CN112541304B - 基于深度自编码器的自动历史拟合优势通道参数预测方法 - Google Patents

基于深度自编码器的自动历史拟合优势通道参数预测方法 Download PDF

Info

Publication number
CN112541304B
CN112541304B CN202011339059.5A CN202011339059A CN112541304B CN 112541304 B CN112541304 B CN 112541304B CN 202011339059 A CN202011339059 A CN 202011339059A CN 112541304 B CN112541304 B CN 112541304B
Authority
CN
China
Prior art keywords
encoder
dominant
data
dominant channel
self
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
Application number
CN202011339059.5A
Other languages
English (en)
Other versions
CN112541304A (zh
Inventor
张凯
张金鼎
李彦来
周文胜
姚军
王志伟
刘均荣
姚传进
张黎明
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 CN202011339059.5A priority Critical patent/CN112541304B/zh
Publication of CN112541304A publication Critical patent/CN112541304A/zh
Application granted granted Critical
Publication of CN112541304B publication Critical patent/CN112541304B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • 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
    • G06F30/28—Design optimisation, verification or simulation using fluid dynamics, e.g. using Navier-Stokes equations or computational fluid dynamics [CFD]
    • 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
    • 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
    • G06Q50/06—Energy or water supply

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • Economics (AREA)
  • Human Resources & Organizations (AREA)
  • Health & Medical Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Strategic Management (AREA)
  • Marketing (AREA)
  • Mathematical Physics (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Computing Systems (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Algebra (AREA)
  • Fluid Mechanics (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Pure & Applied Mathematics (AREA)
  • Computer Hardware Design (AREA)
  • Geometry (AREA)
  • Molecular Biology (AREA)
  • Development Economics (AREA)
  • Evolutionary Biology (AREA)
  • Game Theory and Decision Science (AREA)
  • Software Systems (AREA)
  • Biomedical Technology (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Bioinformatics & Computational Biology (AREA)

Abstract

本发明涉及一种基于深度自编码器的自动历史拟合优势通道参数预测方法，包括以下步骤：S1、使用直线表征油藏中的优势通道，建立油藏优势通道数值模拟模型；S2、结合优势通道油藏的先验信息，使用不同的分布函数生成学习样本库；S3、结合神经网络逐层训练及微调方法训练深度自编码器；S4、基于深度自编码器的编码解码属性将先验样本数据进行降维重构；S5、根据贝叶斯理论建立优势通道油藏历史拟合目标函数；S6、使用多数据同化集合平滑算法(ES‑MDA)更新参数并最小化目标函数。与现有技术相比，本发明实现了对具有尺度不同的优势通道的油藏模型进行反演，给实际具有大规模优势通道的油藏自动历史拟合提供参考。

