CN111523713B - 一种预测油田中剩余油饱和度分布的方法和装置 - Google Patents
一种预测油田中剩余油饱和度分布的方法和装置 Download PDFInfo
- Publication number
- CN111523713B CN111523713B CN202010288160.6A CN202010288160A CN111523713B CN 111523713 B CN111523713 B CN 111523713B CN 202010288160 A CN202010288160 A CN 202010288160A CN 111523713 B CN111523713 B CN 111523713B
- Authority
- CN
- China
- Prior art keywords
- convolution
- neural network
- injection
- network model
- production
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000009826 distribution Methods 0.000 title claims abstract description 92
- 238000000034 method Methods 0.000 title claims abstract description 59
- 238000004519 manufacturing process Methods 0.000 claims abstract description 193
- 238000002347 injection Methods 0.000 claims abstract description 135
- 239000007924 injection Substances 0.000 claims abstract description 135
- 238000012549 training Methods 0.000 claims abstract description 92
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 91
- 238000003062 neural network model Methods 0.000 claims abstract description 44
- 239000011159 matrix material Substances 0.000 claims description 65
- 238000010586 diagram Methods 0.000 claims description 34
- 230000006870 function Effects 0.000 claims description 31
- 238000012360 testing method Methods 0.000 claims description 25
- 238000004590 computer program Methods 0.000 claims description 16
- 238000011156 evaluation Methods 0.000 claims description 16
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 14
- 238000006243 chemical reaction Methods 0.000 claims description 12
- 238000004422 calculation algorithm Methods 0.000 claims description 8
- 238000010276 construction Methods 0.000 claims description 7
- 238000003860 storage Methods 0.000 claims description 6
- 238000011084 recovery Methods 0.000 claims description 5
- 238000000638 solvent extraction Methods 0.000 claims description 4
- 230000017105 transposition Effects 0.000 abstract description 11
- 239000003208 petroleum Substances 0.000 abstract description 2
- 239000010410 layer Substances 0.000 description 95
- 238000002474 experimental method Methods 0.000 description 7
- 238000004458 analytical method Methods 0.000 description 6
- 230000008569 process Effects 0.000 description 6
- 238000004088 simulation Methods 0.000 description 6
- 239000000284 extract Substances 0.000 description 5
- 239000000243 solution Substances 0.000 description 5
- 238000004364 calculation method Methods 0.000 description 4
- 238000013461 design Methods 0.000 description 4
- 238000012986 modification Methods 0.000 description 4
- 230000004048 modification Effects 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 230000004075 alteration Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 230000001186 cumulative effect Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000013178 mathematical model Methods 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000008030 elimination Effects 0.000 description 1
