[發(fā)明專利]基于近鄰神經(jīng)網(wǎng)絡的油藏地質(zhì)建模靜態(tài)參數(shù)分布預測方法

有效

• 申請?zhí)枺?/td>: 202011279852.0
• 申請日: 2020-11-16
• 公開（公告）號: CN112396230B
• 公開（公告）日: 2022-03-29
• 發(fā)明（設計）人: 王宇赫;毛強強;王九龍;孫鑫;楊瀟;余夢琪;劉帥辰
• 申請（專利權(quán)）人: 中國石油大學（華東）;青島東坤蔚華數(shù)智能源科技有限公司
• 主分類號: G06Q10/04
• 分類號: G06Q10/04;G06Q50/02;G06N3/04
• 代理公司: 重慶晟軒知識產(chǎn)權(quán)代理事務所(普通合伙) 50238
• 代理人: 孔玲瓏

1.一種基于近鄰神經(jīng)網(wǎng)絡的油藏地質(zhì)建模靜態(tài)參數(shù)分布預測方法，其特征在于，包括如下步驟：

S100:選定油藏地質(zhì)預測范圍，調(diào)取該油藏地質(zhì)預測范圍內(nèi)的所有井的已知空間坐標(x,y,z)和對應的靜態(tài)參數(shù)值，設所述油藏地質(zhì)預測范圍內(nèi)開發(fā)中后期的油藏存在井N口；

S200：采用近鄰算法找到油藏地質(zhì)預測范圍內(nèi)每口井的鄰近井，設每口井有m個鄰近井；

S300：建立神經(jīng)網(wǎng)絡模型；

S310：在現(xiàn)有神經(jīng)網(wǎng)絡的輸入層后任一層之前增設隨機層∈得到神經(jīng)網(wǎng)絡模型；

S320：訓練S310建立的神經(jīng)網(wǎng)絡模型；

設第i口井的已知空間坐標、第i口井對應的m口鄰近井的已知空間坐標和第i口井對應的m口鄰近井的已知靜態(tài)參數(shù)作為第i個樣本，i＝1,2,3…N，所有樣本構(gòu)成數(shù)據(jù)集；

S321：隨機選取數(shù)據(jù)集中的部分樣本構(gòu)成訓練集，另一部樣本構(gòu)成驗證集；

S322：將訓練集中的所有訓練樣本作為神經(jīng)網(wǎng)絡模型的輸入，采用隨機梯度下降法對神經(jīng)網(wǎng)絡模型中的參數(shù)進行更新，參數(shù)更新Q次后，將驗證集中的驗證樣本輸入訓練后的神經(jīng)網(wǎng)絡模型，再通過十折交叉驗證方法，計算每一折對應的驗證集誤差；

S323：當S322計算的驗證集誤差不大于預設的誤差閾值時，則認為訓練后的神經(jīng)網(wǎng)絡模型為最優(yōu)神經(jīng)網(wǎng)絡模型，執(zhí)行下一步，否則返回S321；

S400：利用S323得到的最優(yōu)神經(jīng)網(wǎng)絡模型預測選定油藏地質(zhì)預測范圍內(nèi)未知空間點的靜態(tài)參數(shù)分布，設未知空間點的空間點坐標為(x,y,z)，利用S200的方法找到該未知空間點的m口鄰近井，然后將該未知空間點的空間坐標，未知空間點的m口鄰近井的空間坐標和未知空間點的m口鄰近井的靜態(tài)參數(shù)輸入最優(yōu)神經(jīng)網(wǎng)絡模型，即可得到該未知空間點對應的靜態(tài)參數(shù)；

S500：重復S400，通過最優(yōu)神經(jīng)網(wǎng)絡模型中隨機層∈獲得多個神經(jīng)網(wǎng)絡輸出，對多個輸出結(jié)果求均值，得到未知空間點一個平均的靜態(tài)參數(shù)；

S600：在選定油藏地質(zhì)預測范圍內(nèi)取足夠多的未知空間點，重復S400和S500，預測所選的所有未知點的靜態(tài)參數(shù)，即完成選定油藏地質(zhì)預測范圍內(nèi)靜態(tài)參數(shù)的分布的預測。

2.如權(quán)利要求1所述基于近鄰神經(jīng)網(wǎng)絡的油藏地質(zhì)建模靜態(tài)參數(shù)分布預測方法，其特征在于，所述靜態(tài)參數(shù)包括孔隙度φ、滲透率k和泥質(zhì)含量s_h。

3.如權(quán)利要求2所述基于近鄰神經(jīng)網(wǎng)絡的油藏地質(zhì)建模靜態(tài)參數(shù)分布預測方法，其特征在于，當所述靜態(tài)參數(shù)為孔隙度φ時，數(shù)據(jù)集表示為如下樣本矩陣：

其中，X₁，X₂，…X_N表示樣本，(x_i,y_i,z_i)代表第i口井的空間坐標，i＝1,2,…,N；(x_ij,y_ij,z_ij),代表第i口井的第j個鄰近井的空間坐標，表示第i口井的第j個鄰近井的孔隙度，j＝1,2,…,m。

4.如權(quán)利要求3所述基于近鄰神經(jīng)網(wǎng)絡的油藏地質(zhì)建模靜態(tài)參數(shù)分布預測方法，其特征在于，所述S310建立的神經(jīng)網(wǎng)絡模型的輸出為Y＝f(X)+∈，所述Y為神經(jīng)網(wǎng)絡的輸出即預測的孔隙度值，f(X)為神經(jīng)網(wǎng)絡逼近的非線性函數(shù)。

5.如權(quán)利要求4所述基于近鄰神經(jīng)網(wǎng)絡的油藏地質(zhì)建模靜態(tài)參數(shù)分布預測方法，其特征在于，所述Y為神經(jīng)網(wǎng)絡的輸出即預測的孔隙度值，f(·)為神經(jīng)網(wǎng)絡逼近的非線性函數(shù)，具體的計算過程如下：

h₁＝W₁X^T+b₁,Φ₁＝g₁(h₁)

h₂＝W₂Φ₁+b₂,Φ₂＝g₂(h₂)

…

h_L＝W_LΦ_L-1+b_L,f(X)＝g_L(h_L)

其中，g(·)為神經(jīng)網(wǎng)絡的激活函數(shù)；L代表神經(jīng)網(wǎng)絡的層數(shù)；W代表神經(jīng)網(wǎng)絡的權(quán)值，b代表神經(jīng)網(wǎng)絡的偏置項；下角標L-1代表每一層神經(jīng)網(wǎng)絡的層數(shù)序號，共L層；h₁，h₂,…h(huán)_L為神經(jīng)網(wǎng)絡每一層對應的線性輸出，亦是神經(jīng)網(wǎng)絡激活函數(shù)的輸入。