[發明專利]基于條件卷積生成式對抗網絡的MMP預測方法及裝置

在審

• 申請號: 202210055932.0
• 申請日: 2022-01-18
• 公開（公告）號: CN114399119A
• 公開（公告）日: 2022-04-26
• 發明（設計）人: 黃燦;田冷;黃文奎;王恒力;周毓韜;吳濤;張翔宇
• 申請（專利權）人: 中國石油大學(北京)
• 主分類號: G06Q10/04
• 分類號: G06Q10/04;G06K9/62;G06N3/04;G06N3/08;G06Q50/02
• 代理公司: 北京三友知識產權代理有限公司 11127
• 代理人: 崔博;葉明川

1.一種基于條件卷積生成式對抗網絡的MMP預測方法，其特征在于，包括：

獲取目標油藏的MMP影響因素數據；

將所述MMP影響因素數據輸入到預先訓練出的卷積生成器中，得到所述預先訓練出的卷積生成器輸出的所述目標油藏的MMP預測值，其中，卷積生成器為根據卷積神經網絡搭建的，卷積生成器不包含隨機噪聲輸入，所述預先訓練出的卷積生成器為根據訓練樣本集對卷積生成器進行多次迭代訓練得到的，所述訓練樣本集中的每個訓練樣本包含：油藏的MMP值以及油藏的MMP影響因素數據。

2.根據權利要求1所述的基于條件卷積生成式對抗網絡的MMP預測方法，其特征在于，還包括：

獲取所述訓練樣本集；

根據所述訓練樣本集進行H1次迭代訓練，得到所述預先訓練出的卷積生成器，其中，每一次迭代訓練分為多個批次的訓練，在進行每一個批次的訓練時，先從所述訓練樣本集中選取H2個訓練樣本，然后基于選取的訓練樣本對卷積判別器的網絡權重進行訓練，最后基于選取的訓練樣本在由所述卷積判別器和卷積生成器組成的組合模型中對所述卷積生成器的網絡權重進行訓練，所述卷積判別器為根據卷積神經網絡和全連接神經網絡組合搭建的，H1和H2均為正整數。

3.根據權利要求2所述的基于條件卷積生成式對抗網絡的MMP預測方法，其特征在于，所述訓練樣本由第一數據和第二數據組成，所述第一數據為油藏的MMP影響因素數據，所述第二數據為油藏的MMP值；

所述基于選取的訓練樣本對卷積判別器的網絡權重進行訓練，具體包括：

分別針對每個選取的訓練樣本，將卷積生成器根據訓練樣本的第一數據輸出的MMP預測值與該訓練樣本的第一數據進行組合，得到組合數據，將該組合數據的標簽設置為0，并對該組合數據的標簽進行平滑處理；

將每個選取的訓練樣本的標簽設置為1，并對訓練樣本的標簽進行平滑處理；

將標簽平滑處理后的組合數據以及標簽平滑處理后的訓練樣本輸入到所述卷積判別器中，對所述卷積判別器的網絡權重進行訓練。

4.根據權利要求3所述的基于條件卷積生成式對抗網絡的MMP預測方法，其特征在于，所述基于選取的訓練樣本在由所述卷積判別器和卷積生成器組成的組合模型中對所述卷積生成器的網絡權重進行訓練，具體包括：

分別針對每個選取的訓練樣本，將訓練樣本的第一數據輸入到所述卷積生成器中，得到所述卷積生成器輸出的該訓練樣本對應的MMP預測值；

分別針對將每個選取的訓練樣本，將訓練樣本的第一數據與訓練樣本對應的MMP預測值進行組合，得到組合數據，將該組合數據的標簽設置為1，并對該組合數據的標簽進行平滑處理；

將標簽平滑處理后的組合數據輸入到所述卷積判別器中，得到所述卷積判別器輸出的該組合數據為真實數據的概率。

5.根據權利要求2所述的基于條件卷積生成式對抗網絡的MMP預測方法，其特征在于，所述根據所述訓練樣本集進行H1次迭代訓練，得到所述預先訓練出的卷積生成器，包括：

采用超參數優化方法對迭代訓練次數H1、訓練樣本數量H2、所述卷積生成器的超參數以及所述卷積判別器的超參數進行優化，得到最佳參數組合，進而根據所述最佳參數組合進行迭代訓練得到所述預先訓練出的卷積生成器。

6.根據權利要求2所述的基于條件卷積生成式對抗網絡的MMP預測方法，其特征在于，所述卷積判別器的輸入為MMP影響因素數據和MMP值，該MMP值包括所述卷積生成器輸出的MMP預測值，所述卷積判別器的輸出為數據為真實數據的概率；卷積判別器的網絡結構具體包括：卷積神經網絡層、拼接層以及全連接神經網絡層，所述卷積神經網絡層用于對MMP影響因素數據進行預處理，所述拼接層用于將所述卷積神經網絡層輸出的預處理后的數據與MMP值進行拼接，所述全連接神經網絡層用于對所述拼接層輸出的拼接后的數據進行處理輸出數據為真實數據的概率。