[發明專利]基于深度學習的瞬態油藏代理模型的構建及油藏預測方法

在審

• 申請號: 202111603079.3
• 申請日: 2021-12-24
• 公開（公告）號: CN114282725A
• 公開（公告）日: 2022-04-05
• 發明（設計）人: 張釗
• 申請（專利權）人: 山東大學
• 主分類號: G06Q10/04
• 分類號: G06Q10/04;G06N3/04;G06N3/08;G06F30/23;G06F30/27;G06Q50/02;G06F111/10
• 代理公司: 青島博展利華知識產權代理事務所(普通合伙) 37287
• 代理人: 渠衍飛

本發明公開了基于深度學習的瞬態油藏代理模型的構建及油藏預測方法，涉及石油工程領域，步驟如下：S1、對井點數據進行處理得到若干個無標簽樣本模型，若干個無標簽樣本模型組成無標簽樣本模型集合；S2、時間維度離散化，將無標簽樣本模型集合輸入到卷積神經網絡中進行訓練，卷積神經網絡集合作為深層卷積神經網絡，用于構建瞬態油藏模擬的代理模型，選取出各時間步對應的殘差最小化的網絡組成優化卷積神經網絡集合，構成瞬態油藏模擬的代理模型。本發明通過建立物理信息深度卷積神經網絡算法，可以不依賴標簽數據訓練得到油藏代理模型，從而快速預測油藏數值模擬結果，顯著提高計算效率。

技術領域

本發明涉及石油工程領域，具體為基于深度學習的瞬態油藏代理模型的構建及油藏預測方法。

背景技術

油藏動態預測技術可以分析油藏動態變化，預測未來的變化趨勢，以及時進行開發調整，油藏動態預測技術中的油藏數值模擬法的原理是運用偏微分方程組描述油藏的開采狀態，通過計算機數值求解得到開發指標變化，是當前最常用的油藏預測方法。

考慮到數值模擬方法建模工作量大及計算效率低的問題，目前已有不少利用人工智能、神經網絡來預測油藏的方法，如現有技術CN113052371A中所公開的基于深度卷積神經網絡的剩余油分布預測方法，該預測方法需要借助油藏數值模擬技術建立網絡模型訓練所需的數據集，基于數據集的部分數據訓練得到深度全卷積編碼解碼神經網絡預測模型，之后基于數據集的剩余部分數據利用深度全卷積編碼解碼神經網絡實現剩余油分布的直接預測。該預測方法在訓練得到代理模型和油藏預測過程中均需要使用經常規數值模擬后得到的標簽數據，可見，現有構建代理模型的神經網絡算法依賴于大量標簽數據，而標簽數據的獲取需依賴常規數值模擬，耗時較高，而且利用全連接神經網絡擬合二維問題的效率低。因此，需要優化用于構建油藏代理模型的方法。

發明內容

本發明的目的是為了解決現有油藏數值模擬代理模型算法依賴大量標簽數據的問題，通過建立物理信息深度卷積神經網絡算法，可以不依賴標簽數據訓練得到代理模型，從而快速預測油藏數值模擬結果。

為實現以上目的，本發明通過以下技術方案予以實現：

基于深度學習的瞬態油藏代理模型的構建方法，包括以下步驟：

S1、對井點數據進行處理得到若干個無標簽樣本模型，若干個無標簽樣本模型組成無標簽樣本模型集合；

S2、時間維度離散化，將無標簽樣本模型集合輸入到卷積神經網絡中進行訓練，每個卷積神經網絡對應一個時間步，卷積神經網絡集合作為深層卷積神經網絡，用于構建瞬態油藏模擬的代理模型，選取出各時間步對應的殘差最小化的網絡組成優化卷積神經網絡集合，構成瞬態油藏模擬的代理模型。

優選的，S1中所述的處理過程為：基于同一井點數據利用隨機模擬方法隨機建立若干個各不相同的無標簽樣本模型，隨機模擬方法為序貫高斯模擬、直接序貫模擬、序貫高斯協模擬和直接序貫協模擬其中的一種。

優選的，所述S2中包括：

S2.1、基于向后歐拉方法將時間維度離散化，將無標簽樣本模型集合輸入到卷積神經網絡得到輸出；

S2.2、將輸出代入到對應時間步的控制方程中計算其殘差；

S2.3、利用Adam算法優化網絡參數使得殘差降低，得到使得殘差最小化的網絡，并得到對應時間步的流場；

S2.4、對后續時間步重復S2.1～S2.3，每個時間步的控制方程殘差計算需基于上一個時間步的流場；

S2.5、選取每個時間步中使得殘差最小化的優化網絡為對應時間步的代理模型，代理模型中的優化卷積神經網絡與時間步一一對應，所有時間步的優化卷積神經網絡作為用于構建瞬態油藏模擬的代理模型。

優選的，所述S2.2中的殘差計算是利用有限體積法和隱式時間積分。