CN112507618A - 一种基于生成对抗网络的油藏自动历史拟合方法 - Google Patents

一种基于生成对抗网络的油藏自动历史拟合方法 Download PDF

Info

Publication number
CN112507618A
CN112507618A CN202011412982.7A CN202011412982A CN112507618A CN 112507618 A CN112507618 A CN 112507618A CN 202011412982 A CN202011412982 A CN 202011412982A CN 112507618 A CN112507618 A CN 112507618A
Authority
CN
China
Prior art keywords
data
permeability field
production data
training
generated
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.)
Granted
Application number
CN202011412982.7A
Other languages
English (en)
Other versions
CN112507618B (zh
Inventor
吕云雪
刘伟锋
张凯
刘宝弟
王珺
王延江
齐玉娟
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
China University of Petroleum East China
Original Assignee
China University of Petroleum East China
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by China University of Petroleum East China filed Critical China University of Petroleum East China
Priority to CN202011412982.7A priority Critical patent/CN112507618B/zh
Publication of CN112507618A publication Critical patent/CN112507618A/zh
Application granted granted Critical
Publication of CN112507618B publication Critical patent/CN112507618B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • 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
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2111/00—Details relating to CAD techniques
    • G06F2111/10—Numerical modelling

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Health & Medical Sciences (AREA)
  • Mathematical Physics (AREA)
  • Computational Linguistics (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Computer Hardware Design (AREA)
  • Geometry (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明提供了一种基于生成对抗网络的油藏自动历史拟合方法，包括进行数据的采集，由渗透率场数据和生产数据形成数据集；对数据集进行预处理，并划分为训练集、验证集和测试集；使用训练集数据训练生成对抗网络模型，并同时使用验证集数据挑选最佳模型进行保存；读取保存的最佳模型，输入测试集数据，生成对应的渗透率场；将上步生成的渗透率场数据进行数值模拟得到生产数据b，并与测试集中真实的渗透率场对应的生产数据B对比，进行结果验证；使用经过结果验证合格的模型应用到实际的油井地质情况预测。本方法不需要代理模型或专家经验，通过训练生成对抗网络找到静态参数(渗透率场)和动态生产数据的映射关系，利用油井生产数据获得地质情况。

