CN111861774A - 一种基于并行代理模型的油藏生产机器学习方法 - Google Patents

Abstract

本发明涉及一种基于并行代理模型的油藏生产机器学习方法，所述方法基于代理模型的并行油田生产优化方法在每次迭代中能够同时得到多个较优的候选方案，然后使用MATLAB并行调用油藏数值模拟软件Eclipse对其同时进行真实评测，可以大幅度减少复杂问题的优化时间，通过本发明的方法，可以大幅度加快油田生产优化速度，提高优化的效率和最终优化的效果。同时本发明的方法，除了调整油田的油井与水井的生产制度，还可以用于优化井网、历史拟合等。

Description

一种基于并行代理模型的油藏生产机器学习方法

技术领域

本发明属于石油技术领域，涉及一种解决油藏生产优化问题的方法，具体涉及一种基于并行代理模型的油藏生产机器学习方法。

背景技术

油藏生产优化是油田管理的重要组成部分之一，目的在于通过调整油田生产制度，如水井和油井的参数，来获得最大的经济效益，常用的指标是净现值(NPV)。现在常用油藏数值模拟来模拟整个油藏的生产开发过程，进而指导油田的生产计划。但它面临两个主要的困难，第一，计算昂贵问题，对于复杂的油藏，一次数值模拟需要花费几小时甚至几天的时间，为了获得较优的生产计划，需要上千次的迭代，方案制定时间非常长；第二，一个油田可能包含有几十口甚至上百口生产井或者注水井，而一口井包含多个变量，这意味高维问题是油田生产优化必须面对的问题。

代理模型辅助进化算法是一种能够有效提高优化速度的机器学习方法，已经成为国内外的研究热点。进化算法是一种成熟的具有高鲁棒性和广泛适用性的全局优化方法，能够优化传统梯度算法无法解决的黑箱问题。它作为一种全局随机搜索的优化方法，相比于梯度算法需要更多的迭代次数，无法直接用来解决昂贵问题。而代理模型是指使用一定的样本点构造一个计算量小但与原计算或实验结果相近的数学模型。代理模型辅助进化算法则是将两者结合，使用计算量小的代理模型代替真实的昂贵模拟或实验，即用代理模型来评测进化算法所产生的待选点，选择种群中最好的个体进行真实的评测，从而大幅减少优化时间。常用的代理模型包括Kriging模型、径向基函数和支持向量回归等。

代理模型辅助进化算法关键有两部分，一是使用样本点构建合理的代理模型，二是使用代理模型筛选出由进化算法产生的候选点中的最优点，进行真实的评测并更新代理模型，这个过程称为串行的动态采样。尽管代理模型辅助进化算法能够提高油田生产优化速度，但实际上仍然比较费时，因为串行动态采样每次迭代只能选取一个候选点进行实际模拟评测。则即便有并行的计算资源，也无法得到利用。因此，可以使用并行动态取样来提高优化速度，而现有的并行采样方法，如Constant Liar,Kriging Believer等无法在高维情况下使用，因此无法用于解决油田的生产优化问题，基于此，本发明提供一种基于并行代理模型的油藏生产机器学习方法，可充分利用计算资源，提高优化效率。

发明内容

针对当前使用油藏数值模拟进行生产优化设计时计算量过大、计算时间过长、维数高的问题，本发明提出一种基于并行代理模型的油藏生产机器学习方法，可充分利用计算资源，提高优化效率。

一种基于并行代理模型的油藏生产机器学习方法，所述方法包括以下步骤：

(1)确定优化变量和初始设计空间，初始化优化迭代次数FEs设置为零，油田的生产优化的数学描述为：

Find x＝[x₁,x₂,…,x_m] (4)

Max f(x) (5)

式中：x为生产优化变量；m是优化变量的维数；f(x)为油田生产优化问题的目标函数；

和

分别为优化变量的下边界、上边界；J(u,v)表示净现值NPV，单位为USD；N_t为总共的模拟步长；t_n为第n次模拟步长的时间，单位为D；b为年衰减率；

和

分别代表第j口生产井在第n步中的日平均产油量、日平均产水量和第i口注水井在第n步中的日注水量，单位：STB/D；r_o，c_w分别为每单位油的价格和处理每单位废水的费用和注入一方水的费用，单位：USD/STB；P和I分别是生产井与注水井的数量；