Description

基于深度自编码器的自动历史拟合优势通道参数预测方法
技术领域
本发明属于油气田开发领域，具体地说，涉及一种基于深度自编码器的自动历史拟合优势通道参数预测方法。
背景技术
实际油藏中存在大量的裂缝和高渗通道，极大影响了地层中流体的运动。具有优势通道的油藏，岩相变化大，非均质性强，油藏的强非均质性对油田开发带来很多问题，如水窜，水锥等现象。油藏内部优势通道的状态和分布也有极大的不确定性，因此，提高对强非均质优势通道性油藏的认识至关重要。目前常规的具有优势通道的油藏反演是利用人工完成的，反演时间长，对人为经验依赖性大，不利于现场实际应用。具有优势通道的油藏参数数量巨大，而常规的反演只能对少量参数进行反演，难以表征真实的油藏模型。近年来有学者将辅助历史拟合的方法用于反演油藏模型，但是应用于具有大量参数的强非均质的油藏反演尚未有报道。
由于优势通道大小分布的随机性，建立准确有效的流动数学模型是很困难的。自19世纪60年代，已经提出了多种流动数学模型。最常用的模型是双重孔隙介质模型，优势通道性岩体同时存在两个独立的系统，基岩系统和裂缝系统，其中裂缝系统为主要的流动通道，然而双重介质模型简化实际的裂缝形态，很难对实际的裂缝性油藏进行数值模拟。离散裂缝网络模型(DFM)明确考虑了裂缝对流体流动的影响，通过非结构化网格对裂缝所在位置进行描述，然而非结构化网格的建立具有一点的难度，运算耗费相对较大。嵌入式离散裂缝网络模型(EDFM)，在嵌入式离散裂缝网络模型中，裂缝网格独立于基质网格，通过结构化网格对优势通道位置进行描述，计算耗费较小。目前，嵌入式离散裂缝网络模型有了很广泛的应用。
从20世纪60年代以来，出现了各种自动历史拟合方法，随着数字计算技术和现代优化算法的发展，一定程度上提高了历史拟合的精度和工作效率，自动历史拟合的方法在得到了进一步的发展。集合卡尔曼滤波(EnKF)是一种根据预测响应数据和观测数据，通过更新迭代计算，反求模型的静态参数和系统动态参数的方法。集合卡尔曼滤波在很多领域都有广泛的应用。集合平滑(ES)算法，不考虑模型的系统的状态变量，因此更适合油藏历史拟合问题，然而集合平滑算法在全局更新时同步吸收所有的数据，可能会造成数据不匹配情况。多数据同化集合平滑方法(ES-MDA)，在集合平滑算法的基础上，通过多次数据同化吸收，进而反演模型参数。在历史拟合中，多数据同化集合平滑的方法在提升历史数据拟合精度的同时，显著减少了计算耗费。
自编码器是一种数据压缩重构方法，基于神经网络神经元的结构，对大量样本进行训练学习，自编码器可以提取数据的特征，进而对数据进行降维。随着多层感知器的发展，以及国内外学者的不断研究，具有多层结构的深度自编码器在数据降维上体现出了优越性。然而目前深度自编码器还未应用于具有优势通道的油藏反演预测研究当中。
因此，需要提供一种基于深度自编码器的自动历史拟合优势通道参数预测方法。
发明内容
针对上述问题，本发明提供一种基于深度自编码器的自动历史拟合优势通道参数预测方法，该方法使用油藏优势通道参数先验信息生成样本，使用深度自编码器进行训练，将数据压缩降维，可以实现大规模油藏优势通道参数的反演。
为实现上述目的，本发明采用下述方案：
基于深度自编码器的自动历史拟合优势通道参数预测方法，包括以下步骤：
S1、使用直线表征油藏中的优势通道，建立油藏优势通道数值模拟模型
S2、结合优势通道油藏的先验信息，使用不同的分布函数生成学习样本库
S3、结合神经网络逐层训练及微调方法训练深度自编码器
S4、基于深度自编码器的编码解码属性将先验样本数据进行降维重构
S5、根据贝叶斯理论建立优势通道油藏历史拟合目标函数
S6、使用多数据同化集合平滑算法(ES-MDA)更新参数并最小化目标函数
与现有技术相比，本发明具有如下有益效果：
1、实现了对具有尺度不同的优势通道的油藏模型进行反演，给实际具有大规模优势通道的油藏历史拟合提供参考。
2、根据优势通道长度、角度和中点建立的优势通道参数表征方法，较好的体现真实油藏的优势通道状态。同时，对大小优势通道均采用统一的表征方法(长度、角度及中点位置)，有利于实际应用。
3、使用深度自编码器对数据进行降维，可以减少数据信息的损失，同时，自编码器的深度结构可以更准确地表征油藏中的优势通道。
4、多数据同化集合平滑算法(ES-MDA)结合深度自编码器降维，对于拟合历史生产数据更加准确，运算耗费更少。
5、实用性强，操作可行，对于具有优势通道的油藏历史拟合具有重大意义。
附图说明
图1是基于深度自编码器优势通道自动历史拟合的参考模型
图2是根据油藏优势通道先验信息随机生成的优势通道模型
图3是基于深度自编码器对优势通道样本降维重构的效果图
图4是基于深度自编码器的优势通道自动历史拟合的目标函数变化图
图5是基于深度自编码器的优势通道自动历史拟合的井底流压数据拟合图
图6是基于深度自编码器的优势通道自动历史拟合的含水率数据拟合图
图7是基于深度自编码器的优势通道自动历史拟合的日产油量数据拟合图
图8是基于深度自编码器自动历史拟合的优势通道结构反演效果图
图9是基于深度自编码器自动历史拟合的的优势通道含油饱和度场反演效果图。
具体实施方式
基于深度自编码器的自动历史拟合优势通道参数预测方法，包括以下步骤：