Description

一种基于生成对抗网络的油藏自动历史拟合方法
技术领域
本发明属于油藏自动历史拟合方法技术领域，具体涉及一种基于生成对抗网络的油藏自动历史拟合方法。
背景技术
随着计算机数据处理能力的不断提高以及深度学习算法的逐步成熟，开始将深度学习算法应用到实际应用中。油藏自动历史拟合通过利用油井和水井的产液量或者相渗线等动态生产数据反演地下地质情况。一种有效的历史拟合方法可以看做是一个不断向实际生产数据的拟合过程，经过修正后的先验模型对应的生产曲线与实际生产曲线一致时，得到反演结果。
传统历史拟合算法大多需要基于高斯分布，甚至面对比较复杂的油藏模型会难以收敛，因此难以得到实际地下模型。
发明内容
本发明提供了一种基于生成对抗网络的油藏自动历史拟合方法，克服传统历史拟合算法大多基于高斯分布，比较复杂的油藏模型难以收敛，难以得到实际地下模型的问题。
本发明提供的一种基于生成对抗网络的油藏自动历史拟合方法，依次包括以下步骤：
S1、进行数据的采集，包括采集渗透率场数据，数值模拟生产数据，由渗透率场数据和生产数据形成数据集；
S2、对步骤1采集好的渗透率场数据和生产数据进行预处理，并将预处理之后的数据集划分为训练集、验证集和测试集；
S3、使用训练集数据训练生成对抗网络模型，并在训练同时使用验证集数据挑选损失最小的生成对抗网络模型进行保存；
S4、读取步骤3保存的最佳生成对抗网络模型，输入测试集数据，生成对应的渗透率场；
S5、将步骤4生成的渗透率场数据进行数值模拟得到生产数据b，并与测试集中真实的渗透率场对应的生产数据B对比，进行结果验证；
S6、使用经过结果验证合格的生成对抗网络模型应用到实际的油井地质情况预测。
优选的，步骤1进行数据采集的方法依次包括以下步骤：
S11、由SgeMS软件中的SNESIM模块生成渗透率场模型，
S12、由ECLIPSE软件进行数值模拟得到渗透率场对应的生产数据。
优选的，所述训练集、验证集、测试集的比例为7∶2∶1。
优选的，步骤3所述的生成对抗网络使用的是pix2pix的生成对抗网络结构，其目标函数如式(1)：
LL1(G)＝Ex，y[||y-G(x)||1] (1)
其损失函数如式(2)：
LcGAN(G，D)＝Ex，y[log D(x，y)]+Ex[log(1-D(x，G(x)))] (2)
总的训练损失函数为式(3)：
Figure BDA0002815227180000021
其中，G和D分别代表生成器和判别器，y代表真实的渗透率场，x代表生产数据，G(x)代表生成器在生产数据x的引导下生成的渗透率场，D(x，G(x))和D(x，y)分别代表判别器判别的生成渗透率场和真实渗透率场的概率，Ex，y[]表示均值，λ是个常系数，λ设置为100。
本发明的有益效果：使用深度生成对抗网络的的方法代替传统历史拟合算法，不需要代理模型或者专家经验，通过训练生成对抗网络找到静态参数(渗透率场)和动态生产数据的映射关系，利用油井生产数据获得地质情况，当条件生成对抗网络一旦被训练完成，可以实现方便的并行化离线生成校准模型，即使比较复杂的地质情况，也可以得到真实的自动历史拟合；本发明方法使用pix2pix的生成对抗网络模型来训练，此生成对抗网络在生成器的训练损失函数中加入了L1损失，使得生成器生成的渗透率场能够与真实的渗透率场的绝对误差尽量的小，从而实现更加精准的历史拟合。
附图说明
图1所示为油藏自动历史拟合方法的流程图，
图2所示为本发明方法的总体流程图，
图3所示为本发明所采用的生成对抗网络的结构原理图，
图4所示为本发明所采用生成器的工作流程图，
图5所示为本发明所采用判别器的工作流程图。
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，以下结合附图及实施例，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仅用于解释本发明，不能理解为对本发明具体保护范围的限定。
实施例
如图1所示，传统历史拟合算法是先通过一些静态参数建立多个等概率的地质模型，把这些地质模型作为先验模型，通过拟合实际生产数据来更新油藏地质参数，最终获得合适的油藏模型估计。油藏模拟可以使用油田平均压力，单井压力，油田，单井产量等动态数据进行拟合。
本实施例提供了一种基于生成对抗网络的剩余油预测方法，如图2所示，依次包括如下步骤：
S1、进行数据的采集，包括采集渗透率场数据，数值模拟生产数据，由渗透率场数据和生产数据形成数据集；
S2、对步骤1采集好的渗透率场数据和生产数据进行预处理，并将预处理之后的数据集划分为训练集、验证集和测试集；