- 238000003379 elimination reaction Methods 0.000 description 1
- 239000012530 fluid Substances 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000035772 mutation Effects 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 239000003129 oil well Substances 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005192 partition Methods 0.000 description 1
- 238000011056 performance test Methods 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 238000010206 sensitivity analysis Methods 0.000 description 1
- 239000002356 single layer Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000003786 synthesis reaction Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/02—Agriculture; Fishing; Forestry; Mining
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- General Physics & Mathematics (AREA)
- Economics (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- Biophysics (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Development Economics (AREA)
- Molecular Biology (AREA)
- Game Theory and Decision Science (AREA)
- Data Mining & Analysis (AREA)
- Computational Linguistics (AREA)
- Entrepreneurship & Innovation (AREA)
- Mathematical Physics (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Biomedical Technology (AREA)
- Artificial Intelligence (AREA)
- Agronomy & Crop Science (AREA)
- Animal Husbandry (AREA)
- Marine Sciences & Fisheries (AREA)
- Mining & Mineral Resources (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及石油勘探技术领域，具体涉及一种预测油田中剩余油饱和度分布的方法和装置。该方法包括：将待预测注采参数输入进训练好的卷积‑转置卷积神经网络模型中，获取剩余油饱和度分布图。训练好的卷积‑转置卷积神经网络模型的获取方法包括：构建卷积‑转置卷积神经网络模型；训练卷积‑转置卷积神经网络模型，获得第一卷积‑转置卷积神经网络模型；获取第一预测剩余油饱和度分布图；获得训练好的卷积‑转置卷积神经网络模型。本发明将注采参数输入进训练好的卷积‑转置卷积神经网络模型中，利用模型中的转置卷积层将注采参数反向恢复为包含有油田中剩余油饱和度分布信息的剩余油饱和度分布图，实现了对油田中剩余油饱和度分布的预测。
Description
技术领域
本发明涉及石油勘探技术领域，具体涉及一种预测油田中剩余油饱和度分布的方法和装置。
背景技术
现有的油田中剩余油饱和度分布的预测方法多采用正交设计数值模拟法，其首先设立注采参数的总和评价指标，然后通过敏感性分析得到影响综合评价指标的因素，最后将这些因素作为正交实验因素，通过正交表设计出正交实验方案，之后将实验方案代入数值模拟软件中运行得到模拟结果。
正交涉及数值模拟法智能根据现有的数据进行数据分析，无法基于部分数据对油田中剩余油饱和度分布进行预测，不能为进一步的实验提供明确的指向性。
因此，如何预测油田中剩余油饱和度分布，是目前亟需解决的技术问题。
发明内容
本发明的目的是提供一种预测油田中剩余油饱和度分布的方法和装置，以预测出油田中剩余油饱和度分布。
本发明实施例提供了以下方案：
第一方面，本发明实施例提供一种预测油田中剩余油饱和度分布的方法，所述方法包括：
将待预测注采参数输入进训练好的卷积-转置卷积神经网络模型中，获取剩余油饱和度分布图；
其中，所述训练好的卷积-转置卷积神经网络模型的获取方法包括：
将历史注采参数划分为训练集和测试集；其中，所述测试集包括第一注采参数和所述第一注采参数对应的真实剩余油饱和度分布图；
构建卷积-转置卷积神经网络模型；其中，所述卷积-转置卷积神经网络模型的结构包括数据输入层、全连接层、矩阵维数转换层、卷积-转置卷积层和数据输出层；
根据所述训练集，利用损失函数迭代训练所述卷积-转置卷积神经网络模型，获得第一卷积-转置卷积神经网络模型；
将所述第一注采参数输入进所述第一卷积-转置卷积神经网络模型，获取第一预测剩余油饱和度分布图；
若所述第一预测剩余油饱和度分布图与所述第一注采参数对应的真实剩余油饱和度分布图之间的相似度高于设定阈值，则将所述第一卷积-转置卷积神经网络模型作为所述训练好的卷积-转置卷积神经网络模型。
在一种可能的实施例中，所述卷积-转置卷积层包括4个卷积层和3个转置卷积层；所述4个卷积层和所述3个转置卷积层交叉连接。
在一种可能的实施例中，根据所述训练集，利用损失函数迭代训练所述卷积-转置卷积神经网络模型，获得第一卷积-转置卷积神经网络模型，包括：
将所述训练集中的第二注采参数按照生产阶段分组，获得注采参数制度矩阵Sk，具体表达式为：
其中，k代表第k个生产阶段，至/>均为不同的注采参数，M为所述注采参数制度矩阵Sk中所有注采参数的总数；
