[發(fā)明專利]一種蒸汽驅(qū)油藏溫度場的預(yù)測方法及系統(tǒng)

在審

• 申請?zhí)枺?/td>: 202110905371.4
• 申請日: 2021-08-09
• 公開（公告）號: CN113487115A
• 公開（公告）日: 2021-10-08
• 發(fā)明（設(shè)計）人: 趙輝;宮汝祥;饒翔;劉英憲;孫永濤;王正;彭曉寅;王飛;劉東;李敬松;黃子俊;孫玉豹;楊浩
• 申請（專利權(quán)）人: 長江大學(xué)
• 主分類號: G06Q10/04
• 分類號: G06Q10/04;G06K9/62;G06Q50/02
• 代理公司: 武漢謙源知識產(chǎn)權(quán)代理事務(wù)所(普通合伙) 42251
• 代理人: 王力

本發(fā)明公開了一種蒸汽驅(qū)油藏溫度場的預(yù)測方法及系統(tǒng)，方法包括：S100、基于深度卷積生成對抗神經(jīng)網(wǎng)絡(luò)，建立滲透率與溫度分布之間的動態(tài)映射關(guān)系，構(gòu)建并訓(xùn)練根據(jù)滲透率快速預(yù)測油藏溫度動態(tài)分布的代理模型；S200、將滲透率分布圖輸入訓(xùn)練好的代理模型，預(yù)測蒸汽驅(qū)油藏的溫度分布。本發(fā)明基于深度卷積生成對抗神經(jīng)網(wǎng)絡(luò)建立滲透率與溫度分布之間的動態(tài)映射關(guān)系，進(jìn)而構(gòu)建根據(jù)滲透率快速預(yù)測油藏溫度動態(tài)分布的代理模型，通過輸入滲透率分布圖，可以快速、準(zhǔn)確地預(yù)測蒸汽驅(qū)油藏的溫度分布。

技術(shù)領(lǐng)域

本發(fā)明涉及蒸汽驅(qū)油藏溫度場的預(yù)測，具體涉及一種蒸汽驅(qū)油藏溫度場的預(yù)測方法及系統(tǒng)。

背景技術(shù)

蒸汽驅(qū)是稠油開發(fā)中最為有效且成熟的方法之一，目前對于其驅(qū)替機理和相關(guān)技術(shù)工藝上的研究已經(jīng)相當(dāng)充分，然而對其快速動態(tài)預(yù)測模型的研究還不是很完善。陳月明在前人研究的基礎(chǔ)上建立了蒸汽驅(qū)動態(tài)預(yù)測解析解模型，將油藏分為原始含油區(qū)、原油富集區(qū)、熱流區(qū)和蒸汽區(qū)等。隨后眾多學(xué)者在前人研究基礎(chǔ)上，提出了多種蒸汽驅(qū)動態(tài)預(yù)測理論模型，雖然各種方法都有其優(yōu)點但也各有其局限性，難以快速、準(zhǔn)確地預(yù)測蒸汽驅(qū)油藏的溫度分布。

發(fā)明內(nèi)容

針對現(xiàn)有技術(shù)中存在的缺陷，本發(fā)明的目的在于提供一種蒸汽驅(qū)油藏溫度場的預(yù)測方法及系統(tǒng)，可以快速、準(zhǔn)確地預(yù)測蒸汽驅(qū)油藏的溫度分布。

為實現(xiàn)上述目的，本發(fā)明采用的技術(shù)方案如下：

一種蒸汽驅(qū)油藏溫度場的預(yù)測方法，包括：

S100、基于深度卷積生成對抗神經(jīng)網(wǎng)絡(luò)，建立滲透率與溫度分布之間的動態(tài)映射關(guān)系，構(gòu)建并訓(xùn)練根據(jù)滲透率快速預(yù)測油藏溫度動態(tài)分布的代理模型；

S200、將滲透率分布圖輸入訓(xùn)練好的代理模型，預(yù)測蒸汽驅(qū)油藏的溫度分布。

進(jìn)一步，如上所述的預(yù)測方法，所述代理模型由生成器和鑒別器兩個不同的模型組成，生成器用于制造和真實的訓(xùn)練集相似的偽造圖片，鑒別器用于接受圖像并輸出該圖像是真實的訓(xùn)練集中的真實圖片還是生成器生成的偽造圖片；在整個訓(xùn)練過程中，生成器通過不斷地生成更好的偽造圖片來嘗試騙過鑒別器，而鑒別器則不斷努力地成為更好的分類器去能準(zhǔn)確地去區(qū)分真實圖片和偽造圖片，最終訓(xùn)練的平衡點是當(dāng)生成器生成的偽造圖片看起來像直接來自訓(xùn)練集數(shù)據(jù)，而鑒別器總是輸出生成器所生成的圖片為偽造圖片的概率為50％左右；

定義x為圖片數(shù)據(jù)，D(x)表示鑒別器網(wǎng)絡(luò)，當(dāng)x來自于生成器時D(x)越低，當(dāng)x來自訓(xùn)練集數(shù)據(jù)時D(x)越高，G(z)表示生成器網(wǎng)絡(luò)，代表輸入圖像與輸出圖像的映射關(guān)系，D(G(z))表示生成器生成的偽造圖片被鑒別器判別為真的概率，其中，鑒別器的目的是最大程度地提高分辨真實圖片與偽造圖片的準(zhǔn)確性，用logD(x)表示，生成器的目的是最小化判別它所生成的圖片為假的可能性，用log(1-D(G(x)))表示；

生成器和鑒別器的損失函數(shù)為：

其中，E(*)代表分布函數(shù)的期望值；pdata指真實數(shù)據(jù)的分布；pz指在低維的噪音分布；z代表噪音分布；

通過不斷地迭代計算去提高生成器和鑒別器的精度。

進(jìn)一步，如上所述的預(yù)測方法，所述代理模型的構(gòu)建過程包括：

構(gòu)建生成器：使用深度卷積網(wǎng)絡(luò)構(gòu)建生成器，通過輸入高維參數(shù)，經(jīng)過一系列卷積操作，包括卷積、偏置、歸一化、激活操作，形成中間參數(shù)特征圖像，再通過一系列的反卷積操作進(jìn)行上采樣，形成高維映射后的圖像，其中，輸出層使用雙曲正切函數(shù)作為激活函數(shù)來恢復(fù)連續(xù)值，并生成具有與輸入圖像大小相同的輸出圖像；

構(gòu)建鑒別器：使用卷積神經(jīng)網(wǎng)絡(luò)構(gòu)建鑒別器，跨步卷積的卷積核為4，步長為2，補0設(shè)置為1，通過一系列的Conv2d，BatchNorm2d和Relu函數(shù)對輸入圖片進(jìn)行處理，其中，Relu函數(shù)用于過濾負(fù)值，設(shè)置所有負(fù)值均為零。