S3、使用训练集数据训练生成对抗网络模型，并在训练同时使用验证集数据挑选损失最小的生成对抗网络模型进行保存；
S4、读取步骤3保存的最佳生成对抗网络模型，输入测试集数据，生成对应的渗透率场；
S5、将步骤4生成的渗透率场数据进行数值模拟得到生产数据b，并与测试集中真实的渗透率场对应的生产数据B对比，进行结果验证；
S6、使用经过结果验证合格的生成对抗网络模型应用到实际的油井地质情况预测。
步骤1进行数据采集的方法依次包括以下步骤：
S11、建立渗透率场模型，渗透率是指在一定压差下，岩石允许流体通过的能力。由SgeMS软件中的SNESIM模块生成渗透率场模型，构建的渗透率场每个网格代表渗透率值的地质物理属性。
S12、数值模拟生产数据，设置渗透率场每个网格块的孔隙度、油水和气油流体接触的初始深度、水/油饱和度函数与含水饱和度，井底压力、流体密度、粘度和时间步等，使用ECLIPSE软件进行数值模拟得到渗透率场对应的生产数据。生产数据包含每口井产液量，井含水率，井底压力曲线等。
步骤2中对渗透率场数据进行预处理采用的方法是进行归一化操作，而生产数据并没有进行归一化操作，并按照7:2:1划分训练集，验证集，测试集。
步骤3中使用训练集训练生成对抗网络，输入的数据是生产数据，输出的数据是渗透率场数据。
步骤5中将步骤4生成的渗透率场数据进行数值模拟，得到生成数据b，与测试集中真实的渗透率场对应的生产数据B进行对比，若两条生产数据曲线接近，则证明本实施例构建的生成对抗网络模型应用于实际油井的油藏预测是可行的。目前判断生产数据曲线是否接近主要通过观察法判别，观察法是指以曲线图的形式，对比计算数据与实际数据的变化趋势是否一致，从直观上判断是否拟合上；另一个就是可以通过计算均方根误差评判误差波动的大小，从而判断整个事件范围内的拟合情况。
通过本实施例方法训练好模型之后，输入实际油井的生产数据(每口井产液量，井含水率，井底压力曲线等)，将可预测一个实际的地下地质情况(渗透率场)。
图3给出了生成对抗网络的架构图，以下具体说明生成对抗生成网络的架构和训练方法。生成对抗网络由生成器和判别器两部分组成，可以把生成器和判别器看做博弈的双方，生产数据作为条件，生成器随机产生一个假渗透率场，判别器对真的的渗透率场和假的渗透率场进行判别，使用对假的渗透率场的判别结果调整生成器，从而提高生成器生成渗透率场的质量。也就是生成器不断生成更逼真的渗透率场，使得判别器最终难以判别是真实渗透率场还是假的渗透率场，最终生成器和判别器达到纳什平衡，训练结束。训练采用的大原则是单独交替迭代训练，以下是训练的详细过程：
首先是判别网络：
①假设现在有了生成网络(当然可能还不是最好的)，那么给出条件数据(这里条件使用的是生产数据，没有使用随机噪声)，就会得到一堆假的渗透率场样本集(因为不是最终的生成模型，现在生成网络可能性能没有达到最好，导致生成的样本不太好，很容易就被判别网络判别为假)。
②现在有了这个假渗透率场样本集(真渗透率场样本集一直都有)，我们再人为地定义真假渗透率场样本集的标签，很明显，这里我们默认真渗透率场样本集的类标签为1，而假渗透率场样本集的类标签为0，因为我们希望真渗透率场样本集的输出尽可能为1，假渗透率场样本集为0。
③现在有了真渗透率场样本集以及它们的label(都是1)、假渗透率场样本集以及它们的label(都是0)。这样一来，单就判别网络来说，问题变成了有监督的二分类问题了，直接放进卷积神经网络中训练就好。
判别网络训练完了。
对于生成网络：
对于生成网络，我们的目的是生成尽可能逼真的渗透率场样本。原始的生成网络生成的样本的真实程度只能通过判别网络才知道，所以在训练生成网络时，需要联合判别网络才能达到训练的目的。所以生成网络的训练其实是对生成-判别网络串接的训练，像上图3显示的那样。
当通过生产数据生成了假渗透率场样本后，把这些假渗透率场样本的标签都设置为1，即认为这些假渗透率场样本在生成网络训练的时候是真样本。因为此时是通过判别器来生成误差的，而误差回传的目的是使得生成器生成的假样本逐渐逼近为真渗透率场样本(当假样本不真实，标签却为1时，判别器给出的误差会很大，这就迫使生成器进行很大的调整；反之，当假渗透率场样本足够真实，标签为1时，判别器给出的误差就会减小，这就完成了假渗透率场样本向真渗透率场样本逐渐逼近的过程)，起到迷惑判别器的目的。
现在对于生成网络的训练，有了样本集(只有假渗透率场样本集，没有真渗透率场样本集)，有了对应的label(全为1)，有了误差，就可以开始训练了。
本实施例使用了pix2pixGAN网络结构，此结构的优点是在生成器中目标函数加入了L1回归损失函数，L1回归损失函数指模型预测值和真实值之间距离的平均值，在损失函数中加入L1回归损失保证了输入渗透率场和输出渗透率场之间的相似度。
