CN112541572B - 基于卷积编码器-解码器网络的剩余油分布预测方法 - Google Patents

Abstract

本发明涉及一种基于深度卷积编码器—解码器网络的预测剩余油分布方法，包括以下步骤：步骤一、构建随机偏微分方程(SPDE)替代模型，实现不确定性的传播，将该物理问题转换为图像到图像的回归问题；步骤二、针对图像到图像回归的物理问题构建深度卷积神经网络模型，以实现捕获高维输入和输出之间的复杂非线性映射关系；步骤三、将渗透率场输入图像以及饱和度场标签图像作为训练数据，利用深度卷积神经网络结构，训练剩余油预测模型；步骤四、利用均方误差根RMSE和决定系数R²对模型预测性能进行评估，评价应用于实际生产开发可行性。本发明能够更加简单快速的预测油藏剩余油分布的变化，与传统数值模拟方法相比，能够更加简单快速的预测油藏剩余油分布的变化。

Description

基于卷积编码器-解码器网络的剩余油分布预测方法

技术领域

本发明属于人工智能和机器学习领域，具体地，涉及一种基于深度卷积编码器—解码器网络的预测剩余油分布方法。

背景技术

在一般情况下，人们仅能够采出石油总储量的30％左右，这意味着还有大约2/3的剩余油仍然被残留在地下。如果明确了剩余油分布状况，就可以调整开发方向以及各种生产措施，达到增加原油的可采储量和提高原油的采收率的目的。因此预测剩余油分布的研究贯穿整个油田开发过程的始终。经过多年的发展，已经研发出油藏工程综合分析法、矿场监测法、数值模拟法等，用于预测剩余油分布。而近年来，大数据与人工智能技术飞速发展，同时我国石油行业已经进行了多年的信息化建设，积累了大量数据资源，这一切，又为剩余油预测提供了新的思路。

发明内容

为克服现有技术存在的缺陷，本发明提供一种基于深度卷积编码器—解码器网络的剩余油分布预测方法，利用编码器—解码器网络建立渗透率场与注水开发后剩余油饱和度场的动态映射关系，将输入的渗透率场数据，经由编码器进行特征提取与数据压缩，再通过解码器进行模型的重构，最后输出与渗透率场呈现映射关系的饱和度场数据，通过剩余油饱和度场图像实现对剩余油分布的预测。

为实现上述目的，本发明采用下述方案：

基于深度卷积编码器—解码器网络的预测剩余油分布方法，包括以下步骤：

步骤一、构建随机偏微分方程(SPDE)替代模型，实现不确定性的传播，将该物理问题转换为图像到图像的回归问题

步骤二、针对图像到图像回归的物理问题构建深度卷积神经网络模型，以实现捕获高维输入和输出之间的复杂非线性映射关系

步骤三、将渗透率场输入图像以及饱和度场标签图像作为训练数据，利用深度卷积神经网络结构，训练剩余油预测模型

步骤四、利用均方误差根RMSE和决定系数R²对模型预测性能进行评估，评价应用于实际生产开发可行性。

相对于现有技术，本发明的有益效果如下：通过构建物理问题的替代模型实现图像到图像的回归，通过编码器—解码器网络可以实现渗透率场粗特征提取，并重构为饱和度场，实现了从渗透率场到饱和度场的映射，成果预测了剩余油的分布。结果显示，深度卷积神经网络在提取渗透率特征方面表现出良好的性能，与传统数值模拟方法相比，该方法能够更加简单快速的预测油藏剩余油分布的变化；结果显示，深度卷积神经网络在提取渗透率特征方面表现出良好的性能，与传统数值模拟方法相比，该方法能够更加简单快速的预测油藏剩余油分布的变化。