S1、使用直线表征油藏中的优势通道，建立油藏优势通道数值模拟模型，具体方法如下：
第一步，根据油藏中优势通道的特征，使用直线的长度，角度，中点参数表征优势通道，进而根据优势通道的这些参数计算出每个优势通道的端点。优势通道端点的计算公式为：
Figure BDA0002798057370000041
Figure BDA0002798057370000042
Figure BDA0002798057370000043
Figure BDA0002798057370000044
式中，xmid，ymid为优势通道的中点坐标，L为优势通道的长度，θ为优势通道的角度，x1，y1，x2，y2为优势通道端点坐标。
第二步，建立嵌入式离散裂缝网络模型(EDFM)，将优势通道的端点坐标代入模型进行模拟，进而得到模拟生产数据。
S2、结合优势通道油藏的先验信息，使用不同的分布函数生成学习样本库，具体方法如下：
第一步，设置训练样本数量5000个，大优势通道10条，小优势通道90条。
第二步，设置大优势通道参数。首先确定大优势通道的数量Nl，然后结合大优势通道角度、长度和中点参数的范围，根据随机均匀分布函数生成大优势通道参数样本；
第三步，设置小优势通道参数。首先确定小优势通道数量Ns，然后将整个区域平均划分成4个小区域，通过产生4个随机数ri，来确定每个区域小优势通道的数量ni。
Figure BDA0002798057370000051
ni＝Ns·di (3)
小优势通道的长度使用对数正太分布函数生成，角度使用正态分布函数生成，中点位置在区域内随机生成。参考模型如图1所示，随机生成的先验样本如图2所示。
S3、结合神经网络逐层训练及微调方法训练深度自编码器，具体方法如下：
第一步，设置自编码器参数，自编码器类型为稀疏自编码器，深度自编码器的隐层数量为3，设置反映稀疏特征的参数λ，β和ρ分别为0.01，1和0.1。
第二步，选取三个自编码器进行逐层训练，。先训练第一个自编码器，将自编码器的隐层数据作为第二个自编码器的输入，继续训练下一个自编码器，直至三个自编码器都训练完成。
第三步，逐层训练结束后，堆叠三个自编码器，形成深度自编码器，最后进行微调，即使用样本数据训练堆叠形成的深度自编码器。
S4、基于深度自编码器的编码解码属性将先验样本数据进行降维重构，具体方法如下：
第一步，将样本数据输入到训练好的深度自编码器中，经编码后得到隐层数据，隐层数据即为降维后的数据。输入数据维度为400维，隐层数据维度为100维。
第二步，使用深度自编码器解码隐层数据，得到重构样本数据，维度为400维。将降维后的数据作为反演参数，可以大大减少运算耗费。
S5、根据贝叶斯理论建立优势通道油藏历史拟合目标函数，具体方法如下：
基于贝叶斯理论，历史拟合的后验概率及目标函数可表示为：
P(m|d)∝exp[-O(m)] (5)
Figure BDA0002798057370000061
其中，P(m|d)为后验概率，O(m)为历史拟合的目标函数；dobs为历史生产数据；g(m)为油藏数值模拟数据；m为模型参数；CD为观测数据的协方差；mpr为先验模型参数；CM为先验模型参数的协方差。
S6、使用多数据同化集合平滑算法(ES-MDA)更新参数并最小化目标函数，具体方法如下：
第一步，设置集合数量为100和最大迭代次数为10。
第二步，对模型参数进行迭代更新。多数据同化集合平滑算法(ES-MDA)更新规则为：
Figure BDA0002798057370000071
Figure BDA0002798057370000072
其中，n表示第n次迭代，j表示集合中的第j个，a表示分析，f表示数值模拟；
Figure BDA0002798057370000073
表示更新后的参数；
Figure BDA0002798057370000074
表示上一次的参数；
Figure BDA0002798057370000075
为模型参数和模拟数据的协方差矩阵；
Figure BDA0002798057370000076
为模拟数据的协方差矩阵；
Figure BDA0002798057370000077
为观测数据的协方差矩阵；dobs为观测数据；zd为高斯分布函数；αi为一个系数，可取值为迭代次数10。
第三步，通过多数据同化集合平滑算法(ES-MDA)不断迭代更新，使得目标函数值不断下降，当迭代次数达到最大迭代次数时，目标函数值最小时的模型即为历史拟合的最终模型。
历史拟合目标函数变化如图4所示。可以看出，在历史拟合过程中，随着迭代次数的增多，目标函数值不断下降，说明了油藏优势通道的参数在不断优化；当迭代次数达到6次左右时，历史拟合目标函数值下降幅度变缓，已经接近于收敛状态。
历史生产数据拟合状况如图5、图6、图7所示，可以看出，经过自动历史拟合后的数据拟合效果远远优于初始模型数据拟合效果。
图8为油藏优势通道结构的历史拟合对比效果，图9为油藏优势通道含油饱和度场历史拟合对比效果。可以看出，初始模型与真实参考模型相差较大，而反演的优势通道结构和真实参考模型优势通道结构相近。因此基于深度自编码器对具有优势通道油藏进行自动历史拟合是可行的，在得到了满足精度要求的历史拟合模型的同时，大大减少了运算量。