在训练这个串接网络时，一个很重要的操作是固定判别网络的参数，不让判别网络参数更新，只是让判别网络将误差传到生成网络，更新生成网络的参数。
在生成网络训练完后，可以根据更新的生成网络对先前的条件生成新的假渗透率场样本，不出意外，这次生成的假渗透率场样本会更真实。有了新的假渗透率场样本集，就可以重复上述过程，交训练生成器和判别器。设置一定的迭代次数，交替迭代到一定次数停止，这时对应某个条件(生产数据)的假渗透率场就会很真实了。
本发明使用了pixel2pixelGAN网络结构，此结构的优点是在生成器中目标函数加入了L1回归损失函数，保证了输入渗透率场和输出渗透率场之间的相似度。此网络使用的目标函数如式(1)：
LL1(G)＝Ex，y[||y-G(x)||1] (1)
在此网络结构中加入的L1损失函数，y代表渗透率场(样本数据)，x代表条件(生产数据)，G(x)代表生成器在生产数据x的引导下生成的渗透率场，Ex，y[]表示均值。
损失函数如式(2)：
LcGAN(G，D)＝Ex，y[log D(x，y)]+Ex[log1-D(x，G(x))] (2)
生成器G试图最小化损失函数，判别器D试图最大化损失函数，这是一个最大最小优化问题，D(x，G(x))和D(x，y)分别代表判别器判别的生成渗透率场和真实渗透率场的概率，使用Adam优化算法先优化D再优化G，即为：
Figure BDA0002815227180000051
汇总的损失函数为式(3)：
Figure BDA0002815227180000052
G*代表此网络的损失函数，λ是个系数，在网络中可以看做一个超参数，我们借用论文里的参数设置将λ设置为100。
图4给出了图3网络结构中的判别器网络的工作流程图，具体说明了判别器每层的输入输出。步骤D111是起始状态。步骤D112输入生产数据real_A。步骤D113经过一个Dense全连接层。步骤D114将步骤D113的输出reshape成渗透率场大小。步骤D115将上一步结果与生产数据real_A对应的渗透率场real_B连接。步骤D116将上一步结果经过一层二维卷积，卷积核大小5*5，滤波器32个，使用relu激活函数。步骤D117将上一步结果经过一层二维卷积，卷积核大小5*5，滤波器64个，使用relu激活函数。步骤D118将上一步结果经过一层二维卷积，卷积核大小5*5，滤波器128个，使用relu激活函数。步骤D119将上一步结果经过一层二维卷积，卷积核大小5*5，滤波器256个，使用relu激活函数。步骤D120使用线性层，将上一步结果经过sigmoid激活函数后输出结果。D121步骤是结束状态。
图5给出了图3网络结构中的生成器网络的工作流程图，具体说明了生成器每层的输入输出。步骤G111是起始状态。骤G112输入生产数据real_A。步骤G113经过一个Dense全连接层。步骤G114将步骤G113的输出reshape成渗透率场大小。步骤G115将上一步结果经过一层二维卷积，卷积核大小5*5，滤波器32个，使用relu激活函数,得到e1。步骤G116将e1经过一层二维卷积，卷积核大小5*5，滤波器64个，使用relu激活函数,得到e2。步骤G117将e2过一层二维卷积，卷积核大小5*5，滤波器128个，使用relu激活函数，得到e3。步骤G118将e3经过一层二维卷积，卷积核大小5*5，滤波器256个，使用relu激活函数，得到e4。步骤D119将e4经过一层二维卷积，卷积核大小5*5，滤波器256个，使用relu激活函数，得到e5。步骤G120将e5经过一层二维卷积，卷积核大小5*5，滤波器256个，使用relu激活函数，得到e6。
步骤G121，e1经过转置卷积,卷积核5*5，滤波器＝256，激活函数relu,得到d1。步骤G122将e1与d1连接得到c1。步骤G123将c1经过转置卷积,卷积核5*5，滤波器＝256，激活函数relu,得到d2。步骤G124将e2与d2连接得到c2。步骤G125将c2经过转置卷积,卷积核5*5，滤波器＝128，激活函数relu,得到d3。步骤G126将e3与d3连接得到c3。步骤G127将c3经过转置卷积,卷积核5*5，滤波器＝64，激活函数relu,得到d4。步骤G128将e4与d4连接得到c4。步骤G129将c4经过转置卷积,卷积核5*5，滤波器＝32，激活函数relu,得到d5。步骤G130将e5与d5连接得到c5。步骤G131将c5经过转置卷积,卷积核5*5，滤波器＝1，激活函数relu,得到d6。步骤G132将d6经过一个tanh激活函数。步骤G133是结束状态。