(2)在初始设计空间中进行采样得到采样点集S＝[x¹；x²；…x^N]，使用MATLAB根据采样点集修改油田的生产制度，并行调用油藏数值模拟软件Eclipse对修改后的生产制度进行真实的数值模拟得到响应集Y＝[y¹；y²；…y^N]，使用采样点与对应的响应集值构建样本数据库DB；

(3)基于投影并行加点策略，在样本数据库DB中选出q个用于真实模拟的候选点；

(4)使用MATLAB并行调用油藏数值模拟软件Eclipse计算这q个用于真实模拟的候选点的响应值，将这q个用于真实模拟的候选点及其对应响应值添加进样本数据库DB，更新采样点集S与响应集Y，优化迭代次数FEs增加一次。

(5)判断是否满足停止准则，如果优化迭代次数达到了设定的次数则停止迭代，并输出最优解，否则，返回步骤(3)。

进一步地，所述的生产优化变量包括注水井的注水量、油井井底流压、油井生产量和井位。

进一步地，步骤(3)中的投影并行加点策略具体实施步骤为：

1)创建一个临时采样点集S^temp，令S^temp＝S；创建一个临时响应集Y^temp，令Y^temp＝Y；

2)使用差分进化算法对临时采样点集S^temp进行交叉变异得到高维候选种群C^temp＝[c¹；c²；…c^N]；

3)将S^temp与C^temp使用萨蒙投影方法同时投影到低维空间中，得到低维空间中对应的种群

和

4)使用

与Y^temp作为训练样本构造Kriging代理模型；

5)利用得到的代理模型及置信下界加点准则，计算

中各个点的置信下界值，选出其中置信下界值最高的点

6)在高维候选种群C^temp中找到与

相对应的个体c^best，设c^best的响应值为L，更新临时采样点集S^temp和临时响应集Y^temp，令S^temp＝[S^temp；c^best]，Y^temp＝[Y^temp；L]，并将c^best记录下来，返回步骤2)，直到产生q个点。

进一步地，交叉变异的具体实现步骤如下，且令L＝min(Y^temp)：

vⁱ＝x^r1+F(x^r2-x^r3) (5)

式中，vⁱ是临时采样点集S^temp中第i个个体变异产生的结果；F是变异算子，F∈(0,2]；x^r1,x^r2,x^r3是临时采样点集S^temp中随机选择的三个完全不同的个体；CR是交叉算子，CR∈(0,1]；c_j，v_j，x_j分别是经过交叉得到的种群、经过变异得到的种群和原子代种群的第j维。

进一步地，步骤5)的具体实现步骤如下：

式中，LCB(x)为x处的置信下界值，

为使用Kriging代理模型预测x处的响应值，

为使用Kriging代理模型计算x处的均方差

本发明的有益效果：与现有技术相比，本发明具有如下优点：基于代理模型的并行油田生产优化方法在每次迭代中能够同时得到多个较优的候选方案，然后使用MATLAB并行调用油藏数值模拟软件Eclipse对其同时进行真实评测，可以大幅度减少复杂问题的优化时间。

附图说明

图1是本发明的总体设计流程图；

图2是本发明的投影并行策略流程图；

图3是本发明优化得到的净现值的收敛曲线图；

图4a是本发明优化得到的油田累积产油量与时间的关系图；

图4b是本发明优化得到的油田累积产水量与时间的关系图；

图4c是本发明优化得到的油田累积注水量与时间的关系图；

图4d是本发明优化得到的油田含水率量与时间的关系图。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明，即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。

参照图1，一种基于并行代理模型的油藏生产机器学习方法，其包括以下步骤：

1)确定优化变量和初始设计空间，初始化优化迭代次数FEs设置为零。以净现值NPV作为优化目标，油田的生产优化的数学描述如(8)-(11)式所示：

Find x＝[x₁,x₂,…,x_m] (8)

Max f(x)＝J(x) (9)

式中：x为生产优化变量，包括注水井的注水量、油井的井底流压、油井的产液量等参数；m是优化变量的维数，这里共优化8口水井的注水量，优化时间为10年，因此维数m＝8×10＝80；J(x)表示净现值(NPV)，单位：USD，代表了油田开发生产在一定时间内的收益；

