CN112508273A - 一种基于生成对抗网络的剩余油预测方法 - Google Patents

一种基于生成对抗网络的剩余油预测方法 Download PDF

Info

Publication number
CN112508273A
CN112508273A CN202011412557.8A CN202011412557A CN112508273A CN 112508273 A CN112508273 A CN 112508273A CN 202011412557 A CN202011412557 A CN 202011412557A CN 112508273 A CN112508273 A CN 112508273A
Authority
CN
China
Prior art keywords
field data
data
network model
countermeasure network
saturation field
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
CN202011412557.8A
Other languages
English (en)
Other versions
CN112508273B (zh
Inventor
李家兴
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 CN202011412557.8A priority Critical patent/CN112508273B/zh
Publication of CN112508273A publication Critical patent/CN112508273A/zh
Application granted granted Critical
Publication of CN112508273B publication Critical patent/CN112508273B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • 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)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Data Mining & Analysis (AREA)
  • Software Systems (AREA)
  • Business, Economics & Management (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computational Linguistics (AREA)
  • Mathematical Physics (AREA)
  • General Health & Medical Sciences (AREA)
  • Economics (AREA)
  • Molecular Biology (AREA)
  • Human Resources & Organizations (AREA)
  • Strategic Management (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Health & Medical Sciences (AREA)
  • Computing Systems (AREA)
  • Entrepreneurship & Innovation (AREA)
  • General Business, Economics & Management (AREA)
  • Tourism & Hospitality (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Quality & Reliability (AREA)
  • Operations Research (AREA)
  • Marketing (AREA)
  • Game Theory and Decision Science (AREA)
  • Development Economics (AREA)
  • Geometry (AREA)
  • Computer Hardware Design (AREA)
  • Medical Informatics (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剩余油预测方法，所述方法为进行数据的采集，包括静态渗透率场数据和对应的不同时段的饱和度场数据，形成数据集；将采集好的数据集划分为训练集和验证集，并对训练集和验证集的数据进行归一化预处理，使用归一化预处理后的训练集对生成对抗网络模型进行训练；使用验证集对训练好的生成对抗网络模型的预测性能进行评估，挑选最佳生成对抗网络模型并保存；使用保存下来的最佳生成对抗网络模型来进行剩余油预测。通过本方法搭建剩余油预测生成对抗网络模型，只需要把渗透率场数据输入模型，并且设置时间步，即可自动计算出剩余饱和度场分布，系统响应快，计算精度高。

