The physics-based data-driven flow-network models with high computational efficiency have received great attention as the promising surrogate models for reservoir numerical simulation. However, the existing flow-network models developed for water-flooding reservoirs fail to consider different seepage characteristics of matrix and fractures and cannot be straightly applied to simulate the water-flooding process in low-permeability fractured reservoirs. In this study, we combine the flow-network model with the dual-porosity model to propose a new physics-based data-driven surrogate model, namely the Dual-Porosity Flow-Network Model (Flow-Net-DP), which can consider the non-Darcy flow in tight matrix and the stress-sensitive effects and preferential flow characteristic in fractures. Specifically, we refer to the dual-porosity model and use two channels to represent the connections between wells: one indicates the fracture system, the other represents the matrix system, and the fluid exchange between these two systems is considered by using a transfer function. Besides, each channel is discretized into one-dimensional grids, and a fully implicit scheme with Newton iteration is used to calculate pressure and saturation. Moreover, we establish an automated history matching method by using the Ensemble Smoother with Multiple Data Assimilation (ESMDA) algorithm to calibrate model parameters of Flow-Net-DP, and develop a production optimization method by using the Differential Evolution (DE) algorithm. Finally, the numerical simulation, history matching, and production optimization are conducted on different numerical examples to validate the capability of Flow-Net-DP. The results indicate that the Flow-Net-DP can provide a better description of water flooding process in low-permeability fractured reservoirs compared with the existing flow-network model, especially the rapid water breakthrough caused by the preferential flow characteristic in fractures. Furthermore, both history matching and production optimization based on the Flow-Net-DP yield satisfactory outcomes. For instance, when the optimization results are similar to the full-order simulation model, the optimization speed of Flow-Net-DP is increased by more than five times.

Well placement optimization is a crucial method to solve the planar conflicts in reservoir development, mainly to determine the optimal well locations and drilling sequence to maximize the economic benefits of reservoir development. However, the current well placement optimization methods face the problems of high-dimensional discretization of optimization variables and lack of effective incentives for policy exploration, which make it challenging to improve the global optimization ability (the ability to jump out of locally optimal solutions in time and continuously search for better solutions in the whole optimization process) and real-time adjustability of the well placement optimization methods under limited numerical simulation times. In this paper, we propose a new sequential well placement optimization method, based on the Discrete Soft Actor-Critic Algorithm (DSAC), which incorporates the maximum entropy mechanism to formulate well placement and drilling sequencing schemes more efficiently and maximize the net present value (NPV) over the entire life cycle of reservoir development. Specifically, the method models the well placement optimization problem as a Markov Decision Process (MDP) and achieves sequential well placement optimization by training a Deep Reinforcement Learning (DRL) agent that maps reservoir states to a stochastic policy of well placement variables as well as evaluates the value function of the current policy. The DRL agent can determine the optimal infill well location in real-time based on the reservoir state at different times during the development process, thus obtaining the optimal drilling sequence. The proposed method in this paper has two innovations. First, by reconstructing the large-scale discrete action space of well placement optimization variables into multi-discrete action spaces, and with the maximum entropy mechanism, policy exploration is encouraged to improve the global optimization capability. Second, the trained policy can swiftly adapt the subsequent well placement scheme for a specific state of the target reservoir without the requirement to initiate training from scratch, which can realize the offline application of the trained policy and has better real-time adjustability. To verify the effectiveness of the proposed method, it is tested in 2D and 3D reservoir models. The results show that DSAC not only outperforms the gradient-based optimization method, classical evolutionary algorithms, and existing reinforcement learning proximal policy optimization (PPO) method in terms of global optimization ability but also shows better real-time adjustability of the trained policy when applied offline.

Summary A compaction-based rock physics model and inversion method for the deep shale reservoirs is proposed. First, a shale rock physics model considering compaction is proposed using a CI-ODF. The elastic anisotropy of shale is affected by the preferred orientation of clay minerals, and the factors that cause the orientation of clay are complex. The existing theory only considers the effect of compaction on clay to describe the orientation arrangement of clay with the compaction ODF, which ignores the effect of non-plate particles on the preferred orientation of clay, and leads to the estimation error of petrophysical models. Therefore, a new theoretical CI-ODF model of clay orientation is proposed, which not only considers the influence of compaction but also further introduces the inhibition of other non-plate particles such as quartz, which makes the established shale anisotropic rock physics model more reasonable and the estimated elastic anisotropy more accurate. Secondly, based on the analysis of the compaction rock physics model, a compaction-based inversion method for the physical property parameters of deep shale reservoirs is proposed. This method can accurately achieve the inversion prediction of deep shale lithology and physical property parameters, which is validated by the measured data.

CO2 sequestration in saline aquifers is a crucial component of carbon capture, storage, and utilization (CCUS) technology. The subsurface fluid flow of CO2 and brine in porous media involves the coupling of multiple physics fields, featuring complex nonlinear partial differential equations (PDEs). The prevalent approach for studying subsurface fluid flow is to discretize PDEs in spatial and temporal dimensions and solve them numerically. Here, this work proposed a Gradient-guided Convolutional AutoEncoder (GCAE), where the gradient differential operator is incorporated as physical prior knowledge into the loss function of the neural network. The physical prior knowledge guides the training process of the neural networks, enhancing their physical interpretability compared with the purely data-driven Convolutional AutoEncoder (CAE). This work applied GCAE to the CO2 sequestration in the homogeneous formation, the heterogeneous formation, as well as the heterogeneous formation with different well placements to demonstrate the improvement in prediction accuracy, data stability, and generalization capability compared with the CAE approach.

Thrombocytopenia, which is associated with thrombopoietin (TPO) deficiency, presents very limited treatment options and can lead to life-threatening complications. Discovering new therapeutic agents against thrombocytopenia has proven to be a challenging task using traditional screening approaches. Fortunately, machine learning (ML) techniques offer a rapid avenue for exploring chemical space, thereby increasing the likelihood of uncovering new drug candidates. In this study, we focused on computational modeling for drug-induced megakaryocyte differentiation and platelet production using ML methods, aiming to gain insights into the structural characteristics of hematopoietic activity. We developed 112 different classifiers by combining eight ML algorithms with 14 molecule features. The top-performing model achieved good results on both 5-fold cross-validation (with an accuracy of 81.6% and MCC value of 0.589) and external validation (with an accuracy of 83.1% and MCC value of 0.642). Additionally, by leveraging the Shapley additive explanations method, the best model provided quantitative assessments of molecular properties and structures that significantly contributed to the predictions. Furthermore, we employed an ensemble strategy to integrate predictions from multiple models and performed in silico predictions for new molecules with potential activity against thrombocytopenia, sourced from traditional Chinese medicine and the Drug Repurposing Hub. The findings of this study could offer valuable insights into the structural characteristics and computational prediction of thrombopoiesis inducers.