24/7 模拟循环：智能体 AI 如何推动地下工程持续进行

地下行业正处于数字化演进的关键节点。数十年来，释放储层潜力一直依赖专家执行必要且耗时的手动工作流程。

随着数据复杂性不断增加，机器速度与人类处理能力之间的差距已成为主要瓶颈。

按需仿真工作流程目前受到手动数据开销和固有运营延迟的双重制约。工程师需要手动汇总、整合并转化分散的技术材料，这造成了显著的知识整合瓶颈，拉长了项目周期。

仿真作业的异步性质进一步加剧了这一问题；当仿真在非工作时间完成或失败，或在工程师同时处理相互竞争的优先事项时，空等时间就会累积。因此，原本应在标准 24 小时内完成的周转，往往会演变为数天的延迟，阻碍全球团队的进展。

在本文中，我们将解释如何在 NVIDIA 全栈加速计算平台之上应用智能体 AI，将地下工程及更广泛领域中依赖手工、受专家数量限制的工作流程，转变为始终在线、由计算驱动的仿真工作流程。

智能体化转变

智能体 AI 通过分担重复性的技术障碍，改变了这一格局，使工程师能够超越“足够好”的结果，探索更广阔的解决方案空间，并推动更高的资产价值。

在这一范式中，工程师转向战略性监督角色——在高层方向上保持参与，同时由智能体负责执行。本文演示如何构建这样一个系统。

虽然我们的示例侧重于地下模拟，但该框架与工具无关，适用于任何依赖复杂模拟工作流的行业。

如下图 1 所示的主架构，将中央编排代理与专为模拟器交互和工作流管理而设计的专用代理集成在一起。

油藏模拟助手：加速日常工作流

油藏模拟助手充当数字化领域专家，弥合工程师、技术文档与模拟器之间的差距。它作为一种互补的快速通道，与您现有的建模环境协同工作，用于处理重复性任务和技术障碍。

关键要点

油藏模拟助手旨在增强而非取代行业既有工具。通过分担模拟循环中的管理性部分，工程师可以释放大量精力：

• 即时交互：无论你更喜欢通过嵌套菜单导航，还是通过终端执行命令，该代理都能用即时结果取代繁琐的文件查找。从将模拟 deck 拖到聊天中以启动运行，到询问“井 X 的表皮系数是多少？”，系统都能在数秒内处理手动查找和 deck 设置。
• 快速分析：该代理不仅能绘制时间序列曲线，还能提供快速诊断。它可以即时回答复杂问题，包括“为什么我在井 X 看到早期水突破？”这通常需要数小时的手动交叉核对。
• 无摩擦的“what-if”迭代：无需应对语法难题，即可执行敏捷的情景测试。该代理负责繁琐的关键字编辑和基线比较，同时其自愈逻辑会主动修复收敛问题和输入错误，并可选择让人工参与其中，以保持模拟 24/7 持续运行。

最终，这个个人智能体将一个多步骤的人工行政流程转化为一次自然的对话。

虽然我们的演示展示的是一个独立界面，但将这些智能体能力直接集成到行业标准的高保真建模平台中，代表着地下数字生态系统一次令人振奋的演进。

多智能体小队：编排复杂的工程研究

虽然油藏模拟助手能够增强日常任务，包括快速情景测试和人工查找，但这些通常只是更大、更复杂模拟研究的初步步骤，例如历史拟合和油田开发优化。这些工作流程支撑着地下决策过程，但它们出了名地困难，因为它们处于两大主要瓶颈的交汇处：运营延迟和专业知识差距。

首先，这些工作流是无效等待时间的主要来源。由于单个工作流周期可能需要数天，结果往往会在非工作时间完成并处于闲置状态。这种异步间隙常常会将标准的 24 小时运行变成多天的延迟。

其次，更关键的是，这些研究需要一次“启发式暂停”。每个周期结束后，专家必须手动综合高维数据，以决定如何调整下一次运行的参数。这种专业能力通常需要多年经验，或依赖外部咨询机构，而这类专业资源本质上十分稀缺。这种启发式暂停造成了认知瓶颈，使工作流等待专家干预，从而给项目时间线增加显著延迟。