Description

一种基于生成对抗网络的剩余油预测方法
技术领域
本发明属于地下石油剩余油预测技术领域，具体涉及一种基于注意力机制下深度生成对抗网络的剩余油预测方法。
背景技术
随着计算机算力的不断提高和深度学习算法的不断完善，深度学习的技术开始在各种领域和实际场景中得到应用。剩余油预测技术是根据油井下的静态地质参数(渗透率场)来进行油藏饱和度场的预测过程，通过对地下油藏饱和度场的准确把握，便可以分析地下剩余石油的储藏和分布情况。剩余油的分布规律是油藏开发者长期关心的问题，得到地下油藏中剩余油的分布情况意味着明确了油藏开发的调整方向，为各种调整措施提供了依据，因此，剩余油预测技术是贯穿了整个油田开发过程的。
传统的剩余油预测通常通过油藏数值模拟的方法来获取饱和度场，需要对油藏模型进行数学建模，并要求大量的除渗透率场外的动态与静态物理参数来进行计算，然而在实际过程中，这些参数的获取通常比较困难，并且带有系统和偶然误差，会影响饱和度场预测的精度。
发明内容
本发明提供了一种基于生成对抗网络的剩余油预测方法，克服传统通过油藏数值模拟的方法来获取饱和度场，预测不精确的问题。
本发明提供的一种基于生成对抗网络的剩余油预测方法，依次包括如下步骤：
S1、进行数据的采集，包括静态渗透率场数据和对应的不同时段的饱和度场数据，形成数据集；
S2、将步骤1采集好的数据集划分为训练集和验证集，并对训练集和验证集的数据进行归一化预处理，使用归一化预处理后的训练集对生成对抗网络模型进行训练；
S3、使用验证集对步骤2训练好的生成对抗网络模型的预测性能进行评估，挑选最佳生成对抗网络模型并保存；
S4、使用保存下来的最佳生成对抗网络模型来进行剩余油预测。
优选的，步骤1进行数据采集的方法依次包括以下步骤：
S11、静态渗透率场数据使用油藏河道相的渗透率场数据，将5500×32×32的河道相的渗透率场数据输入eclipse油藏数值模拟软件，并设置时间步分别为30、60、90、120、150、180天，
S12、运行eclipse油藏数值模拟软件获取到5500×32×32×6的饱和度场数据，即每一个原河道相的渗透率场数据对应6个饱和度场数据。
优选的，所述训练集和验证集的比例为10：1，训练集包含5000个渗透率场数据和对应的饱和度场数据，验证集包含500个渗透率场数据和对应的饱和度场数据。
优选的，步骤2所述的生成对抗网络使用的是pix2pix的生成对抗网络结构，其对抗损失和L1损失函数分别如式(1)、(2)：
LGAN(G,D)＝Ey[logD(x,y)]+Ex[log(1-D(x,G(x)))] (1)
LL1(G)＝Ex,y[||y-G(x)||1] (2)
总的训练损失函数为式(3)：
Figure BDA0002815226730000021
其中G和D分别代表生成器网络和判别器网络，x和y分别代表真实的渗透率场和饱和度场数据，G(x)指的是渗透率场x经过生成器G后生成的饱和度场，D(x,y)指的是判别器判断输入的饱和度场数据y是属于输入渗透率场数据x所对应的真实饱和度场数据的概率，D(x,G(x))指的是判别器判断由渗透率场x经过生成器网络生成的饱和度场数据G(x)属于x对应的真实饱和度场的概率，Ex,y[]表示均值，λ是个常系数。
优选的，步骤2所述生成对抗网络还加入了注意力机制模块，所述注意力机制模块采用的是CBAM注意力模块，在生成对抗网络中加入注意力机制模块的方法为：将注意力机制模块加入在生成器的第一层卷积层之后，从而建立起一个基于注意力机制的生成对抗网络模型。
优选的，使用验证集对步骤2训练好的生成对抗网络模型的预测性能进行评估，挑选最佳生成对抗网络模型并保存的方法为：使用当前的生成对抗网络模型对验证集进行预测，保留预测的饱和度场数据，对预测的饱和度场数据和真实的饱和度场数据进行了R2分数的计算，然后将其分数与先前生成对抗网络模型的得分进行比较，选取得分较高者进行保存，待迭代训练完成后，保存下来的模型即为在验证集上预测性能最佳的生成对抗网络模型。
本发明的有益效果：通过本发明方法搭建剩余油预测生成对抗网络模型，只需要把渗透率场数据输入模型，并且设置时间步，即可自动计算出剩余饱和度场分布，无需输入除渗透率场数据以外的其他动态或静态物理参数，免除系统偶然误差，系统响应快，饱和度场预测精度高；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，使得生成器生成的饱和度场能够与真实的饱和度场的绝对误差尽量的小，从而实现更加精准的预测；在生成器的第一层卷积层添加CBAM注意力模块，可有效提升生成对抗网络的性能，确保模型的预测精度。
附图说明
图1所示为传统剩余油预测方法的工作流程图，
图2所示为本发明方法的总体流程图，
图3所示为本发明方法步骤S2的具体流程图，
图4所示为本发明方法步骤S3的具体流程图，
图5所示为本发明所采用的生成对抗网络的结构原理图，
图6所示为本发明所采用生成器的工作流程图，
图7所示为本发明所采用注意力模块的工作流程图，
图8所示为本发明所采用判别器的工作流程图，
图9所示为本发明方法步骤S4的具体流程图。
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，传统的剩余油预测方法是通过油藏数值模拟软件来预测的，在预测的过程中我们需要根据实际油藏情况从软件中选择已经建立好的模型，然后根据选择的模型准备各种所需要的静态和动态参数(包括渗透率场、时间步、各种地质参数等)，然后进行数值模拟得出饱和度场分布。
