基于PI-DeepONet的储层应力场预测与泛化训练策略研究

来源：石油科学通报杂志2026年第3期北京时间：

作者：季源, 陈掌星, 李俊, 彭岩, 吴克柳, 王笑涵

单位：1 中国石油大学(北京)人工智能学院， 北京 1022492 中国石油大学(北京)油气资源与工程全国重点实验室， 北京 1022493 宁波东方理工大学工学部， 宁波 3152004 浙江化工工程地质勘察院有限公司， 杭州 3100005 中国石油大学(北京)石油工程学院， 北京 102249

摘要：在储层应力场模拟中，物理信息神经网络(PINN)虽能实现高精度无监督求解，但其模型将计算域与物理参数深度耦合，导致训练完成的模型仅适用于一组固定的材料属性，泛化能力不足。为提高PINN的泛化能力，本文基于物理信息深度算子网络(PI-DeepONet)构建了一种智能计算方法，通过引入分支-主干网络结构与Hadamard乘积实现参数与坐标的特征融合，建立从储层物性参数到应力-位移场的端到端映射关系；同时融合硬约束机制与分阶段渐进训练策略，形成具备强泛化能力的应力场求解算子模型。结果表明，该方法克服了传统PINN无法泛化的局限，在稀疏物理空间离散密度下，分阶段训练效率提升约30.6%；在稠密物理空间离散密度下，采用硬约束机制使模型精度提升约62.4%。本研究为油气藏高效开发与CO2地质封存评估提供了可靠的智能计算方法。

关键词：物理信息深度算子网络,物理信息神经网络,储层应力场,硬约束,模型泛化性

基金资助：新疆维吾尔自治区重点研发项目(2024B01013-1);天山英才培养计划(T2024TSYCCX0070)