Pisces-AI: Physics-Informed AI for Subsurface Characterization ExperimentS

Pisces-AI-prosjektet undersøkte hvordan moderne kunstig intelligens – spesielt såkalte Physics-Informed Neural Networks (PINNs) – kan brukes til å tolke avanserte laboratorieforsøk som viser hvordan væsker beveger seg gjennom bergarter i undergrunnen. Slike SCAL-eksperimenter er viktige i alt fra energiproduksjon til CO2-lagring og grunnvannsforvaltning, men de er både tidkrevende og krevende å analysere.I prosjektet utviklet forskerne et AI-verktøy som lærer både de fysiske lovene og forsøksdataene samtidig. Dette gjør det mulig å beregne viktige strømnings- og bergartsparametere direkte fra målingene, noe som potensielt kan redusere tolkningstiden og gi mer konsistente resultater. Pisces-AI har dermed vist at kombinasjonen av fysikk og maskinlæring er en lovende retning for fremtidens analyser av undergrunnen.

The project has already strengthened industry understanding of how physics-informed AI can support the interpretation of advanced SCAL experiments. The most tangible achieved effect is the establishment of new industrial collaborations, which provided access to high-quality datasets and insights that would otherwise not have been available. This enabled the validation of the method in a relevant environment and created a solid foundation for further applciations. In the longer term, the project has the potential to reduce the time and cost associated with interpreting laboratory experiments, improve the consistency of results, and provide more accurate estimates of capillary pressure and relative permeability. These improvements can enhance decision-making in applications such as energy production, CO2 storage, and subsurface characterization. The project has also stimulated new ideas and methodological directions among the researchers, which may lead to further method development and, eventually, commercial tools or advisory services if the identified technical challenges are resolved in future commercial and research phases.