附图说明

图1为基于深度卷积编码器—解码器网络的剩余油分布预测方法流程示意图；

图2卷积神经网络结构示意图；

图3密集块结构示意图；

图4编码层结构示意图；

图5解码层结构示意图；

图6迭代次数Epoch＝50饱和度真实场、预测场、误差对比图；

图7迭代次数Epoch＝100饱和度真实场、预测场、误差对比图；

图8迭代次数Epoch＝150饱和度真实场、预测场、误差对比图；

图9迭代次数Epoch＝200饱和度真实场、预测场、误差对比图；

图10均方误差RMSE效果图；

图11相关系数R²效果图。

具体实施方式

如图1至图11所示，基于深度卷积编码器—解码器网络的预测剩余油分布方法，包括以下步骤：

步骤一、构建随机偏微分方程(SPDE)替代模型，实现不确定性的传播，将该物理问题转换为图像到图像的回归问题；具体方法如下：

建模方法为具有解y(s,x(s))的随机SPDE建模，即在空间

上的模型响应为：

随机域{x(s,ω),s∈S,ω∈Ω}的一个实现为

其中S是索引集，Ω是样本空间，该公式允许多个输入通道，即d_x＞1。该随机场出现在SPDE的系数中，用于模拟渗透率场。

假设对于物理系统的计算机仿真是在给定的一组空间网格位置

上执行的(例如有限元方法中的网格节点)，这时，随机场x在固定网格S上离散，等效于高维随机矢量，表示为向量

相应的响应y在S上求解，因此可表示为向量

通过上述离散化，假设边界和初始条件固定，我们将问题转化为映射：

η:X→Y

为解决使用确定性参数模拟不确定性传播的局限性，使用有限的模拟数据

来训练替代模型y＝f(x,θ)，来模拟真实条件的函数y＝η(x)，其中θ是模型参数，N是模拟运行次数。

假设控制上述物理系统的SPDE是在H×M的2D规则网格上求解的，其中H和M表示空间域两个轴(高度和宽度)上的网格点数，n_s＝H×M。

很自然地将模拟数据视为图像数据集

其中

是一个输入场，

是在同一网格上的离散化xⁱ的模拟稳态输出场。将d_x、d_y视为输入和输出图像中的通道数，类似于自然图像中的RGB通道。

因此，我们将替代模型问题转换为图像到图像的回归问题，回归函数为：

步骤二、针对图像到图像回归的物理问题构建深度卷积神经网络模型，以实现捕获高维输入和输出之间的复杂非线性映射关系；具体方法包括以下步骤：

步骤2.1、如图2所示，首先在编码器路径中将输入图像馈入具有内核尺寸k＝7，步幅s＝2和零填充p＝2的第一个卷积层(Conv)，其目的是提取输入图像的不同特征,每个卷积核按照由左到右、由上到下的滑动方式对图像进行卷积操作，从而得到输入图像的全部特征；

步骤2,2、将步骤2.1提取的特征图输入如图3和图4所介绍的密集快和编码层构成的编码器路径进行处理。密集块由多个密集连接的卷积层构成，通过加深神经网络层数，逐步提取图像特征，提高预测准确度。编码层由两个卷积构成，第一个卷积用以减少特征图数量，第二个卷积通过下采样来改变特征图大小。

步骤2.3、从编码器路径上的第二个密集块输出经过处理后的包含高级特征的图像，并将其馈送到解码器路径。解码器路径由如图3和图5所介绍的密集块和解码层交替组成，解码层中的卷积通过上采样逐步复原特征图像；

步骤2.4、最后一个解码层直接输出具有高级特征的重构图像。

下面对密集块、编码层与解码层结构做进一步说明：

为了解决深层网络梯度消失的问题，加强图像特征的传播性能，密集连接卷积网络(DenseNet)引入了从任何一层到所有后续层的连接，即x_l＝h_l([x_l-1,x_l-2,...,x₀])，将一层的输入要素连接到该层的输出要素，并将其用作下一层的输入要素，[x_l,x_l-1,...,x₀]表示为每一层图像的特征要素，h通常被定义为批归一化(BatchNorm)，激活(ReLU)和卷积(Conv)或转置卷积(ConvT)的组合，但是对于基于编码器-解码器网络的图像回归，需要下采样和上采样来更改特征图的大小，这使得特征图的级联变得不可行，于是在DenseNet结构上进行更改，引入了密集块和过渡层以解决此问题并使网络设计模块化。