根据所述注采参数制度矩阵Sk，构建训练输入参数Ik，具体表达式为：
其中，n代表最后一个生产阶段，O为零矩阵，t为所述注采参数制度矩阵Sk对应的生产时刻；
根据所述训练输入参数Ik，利用所述损失函数迭代训练所述卷积-转置卷积神经网络模型，获得所述第一卷积-转置卷积神经网络模型。
在一种可能的实施例中，所述损失函数Lδ(yk,fk(x))的表达式为：
其中，yk为所述卷积-转置卷积神经网络模型输出的所述训练输入参数Ik对应的第二预测剩余油饱和度分布图，fk(x)为所述训练输入参数Ik对应的真实剩余油饱和度分布图，δ0为设定超参数。
在一种可能的实施例中，所述根据所述训练输入参数Ik，利用所述损失函数迭代训练所述卷积-转置卷积神经网络模型，获得所述第一卷积-转置卷积神经网络模型之后，所述方法还包括：
根据油田中的净现值、采收率和/或累计产油量，构建注采参数评价指标；
根据所述第一卷积-转置卷积神经网络模型输出的所述训练输入参数Ik对应的第三预测剩余油饱和度分布图以及孔隙度参数，获取油田中的全区各个生产时刻的累计产油量和全区累计产水量；
根据所述全区各个生产时刻的累计产油量和全区累计产水量和所述注采参数评价指标，利用无梯度的差分进化算法对所述第一卷积-转置卷积神经网络模型进行寻优，更新所述第一卷积-转置卷积神经网络模型的输入参数中包含的注采参数的种类。
在一种可能的实施例中，所述将历史注采参数划分为训练集和测试集，包括：
将所述历史注采参数以4：1的比例划分为所述训练集和所述测试集。
第二方面，本发明实施例提供一种预测油田中剩余油饱和度分布的装置，所述装置包括：
剩余油饱和度分布图获取模块，用于将注采参数输入进训练好的卷积-转置卷积神经网络模型中，获取剩余油饱和度分布图；
模型训练模块，用于获取所述训练好的卷积-转置卷积神经网络模型，包括：
训练集和测试集划分模块，用于将历史注采参数划分为训练集和测试集；其中，所述测试集包括第一注采参数和所述第一注采参数对应的真实剩余油饱和度分布图；
模型构建模块，用于构建卷积-转置卷积神经网络模型；其中，所述卷积-转置卷积神经网络模型的结构包括数据输入层、全连接层、矩阵维数转换层、卷积-转置卷积层和数据输出层；
第一卷积-转置卷积神经网络模型获取模块，用于根据所述训练集，利用损失函数迭代训练所述卷积-转置卷积神经网络模型，获得第一卷积-转置卷积神经网络模型；
第一预测剩余油饱和度分布图获取模块，用于将所述第一注采参数输入进所述第一卷积-转置卷积神经网络模型，获取第一预测剩余油饱和度分布图；
训练好的卷积-转置卷积神经网络模型获取模块，用于在所述第一预测剩余油饱和度分布图与所述第一注采参数对应的真实剩余油饱和度分布图之间的相似度高于设定阈值时，将所述第一卷积-转置卷积神经网络模型作为所述训练好的卷积-转置卷积神经网络模型。
在一种可能的实施例中，所述第一卷积-转置卷积神经网络模型获取模块，包括：
注采参数制度矩阵获得模块，用于将所述训练集中的第二注采参数按照生产阶段分组，获得注采参数制度矩阵Sk，具体表达式为：
其中，k代表第k个生产阶段，至/>均为不同的注采参数，M为所述注采参数制度矩阵Sk中所有注采参数的总数；
训练输入参数构建模块，用于根据所述注采参数制度矩阵Sk，构建训练输入参数Ik，具体表达式为：
其中，n代表最后一个生产阶段，O为零矩阵，t为所述注采参数制度矩阵Sk对应的生产时刻；
第一卷积-转置卷积神经网络模型获得模块，用于根据所述训练输入参数Ik，利用所述损失函数迭代训练所述卷积-转置卷积神经网络模型，获得所述第一卷积-转置卷积神经网络模型。
在一种可能的实施例中，所述卷积-转置卷积层包括4个卷积层和3个转置卷积层；所述4个卷积层和所述3个转置卷积层交叉连接。
在一种可能的实施例中，所述损失函数Lδ(yk,fk(x))的表达式为：
其中，yk为所述卷积-转置卷积神经网络模型输出的所述训练输入参数Ik对应的第二预测剩余油饱和度分布图，fk(x)为所述训练输入参数Ik对应的真实剩余油饱和度分布图，δ0为设定超参数。
在一种可能的实施例中，所述装置还包括：
注采参数评价指标构建模块，用于根据油田中的净现值、采收率和/或累计产油量，构建注采参数评价指标；
累计产量获取模块，用于根据所述第一卷积-转置卷积神经网络模型输出的所述训练输入参数Ik对应的第三预测剩余油饱和度分布图以及孔隙度参数，获取油田中的全区各个生产时刻的累计产油量和全区累计产水量；
输入参数更新模块，用于根据所述全区各个生产时刻的累计产油量和全区累计产水量和所述注采参数评价指标，利用无梯度的差分进化算法对所述第一卷积-转置卷积神经网络模型进行寻优，更新所述第一卷积-转置卷积神经网络模型的输入参数中包含的注采参数的种类。
在一种可能的实施例中，所述训练集和测试集划分模块，用于将所述历史注采参数以4：1的比例划分为所述训练集和所述测试集。
第三方面，本发明实施例提供一种油田中剩余油饱和度分布的预测设备，包括：
存储器，用于存储计算机程序；
处理器，用于执行所述计算机程序以实现第一方面中任一所述的预测油田中剩余油饱和度分布的方法的步骤。
第四方面，本发明实施例提供一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时以实现第一方面中任一所述的预测油田中剩余油饱和度分布的方法的步骤。
本发明与现有技术相比，具有如下的优点和有益效果：
本发明将某一生产阶段的注采参数输入进预先训练好的卷积-转置卷积神经网络模型中，利用模型中的转置卷积层将注采参数反向恢复为包含有油田中剩余油饱和度分布信息的剩余油饱和度分布图，实现了对油田中剩余油饱和度分布的预测。
附图说明
为了更清楚地说明本说明书实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本说明书的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1是本发明实施例提供的一种可能的预测油田中剩余油饱和度分布的方法的流程图；
图2是本发明实施例提供的一种可能的训练好的卷积-转置卷积神经网络模型的获取方法的流程图；
图3是本发明实施例提供的一种可能的卷积-转置卷积神经网络模型的结构示意图；
图4是本发明实施例提供的一种可能的预测油田中剩余油饱和度分布的装置的结构示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整的描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例，基于本发明实施例，本领域普通技术人员所获得的所有其他实施例，都属于本发明实施例保护的范围。
请参阅图1，图1为本发明实施例提供的预测油田中剩余油饱和度分布的方法的流程图，包括步骤11。