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，包括静态渗透率场数据和对应的不同时段的饱和度场数据，形成数据集；
S2、将步骤1采集好的数据集划分为训练集和验证集，并对训练集和验证集的数据进行归一化预处理，使用归一化预处理后的训练集对生成对抗网络模型进行训练；
S3、使用验证集对步骤2训练好的生成对抗网络模型的预测性能进行评估，挑选最佳生成对抗网络模型并保存；
S4、使用保存下来的最佳生成对抗网络模型来进行剩余油预测。
步骤1进行数据采集的方法依次包括以下步骤：
S11、静态渗透率场数据使用油藏河道相的渗透率场数据，将5500×32×32的河道相的渗透率场数据输入eclipse油藏数值模拟软件，并设置时间步分别为30、60、90、120、150、180天，
S12、运行eclipse油藏数值模拟软件获取到5500×32×32×6的饱和度场数据，即每一个原河道相的渗透率场数据对应6个饱和度场数据。
图3给出了图2中步骤S2的详细描述，具体说明了如何对数据集进行划分和归一化处理，并根据处理后的数据集进行模型训练。
步骤S21是按照10：1的比例将数据集划分为训练集和验证集，训练集包含5000个渗透率场数据和对应的饱和度场数据，验证集包含500个渗透率场数据和对应的饱和度场数据。步骤S22是按照最大最小归一化方法来对数据进行归一化，最大最小归一化公式为
Figure BDA0002815226730000041
X为原始数据，Xmin为原始数据集中最小数据，Xmax为原始数据集中最大数据，Xnorm为归一化后的数据。步骤S23为搭建基于pix2pix网络框架的生成对抗网络模型，生成对抗网络的具体框架在图5中详细说明。步骤S24为在步骤S23搭建的生成对抗网络模型的生成器中加入了CBAM注意力模块，建立起基于注意力机制下的生成对抗网络模型，其中CBAM注意力模块的工作流程图在图8中详细说明。步骤S25为使用归一化后的训练集数据对搭建好的生成对抗网络模型进行迭代训练。
图4给出了图2中步骤S3的详细描述，具体说明了如何利用验证集的数据来选择出性能最佳的生成对抗网络模型。步骤S31是在每一次生成对抗网络模型迭代训练过后，使用当前的生成对抗网络模型对验证集进行预测，保留预测的饱和度场数据。步骤S32对预测的饱和度场数据和真实的饱和度场数据进行了R2分数的计算，然后将其分数与先前生成对抗网络模型模型的得分进行比较，选取得分较高者进行保存，待迭代训练完成后，保存下来的模型即为在验证集上预测性能最佳的生成对抗网络模型。
图5给出了本实施例基于生成对抗网络的剩余油预测方法使用的生成对抗网络模型的总体框架，具体说明了生成对抗网络的构架和使用方法。生成对抗网络由生成器和判别器两个部分组成，两者相互博弈，生成器负责根据渗透率场数据生成尽量真实的饱和度场数据，而判别器负责判断输入的饱和度场数据是输入的渗透率场数据的真实对应数据还是通过生成器生成的“假的”饱和度场数据，在pix2pix的框架下，生成对抗网络的对抗损失和L1损失函数分别如下：
LGAN(G,D)＝Ey[logD(y)]+Ex[log(1-D(G(x)))] (1)
LL1(G)＝Ex,y[||y-G(x)||1] (2)
总的训练损失函数为：
Figure BDA0002815226730000051
其中G和D分别代表生成器网络和判别器网络，x和y分别代表真实的渗透率场和饱和度场数据，G(x)指的是渗透率场x经过生成器G后生成的饱和度场，D(x,y)指的是判别器判断输入的饱和度场数据y是属于输入渗透率场数据x所对应的真实饱和度场数据的概率，D(x,G(x))指的是判别器判断由渗透率场x经过生成器网络生成的饱和度场数据G(x)属于x对应的真实饱和度场的概率，Ex,y[]表示均值，λ是个常系数。生成器的网络采用Unet结构搭建，其生成器和判别器模型分别在图6和图7中进行了详细描述。
图6给出了本实施例基于生成对抗网络的剩余油预测方法使用的生成对抗网络的生成器部分的工作流程图，具体说明了生成器的网络结构与每一层的输入输出。步骤G111是起始状态，代表着输入的渗透率场数据。步骤G112让输入数据经过一个二维卷积层，卷积层的核大小为4×4，滤波器为64个，卷积的结果会经过一个BatchNormalization层进行归一化，并使用leakyrelu函数进行激活(未做特殊说明的卷积操作的卷积步长均为2),得到特征图e1。步骤G113让特征图e1经过一个CBAM注意力模块，该模块的流程图在图8中进行详细描述，得到注意力特征图。步骤G114让上层注意力模块的注意力特征图经过一个二维卷积层，卷积层的核大小为4×4，滤波器为128个，卷积的结果会经过一个BatchNormalization层进行归一化，并使用leakyrelu函数进行激活，得到特征图e2。步骤G115让特征图e2经过一个二维卷积层，卷积层的核大小为4×4，滤波器为256个，卷积的结果会经过一个BatchNormalization层进行归一化，并使用leakyrelu函数进行激活，得到特征图e3。步骤G116让特征图e3经过一个二维卷积层，卷积层的核大小为4×4，滤波器为512个，卷积的结果会经过一个BatchNormalization层进行归一化，并使用leakyrelu函数进行激活，得到特征图e4。