Claims (7)

1.一种基于深度自编码器的自动历史拟合优势通道参数预测方法，包括以下步骤：
S1、使用直线表征油藏中的优势通道，建立油藏优势通道数值模拟模型
S2、结合优势通道油藏的先验信息，使用不同的分布函数生成学习样本库
S3、结合神经网络逐层训练及微调方法训练深度自编码器
S4、基于深度自编码器的编码解码属性将先验样本数据进行降维重构
S5、根据贝叶斯理论建立优势通道油藏历史拟合目标函数
S6、使用多数据同化集合平滑算法ES-MDA更新参数并最小化目标函数。
2.根据权利要求1所述的基于深度自编码器的自动历史拟合优势通道参数预测方法，其特征在于：S1具体方法如下：
第一步，根据油藏中优势通道的特征，使用直线的长度，角度，中点参数表征优势通道，进而根据优势通道的这些参数计算出每个优势通道的端点；优势通道端点的计算公式为：
Figure FDA0003547429140000011
式中，xmid，ymid为优势通道的中点坐标，L为优势通道的长度，θ为优势通道的角度，x1，y1，x2，y2为优势通道端点坐标；
第二步，建立嵌入式离散裂缝网络模型EDFM，将优势通道的端点坐标代入模型进行模拟，进而得到模拟生产数据。
3.根据权利要求2所述的基于深度自编码器的自动历史拟合优势通道参数预测方法，其特征在于：S2具体方法如下：
第一步，设置训练样本数量、大优势通道数量及小优势通道数量；
第二步，设置大优势通道参数，首先确定大优势通道的数量Nl，然后结合大优势通道角度、长度和中点参数的范围，根据随机均匀分布函数生成大优势通道参数样本；
第三步，设置小优势通道参数；首先确定小优势通道数量Ns，然后将整个区域平均划分成4个小区域，通过产生4个随机数ri，来确定每个区域小优势通道的数量ni；
Figure FDA0003547429140000021
ni＝Ns·di (3)
小优势通道的长度使用对数正太分布函数生成，角度使用正态分布函数生成，中点位置在区域内随机生成。
4.根据权利要求3所述的基于深度自编码器的自动历史拟合优势通道参数预测方法，其特征在于：S3具体方法如下：
第一步，自编码器类型为稀疏自编码器，设深度自编码器的隐层数量为na，设置反映稀疏特征的参数λ，β和ρ；
第二步，进行自编码器的逐层训练，先训练第一个自编码器，将自编码器的隐层数据作为第二个自编码器的输入，继续训练下一个自编码器，直至所有自编码器都训练完成；
第三步，逐层训练结束后，堆叠所有自编码器，形成深度自编码器，最后进行微调，即使用样本数据训练堆叠形成的深度自编码器。
5.根据权利要求4所述的基于深度自编码器的自动历史拟合优势通道参数预测方法，其特征在于：S4具体方法如下：
第一步，将样本数据输入到训练好的深度自编码器中，经编码后得到隐层数据，隐层数据即为降维后的数据；
第二步，使用深度自编码器解码隐层数据，得到重构样本数据；将降维后的数据作为反演参数，可以大大减少运算耗费。
6.根据权利要求5所述的基于深度自编码器的自动历史拟合优势通道参数预测方法，其特征在于：S5具体方法如下：
基于贝叶斯理论，历史拟合的后验概率及目标函数可表示为：
P(m|d)∝exp[-O(m)] (5)
Figure FDA0003547429140000031
其中，P(m|d)为后验概率，O(m)为历史拟合的目标函数；dobs为历史生产数据；g(m)为油藏数值模拟数据；m为模型参数；CD为观测数据的协方差；mpr为先验模型参数；CM为先验模型参数的协方差。
7.根据权利要求6所述的基于深度自编码器的自动历史拟合优势通道参数预测方法，其特征在于：S6具体方法如下：
第一步，设置集合数量和最大迭代次数；
第二步，对模型参数进行迭代更新；多数据同化集合平滑算法ES-MDA更新规则为：
Figure FDA0003547429140000041
Figure FDA0003547429140000042
其中，n表示第n次迭代，j表示集合中的第j个，a表示分析，f表示数值模拟；
Figure FDA0003547429140000043
表示更新后的参数；
Figure FDA0003547429140000044
表示上一次的参数；
Figure FDA0003547429140000045
为模型参数与模拟数据间的协方差矩阵；
Figure FDA0003547429140000046
为模拟数据的协方差矩阵；
Figure FDA0003547429140000047
为观测数据的协方差矩阵；dobs为观测数据；zd为高斯分布函数；αi为一个系数；
第三步，通过多数据同化集合平滑算法ES-MDA不断迭代更新，使得目标函数值不断下降，当迭代次数达到最大迭代次数时，目标函数值最小时的模型即为历史拟合的最终模型。
CN202011339059.5A 2020-11-25 2020-11-25 基于深度自编码器的自动历史拟合优势通道参数预测方法 Active CN112541304B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011339059.5A CN112541304B (zh) 2020-11-25 2020-11-25 基于深度自编码器的自动历史拟合优势通道参数预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011339059.5A CN112541304B (zh) 2020-11-25 2020-11-25 基于深度自编码器的自动历史拟合优势通道参数预测方法

