[發明專利]一種基于深度學習的油水相對滲透率曲線計算方法

有效

• 申請號: 202011589368.8
• 申請日: 2020-12-29
• 公開（公告）號: CN112612997B
• 公開（公告）日: 2022-07-01
• 發明（設計）人: 谷建偉;周鑫;翟亮;黃迎松;王森;李樂;王雅萱;魏志勇;張凱
• 申請（專利權）人: 中國石油大學（華東）
• 主分類號: G06F17/18
• 分類號: G06F17/18;G06N3/04;G06N3/08
• 代理公司: 西安知誠思邁知識產權代理事務所(普通合伙) 61237
• 代理人: 麥春明

1.一種基于深度學習的油水相對滲透率曲線計算方法，其特征在于，包括以下步驟：

步驟S1：收集樣本數據并對樣本數據進行數據預處理；得到歸一化后的進汞曲線、退汞曲線、油相相對滲透率曲線、水相相對滲透率曲線；

步驟S2：構建歸一化后的進汞曲線、退汞曲線、油相相對滲透率曲線、水相相對滲透率曲線的編碼模型訓練樣本集；

步驟S3：建立變分自動編碼模型，并用步驟S2建立好的編碼模型訓練樣本集進行訓練；變分自動編碼模型分為編碼模型和解碼模型；

步驟S4：利用步驟S3建立的編碼模型得到歸一化毛管力曲線、歸一化油水相對滲透率曲線的編碼值；

步驟S5：利用神經網絡算法分別建立歸一化毛管力曲線預測模型和歸一化油水相對滲透率曲線預測模型并進行訓練；

步驟S6：通過步驟S5的兩個預測模型階梯預測得到預測參數；

步驟S7：利用解碼模型和解歸一化處理，處理預測的歸一化油水相對滲透率曲線編碼值，得到完整的油相相對滲透率預測曲線和水相相對滲透率預測曲線；并與實際的油水相對滲透率曲線進行對比；

所述步驟S2具體為：

步驟S2.1：利用直線鏈碼曲線刻化方法表征每一條歸一化后的曲線，得到每一條歸一化曲線的鏈碼表征值；

步驟S2.2：將歸一化進汞曲線和歸一化退汞曲線的鏈碼表征值整理成向量形式，構成歸一化進汞曲線編碼模型訓練樣本集和歸一化退汞曲線編碼模型訓練樣本集；

將歸一化油相相對滲透率曲線和歸一化水相相對滲透率曲線的鏈碼表征值整理成向量形式，構成歸一化油相相對滲透率曲線編碼模型訓練樣本集和歸一化水相相對滲透率曲線編碼模型訓練樣本集；

所述步驟S2.1的利用直線鏈碼曲線刻化方法表征每一條歸一化后的曲線的具體方法如下：

將歸一化后的進汞曲線、退汞曲線、油相相對滲透率曲線和水相相對滲透率曲線的橫坐標等分為x段，用每一段端點對應曲線上的點，以此用x段直線段表示這些曲線，然后分別依次取每一段端點對應的縱坐標得到鏈碼表征值，用這些鏈碼表征值組成一個x+1維的數組來表征各歸一化曲線；x為大于50的正整數；

所述步驟S5具體為：

步驟S5.1：神經網絡模型由多層神經網絡組成，每層神經網絡都由若干神經元節點組成，不同層之間的神經元的信息傳遞主要通過權重和激活函數實現；對于輸入特征向量，初始選取輸入層和隱藏層之間權重，利用激活函數計算得到隱藏層神經元值，這便完成一次層間信息傳輸；同樣地，對于隱藏層到輸出層之間的信息傳輸，初選隱藏層和輸出層之間權重，利用激活函數計算得到輸出層神經元值；利用損失函數計算輸出層神經元值與實際值之間的殘差，然后反向傳導梯度，更新神經網絡模型各層間權重值；

利用tensorflow搭建歸一化毛管力曲線編碼值的神經網絡預測模型，以步驟S1的物性特征參數數據作為模型輸入數據，以步驟S4得到的歸一化毛管力曲線編碼值數據作為模型輸出數據，基于這樣組成的訓練樣本集進行訓練，得到歸一化毛管力曲線預測模型；

步驟S5.2：利用tensorflow搭建歸一化油水相對滲透率曲線編碼值的神經網絡預測模型，以步驟S1的物性特征參數數據和步驟S4得到的歸一化毛管力曲線編碼值數據作為模型輸入數據，以步驟S1得到的殘余油飽和度、束縛水飽和度、油相相對滲透率最大值、水相相對滲透率最大值和步驟S4得到的歸一化油水相對滲透率曲線編碼值作為模型輸出數據，基于這樣形成的訓練樣本集進行訓練，得到歸一化油水相對滲透率曲線預測模型。