步骤G117让特征图e4经过一个二维卷积层，卷积层的核大小为4×4，滤波器为512个，该层使用relu函数进行激活，得到特征图e5。步骤G118让特征图e5经过一个二维转置卷积层，该层卷积核大小为4×4，滤波器为512个，卷积的结果会依次经过一个BatchNormalization层和dropout层的处理，并使用relu函数进行激活，得到特征图d1。步骤G119将特征图e4和特征图d1进行concat连接操作，得到特征图[e4,d1]。步骤G120让经过连接的特征图[e4,d1]经过一个二维转置卷积层，该层卷积核大小为4×4，滤波器为256个，卷积的结果会依次经过一个BatchNormalization层和dropout层的处理，并使用relu函数进行激活，得到特征图d2。步骤G121将特征图e3和d2进行concat连接操作，得到特征图[e3,d2]。步骤G122让经过连接的特征图[e3,d2]经过一个二维转置卷积层，该层卷积核大小为4×4，滤波器为128个，卷积的结果会依次经过一个BatchNormalization层和dropout层的处理，并使用relu函数进行激活，得到特征图d3。步骤G123将特征图e2和d3进行concat连接操作，得到特征图[e2,d3]。步骤G124让经过连接的特征图[e2,d3]经过一个二维转置卷积层，该层卷积核大小为4×4，滤波器为64个，卷积的结果会经过一个BatchNormalization层的处理，并使用relu函数进行激活，得到特征图d4。步骤G125将特征图e1和d4进行concat连接操作，得到特征图[e1,d4]。步骤G126让特征图[e1,d4]经过一个二维转置卷积层，该层卷积核大小为4×4，滤波器为1个，使用tanh函数进行激活，激活后生成步骤G127代表的饱和度场数据。
图7给出了本实施例基于生成对抗网络的剩余油预测方法使用的生成对抗网络的判别器部分的工作流程图，具体说明了判别器的网络结构与每一层的输入输出。步骤D111将要输入的渗透率场数据和饱和度场数据进行concat连接操作，得到判别器的输入特征图。步骤D112让输入特征图经过一个二维卷积层，该层卷积核大小为4×4，滤波器为64个，使用leakyrelu函数进行激活。步骤D113让上一个卷积层的输出特征图经过一个二维卷积层，该层卷积核大小为4×4，滤波器为128个，卷积的结果会经过一个BatchNormalization层进行归一化，并使用leakyrelu函数进行激活。步骤D114让上一个卷积层的输出特征图经过一个二维卷积层，该层卷积核大小为4×4，滤波器为256个，卷积的结果会经过一个BatchNormalization层进行归一化，并使用leakyrelu函数进行激活。步骤D115让上一个卷积层的输出特征图经过一个二维卷积层，该层卷积核大小为4×4，滤波器为512个，卷积的结果会经过一个BatchNormalization层进行归一化，并使用leakyrelu函数进行激活。步骤D116让上一个卷积层的输出特征图经过一个flatten层，转化为一个列向量。步骤D117让步骤D116得到的列向量经过一个全连接层进行一个线性变换，然后经过一个sigmoid激活函数得出步骤D118代表的判断结果。
图8给出了本实施例基于生成对抗网络的剩余油预测方法使用的CBAM注意力模块的工作流程图，具体说明了CBAM注意力模块的网络结构和输入输出。CBAM注意力模块包含两个部分，分别为通道注意力模块和空间注意力模块，C111-C117为通道注意力模块的具体流程步骤，C117-C122为空间注意力模块的具体流程步骤。步骤C111是初始状态，代表输入的特征图。步骤C112分别使用了最大池化层和平均池化层来对初始特征图进行处理，分别得到最大池化特征图Max-f和平均池化特征图Avg-f。步骤C113分别让最大池化特征图和平均池化特征图经过一个参数共享的多层感知机，这个多层感知机由两个全连接层组成。步骤C114代表由多层感知机输出的处理过后的最大池化特征图Max-f′和平均池化特征图Avg-f′。步骤C115将步骤C114得到的最大池化特征图Max-f′和平均池化特征图Avg-f′进行一个矩阵相加操作，得到新的特征图New-f＝Max-f′+Avg-f′。步骤C116让新生成的特征图New-f经过sigmoid激活函数进行激活，最终得到C117所表示的通道注意力特征图Channel-f。步骤C118让步骤C117得到的通道注意力特征图Channel-f分别经过最大池化层和平均池化层，得到最大池化特征图Max-f″和平均池化特征图Avg-f″。步骤C119将最大池化特征图Max-f″和平均池化特征图Avg-f″进行一个concat连接操作，获取连接之后的新特征图New-f′＝[Max-f″，Avg-f″]。步骤C120让新特征图New-f′经过一个二维卷积层，该层卷积核大小为7×7，滤波器为1个，卷积步长为1，得到特征图New-f″。步骤C121让使用sigmoid激活函数对New-f″进行激活，最终得到C122所表示的空间注意力特征图Spatial-f。
图9给出了图2中步骤S4的详细描述，具体说明了在现实场景中如何使用本实施例基于生成对抗网络的剩余油预测方法所训练好的剩余油预测模型进行剩余油的预测。不同于传统的油藏数值模拟方法，只需要输入已知的静态渗透率场参数和设定所要预测的时间步，本发明方法便可以预测得到剩余油的饱和度分布。