Claims (4)

1.一种基于生成对抗网络的油藏自动历史拟合方法，其特征在于，依次包括以下步骤：
S1、进行数据的采集，包括采集渗透率场数据，数值模拟生产数据，由渗透率场数据和生产数据形成数据集；
S2、对步骤1采集好的渗透率场数据和生产数据进行预处理，并将预处理之后的数据集划分为训练集、验证集和测试集；
S3、使用训练集数据训练生成对抗网络模型，并在训练同时使用验证集数据挑选损失最小的生成对抗网络模型进行保存；
S4、读取步骤3保存的最佳生成对抗网络模型，输入测试集数据，生成对应的渗透率场；
S5、将步骤4生成的渗透率场数据进行数值模拟得到生产数据b，并与测试集中真实的渗透率场对应的生产数据B对比，进行结果验证；
S6、使用经过结果验证合格的生成对抗网络模型应用到实际的油井地质情况预测。
2.根据权利要求1所述的基于生成对抗网络的油藏自动历史拟合方法，其特征在于，步骤1进行数据采集的方法依次包括以下步骤：
S11、由SgeMS软件中的SNESIM模块生成渗透率场模型，
S12、由ECLIPSE软件进行数值模拟得到渗透率场对应的生产数据。
3.根据权利要求1所述的基于生成对抗网络的油藏自动历史拟合方法，其特征在于：所述训练集、验证集、测试集的比例为7：2：1。
4.根据权利要求1所述的基于生成对抗网络的油藏自动历史拟合方法，其特征在于：步骤3所述的生成对抗网络使用的是pix2pix的生成对抗网络结构，其目标函数如式(1)：
LL1(G)＝Ex,y[||y-G(x)||1] (1)
其损失函数如式(2)：
LcGAN(G,D)＝Ex,y[logD(x,y)]+Ex[log(1-D(x,G(x)))] (2)
总的训练损失函数为式(3)：
Figure FDA0002815227170000011
其中，G和D分别代表生成器和判别器，y代表真实的渗透率场，x代表生产数据，G(x)代表生成器在生产数据x的引导下生成的渗透率场,D(x,G(x))和D(x,y)分别代表判别器判别的生成渗透率场和真实渗透率场的概率，Ex,y[]表示均值，λ是个常系数，λ设置为100。
CN202011412982.7A 2020-12-03 2020-12-03 一种基于生成对抗网络的油藏自动历史拟合方法 Active CN112507618B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011412982.7A CN112507618B (zh) 2020-12-03 2020-12-03 一种基于生成对抗网络的油藏自动历史拟合方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011412982.7A CN112507618B (zh) 2020-12-03 2020-12-03 一种基于生成对抗网络的油藏自动历史拟合方法

Publications (2)

Publication Number Publication Date
CN112507618A true CN112507618A (zh) 2021-03-16
CN112507618B CN112507618B (zh) 2023-10-27

Family

ID=74970203

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011412982.7A Active CN112507618B (zh) 2020-12-03 2020-12-03 一种基于生成对抗网络的油藏自动历史拟合方法

Country Status (1)

Country Link
CN (1) CN112507618B (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113435128A (zh) * 2021-07-15 2021-09-24 中国石油大学(北京) 基于条件生成式对抗网络的油气藏产量预测方法及装置
CN115935834A (zh) * 2023-02-23 2023-04-07 中国石油大学(华东) 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
WO2024032604A1 (zh) * 2022-08-08 2024-02-15 中国石油天然气股份有限公司 储层属性建模方法及装置

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111339719A (zh) * 2020-04-24 2020-06-26 西南石油大学 一种缝洞型油藏注水数值模拟自动历史拟合的方法
CN111382686A (zh) * 2020-03-04 2020-07-07 上海海事大学 一种基于半监督生成对抗网络的车道线检测方法
CN111814347A (zh) * 2020-07-20 2020-10-23 中国石油大学(华东) 预测油藏内气窜通道的方法及系统

