油藏深埋地下数千米，其压力、饱和度等关键参数的时空演化，受地质非均质性、流体相互作用及复杂边界条件等多重因素影响，呈现强非线性、强耦合、多尺度特征。传统纯数据驱动模型依赖大量标注样本，难以保证物理一致性与泛化能力；而传统数值模拟方法计算耗时久，无法满足实时预测与快速优化的工程需求。

近日，中国科学院沈阳自动化研究所工业控制网络与系统研究室科研团队在油气人工智能领域取得进展，针对复杂油藏渗流场快速精准预测难题，提出一种物理信息深度算子建模方法（PI-DeepOKAN），为油藏动态模拟与智能决策提供了高效新工具。

团队构建了输出头重加权的多分支深度算子架构，用于统一表征油藏静态地质参数与动态生产条件。针对压力场与饱和度场的不同演化规律，团队引入注意力机制，自适应调整地质参数与井控信息的融合权重，克服了传统深度算子网络多源信息固定融合的缺陷。

同时，研究融合Kolmogorov-Arnold（KA）网络的可学习非线性映射能力，显著提升模型在强非均质储层、有限样本条件下对复杂多相流规律的刻画能力。团队还构建了涵盖多相流控制方程、初始条件、内外边界条件及断层界面约束的全链条物理信息损失函数，确保模型预测结果严格符合油藏流动机理。

实验结果表明，PI-DeepOKAN 能够精准刻画复杂油藏压力传播与水驱前缘演化，在保证物理一致性的同时，大幅提升预测效率，可作为油藏快速模拟、生产动态分析与智能优化决策的高效代理模型。

该成果以PI-DeepOKAN:Physics-Informed Deep Operator Kolmogorov-Arnold Network with Output-Head Reweighting for Multiphase Flow Prediction为题，发表于人工智能领域国际期刊Expert Systems with Applications。论文第一作者为博士研究生张潇迪，通讯作者为程海波副研究员和李栋研究员。该研究得到了国家自然科学基金项目、辽宁辽河实验室研究计划和沈阳自动化所基础研究项目的支持。（工业控制网络与系统研究室）

论文链接：https://www.sciencedirect.com/science/article/pii/S0957417426010274

DOI：10.1016/j.eswa.2026.132114