Claims (6)

1.一种基于生成对抗网络的剩余油预测方法，其特征在于，依次包括如下步骤：
S1、进行数据的采集，包括静态渗透率场数据和对应的不同时段的饱和度场数据，形成数据集；
S2、将步骤1采集好的数据集划分为训练集和验证集，并对训练集和验证集的数据进行归一化预处理，使用归一化预处理后的训练集对生成对抗网络模型进行训练；
S3、使用验证集对步骤2训练好的生成对抗网络模型的预测性能进行评估，挑选最佳生成对抗网络模型并保存；
S4、使用保存下来的最佳生成对抗网络模型来进行剩余油预测。
2.根据权利要求1所述的基于生成对抗网络的剩余油预测方法，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、静态渗透率场数据使用油藏河道相的渗透率场数据，将5500×32×32的河道相的渗透率场数据输入eclipse油藏数值模拟软件，并设置时间步分别为30、60、90、120、150、180天，
S12、运行eclipse油藏数值模拟软件获取到5500×32×32×6的饱和度场数据，即每一个原河道相的渗透率场数据对应6个饱和度场数据。
3.根据权利要求2所述的基于生成对抗网络的剩余油预测方法，其特征在于：所述训练集和验证集的比例为10：1，训练集包含5000个渗透率场数据和对应的饱和度场数据，验证集包含500个渗透率场数据和对应的饱和度场数据。
4.根据权利要求1所述的基于生成对抗网络的剩余油预测方法，其特征在于：步骤2所述的生成对抗网络使用的是pix2pix的生成对抗网络结构，其对抗损失和L1损失函数分别如式(1)、(2)：
LGAN(G,D)＝Ey[logD(x,y)]+Ex[log(1-D(x,G(x)))] (1)
LL1(G)＝Ex,y[||y-G(x)||1] (2)
总的训练损失函数为式(3)：
Figure FDA0002815226720000011
其中G和D分别代表生成器网络和判别器网络，x和y分别代表真实的渗透率场和饱和度场数据，G(x)指的是渗透率场x经过生成器G后生成的饱和度场，D(x,y)指的是判别器判断输入的饱和度场数据y是属于输入渗透率场数据x所对应的真实饱和度场数据的概率，D(x,G(x))指的是判别器判断由渗透率场x经过生成器网络生成的饱和度场数据G(x)属于x对应的真实饱和度场的概率，Ex,y[]表示均值，λ是个常系数。
5.根据权利要求4所述的基于生成对抗网络的剩余油预测方法，其特征在于，步骤2所述生成对抗网络还加入了注意力机制模块，所述注意力机制模块采用的是CBAM注意力模块，在生成对抗网络中加入注意力机制模块的方法为：将注意力机制模块加入在生成器的第一层卷积层之后，从而建立起一个基于注意力机制的生成对抗网络模型。
6.根据权利要求1所述的基于生成对抗网络的剩余油预测方法，其特征在于，使用验证集对步骤2训练好的生成对抗网络模型的预测性能进行评估，挑选最佳生成对抗网络模型并保存的方法为：使用当前的生成对抗网络模型对验证集进行预测，保留预测的饱和度场数据，对预测的饱和度场数据和真实的饱和度场数据进行了R2分数的计算，然后将其分数与先前生成对抗网络模型的得分进行比较，选取得分较高者进行保存，待迭代训练完成后，保存下来的模型即为在验证集上预测性能最佳的生成对抗网络模型。
CN202011412557.8A 2020-12-03 2020-12-03 一种基于生成对抗网络的剩余油预测方法 Active CN112508273B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011412557.8A CN112508273B (zh) 2020-12-03 2020-12-03 一种基于生成对抗网络的剩余油预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011412557.8A CN112508273B (zh) 2020-12-03 2020-12-03 一种基于生成对抗网络的剩余油预测方法