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111382686A (zh) * 2020-03-04 2020-07-07 上海海事大学 一种基于半监督生成对抗网络的车道线检测方法
CN111339719A (zh) * 2020-04-24 2020-06-26 西南石油大学 一种缝洞型油藏注水数值模拟自动历史拟合的方法
CN111814347A (zh) * 2020-07-20 2020-10-23 中国石油大学(华东) 预测油藏内气窜通道的方法及系统

Non-Patent Citations (5)

* Cited by examiner, † Cited by third party
Title
YOUSEF ALKLIH MOHAMAD等: "预测数据分析法在中东某老油田提高采收率中的应用", 《石油勘探与开发》 *
冯其红等: "基于深度卷积生成对抗神经网络预测气窜方向", 《中国石油大学学报(自然科学版)》 *
刘建伟、谢浩杰、罗雄麟: "生成对抗网络在各领域应用研究进展", 《自动化学报》 *
王玉斗等: "基于EnKF的油藏自动历史拟合方法对三相相对渗透率的反演", 《西安石油大学学报(自然科学版)》 *
薛亮等: "裂缝性油气藏数值模拟与自动历史拟合研究进展", 《石油科学通报》 *

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113435128A (zh) * 2021-07-15 2021-09-24 中国石油大学(北京) 基于条件生成式对抗网络的油气藏产量预测方法及装置
CN113435128B (zh) * 2021-07-15 2024-09-13 中国石油大学(北京) 基于条件生成式对抗网络的油气藏产量预测方法及装置
WO2024032604A1 (zh) * 2022-08-08 2024-02-15 中国石油天然气股份有限公司 储层属性建模方法及装置
CN115935834A (zh) * 2023-02-23 2023-04-07 中国石油大学(华东) 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
CN115935834B (zh) * 2023-02-23 2023-06-09 中国石油大学(华东) 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

Also Published As

Publication number Publication date
CN112507618B (zh) 2023-10-27

Similar Documents

Publication Publication Date Title
CN112507618A (zh) 一种基于生成对抗网络的油藏自动历史拟合方法
CN110322423B (zh) 一种基于图像融合的多模态图像目标检测方法
CN110361778B (zh) 一种基于生成对抗网络的地震数据重建方法
CN114548591B (zh) 一种基于混合深度学习模型和Stacking的时序数据预测方法及系统
CN115308799B (zh) 一种地震成像游离气构造识别方法及系统
Nevtipilova et al. Testing artificial neural network (ANN) for spatial interpolation
EP4050518A1 (en) Generation of realistic data for training of artificial neural networks
CN107368928A (zh) 一种古建筑沉降的组合预测方法及系统
CN116306277A (zh) 一种滑坡位移预测方法、装置及相关组件
CN106503312B (zh) 一种基于神经网络算法的叶根应力分析方法
CN108665001B (zh) 一种基于深度置信网络的跨被试空闲态检测方法
Regazzoni et al. A physics-informed multi-fidelity approach for the estimation of differential equations parameters in low-data or large-noise regimes
CN118313265A (zh) 基于误差学习双代理模型的油藏历史拟合方法、系统、设备及介质
CN117010260A (zh) 一种裂缝性油藏自动历史拟合模型预测方法、系统及设备
CN112182481B (zh) 一种基于改进型差分进化算法的地震波形反演方法及系统
CN108681241A (zh) 一种基于神经网络的双容系统辨识方法
CN112508273B (zh) 一种基于生成对抗网络的剩余油预测方法
CN115421181B (zh) 一种基于深度学习的三维地质模型相控属性建模方法
CN114897047B (zh) 基于深度字典的多传感器数据漂移检测方法
CN116228575A (zh) 基于频域增强Transformer网络的红外光谱恢复方法
CN112862173B (zh) 基于自组织深度置信回声状态网的湖库蓝藻水华预测方法
CN111209674B (zh) 一种河道砂建模方法、设备及可读存储介质
CN114048837A (zh) 一种基于分布式类脑图的深度神经网络模型加固方法
CN111794741B (zh) 滑动定向钻井模拟机实现方法
CN116405368B (zh) 一种高维不平衡数据条件下的网络故障诊断方法、系统

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