假设输入图像具有K₀通道，并且每层输出K个特征图，则第l层将具有K₀+(l-1)·K个特征图的输入，特征图的数量随深度线性增长，K在这里被称为增长率。

密集块包含多个密集连接的层，其输入和输出要素图大小相同，它包含两个设计参数：层数L和每层增长率K。

如图3所示，该密集块包含L＝3层，增长率K＝2，每一层都由批归一化(BatchNorm)、激活(ReLU)和卷积(Conv)组成，卷积核大小为k＝3，步幅s＝1和零填充p＝1，这使得提取的特征图大小与输入相同。

如图4和图5所示，过渡层包含编码层和解码层，二者都包含两个卷积，第一个卷积(Conv)使用参数k＝1，s＝1，p＝0减少特征图数量来解决特征图数量的爆炸式增长，仅在每个密集块中保留最后一个卷积层的K(增长率)个输出特征图。第二个卷积二者出现不同，编码层第二个卷积(Conv)通过下采样，卷积核k＝3，s＝2，p＝1使特征图尺寸变小，而解码层第二个卷积(ConvT)通过上采样，卷积核k＝3，s＝2，p＝1使特征图尺寸变大。

具体结构如表1所示：

表1卷积编码器—解码器网络结构

步骤三、将渗透率场输入图像以及饱和度场标签图像作为训练数据，利用深度卷积神经网络结构，训练剩余油预测模型；具体的包括以下步骤：

步骤3.1、网络进行权值的初始化：

选定训练组，从样本集中分别随机地寻求N个样本作为训练组，将各权值、阈值，设置成较小的接近于0的随机值，并初始化精度控制参数和学习率。

步骤3.2、输入数据经过神经网络向前传播获得输出值：

从训练组中取一个输入图像加到网络，并给出它的目标输出图像，输入图像经过密集块、编码层与解码层的计算输出实际输出图像。

步骤3.3、计算实际输出与理想输出之间的误差：

将输出图像中的元素与目标图像中的元素进行比较，计算出二者的误差。给定一个输入图像x和一个目标图像y，预测f(x,w)，则正则化MSE损失函数为：

其中

用于L₂正则化，Ω(w)＝||w||₁＝∑_i|w_i|用于L₁正则化，α代表权重衰减，n＝C_out·H_out·W_out是一个输出图像的所有通道中的像素数。w表示网络中的所有参数，对于我们所解决的问题，它包括所有卷积和转置卷积层中的内核权重，所有批处理归一化层中的缩放(scale)和平移(shift)参数。