Publications (2)

Publication Number Publication Date
CN112541304A CN112541304A (zh) 2021-03-23
CN112541304B true CN112541304B (zh) 2022-04-22

Family

ID=75016479

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011339059.5A Active CN112541304B (zh) 2020-11-25 2020-11-25 基于深度自编码器的自动历史拟合优势通道参数预测方法

Country Status (1)

Country Link
CN (1) CN112541304B (zh)

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106355003A (zh) * 2016-08-26 2017-01-25 中国地质大学（武汉） 基于t分布的马尔科夫链蒙特卡洛自动历史拟合方法及系统

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105808311B (zh) * 2014-12-29 2018-12-25 中国石油化工股份有限公司 一种基于降维策略的油藏模拟快速拟合方法
CN106295199B (zh) * 2016-08-15 2018-06-26 中国地质大学（武汉） 基于自动编码器和多目标优化的自动历史拟合方法及系统
WO2020219057A1 (en) * 2019-04-25 2020-10-29 Landmark Graphics Corporation Systems and methods for determining grid cell count for reservoir simulation

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106355003A (zh) * 2016-08-26 2017-01-25 中国地质大学（武汉） 基于t分布的马尔科夫链蒙特卡洛自动历史拟合方法及系统

Also Published As

Publication number Publication date
CN112541304A (zh) 2021-03-23

Similar Documents

Publication Publication Date Title
CN108764540B (zh) 基于并行lstm串联dnn的供水管网压力预测方法
CN106355003B (zh) 基于t分布的马尔科夫链蒙特卡洛自动历史拟合方法及系统
CN104331933B (zh) 一种分层方向自适应快速选取方法
CN109902329A (zh) 一种油藏模拟辅助历史拟合方法、系统、存储介质及设备
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
CN109829217B (zh) 压裂性裂缝油藏产能模拟方法及装置
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
CN108804382B (zh) 一种参数自动反求方法和装置
CN112541572A (zh) 基于卷积编码器-解码器网络的剩余油分布预测方法
Papagiannopoulos et al. How to teach neural networks to mesh: Application on 2-D simplicial contours
CN105045091A (zh) 基于模糊神经控制系统的疏浚工艺智能决策分析方法
CN113158470A (zh) 基于迁移学习的油藏自动历史拟合系统与方法
CN115146446A (zh) 基于近似梯度算法和嵌入式离散裂缝模型的油藏优化方法
CN110260914B (zh) 一种基于测点时空特征的工程安全监测系统区域划分方法
CN112541256A (zh) 基于深度学习降维重构的强非均质油藏历史拟合方法
CN115274007A (zh) 一种用于发现和优化药物先导化合物的可泛化、可解释的深度图学习方法
CN115526086A (zh) 一种基于代理模型的碳酸盐岩油藏水驱突破时间预测方法
CN108843296B (zh) 一种基于多因素影响下的单井重复压裂效果预测方法
CN112541304B (zh) 基于深度自编码器的自动历史拟合优势通道参数预测方法
Zhu et al. A multiscale neural network model for the prediction on the equivalent permeability of discrete fracture network
CN112541254A (zh) 优化深度学习降维重构参数的油藏自动历史拟合方法
Zhuang et al. Spatio-temporal sequence prediction of CO2 flooding and sequestration potential under geological and engineering uncertainties
CN106934075B (zh) 钻井液密度确定方法及静态当量密度确定方法
CN115357862B (zh) 一种狭长空间中的定位方法
CN116822742A (zh) 一种基于动态分解-重构集成处理的电力负荷预测方法

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