Stone Ridge Technology 在 AWS 上结合 NVIDIA Modulus 加速油藏模拟工作流 NEWS DETAIL

对于需要反复运行高保真油藏前向模拟的团队，Stone Ridge Technology（SRT）提出了一条可评估的技术路径：在 AWS 上将其 ECHELON 油藏模拟器与 NVIDIA Modulus 结合，以全物理模拟生成和验证数据，并训练基于神经算子的全场代理模型。该路径面向历史拟合、概率预测、反问题、不确定性量化及部分油田优化任务，目标是在保留对空间与时间状态变量近似能力的同时，加快场景推理。

油藏模拟为何需要代理模型

能源勘探与开发存在地质参数未知、流体与岩石属性变化、边界条件不确定以及观测噪声等因素。要对关键油藏工程任务进行严格校准或进行现场优化，通常需要大量前向模拟。当模型包含数十万乃至数百万个活动网格单元时，HPC 油藏模拟器会消耗显著的计算资源。

传统代理模型可较快评估场景，但许多生成方法针对单一场景设计，未必能推广到其他问题。全场代理模型则直接在空间和时间维度近似油藏的主要状态变量，其定位更接近全物理数值模拟器。对三维油藏而言，这类模型的训练仍受计算量和算法复杂度限制，因此需要将机器学习方法、全物理模拟器与 GPU 计算资源共同纳入工作流。

方案架构：ECHELON、Amazon S3 与 NVIDIA Modulus

SRT 的框架在 AWS 上整合 ECHELON 与 NVIDIA Modulus。ECHELON 用于生成构建机器学习模型所需的训练、测试和验证数据；生成的数据存储于 Amazon S3，以支持可扩展的数据保存与检索。随后，NVIDIA Modulus 通过 Python 接口用于构建、训练和微调 Physics-ML 模型，形成全场代理并用于推理。

源资料将 NVIDIA Modulus 描述为开源 Physics-ML 框架，并采用 Fourier 神经算子（FNO）构建时空油藏代理。该方法学习输入场与输出场之间的映射，适合处理具有空间异质性、随时间演化的压力和饱和度等变量。资料列举 NVIDIA A100、H100 和 H200 GPU 作为可结合的现代 GPU 示例，但并未给出该工作流的必需 GPU 型号、实例规格、软件版本或训练时长。

适合评估的油藏工程场景

第一类示例为井位优化。资料描述了一个具有固定但空间异质地质属性的油藏，其中包含四口生产井和一口注水井。通过改变注水井和生产井位置生成样本，合计 500 个样本用于训练、测试和验证。代理模型用于预测三维水饱和度演化，并与 ECHELON 前向模拟结果比较；资料称其能够捕捉水驱前缘传播的复杂拓扑特征，同时比较了场平均压力、水饱和度和油饱和度。

第二类示例为地质不确定性下的固定井位评估。资料采用基于挪威海 Norne 生产区真实地下模型的案例：网格尺寸为 46 x 112 x 22，包含 35 口井，包括 9 口注水井、4 口注气井和 22 口生产井，模拟周期为 3,298 天。训练与测试数据来自 500 个实现，涉及孔隙度、渗透率和断层传导相关参数的变化。该案例适合用于考察代理模型在复杂断层、非均质和各向异性渗透率条件下对压力场与水饱和度演化的近似能力。

实施与验收应设置的检查点

1. 明确任务边界：区分井位优化、历史拟合、不确定性量化或概率预测，并定义需要代理的输出变量、时间范围和空间分辨率。
2. 建立可信数据集：用经确认的全物理模型生成训练、测试和验证集；采样应覆盖预计投入使用的井位、地质实现、控制条件和边界条件。
3. 分离验证数据：不得以训练样本直接作为结论依据，应在未参与训练的实现和工况上，将代理输出与 ECHELON 等全物理模拟结果逐项比较。
4. 定义工程误差门槛：除压力和饱和度场误差外，还应结合项目目标检验井组产量、注采约束、突破时间及优化决策排序是否稳定。
5. 验证部署条件：结合完整 SKU/BOM、AWS 资源配置、数据规模和目标模型版本，确认存储、训练、推理、访问控制及成本边界。

性能解读与使用边界

源资料称，相比全物理数值解，相关全场代理模型的前向推理可快 10 倍至 100 倍，并可提供相当准确的结果；结语亦表述为较前向模拟快一个数量级。该结果应视为 SRT 所述工作流与案例条件下的描述，而不是对所有油藏、网格、控制策略或 AWS 配置的通用保证。

代理模型不能脱离训练数据覆盖范围独立证明可靠性。当井网、岩性分布、断层参数、运行控制或输出指标超出训练分布时，误差可能改变。项目团队应在采用前查阅带日期的 NVIDIA Modulus 官方文档、ECHELON 的完整技术资料及实际项目配置，并通过独立测试确认精度、吞吐量、GPU 资源需求和业务可接受误差。

常见问题

该方案是否可以完全替代全物理油藏模拟器？

不宜直接作此假设。资料将全物理模拟器定位为代理模型的数据生成器和验证器。代理可用于加快大量场景的评估，但其可信范围取决于训练数据、验证方法以及目标工况与训练分布的一致性。

10 倍至 100 倍加速是否可作为采购或项目承诺？

不能直接作为承诺。该数值来自源资料对相关代理模型与前向模拟的比较，未给出统一的硬件规格、数据规模、模型版本、训练成本或测量方法。采购和立项前应在目标 AWS 配置及代表性油藏案例上完成基准测试。

结论

SRT 在 AWS 上结合 ECHELON、Amazon S3 与 NVIDIA Modulus 的工作流，为高频油藏场景评估提供了全场代理建模路径。其核心价值在于以全物理模拟支撑数据生成与验证，再以 FNO 等神经算子加速推理。是否适用于具体油藏项目，仍需以完整技术资料、覆盖目标工况的数据集和独立工程验证为准。

围绕“Stone Ridge Technology 在 AWS 上结合 NVIDIA Modulus 加速油藏模拟工作流”继续了解 NVIDIA 产品与网络方案。