步骤11，将待预测注采参数输入进训练好的卷积-转置卷积神经网络模型中，获取剩余油饱和度分布图。
具体来讲，待预测注采参数包括注水开发的油田中的井底压力、日注入量、日产量和产水率中的一种或多种，具体可以根据油井种类的不同、开发工艺不同来灵活选取。
具体来讲，待预测注采参数在输入进模型前，需要作归一化处理，方便之后的计算。
本实施例还给出了一种训练卷积-转置卷积神经网络模型的方法，请参阅图2，图2所示为本实施例提供的一种可能的训练好的卷积-转置卷积神经网络模型的获取方法的流程图，具体方案为：所述训练好的卷积-转置卷积神经网络模型的获取方法包括步骤1.1至步骤1.5。
步骤1.1，将历史注采参数划分为训练集和测试集。
其中，所述测试集包括第一注采参数和所述第一注采参数对应的真实剩余油饱和度分布图。
具体来讲，历史注采参数是前期开发油田中所积累的不同生产阶段的注采参数数据，同时还通过井下测量勘探或数值模拟计算等方法，还预先获得了不同生产阶段的注采参数对应的真实剩余油饱和度分布图，该真实剩余油饱和度分布图是通过其他方法计算获得，其可信度较高，可用于对模型进行迭代训练。
这里，给出一种IMPES求解剩余油饱和度分布的方案，具体包括步骤1.1.1至步骤1.1.6。
步骤1.1.1，建立油藏地质模型，分析油水流体性质。
步骤1.1.2，建立油气渗流基本数学模型。
具体来说，该油气渗流基本数学模型是用数学语言描述油气水渗流过程中的全部力学现象和物理化学现象的内在联系和运动规律的方程式，具体包括控制方程、内外边界控制条件和辅助方程。
步骤1.1.3，采用变换消元得到压力方程。
步骤1.1.4，使用隐式求解压力方程。
步骤1.1.5，使用显式计算饱和度。
步骤1.1.6，获得不同时刻的剩余油分布特征。
步骤1.2，构建卷积-转置卷积神经网络模型。
其中，所述卷积-转置卷积神经网络模型的结构包括数据输入层、全连接层、矩阵维数转换层、卷积-转置卷积层和数据输出层。
具体来讲，数据输入层的输出端连接全连接层的输入端，全连接层的输出端矩阵维数转换层的输入端，矩阵维数转换层的输出端连接卷积-转置卷积层的输入端，卷积-转置卷积层的输出端连接数据输出层的输入端。
具体来讲，本实施例中的数据输入层用来向模型中输入矩阵数据。
具体来讲，本实施例采用dense类全连接层来作为全连接层，可以有效的避免不同的生产参数只能对复原图像的局部区域产生影响，解决了预测结果缺乏空间一致性的问题。
具体来讲，本实施例采用reshape函数来作为矩阵维数转换层，以将将指定的矩阵变换成特定维数矩阵。
具体来讲，卷积-转置卷积层由卷积层与转置卷积层组成。
其中，卷积层由多个卷积单元即卷积核构成，采用权值共享的方法，通过反向传播得到每个卷积单元最佳参数的方法，其目的是提取输入图像或数据的不同特征。每个卷积核按照由左到右、由上到下的滑动方式对图像或数据进行卷积操作，从而得到输入的全部特征。一般单层的卷积只能提取一些较低级的图像特征，若要发掘输入图像的高级特征可通过设计多层卷积来实现。
转置卷积层可以视为卷积的逆过程，一般将其运用于对图像的像素级别分类或语义分割中。通常的卷积运算会形成多输入对单输出的关系，而转置卷积的思想则是通过一个转置卷积核使单个输入与多个输出形成对应关系，这也是转置卷积的核心思想——即把抽象特征还原为原图像的过程。
步骤1.3，根据所述训练集，利用损失函数迭代训练所述卷积-转置卷积神经网络模型，获得第一卷积-转置卷积神经网络模型。
具体来讲，损失函数是以当次模型的迭代结果与训练集中提供的结果的差异(即残差)进行运算从而获得损失值，通过迭代，调整模型中的权重参数，使损失值降低到目标大小，或迭代次数达到上限，即可完成模型的训练。
具体来讲，第一卷积-转置卷积神经网络模型与步骤1.2中建立的卷积-转置卷积神经网络模型不同在于内部权重参数的不同。
步骤1.4，将所述第一注采参数输入进所述第一卷积-转置卷积神经网络模型，获取第一预测剩余油饱和度分布图。
步骤1.5，若所述第一预测剩余油饱和度分布图与所述第一注采参数对应的真实剩余油饱和度分布图之间的相似度高于设定阈值，则将所述第一卷积-转置卷积神经网络模型作为所述训练好的卷积-转置卷积神经网络模型。
具体来讲，步骤1.4至步骤1.5是对第一卷积-转置卷积神经网络模型的性能测试过程，当第一预测剩余油饱和度分布图与第一注采参数对应的真实剩余油饱和度分布图之间的相似度高于设定阈值时，即可认为第一卷积-转置卷积神经网络模型的性能符合要求，将第一卷积-转置卷积神经网络模型作为所述训练好的卷积-转置卷积神经网络模型。
而当第一预测剩余油饱和度分布图与第一注采参数对应的真实剩余油饱和度分布图之间的相似度大于设定阈值时，即可认为第一卷积-转置卷积神经网络模型的性能不符合要求，继续对第一卷积-转置卷积神经网络模型进行迭代训练。
在一种可能的实施例中，考虑到预测结果准确性以及计算速度，本实施例还给出了一种较优的卷积-转置卷积神经网络模型的结构，具体方案为：
所述卷积-转置卷积层包括4个卷积层和3个转置卷积层；所述4个卷积层和所述3个转置卷积层交叉连接。
具体来讲，由于实际油田尺度一般较大，网格数较多，单一的“卷积+转置卷积”层预测效果不佳，所以采用多层“卷积+转置卷积”层来加深神经网络层数，逐步提取图像特征并恢复原图像，提高预测准确性。
具体来讲，第一个卷积层的输入端连接矩阵维数转换层的输出端，第一个卷积层的输出端连接第一个转置卷积层的输入端，第一个转置卷积层的输出端连接第二个卷积层的输入端，第二个卷积层的输出端连接第二个转置卷积层的输入端，第二个转置卷积层的输出端连接第三个卷积层的输入端，第三个卷积层的输出端连接第三个转置卷积层的输入端，第三个转置卷积层的输出端连接第四个卷积层的输入端，第四个卷积层的输出端连接数据输出层的输入端，数据输出层的输出端用来输出预测的剩余油饱和度分布图。
下面以9口井，4个生产阶段，网格数为60×60的油藏模型为例，来说明本实施例的工作流程，如图3所示为一种较优的卷积-转置卷积神经网络模型的结构示意图。
本实施例将待预测注采参数归一化后再转换为37x1的矩阵再输入到卷积-转置卷积神经网络模型中。
本实施例中的数据输入层能够用于37x1的矩阵输入。
本实施例中的全连接层选用25x1的dense类一维全连接层，将输入数据传输给矩阵维数转换层。
本实施例中的矩阵维数转换层能够利用reshape函数将输入数据转换为5x5x1的图像矩阵，之后将处理好的矩阵传输给卷积-转置卷积层。5x5x1的图像矩阵代表尺寸为5x5、数量为1的矩阵图像。
本实施例中的卷积层以及转置卷积层均采用3x3的卷积核，经发明人实验分析验证，在相同的stride下，不同卷积核大小的特征图核卷积参数差别不大，但计算量却随着卷积核的增大呈倍数增加，与此同时，多个3x 3卷积核的堆叠所获得的感受野大小也与5x 5、7x 7的卷积核感受野相当。所以选取多个3x 3卷积核进行堆叠来代替大卷积核可以有效的减少计算量。
