对于希望预测各种组件在其运行过程中性能的运营商而言，高保真的3D工程仿真很有价值，但仿真对计算的要求往往使得成本过高。为了缓解成本压力，各公司正在测试将深度学习神经网络(DNN)与计算流体动力学(CFD)相结合的潜能，以加速模拟进程。

在美国石油工程师协会墨西哥湾沿岸分会（SPE Gulf Coast Section）CFD研究小组关于流体流动问题数字解决方案的研讨会上，壳牌公司CFD资深建模工程师/研究人员Kuochen Tsai概述了借助CFD模拟训练DNN模型的发展历程，并证明该模型能够预测水平输油管道中的油水分离。运用该模型的目的是为运营商提供有效信息，以便确定缓蚀剂的用量，因为如果缓蚀剂使用不当，将对经济和环境造成重大影响。

Kuochen Tsai说，多相流的CFD数值模拟需要建立在专业知识基础之上，并且模拟计算在费用上昂贵，在时间上往往可能花费数月才能完成。使用CFD仿真模拟能够得到更容易被接受的关联关系，但往往需要大量的自变量，而这种复杂性可能会给操作者造成困难。Tsai认为，“这种复杂性可能是压倒性的，尤其是对于你需要的变量而言。但如果没有这些变量，该模型就不是很适用。”

神经网络以人脑为模型进行松散建模，是一组旨在识别数字模式的算法。在机器感知中标记或聚集原始输入，并通过机器感知来解释感官数据（sensory data）。与更常见的单隐层神经网络相比，深度学习神经网络（Deep-learning Neural Networks，DNN）在多步骤模式识别过程中需要更多的节点层来传递数据。

机器学习，尤其是DNN模型，通常可以提供一种系统的方法来优化高维插值，为归档复杂CFD结果提供了合理途径。Tsai认为，即使对于2D数据，DNN模型也可以有效学习CFD模拟。

Tsai认为，通过CFD仿真获取的大量数据对于数据学习至关重要，但缺点是运行这些覆盖参数空间的模拟（特定数学模型中包含所有不同参数的所有可能值组合）需要大量计算时间。最近，DNN算法在自动构建输入和输出数据之间的相关性方面取得了突破，允许以更高的精度和更短的时间建立复杂的超维相关性。Tsai的报告聚焦如何构建DNN，并展示了所构建的DNN可以取代耗时的CFD模拟器。

Tsai讨论的CFD模型历时4年开发，旨在对水平管道中的油/水分离过程进行建模，以预测碳钢管道表面的水润湿概率，这对于确定管道的腐蚀状况至关重要。该模型已经在含水率、管道直径、流体黏度、表面张力和混合物速度的范围内得到了广泛验证。Tsai表示，通过对CFD模拟进行参数化，可以在所有必要的参数空间里预先计算结果，并使用这些结果来训练DNN模型。“DNN模型是高效的”，Tsai说，“优点是参数空间定义得很好，均有各自明确对应的含水量、管道直径、管道长度、流速。”

DNN模型用于预测溶液不再变化的稳态水/油界面分布。共使用了42600个数据样本，这些数据样本被随机划分为一个包含34060个样本的训练集和一个包含其余8520个样本的测试集。该模型的训练时间为2.5s，而CFD模型的模拟时间为30min，推测单个CPU内核耗时为4毫秒。Tsai说，神经网络模型比CFD模型的性能提高了6个数量级。

　　为验证模型的性能，建立了一个包含对应五个管道核心区段的数据集（包含1755个样本）。该模型使用新数据集的输入来预测输出，并将这些预测与CFD模拟结果对比。Tsai讨论了模型试验在含水率和混合物速度两个参数空间的初步结果，结果表明，训练后的模型具有较高精度，在所有工况下的均方差均小于0.01。在笔记本电脑上，DNN模型预测五个核心区段的总时间为15毫秒，而48核CFD仿真器的计算总时间为30min至2h。

　　上图说明：与CFD模拟相比，DNN模型的平方Pearson相关系数（SPCC，衡量两个变量之间的线性相关性）达到了0.99的精度（1表示完全正相关），从而表明DNN模型预测与CFD模拟结果之间有较完美的相关性。

（硕士研究生白春禄翻译供稿，阅读原文：http://pubs.spe.org/en/ogf/ogf-article-detail/?art=5412）

立夏四月，此谓蕃秀；天地气交，万物华实。