Publications (2)

Publication Number Publication Date
CN112508273A true CN112508273A (zh) 2021-03-16
CN112508273B CN112508273B (zh) 2023-04-07

Family

ID=74970191

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011412557.8A Active CN112508273B (zh) 2020-12-03 2020-12-03 一种基于生成对抗网络的剩余油预测方法

Country Status (1)

Country Link
CN (1) CN112508273B (zh)

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109977922A (zh) * 2019-04-11 2019-07-05 电子科技大学 一种基于生成对抗网络的行人掩模生成方法
CN110807544A (zh) * 2019-10-08 2020-02-18 北京科技大学 一种基于机器学习的油田剩余油饱和度分布的预测方法
CN111475546A (zh) * 2020-04-09 2020-07-31 大连海事大学 一种基于双阶段注意力机制生成对抗网络的金融时间序列预测方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109977922A (zh) * 2019-04-11 2019-07-05 电子科技大学 一种基于生成对抗网络的行人掩模生成方法
CN110807544A (zh) * 2019-10-08 2020-02-18 北京科技大学 一种基于机器学习的油田剩余油饱和度分布的预测方法
CN111475546A (zh) * 2020-04-09 2020-07-31 大连海事大学 一种基于双阶段注意力机制生成对抗网络的金融时间序列预测方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
刘建伟: "生成对抗网络在各领域应用研究进展", 《自动化学报》 *
吴晨: "基于差分的生成式对抗网络GP算法及其应用研究", 《信息科技辑》 *

Also Published As

Publication number Publication date
CN112508273B (zh) 2023-04-07

Similar Documents

Publication Publication Date Title
CN111814875B (zh) 基于样式生成对抗网络的红外图像中舰船样本扩充方法
CN114218875A (zh) 一种用于流场预测的加速方法及装置
CN108647839A (zh) 基于代价敏感lstm循环神经网络的稳压器水位预测方法
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
CN113642105B (zh) 船舶动力系统的多尺度模型构建方法、装置及电子设备
CN111523713A (zh) 一种预测油田中剩余油饱和度分布的方法和装置
US20210406687A1 (en) Method for predicting attribute of target object based on machine learning and related device
CN107644063A (zh) 基于数据并行的时间序列分析方法与系统
EP4053739A1 (en) Neural network model for image segmentation and image segmentation method therefor
CN113689517A (zh) 一种多尺度通道注意力网络的图像纹理合成方法及系统
Kumar et al. Ensemble-based assimilation of nonlinearly related dynamic data in reservoir models exhibiting non-Gaussian characteristics
CN117077579A (zh) 翼型流场预测方法、装置、设备及存储介质
CN111383742A (zh) 一种医学成像模型的建立方法、装置、设备及存储介质
CN106407932B (zh) 基于分数阶微积分与广义逆神经网络的手写数字识别方法
CN111325222A (zh) 图像归一化处理方法及装置、存储介质
CN112508273B (zh) 一种基于生成对抗网络的剩余油预测方法
CN111340950B (zh) 数字高程模型重建方法及装置
CN114295967A (zh) 一种基于迁移神经网络的模拟电路故障诊断方法
CN112507618A (zh) 一种基于生成对抗网络的油藏自动历史拟合方法
CN110288002B (zh) 一种基于稀疏正交神经网络的图像分类方法
CN116186824B (zh) 基于图像嵌入图神经网络模型的建筑结构布置方法
CN112185551A (zh) 一种基于深度学习预测冠状动脉狭窄阻力的系统与方法
CN114332567A (zh) 训练样本的获取方法、装置、计算机设备及存储介质
Díaz et al. Deep Learning combined with singular value decomposition to reconstruct databases in fluid dynamics
CN117435308B (zh) 一种基于并行计算算法的Modelica模型仿真方法及系统

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