第一个卷积层提取输入数据的图像特征，将其卷积为5x5x32的图像矩阵，并输出。
第一个转置卷积层则上采样恢复输入数据的图像尺寸，将其转置为15x15x32的图像矩阵，并输出。
第二个卷积层提取输入数据的图像特征，将其卷积为15x15x16的图像矩阵，并输出。
第二个转置卷积层则上采样恢复输入数据的图像尺寸，将其转置为30x30x16的图像矩阵，并输出。
第三个卷积层提取输入数据的图像特征，将其卷积为30x30x8的图像矩阵，并输出。
第三个转置卷积层则上采样恢复输入数据的图像尺寸，将其转置为60x60x8的图像矩阵，并输出。
第四个卷积层提取输入数据的图像特征，将其卷积为60x60x1的图像矩阵，并输出。
在实际操作过程中，可以根据输入的生产制度参数的个数调整变dense类全连接层的神经元个数以及转置卷积层的参数，从而得到预测不同油藏尺寸的预测模型。
在一种可能的实施例中，本发明还提供了一种较优的获得第一卷积-转置卷积神经网络模型的方案。
具体方案为：根据所述训练集，利用损失函数迭代训练所述卷积-转置卷积神经网络模型，获得第一卷积-转置卷积神经网络模型，包括步骤2.1至步骤2.3。
步骤2.1，将所述训练集中的第二注采参数按照生产阶段分组，获得注采参数制度矩阵Sk，具体表达式为：
其中，k代表第k个生产阶段，至/>均为不同的注采参数，M为所述注采参数制度矩阵Sk中所有注采参数的总数。
具体的，至/>均预先经过了归一化处理。
步骤2.2，根据所述注采参数制度矩阵Sk，构建训练输入参数Ik，具体表达式为：
其中，n代表最后一个生产阶段，O为零矩阵，t为所述注采参数制度矩阵Sk对应的生产时刻。
具体的，每个训练输入参数均对应有生产阶段，本步骤中将训练输入参数中位于其对应的生产阶段之后的所有注采参数制度矩阵均取0，能够有效防止之后的生产阶段的生产制度与输出的含油饱和度分布图产生无意义的关联，提高最终预测结果的准确性。
步骤2.3，根据所述训练输入参数Ik，利用所述损失函数迭代训练所述卷积-转置卷积神经网络模型，获得所述第一卷积-转置卷积神经网络模型。
在一种可能的实施例中，所述损失函数Lδ(yk,fk(x))的表达式为：
其中，yk为所述卷积-转置卷积神经网络模型输出的所述训练输入参数Ik对应的第二预测剩余油饱和度分布图，fk(x)为所述训练输入参数Ik对应的真实剩余油饱和度分布图，δ0为设定超参数。
具体的，本发明发明人经过对众多损失函数的深入分析，发现在实际生产过程中,近井地带的含油含水饱和度变化较大，如果选取常见的均方误差MSE或者平均绝对误差MAE误差函数，模型对于远井地带饱和度变化的敏感性会大大降低，因此寻找到上述损失函数Lδ(yk,fk(x))，其在结合了MSE和MAE两种损失函数优点的基础上，降低了对离群点的惩罚程度，增强了模型对近井地带离群点的鲁棒性，进而能够更准确的预测全区的剩余油分布情况。
在一种可能的实施例中，本发明还提供了输入参数中注采参数种类的优化方案，具体方案为：所述根据所述训练输入参数Ik，利用所述损失函数迭代训练所述卷积-转置卷积神经网络模型，获得所述第一卷积-转置卷积神经网络模型之后，所述方法还包括：
步骤3.1，根据油田中的净现值、采收率和/或累计产油量，构建注采参数评价指标；
步骤3.2，根据所述第一卷积-转置卷积神经网络模型输出的所述训练输入参数Ik对应的第三预测剩余油饱和度分布图以及孔隙度参数，获取油田中的全区各个生产时刻的累计产油量和全区累计产水量；
步骤3.3，根据所述全区各个生产时刻的累计产油量和全区累计产水量和所述注采参数评价指标，利用无梯度的差分进化算法对所述第一卷积-转置卷积神经网络模型进行寻优，更新所述第一卷积-转置卷积神经网络模型的输入参数中包含的注采参数的种类。
具体的，正交设计数值模拟法获得含油饱和度分布信息之后通常会对正交实验的结果进行评价得到最优的注采参数组合。方法一般有：极差分析法、最优参数组合法、因素主次顺序法等。而由正交实验分析所获得的优选值，只能是实验所用水平的某种组合，优选的结果不会超越所取水平的范围。这样一来，如果正交实验中水平设计的较少，那么所得到的优选参数结果很不精确，甚至只能是一个范围；而如果水平设计的较多，那么所要计算的参数组合数量又会呈现指数式的增长，导致实验难以施行。
本实施例相比于传统的正交分析结合数值模拟方法，在大大节约了运算时间的同时，解决了正交实验分析所获得的优选值只能是实验所用水平的某种组合的缺陷。相比于传统替代模型所建立的注采参数和评价指标的单一非线性关系，本方法在不损失精度的情况下建立了注采参数-剩余油分布-评价指标的预测方法，可以得到不同注采参数、不同生产时刻下的全区生产动态情况，尤其对于非均质油藏，可以直观的体现各阶段的剩余油分布，为油田的各阶段的生产调整，井网加密等提供了预测和参考。
具体的，本实施例中所使用的差分进化算法包括初始化、变异、交叉和选择等四个主要步骤。
初始化是为了初始化种群，以随机产生第0代种群。
变异则是通过差分策略实现个体的变异，而常见的差分策略是随机选取种群中两个不同的个体，将其向量差缩放后与待变异个体进行向量合成。
交叉则是通过随机选取个体的方式来提高种群的多样性。
选择则是采用贪婪选择的策略，即选择适应度较高的个体作为新的个体，对于最大化优化问题。通过选择算子使子代个体的适应度始终优于父代的适应度，种群始终向最优解的位置逼近，并最终寻优到最优解。
具体的，本实施例所使用的差分进化算法首先计算出输入参数中每种注采参数在种群中的个体适应度。然后采用差分策略实现子代种群中的个体变异，之后通过父代子代进行交叉操作提高种群的多样性，再通过贪婪算法得到更新后的子代种群，最后当达到最大优化代数后，输出最优的结果，完成输入参数中注采参数种类的选择。
在一种可能的实施例中，所述将历史注采参数划分为训练集和测试集，包括步骤4.1。
步骤4.1，将所述历史注采参数以4：1的比例划分为所述训练集和所述测试集。
基于与方法同样的发明构思，本发明实施例还提供了一种预测油田中剩余油饱和度分布的装置。请参阅图4，图4所示本发明实施例提供的装置结构示意图，所述装置包括：
剩余油饱和度分布图获取模块21，用于将注采参数输入进训练好的卷积-转置卷积神经网络模型中，获取剩余油饱和度分布图；
模型训练模块22，用于获取所述训练好的卷积-转置卷积神经网络模型，包括：
训练集和测试集划分模块221，用于将历史注采参数划分为训练集和测试集；其中，所述测试集包括第一注采参数和所述第一注采参数对应的真实剩余油饱和度分布图；
模型构建模块222，用于构建卷积-转置卷积神经网络模型；其中，所述卷积-转置卷积神经网络模型的结构包括数据输入层、全连接层、矩阵维数转换层、卷积-转置卷积层和数据输出层；
