低浸透油層におけるCO₂非混相駆動技術は、原油回収率の向上およびカーボンニュートラルの実現に重要な意義を持つ。本プロセスは強非線形方程式の解法を伴い、従来の数値シミュレーション手法は数値安定性と収束性の課題に直面し、時間及び空間ステップの精密な調整が必要である。そこで、低浸透油層におけるCO₂非混相駆動に対し、物理情報ニューラルネットワーク（Physics-Informed Neural Networks、PINNs）に基づく数値シミュレーション手法を提案する。本手法は、古典的なBuckley-Leverett（BL）分流量方程式を基にし、起動圧力勾配及びCO₂溶解度パラメータを導入し、駆動前線の伝播および飽和度の進展に対するそれらの結合影響を明らかにする。BL方程式およびその初期境界条件をPINNsの損失関数に組み込むことで、神経ネットワークは訓練過程で制御方程式の拘束を自動的に満たすとともに、メッシュレス連続空間において複雑な非線形浸透流過程をモデル化し、モデルの数値安定性および予測能力を向上させる。モデルの精度検証のため、数値解と解析解を比較した。結果は構築したPINNsモデルが駆動前線位置および流体飽和度分布の捉えに高精度を示し、解析解との差異は小さく、決定係数（R²）は93％を超え、平均絶対誤差は0.19×10^-2であった。従来の陽解法差分法と比較して、PINNs数値シミュレーション法はより強力な数値安定性と拡張性を有する。本研究は低浸透油層におけるCO₂非混相駆動数値シミュレーションに新たな深層学習の道を提供し、多物理場結合下における浸透流挙動メカニズムの更なる理解に寄与するとともに、CO₂地質貯留と原油回収率向上の効率的な協調に理論的支援と方法的参考を提供する。

物理情報ニューラルネットワーク;低浸透油層;CO₂非混相駆動;起動圧力勾配;CO₂溶解;Buckley-Leverett方程式