Physics-Informed Neural Networks with Skip Connections for Modeling and Control of Gas-Lifted Oil Wells

📄 arXiv: 2403.02289v1 📥 PDF

作者: Jonas Ekeland Kittelsen, Eric Aislan Antonelo, Eduardo Camponogara, Lars Struen Imsland

分类: cs.LG

发布日期: 2024-03-04

DOI: 10.1016/j.asoc.2024.111603

💡 一句话要点

提出改进的物理信息神经网络以优化气举油井建模与控制

🎯 匹配领域: 支柱一：机器人控制 (Robot Control)

关键词: 物理信息神经网络 气举油井 动态系统控制 模型预测控制 非线性建模 跳跃连接 梯度优化

📋 核心要点

  1. 现有的物理信息神经网络在处理高度非线性系统时，梯度流动不足，导致模型精度不高。
  2. 本文通过在PINN控制框架中引入跳跃连接，优化了梯度计算，从而提高了气举油井系统的建模精度。
  3. 实验结果表明，改进的PINC模型在油井应用中，验证预测误差平均降低67%，并显著增强了网络层间的梯度流动。

📝 摘要（中文）

神经网络虽然强大，但往往缺乏可解释性。物理信息神经网络（PINNs）通过将物理法则纳入损失函数，解决了这一局限，使其适用于求解常微分方程（ODEs）和偏微分方程（PDEs）。本文在PINNs基础上，提出了改进的PINN控制框架（PINC），用于建模高度非线性的气举油井系统。通过在PINC网络中引入跳跃连接并优化ODE中的某些项，我们在训练过程中实现了更准确的梯度，显著提高了模型的预测精度，验证预测误差平均降低67%。此外，改进的PINC模型在底孔压力调节中表现出色，即使在噪声测量情况下也能有效控制。

🔬 方法详解

问题定义：本文旨在解决气举油井建模中的高度非线性问题，现有的PINNs在此类系统中表现出梯度流动不足，导致预测精度低下。

核心思路：通过在PINN控制框架中引入跳跃连接，优化了网络的梯度计算，增强了模型在训练过程中的表现，从而提高了对复杂动态系统的建模能力。

技术框架：整体架构包括改进的PINN控制框架，主要模块包括物理约束损失、跳跃连接机制和优化的ODE项，形成一个高效的建模与控制流程。

关键创新：最重要的技术创新在于引入跳跃连接，这一设计显著增强了梯度流动，使得模型在训练过程中能够更有效地学习复杂的动态行为，与传统PINNs相比，提升了模型的表现。

关键设计：在网络结构中，跳跃连接的设置使得信息能够在不同层之间更有效地传递，同时损失函数中物理约束的优化确保了模型的物理可解释性。

🖼️ 关键图片

fig_0

📊 实验亮点

实验结果显示，改进的PINC模型在油井应用中，验证预测误差平均降低67%，并且梯度流动的幅度提升了四个数量级，显著优于原始PINC模型。这表明改进后的模型在动态系统控制中的有效性，尤其是在存在噪声测量的情况下。

🎯 应用场景

该研究的潜在应用领域包括石油开采、能源管理和动态系统控制等。通过提高气举油井的建模与控制精度，能够有效降低运营成本，提升资源利用效率，具有重要的实际价值和广泛的未来影响。

📄 摘要（原文）

Neural networks, while powerful, often lack interpretability. Physics-Informed Neural Networks (PINNs) address this limitation by incorporating physics laws into the loss function, making them applicable to solving Ordinary Differential Equations (ODEs) and Partial Differential Equations (PDEs). The recently introduced PINC framework extends PINNs to control applications, allowing for open-ended long-range prediction and control of dynamic systems. In this work, we enhance PINC for modeling highly nonlinear systems such as gas-lifted oil wells. By introducing skip connections in the PINC network and refining certain terms in the ODE, we achieve more accurate gradients during training, resulting in an effective modeling process for the oil well system. Our proposed improved PINC demonstrates superior performance, reducing the validation prediction error by an average of 67% in the oil well application and significantly enhancing gradient flow through the network layers, increasing its magnitude by four orders of magnitude compared to the original PINC. Furthermore, experiments showcase the efficacy of Model Predictive Control (MPC) in regulating the bottom-hole pressure of the oil well using the improved PINC model, even in the presence of noisy measurements.