为了解决这一问题，我们从单智能体模型转向多智能体团队。该系统模拟一个专业的油藏工程团队，利用一组数字化初级工程师来自主执行和监控大规模优化任务。

通过充当 24/7 的编排层，该团队确保一个周期一结束，就能综合数据、提出下一组参数，并立即启动后续运行——从而有效消除迭代之间的闲置无效等待时间。

智能体工作流的关键原则：

• 人在环路（HITL）：尽管具备高度自主性，工程师仍保持完全的监督控制。他们会审查并批准智能体提出的计划，然后再启动包含数百个模拟任务的工作流。
• 可信生态系统：这些智能体通过工具调用使用行业标准的模拟和编排软件。它们加速交付并非通过取代物理模型，而是通过消除造成瓶颈的手动、重复性任务。
• 无关底层实现且面向未来：虽然该实现分别利用 OPM Flow 和内部 Python 代码进行模拟和优化，但该框架采用模块化设计。智能体层与物理引擎解耦，使其能够与行业标准商业模拟器或专有代码库无缝集成。

案例研究：井位优化

为展示其实际效果，我们将多智能体小组应用于 Brugge 基准模型的井位优化。目标是通过优化 30 口井的位置来最大化净现值（NPV）。

• 协同规划：提议智能体提出优化策略（例如，遗传算法与采用特定超参数组合的粒子群优化之间的选择），而批评智能体则通过辩论循环对其进行完善。
• 动态编排：智能体基于性能指标和领域知识实时调整调优参数。
• 运行稳定性：作业管理器监控健康状态，以消除意外故障造成的空闲时间。
• 自动化数据综合：结果分析器将高维原始数据转化为可执行的洞察。

在这个具体示例中，智能体的讨论扎根于技术手册和过往实验，并已发生策略性演进。在早期迭代中，它们优先进行广泛探索，利用大规模种群和高突变率，在严格预算内广泛采样解空间。随着工作流推进，思考过程转向进化深度。例如，从侧重采样的 GA 变体转向受 PSO 启发的配置，以测试性能是否受限于初始采样或代际深度。

构建模块：NVIDIA Inference Microservices

驱动这些智能体的智能由 NVIDIA Inference Microservices（NIM）提供，为实时工程推理提供低延迟、生产就绪的推理能力。

• 高级推理：智能体使用 Llama-3.3-Nemotron-Super-49B-v1.5，这是一款专为复杂推理、规划和多轮智能体工作流设计的先进模型。
• 上下文智能：检索增强生成（RAG）由 Llama-3.2-NeMo-Retriever-300M-Embed-v2 提供支持，确保智能体响应以专有技术文档和仿真手册为依据。
• 模块化架构：该系统集成了 ChatNVIDIA 这一兼容 LangChain 的接口，可在 LangChain 和 LangGraph 框架内实现无缝编排。这为与仿真器 API、数据库查询和自定义工具进行程序化交互提供了结构化函数调用，同时在多步骤工作流中保持可靠的状态管理。
• 灵活部署：该架构支持使用 build.nvidia.com API 端点进行快速原型开发，随后允许通过单行配置更改热切换到自托管 LLM 部署，以实现安全的本地执行并具备完全的数据主权。

该智能体系统将工程师的关注重点从任务执行转向编排。此前用于手动检索和监控的时间，被重新用于探索替代场景，并优化那些在时间限制下原本无法审视的资产策略。尽管这些结果是在油藏模拟领域中得到验证的，但所提出的智能体系统本质上与模拟工具无关。因此，该框架可以自然扩展到相邻前沿领域，从地质 CO2 封存和地热能源，到任何依赖复杂、迭代式模拟工作流的行业。

不采取行动的机会成本如今已可衡量。当传统工作流仍在队列中等待时，智能体系统已经在探索下一轮迭代。

开始使用

我们正在向社区开放这些能力。访问我们在 GitHub 上发布的开源代码库，并试用端到端多智能体工作流。你还可以根据自己的具体用例进一步定制这些智能体工作流。