanı, heterojen ve anizotropik geçirgenlik özelliklerine sahip bir köşe noktasında grid ile temsil edilmektedir. Rezervuarın boyutu 46 x 112 x 22’dir ve 35 kuyu içermektedir (Şekil 6).

22 üretici kuyusu, sabit dip-şebeke basıncı ile kontrol edilen ölçülebilir petrol, gaz ve su oranları sunmaktadır. Dokuz su enjeksiyonu kışlası, sabit enjeksiyon oranları ile kontrol edilen ölçülebilir bir dip-şebeke basınca sahiptir. Toplamda 3,298 gün simülasyon gerçekleştirilmiştir. Tam alan proxy’si, yer alanlarda belirsizlikler olmasına rağmen, kuyulu yerler sabit kalmaktadır.

3D visualization of the Norne field showing the locations of various producer and injector wells. The reservoir is represented with a grid and is characterized by complex fault structures. A color bar indicates reservoir properties, ranging from 0 to 1. — *Şekil 6. Norne alanının, farklı üretim ve enjeksiyon kuyularının konumlarını gösteren görünümü*

Eğitim ve test verileri, porozite, kaya geçirgenlikleri ve fay geçirgenlik çarpanlarındaki varyasyonları içeren Norne modelinin 500 realizasyonu ile üretilmiştir. Şekil 7, porozite ve geçirgenlik alanlarındaki varyasyonları gösteren eğitim verilerinin iki rastgele örneğini sunmaktadır.

3D visualization showing random samples from training data, illustrating variations in permeability and porosity fields. The top row displays permeability (PERMX) with a color scale, and the bottom row shows porosity (PORO) with a different color scale, highlighting heterogeneity in the reservoir properties. — *Şekil 7. Geçirgenlik ve porozite alanlarında varyasyonları gösteren eğitim verileri*

Şekil 8 ve 9’da, Modulus FNO çözümünün ve ECHELON’un rastgele bir realizasyona karşı çözüm değişkenlerinin, basınç ve su doygunluğu, zaman evrimi karşılaştırılmaktadır. SRT, hem basınç hem de doygunluk alanları için sonuçlarda güçlü bir anlaşma gözlemlemiştir; sadece ufak hatalar bulunmaktadır.

Comparison of pressure evolution predicted by ECHELON (left column) and NVIDIA Modulus (middle column) at different normalized times (t = 1, t = 15, t = 25). The right column shows the error between the two models. Color bars indicate pressure values for Modulus and ECHELON, and error magnitude. — *Şekil 8. Farklı zaman dilimlerinde Modulus ve ECHELON tarafından tahmin edilen basınç evrimi karşılaştırması*

Comparison of gas saturation evolution predicted by ECHELON (left column) and NVIDIA Modulus (middle column) at different normalized times (t = 1, t = 15, t = 25). The right column shows the error between the two models. Color bars indicate gas saturation values for Modulus and ECHELON, and error magnitude. — *Şekil 9. Farklı zaman dilimlerinde Modulus ve ECHELON tarafından tahmin edilen gaz doygunluğu evrimi karşılaştırması*

Sonuçların Değerlendirilmesi

Stone Ridge Technology, ECHELON rezervuar simülatörünü NVIDIA Modulus ile birleştiren bir iş akışı geliştirmiştir. Tam fiziksel simülatör, geliştirilmiş ML çerçevesi kullanılarak geliştirilen yedek modeller için hem doğrulayıcı hem de veri ürecisi olarak hizmet etmektedir. Tam alan yedek modeller, ileri simülasyonlardan bir derece daha hızlıdır ve oldukça doğru sonuçlar sunarken, senaryoların hızlı bir değerlendirmesi için yeni bir yol açmaktadır. Bu genel çerçeve, NVIDIA Modulus ve ECHELON’un bir araya gelmesiyle, belirsizlik değerlendirmesi gibi mevcut zorlukların yanı sıra optimizasyon problemleri için de uygulanabilir.

Bu framework, belirsizlik değerlendirmesi ve saha geliştirme optimizasyonu gibi önemli yeraltı uygulamaları için sağlam bir temel sunmakta ve yüksek performans ile doğruluk sağlamaktadır.

Daha fazla bilgi için üretim ve dağıtım hakkında daha fazla bilgi edinin.

Yeraltı çalışma yüklerinizi AI, yüksek performanslı hesaplama (HPC) ve görselleştirme ile nasıl hızlandırabileceğinizi keşfedin.