一种加速多组分闪蒸计算的自适应深度学习算法

本文详细地提出了一种自适应深度学习算法来加速闪蒸计算，该算法可以定量预测混合物中的总相数以及在各种环境条件下具有大量组分的实际油藏流体平衡时的相关热力学性质。采用热力学中的相平衡计算方案，并在指定的摩尔数、体积和温度下实现。每个组分的临界性质为神经网络的输入数据，最终输出结果是平衡时的总相数和每个相的摩尔组成。两种网络结构设计得很好，其中一种结构将训练中不同数量的成分的输入和目标流体混合物转换为一个统一的空间，然后再进入生产性神经网络。两个神经网络上的超参数都经过仔细调整，以确保输入参数下的物理相关性在学习过程中得到保留。这种组合结构可以使我们的深度学习算法对输入数据和维度的变化具有自适应性。