第一卷积-转置卷积神经网络模型获取模块223，用于根据所述训练集，利用损失函数迭代训练所述卷积-转置卷积神经网络模型，获得第一卷积-转置卷积神经网络模型；
第一预测剩余油饱和度分布图获取模块224，用于将所述第一注采参数输入进所述第一卷积-转置卷积神经网络模型，获取第一预测剩余油饱和度分布图；
训练好的卷积-转置卷积神经网络模型获取模块225，用于在所述第一预测剩余油饱和度分布图与所述第一注采参数对应的真实剩余油饱和度分布图之间的相似度高于设定阈值时，将所述第一卷积-转置卷积神经网络模型作为所述训练好的卷积-转置卷积神经网络模型。
在一种可能的实施例中，所述第一卷积-转置卷积神经网络模型获取模块223，包括：
注采参数制度矩阵获得模块，用于将所述训练集中的第二注采参数按照生产阶段分组，获得注采参数制度矩阵Sk，具体表达式为：
其中，k代表第k个生产阶段，至/>均为不同的注采参数，M为所述注采参数制度矩阵Sk中所有注采参数的总数；
训练输入参数构建模块，用于根据所述注采参数制度矩阵Sk，构建训练输入参数Ik，具体表达式为：
其中，n代表最后一个生产阶段，O为零矩阵，t为所述注采参数制度矩阵Sk对应的生产时刻；
第一卷积-转置卷积神经网络模型获得模块，用于根据所述训练输入参数Ik，利用所述损失函数迭代训练所述卷积-转置卷积神经网络模型，获得所述第一卷积-转置卷积神经网络模型。
在一种可能的实施例中，所述卷积-转置卷积层包括4个卷积层和3个转置卷积层；所述4个卷积层和所述3个转置卷积层交叉连接。
在一种可能的实施例中，所述损失函数Lδ(yk,fk(x))的表达式为：
其中，yk为所述卷积-转置卷积神经网络模型输出的所述训练输入参数Ik对应的第二预测剩余油饱和度分布图，fk(x)为所述训练输入参数Ik对应的真实剩余油饱和度分布图，δ0为设定超参数。
在一种可能的实施例中，所述装置还包括：
注采参数评价指标构建模块，用于根据油田中的净现值、采收率和/或累计产油量，构建注采参数评价指标；
累计产量获取模块，用于根据所述第一卷积-转置卷积神经网络模型输出的所述训练输入参数Ik对应的第三预测剩余油饱和度分布图以及孔隙度参数，获取油田中的全区各个生产时刻的累计产油量和全区累计产水量；
输入参数更新模块，用于根据所述全区各个生产时刻的累计产油量和全区累计产水量和所述注采参数评价指标，利用无梯度的差分进化算法对所述第一卷积-转置卷积神经网络模型进行寻优，更新所述第一卷积-转置卷积神经网络模型的输入参数中包含的注采参数的种类。
在一种可能的实施例中，所述训练集和测试集划分模块，用于将所述历史注采参数以4：1的比例划分为所述训练集和所述测试集。
基于与前述实施例中同样的发明构思，本发明实施例还提供一种油田中剩余油饱和度分布的预测设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现前文任一所述方法的步骤。
基于与前述实施例中同样的发明构思，本发明实施例还提供一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现前文任一所述方法的步骤。
本申请实施例中提供的技术方案，至少具有如下技术效果或优点：
本发明实施例将某一生产阶段的注采参数输入进预先训练好的卷积-转置卷积神经网络模型中，利用模型中的转置卷积层将注采参数反向恢复为包含有油田中剩余油饱和度分布信息的剩余油饱和度分布图，实现了对油田中剩余油饱和度分布的预测。
本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、装置(模块、系统)、和计算机程序产品的流程图和/或方框图来描述。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式计算机或者其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
尽管已描述了本发明的优选实施例，但本领域内的技术人员一旦得知了基本创造概念，则可对这些实施例作出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本发明范围的所有变更和修改。
显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包括这些改动和变型在内。
Claims (8)
1.一种预测油田中剩余油饱和度分布的方法，其特征在于，所述方法包括：
将待预测注采参数输入进训练好的卷积-转置卷积神经网络模型中，获取剩余油饱和度分布图；
其中，所述训练好的卷积-转置卷积神经网络模型的获取方法包括：
将历史注采参数划分为训练集和测试集；其中，所述测试集包括第一注采参数和所述第一注采参数对应的真实剩余油饱和度分布图；
构建卷积-转置卷积神经网络模型；其中，所述卷积-转置卷积神经网络模型的结构包括数据输入层、全连接层、矩阵维数转换层、卷积-转置卷积层和数据输出层；
根据所述训练集，利用损失函数迭代训练所述卷积-转置卷积神经网络模型，获得第一卷积-转置卷积神经网络模型，包括：
将所述训练集中的第二注采参数按照生产阶段分组，获得注采参数制度矩阵Sk，具体表达式为：
其中，k代表第k个生产阶段，至/>均为不同的注采参数，M为所述注采参数制度矩阵Sk中所有注采参数的总数；
根据所述注采参数制度矩阵Sk，构建训练输入参数Ik，具体表达式为：
其中，n代表最后一个生产阶段，O为零矩阵，t为所述注采参数制度矩阵Sk对应的生产时刻；
根据所述训练输入参数Ik，利用所述损失函数迭代训练所述卷积-转置卷积神经网络模型，获得所述第一卷积-转置卷积神经网络模型；
将所述第一注采参数输入进所述第一卷积-转置卷积神经网络模型，获取第一预测剩余油饱和度分布图；
若所述第一预测剩余油饱和度分布图与所述第一注采参数对应的真实剩余油饱和度分布图之间的相似度不小于设定阈值，则将所述第一卷积-转置卷积神经网络模型作为所述训练好的卷积-转置卷积神经网络模型。
2.根据权利要求1所述的预测油田中剩余油饱和度分布的方法，其特征在于，所述卷积-转置卷积层包括4个卷积层和3个转置卷积层；所述4个卷积层和所述3个转置卷积层交叉连接。
3.根据权利要求1所述的预测油田中剩余油饱和度分布的方法，其特征在于，所述损失函数Lδ(yk,fk(x))的表达式为：
其中，yk为所述卷积-转置卷积神经网络模型输出的所述训练输入参数Ik对应的第二预测剩余油饱和度分布图，fk(x)为所述训练输入参数Ik对应的真实剩余油饱和度分布图，δ0为设定超参数。
4.根据权利要求1所述的预测油田中剩余油饱和度分布的方法，其特征在于，所述根据所述训练输入参数Ik，利用所述损失函数迭代训练所述卷积-转置卷积神经网络模型，获得所述第一卷积-转置卷积神经网络模型之后，所述方法还包括：