和

分别为优化变量的下边界、上边界；N_t为总共的模拟步长；t_n为第n次模拟步长的时间，单位：D；b为年衰减率；

和

分别代表第j口生产井在第n步中的日平均产油量，日平均产水量和第i口注水井在第n步中的日注水量，单位：STB/D；r_o，c_w分别为每单位油的价格，处理每单位废水的费用和注入一方水的费用，单位：USD/STB；P和I分别是生产井与注水井的数量；

2)在初始设计空间中使用拉丁超立方方法LHS进行初始采样，初始采样点集S＝[x¹；x²；…x^N]，初始样本点为100个，即N＝100；使用MATLAB根据采样点集修改油田的生产制度，并行调用油藏数值模拟软件Eclipse对修改后的生产制度进行真实的数值模拟得到响应集Y＝[y¹；y²；…y^N]，使用采样点与对应的响应集值构样本数据库DB；

3)创建一个临时采样点集S^temp，令S^temp＝S；创建一个临时响应集Y^temp，令Y^temp＝Y；

4)使用差分进化算法对临时采样点集S^temp进行交叉变异得到高维候选种群C^temp＝[c¹；c²；…c^N]。交叉变异过程如公式(5)(6)所示；取当前响应值中的最小值作为欺诈值L，即令L＝min(Y)；

5)将S^temp与C^temp使用萨蒙投影方法同时投影到低维空间R^d，d代表维数，通常取d＝0.1m，则d＝8；得到低维空间中对应的种群

和

和

中的个体数量与S^temp和C^temp是相同的且高维与低维间个体是一一对应的；

6)使用与Y^temp作为训练样本构造Kriging代理模型；

7)利用得到的Kriging代理模型计算

中所有个体的预测值及均方差，根据置信下界加点准则，计算所有点的LCB值，LCB值的计算如公式(7)所示，选出其中LCB值最高的点，记为

8)在高维候选种群C^temp中找到与

相对应的个体c^best，认为c^best的响应值为欺诈值L，更新临时种群S^temp和Y^temp，令S^temp＝[S^temp；c^best]，Y^temp＝[Y^temp；L]，并将c^best记录下来，返回步骤4)，直到记录q个点，这里取q＝15；

9)使用MATLAB并行调用油藏数值模拟软件Eclipse计算这q个点的响应值。将这q个点及其响应值添加进样本集DB，更新采样点S与响应集Y；优化迭代次数增加一次，FEs＝FEs+1；

10)判断是否满足停止准则。如果优化次数达到了达到设定的次数则停止迭代，并输出最优解，否则，返回步骤3)。

本发明的优点可通过以下油藏数值模拟试验进一步说明：

1、油藏数值模拟试验条件

整个油田含有12口井，其中8口为注水井，4口为生产井。8个注水井的日注水量为试验的优化变量，下边界和上边界分别为0STB/D和500STB/D；生产井为定井底流压生产，为5757.5psi；原油的价格，处理废水和注水的费用分别是20，1和3USD/STB；年递减率为0％；整个油田的生产时间为3600天，被平均分为10步，每一步为360天。

2、仿真结果

图3为3种方法的收敛曲线的对比效果图，三种方法分别是本文提出的方法(PAHD)，差分进化(DE)，Kriging模型与萨蒙投影结合的方法(KGSM)，为了避免偶然性，每一种算法的优化过程独立重复试验5遍；图4a-4d是依据井控图进行生产得到的油田其他重要指标随时间变化的对比图，主要包括油田累积产油量(FOPT)，油田累积注水量(FWIT)和油田累积产水量(FWPT)，油田含水率(FWCT)。

图3中为三种不同算法5次试验的平均值。从图3可以观察到，整个优化过程中以及最终的结果，使用本文所提出的方法得到效果都要优于使用DE和KGSM得到的效果。从图4a-图4d可以看出来，根据本文所发明的方法进行生产优化，油田累积产油量与使用DE得到的结果差不多，均高于使用KGSM得到的结果，但是油田累积注水量，油田累积产水量，油田含水率均要低于DE的结果，达到了“增油控水”的效果。

通过本发明的方法，可以大幅度加快油田生产优化速度，提高优化的效率和最终优化的效果。同时本发明的方法，除了调整油田的油井与水井的生产制度，还可以用于优化井网、历史拟合等。