步骤3.4、根据求得误差进行权值更新：

依次计算出各卷积层权值的调整量和阈值的调整量，调整权值和调整阈值。

步骤3.5、返回步骤2进行迭代训练，直至误差等于或小于我们的期望值时，结束训练：

结束训练，将权值和阈值保存在文件中。这时可以认为各个权值已经达到稳定，预测器已经形成。再一次进行训练，直接从文件导出权值和阈值进行训练，不需要进行初始化。

步骤四、利用均方误差根RMSE和决定系数R²对模型预测性能进行评估，评价应用于实际生产开发可行性；具体包括如下步骤：

步骤4.1、计算均方误差根RMSE，计算公式为：

RMSE表达的是预测值与真实值的误差平方根的均值，当预测值与真实值完全吻合时等于0，误差越大，该值越大。

步骤4.2、计算决定系数R²，也是一个做回归性分析的重要判定指标，计算公式为：

其中，预测值：

真实值：y＝{y₁,y₂,...,y_n}，

为真实值平均值

R²越接近1，表示回归分析中自变量对因变量的解释越好。

实施例

本实例通过油藏基本参数构建了五点井网模型，根据多点地质统计随机建模方法生成了1000个45×45的渗透率场图像用于训练，另外500个图像用于测试。

本实例通过训练编码器—解码器模型，输出：6个时间步，45×45的饱和度场图像，t＝30,150,300,600,900,1230days。

分别在第50、100、150、200次迭代时，随机选取一个测试样本，对比饱和度真实场、预测场、误差：

如图6所示，50次迭代时饱和度真实场、预测场、误差对比图：

如图7所示，100次迭代时饱和度真实场、预测场、误差对比图：

如图8所示，150次迭代时饱和度真实场、预测场、误差对比图：

如图9所示，200次迭代时饱和度真实场、预测场、误差对比图。

可以看出，随迭代次数的增加，预测场图与真实场图重合面积越来越大，误差在逐渐变小，最后处于均衡状态，通过水驱前缘可以清晰判断剩余油分布状况。

由图10可以看出在100次迭代左右均方误差根不再发生较大波动，此时模型性能达到最优，对比训练与测试两组数据得到的结果，达到均衡状态时均方误差根之差仅为0.017，可以看出我们构建的深度卷积神经网络预测模型的预测性能是比较稳定的。

由图11可以看出随迭代次数的增加，决定系数R²在逐渐增大，在100次迭代时，趋于恒定状态，说明此时预测值与真实值线性相关程度达到最高。对比训练与测试两组数据得到的结果，达到均衡状态时决定系数R²之差仅为0.138，同样可以看出我们构建的深度卷积神经网络预测模型的预测性能是比较稳定的。

Claims (1)

1.一种基于深度卷积编码器—解码器网络的预测剩余油分布方法，包括以下步骤：

步骤一、构建随机偏微分方程SPDE替代模型，实现不确定性的传播，将物理问题转换为图像到图像的回归问题；

步骤二、针对图像到图像的回归问题构建深度卷积神经网络模型，以实现捕获高维输入和输出之间的复杂非线性映射关系；

步骤三、将渗透率场输入图像以及饱和度场标签图像作为训练数据，利用深度卷积神经网络结构，训练剩余油预测模型；

步骤四、利用均方误差根RMSE和决定系数R²对模型预测性能进行评估，评价应用于实际生产开发可行性；

步骤一具体方法如下：

建模方法为具有解y(s,x(s))的随机SPDE建模，即在空间

上的模型响应为：

S表示高维空间，d_x表示输入图像中的通道数，d_y表示输出图像中的通道数；

随机域{x(s,ω),s∈S,ω∈Ω}的一个实现为

其中Ω是样本空间，公式

允许多个输入通道，即d_x＞1，该随机域出现在SPDE的系数中，用于模拟渗透率场；

对于物理系统的计算机仿真是在给定的一组空间网格位置

上执行的，

表示空间网格点，随机场x在固定网格S上离散，等效于高维随机矢量，表示为

n_s表示空间网格数，X表示输入场，相应的响应y在S上求解，因此可表示为

Y表示输出场，通过上述离散化，边界和初始条件固定，将问题转化为映射：

η:X→Y

为解决使用确定性参数模拟不确定性传播的局限性，使用有限的模拟数据

来训练替代模型y＝f(x,θ)，来模拟真实条件的函数y＝η(x)，其中θ是模型参数，N是模拟运行次数，xⁱ表示输入数据集合中的元素，yⁱ表示输出数据集合中的元素；

控制上述物理系统的SPDE是在H×M的2D规则网格上求解的，其中H和M表示空间域高度和宽度两个轴上的网格点数，n_s＝H×M；

将模拟数据

视为图像数据集合,其中

是一个输入场，

是在同一网格上的离散化xⁱ的模拟稳态输出场；

将替代模型问题转换为图像到图像的回归问题，回归函数为：

Images