根据油田中的净现值、采收率和/或累计产油量，构建注采参数评价指标；
根据所述第一卷积-转置卷积神经网络模型输出的所述训练输入参数Ik对应的第三预测剩余油饱和度分布图以及孔隙度参数，获取油田中的全区各个生产时刻的累计产油量和全区累计产水量；
根据所述全区各个生产时刻的累计产油量和全区累计产水量和所述注采参数评价指标，利用无梯度的差分进化算法对所述第一卷积-转置卷积神经网络模型进行寻优，更新所述第一卷积-转置卷积神经网络模型的输入参数中包含的注采参数的种类。
5.根据权利要求1所述的预测油田中剩余油饱和度分布的方法，其特征在于，所述将历史注采参数划分为训练集和测试集，包括：
将所述历史注采参数以4：1的比例划分为所述训练集和所述测试集。
6.一种预测油田中剩余油饱和度分布的装置，其特征在于，所述装置包括：
剩余油饱和度分布图获取模块，用于将注采参数输入进训练好的卷积-转置卷积神经网络模型中，获取剩余油饱和度分布图；
模型训练模块，用于获取所述训练好的卷积-转置卷积神经网络模型，包括：
训练集和测试集划分模块，用于将历史注采参数划分为训练集和测试集；其中，所述测试集包括第一注采参数和所述第一注采参数对应的真实剩余油饱和度分布图；
模型构建模块，用于构建卷积-转置卷积神经网络模型；其中，所述卷积-转置卷积神经网络模型的结构包括数据输入层、全连接层、矩阵维数转换层、卷积-转置卷积层和数据输出层；
第一卷积-转置卷积神经网络模型获取模块，用于根据所述训练集，利用损失函数迭代训练所述卷积-转置卷积神经网络模型，获得第一卷积-转置卷积神经网络模型，包括：
注采参数制度矩阵获得模块，用于将所述训练集中的第二注采参数按照生产阶段分组，获得注采参数制度矩阵Sk，具体表达式为：
其中，k代表第k个生产阶段，至/>均为不同的注采参数，M为所述注采参数制度矩阵Sk中所有注采参数的总数；
训练输入参数构建模块，用于根据所述注采参数制度矩阵Sk，构建训练输入参数Ik，具体表达式为：
其中，n代表最后一个生产阶段，O为零矩阵，t为所述注采参数制度矩阵Sk对应的生产时刻；
第一卷积-转置卷积神经网络模型获得模块，用于根据所述训练输入参数Ik，利用所述损失函数迭代训练所述卷积-转置卷积神经网络模型，获得所述第一卷积-转置卷积神经网络模型；
第一预测剩余油饱和度分布图获取模块，用于将所述第一注采参数输入进所述第一卷积-转置卷积神经网络模型，获取第一预测剩余油饱和度分布图；
训练好的卷积-转置卷积神经网络模型获取模块，用于在所述第一预测剩余油饱和度分布图与所述第一注采参数对应的真实剩余油饱和度分布图之间的相似度高于设定阈值时，将所述第一卷积-转置卷积神经网络模型作为所述训练好的卷积-转置卷积神经网络模型。
7.一种油田中剩余油饱和度分布的预测设备，其特征在于，包括：
存储器，用于存储计算机程序；
处理器，用于执行所述计算机程序以实现权利要求1至5任一所述的方法的步骤。
8.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时以实现权利要求1至5任一所述的方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010288160.6A CN111523713B (zh) | 2020-04-14 | 2020-04-14 | 一种预测油田中剩余油饱和度分布的方法和装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010288160.6A CN111523713B (zh) | 2020-04-14 | 2020-04-14 | 一种预测油田中剩余油饱和度分布的方法和装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111523713A CN111523713A (zh) | 2020-08-11 |
| CN111523713B true CN111523713B (zh) | 2024-01-02 |
Family
ID=71903139
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010288160.6A Active CN111523713B (zh) | 2020-04-14 | 2020-04-14 | 一种预测油田中剩余油饱和度分布的方法和装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111523713B (zh) |
Families Citing this family (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112541572B (zh) * | 2020-11-25 | 2022-08-12 | 中国石油大学(华东) | 基于卷积编码器-解码器网络的剩余油分布预测方法 |
| CN112282714B (zh) * | 2020-11-30 | 2022-03-25 | 河海大学 | 基于深度学习和图论的全井网注水开发优化方法 |
| CN112651175B (zh) * | 2020-12-23 | 2022-12-27 | 成都北方石油勘探开发技术有限公司 | 一种油藏注采方案优化设计方法 |
| CN112579670A (zh) * | 2020-12-23 | 2021-03-30 | 成都北方石油勘探开发技术有限公司 | 一种精细油藏分布的勘察数据分析方法及系统 |
| CN113052371B (zh) * | 2021-03-16 | 2022-05-31 | 中国石油大学(华东) | 基于深度卷积神经网络的剩余油分布预测方法及装置 |
| CN113486580B (zh) * | 2021-07-01 | 2022-11-01 | 河北工业大学 | 在役风电机组高精度数值建模方法、服务端及存储介质 |
| CN114492211B (zh) * | 2022-04-15 | 2022-07-12 | 中国石油大学(华东) | 一种基于自回归网络模型的剩余油分布预测方法 |
| CN115204531B (zh) * | 2022-09-16 | 2022-12-27 | 中科数智能源科技(深圳)有限公司 | 基于傅里叶神经算子的油藏预测方法、设备及介质 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109948841A (zh) * | 2019-03-11 | 2019-06-28 | 中国石油大学(华东) | 一种基于深度学习的水驱开发油田剩余油分布的预测方法 |