当然，上述说明并非是对本发明的限制，本发明也并不仅限于上述举例，本技术领域的技术人员在本发明的实质范围内所做出的变化、改型、添加或替换，也应属于本发明的保护范围。

Claims (5)

1.一种基于并行代理模型的油藏生产机器学习方法，其特征在于：所述方法包括以下步骤：

(1)确定优化变量和初始设计空间，初始化优化迭代次数FEs设置为零，油田的生产优化的数学描述为：

Find x＝[x₁,x₂,…,x_m] (1)

Max f(x) (2)

式中：x为生产优化变量；m是优化变量的维数；f(x)为油田生产优化问题的目标函数；

和

分别为优化变量的下边界、上边界；J(u,v)表示净现值NPV，单位为USD；N_t为总共的模拟步长；t_n为第n次模拟步长的时间，单位为D；b为年衰减率；

和

分别代表第j口生产井在第n步中的日平均产油量、日平均产水量和第i口注水井在第n步中的日注水量，单位为STB/D；r_o，c_w分别为每单位油的价格和处理每单位废水的费用和注入一方水的费用，单位为USD/STB；P和I分别是生产井与注水井的数量；

(2)在初始设计空间中进行采样得到采样点集S＝[x¹；x²；…x^N]，使用MATLAB根据采样点集修改油田的生产制度，并行调用油藏数值模拟软件Eclipse对修改后的生产制度进行真实的数值模拟得到响应集Y＝[y¹；y²；…y^N]，使用采样点与对应的响应集值构建样本数据库DB；

(3)基于投影并行加点策略，在样本数据库DB中选出q个用于真实模拟的候选点；

(4)使用MATLAB并行调用油藏数值模拟软件Eclipse计算q个用于真实模拟的候选点的响应值，将q个用于真实模拟的候选点及其对应响应值添加进样本数据库DB，更新采样点集S与响应集Y，优化迭代次数FEs增加一次；

(5)判断是否满足停止准则，如果优化迭代次数达到了设定的次数则停止迭代，并输出最优解，否则，返回步骤(3)。

2.根据权利要求1所述的一种基于并行代理模型的油藏生产机器学习方法，其特征在于，所述的生产优化变量包括注水井的注水量、油井井底流压、油井生产量和井位。

3.根据权利要求1所述的一种基于并行代理模型的油藏生产机器学习方法，其特征在于，步骤(3)中的投影并行加点策略具体实施步骤为：

1)创建一个临时采样点集S^temp，令S^temp＝S；创建一个临时响应集Y^temp，令Y^temp＝Y；

2)使用差分进化算法对临时采样点集S^temp进行交叉变异得到高维候选种群C^temp＝[c¹；c²；…c^N]；

3)将S^temp与C^temp使用萨蒙投影方法同时投影到低维空间中，得到低维空间中对应的种群

和

4)使用

与Y^temp作为训练样本构造Kriging代理模型；

5)利用得到的代理模型和置信下界加点准则，计算

中各个点的置信下界值，选出其中置信下界值最高的点

6)在高维候选种群C^temp中找到与

相对应的个体c^best，设c^best的响应值为L，更新临时采样点集S^temp和临时响应集Y^temp，令S^temp＝[S^temp；c^best]，Y^temp＝[Y^temp；L]，并将c^best记录下来，返回步骤2)，直到产生q个点。

4.根据权利要求3所述的一种基于并行代理模型的油藏生产机器学习方法，其特征在于：交叉变异的具体实现步骤如下，且令L＝min(Y^temp)，

vⁱ＝x^r1+F(x^r2-x^r3) (5)

式中，vⁱ是临时采样点集S^temp中第i个个体变异产生的结果；F是变异算子，F∈(0,2]；x^r1,x^r2,x^r3是临时采样点集S^temp中随机选择的三个完全不同的个体；CR是交叉算子，CR∈(0,1]；c_j，v_j，x_j分别是经过交叉得到的种群、经过变异得到的种群和原子代种群的第j维。

5.根据权利要求3所述的一种基于并行代理模型的油藏生产机器学习方法，其特征在于，步骤5)的具体实现步骤如下：

式中，LCB(x)为x处的置信下界值，

为使用Kriging代理模型预测x处的响应值，

为使用Kriging代理模型计算x处的均方差。

Images