权重自适应的残差增强物理约束机器学习架构

油藏压力是油藏性质评价与产量预测的关键参数，其准确预测对优化开采方案和生产决策具有重要意义。然而，油藏压力的现场监测需要耗费大量财力与时间，实际可获取的观测数据通常十分稀缺。纯数据驱动模型在此条件下极易发生过拟合，泛化性能较差。与此同时，传统物理约束神经网络（如 PINN）高度依赖人工设定损失权重，难以处理由观测噪声与测量误差引发的物理机制不完备难题，制约了油藏压力预测效果。

针对小样本场景下油藏压力长期动态预测的技术瓶颈，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提出了一种权重自适应的残差增强物理约束机器学习框架（WR-PCML），可实现由短期小样本数据对油藏压力长期时空演化的精准预测。

科研团队首先构建了物理约束机器学习模块，将渗流控制方程、边界条件与初始条件转化为损失项嵌入神经网络训练过程，缓解小数据下的过拟合问题。进而，提出了基于多目标优化的权重自适应调整策略，通过求解二次规划问题动态优化各损失项权重，使各约束梯度在统一下降方向上协同优化，消除了人工调参带来的性能偏差。最后，设计了残差增强模块，利用辅助神经网络学习观测数据与物理约束预测之间的系统性残差并加以补偿，有效克服了物理机制不完备和测量误差导致的模型失配。

研究团队分别在二维、三维非均质油藏渗流算例上开展验证实验。结果表明，WR-PCML在小数据条件下表现优异：二维压力预测相对L₂误差较TgNN降低40.63%，较纯数据驱动ANN降低88.55%；三维压力预测相对L₂误差较TgNN降低25.81%，较ANN降低78.80%。在长期外推预测中，WR-PCML在各时间步均保持最低预测残差，且误差随时间累积情况明显受到抑制；即使在物理机制受到不同程度噪声扰动的情况下，模型仍表现出较强的鲁棒性，可为观测数据有限的新油田或欠开发油田，提供可靠的压力预测方法。

该成果以 Weight-adaptive residual-enhanced and physics-constrained machine learning framework for reservoir pressure prediction in small data regime为题发表于国际期刊 Engineering Applications of Artificial Intelligence。沈阳自动化所博士研究生贺云鹏为论文第一作者，程海波副研究员和曾鹏研究员为通讯作者。该研究得到了国家自然科学基金、辽宁辽河实验室等项目的支持。（工业控制网络与系统研究室）

论文链接：https://www.sciencedirect.com/science/article/abs/pii/S0952197626021779

DOI:10.1016/j.engappai.2026.115893