| CN110188720A (zh) * | 2019-06-05 | 2019-08-30 | 上海云绅智能科技有限公司 | 一种基于卷积神经网络的目标检测方法及系统 |
-
2020
- 2020-04-14 CN CN202010288160.6A patent/CN111523713B/zh active Active
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109948841A (zh) * | 2019-03-11 | 2019-06-28 | 中国石油大学(华东) | 一种基于深度学习的水驱开发油田剩余油分布的预测方法 |
| CN110188720A (zh) * | 2019-06-05 | 2019-08-30 | 上海云绅智能科技有限公司 | 一种基于卷积神经网络的目标检测方法及系统 |
Non-Patent Citations (2)
| Title |
|---|
| 神经网络数据挖掘工具用于剩余油分布研究;宋志军,潘志,胡海峰,马玉书;石油大学学报(自然科学版);第27卷(第01期);第105-107页 * |
| 神经网络模型研究多油层剩余油饱和度的变化规律;汪中浩;尉忠良;张淑芝;吴锡令;同位素;第15卷(第0Z1期);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111523713A (zh) | 2020-08-11 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111523713B (zh) | 一种预测油田中剩余油饱和度分布的方法和装置 | |
| Liu et al. | A deep-learning-based geological parameterization for history matching complex models | |
| CN113052371B (zh) | 基于深度卷积神经网络的剩余油分布预测方法及装置 | |
| CN112541572B (zh) | 基于卷积编码器-解码器网络的剩余油分布预测方法 | |
| US20180247227A1 (en) | Machine learning systems and methods for data augmentation | |
| Song et al. | Geological facies modeling based on progressive growing of generative adversarial networks (GANs) | |
| Zhao et al. | History matching of multi-facies channelized reservoirs using ES-MDA with common basis DCT | |
| EP3362640B1 (en) | History matching of hydrocarbon production from heterogenous reservoirs | |
| CN114492213B (zh) | 基于小波神经算子网络模型剩余油饱和度和压力预测方法 | |
| Maschio et al. | A new methodology to reduce uncertainties in reservoir simulation models using observed data and sampling techniques | |
| CN111832227B (zh) | 基于深度学习的页岩气饱和度确定方法、装置和设备 | |
| CN110807544B (zh) | 一种基于机器学习的油田剩余油饱和度分布的预测方法 | |
| CN114693005B (zh) | 基于卷积傅里叶神经网络的三维地下油藏动态预测方法 | |
| CN115935834B (zh) | 一种基于深度自回归网络和持续学习策略的历史拟合方法 | |
| Lee et al. | Feature extraction using a deep learning algorithm for uncertainty quantification of channelized reservoirs | |
| Liu et al. | Multilevel strategies and geological parameterizations for history matching complex reservoir models | |
| CN112883646B (zh) | 联合机器学习和土力学模型的建筑沉降量提取方法、系统及装置 | |
| CN114462262A (zh) | 一种基于时间和空间双重维度的历史拟合预测方法 | |
| GB2584449A (en) | Apparatus method and computer-program product for calculating a measurable geological metric | |
| Zhang et al. | Efficient surrogate modeling based on improved vision transformer neural network for history matching | |
| CN116384280A (zh) | 物理差分卷积神经网络多相渗流模拟方法、装置及介质 | |
| Hosseini et al. | Using input-adaptive dictionaries trained by the method of optimal directions to estimate the permeability model of a reservoir | |
| GB2584447A (en) | Apparatus method and computer-program product for processing geological data | |
| CN113010501B (zh) | 采收率预测模型获取方法、采收率预测方法和产品 | |
| Andrianov | Upscaling of two-phase discrete fracture simulations using a convolutional neural network |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |