CN112818591B - 基于物理约束的dl模型预测致密油压裂范围的方法 - Google Patents
基于物理约束的dl模型预测致密油压裂范围的方法 Download PDFInfo
- Publication number
- CN112818591B CN112818591B CN202110076317.3A CN202110076317A CN112818591B CN 112818591 B CN112818591 B CN 112818591B CN 202110076317 A CN202110076317 A CN 202110076317A CN 112818591 B CN112818591 B CN 112818591B
- Authority
- CN
- China
- Prior art keywords
- neural network
- model
- physical
- physical constraint
- prediction
- 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
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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/23—Design optimisation, verification or simulation using finite element methods [FEM] or finite difference methods [FDM]
-
- 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
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/04—Constraint-based CAD
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/10—Numerical modelling
Abstract
本发明提供一种基于物理约束的DL模型预测致密油压裂范围的方法,属于致密油压裂技术领域。该方法首先对所研究的问题提出合理物理假设并设置相关参数,然后建立二维轴对称的数值计算模型,进行网络的划分并设置时间步,建立深度学习模型,设置深度神经网络模型的结构和其他参数,用测试集得到预测结果,使用L2范数和决定系数R2作为评价指标对预测结果进行评价,比较考虑物理约束与不考虑物理约束下神经网络预测的精度,最后在添加物理约束的神经网络的基础上改变训练数据量大小并衡量其预测能力。该方法可应用于两驱模型分区的流场分布的快速预测,其预测准确率及适应能力较强,计算速度快,可良好的解决致密油流场分布未知问题和小样本预测问题。
Description
技术领域
本发明涉及致密油压裂技术领域,特别是指一种基于物理约束的DL模型预测致密油压裂范围的方法。
背景技术
大多数情况下,深度学习算法被认为是一个黑匣子,没有考虑任何先验知识,包括物理方程、经验公式等,然而很多情况下先验知识举足轻重,其所涉及的控制方程等可以快速地将深度学习过程引导到正确的解,并使其能够学习输入和输出之间的全部规则,并且可以有效去掉系统的非真实解。而单单从训练数据中训练出来的模型不能保证与工程问题相关的基本物理定律得到满足。此外,在大多数工程应用中,数据获取是一个费时的工作,且成本高,代价大,因此,如何有效地从小样本中学习数据之间的关系也成为关键问题。
发明内容
本发明要解决的技术问题是提供一种基于物理约束的DL模型预测致密油压裂范围的方法。
该方法首先对所研究的问题提出合理物理假设并设置相关参数,包括储层地质条件和流体流动规律,同时考虑基质区和改造区的绝对渗透率的变化情况,然后在合理假设与参数设置的基础上建立二维轴对称的数值计算模型,表征基质区和改造区范围以及流体的流动规律,对建好的模型进行网络的划分并设置时间步,然后通过计算生成模拟数据,并将其处理为机器学习学习可使用的样本数据集,建立深度学习模型,设置深度神经网络模型的结构和其他参数,自定义神经网络模型的损失函数,在数据项的基础上通过自动微分添加控制方程项,在添加物理约束的深度神经网络基础上,对训练集进行训练,用测试集得到预测结果,使用L2误差和决定系数R2作为评价指标对预测结果进行评价,比较考虑物理约束与不考虑物理约束下神经网络预测的精度,衡量添加物理约束后神经网络模型的预测能力,最后在添加物理约束的神经网络的基础上改变训练数据量大小,然后衡量其预测能力。
具体包括步骤如下:
(1)对所研究的致密油压裂范围求解问题提出物理假设:假定所研究的地层是水平、均质、各向同性的,液体是单相、均质、弱可压缩的牛顿液体,并假定渗流过程中等温,无任何特殊的物理化学现象发生,渗流符合达西定律,然后在数值模拟软件中设置相关参数,同时考虑基质区和改造区的绝对渗透率的变化情况;
(2)在物理假设与参数设置的基础上利用数值模拟软件中的建模模块选择二维轴对称模型建立致密油压裂开发渗流数值计算模型,表征基质区和改造区范围以及流体的流动规律;
(3)利用数值模拟软件中网格自动划分方法对建好的模型进行网格的划分,然后设置时间步,最后通过数值模拟软件中的计算功能模块生成模拟数据,并将模拟数据中的离散数据和分类数据映射为计算机可以处理的二进制数据格式,连续型数据通过Matlab转为.mat文件,即处理为机器学习学习可使用的样本数据集,并随机抽取样本数据集的70%作为训练集,剩下的30%作为测试集;
(4)采用适用性最广的深度神经网络模型对获取的样本数据集进行学习,即建立深度学习模型;
(5)设置深度神经网络模型的结构,即确定神经网络的层数和每层神经元的数量,此外,还要设置激活函数、优化器和权重初始化方法;
(6)自定义神经网络模型的损失函数,即在数据项的基础上通过自动微分添加控制方程项;
(7)在添加物理控制方程的深度神经网络基础上,对训练集进行训练,用测试集得到预测结果;
(8)使用L2误差和决定系数R2作为评价指标对预测结果进行评价,若R2值大于95%且L2误差值小于20即可认为模型具有较高的预测能力;
(9)比较考虑物理约束与不考虑物理约束下神经网络预测的精度,若考虑物理约束后的神经网络的L2误差值比不考虑物理约束的神经网络的L2误差值小,而决定系数R2比不考虑物理约束的神经网络的R2大,则认为添加物理约束后神经网络模型的预测能力更强。以此衡量添加物理约束后神经网络模型的预测能力;
(10)在添加物理约束的神经网络的基础上改变训练数据集大小并衡量其预测能力。即在神经网络的决定系数R2大于95%的基础上,若L2误差值越小,则神经网络模型的预测能力越强。
其中,步骤(1)中相关参数包括:孔隙度、渗透率、压力边界、含油饱和度、水平井长度、改造区和基质区的范围。
步骤(6)中在深度神经网络的基础上自定义损失函数,主要包括数据项和控制方程项,其中,数据项使用均方误差进行误差评估,控制方程项通过使用自动微分算法将物理方程加入到损失函数中。
步骤(10)中通过改变样本量的大小,设置不少于10组的对比实验,以L2误差和决定系数R2为评价指标衡量物理约束下的神经网络对小样本数据的预测能力,即若神经网络的决定系数R2大于95%且L2误差值小于20,则认为神经网络模型有较强的预测能力。
本发明的上述技术方案的有益效果如下:
(1)该方法设计一种基于机器学习算法的计算框架模型,通过使用现场数据和模拟补充数据,对改造区范围进行预测,提高了预测的准确率和效率。
(2)该方法提出使用特征数据选择方法进行数据降维,在保证预测精度的前提下将数据维度压缩,大大节省了计算时间,提高计算效率。
(3)该方法将离散数据和分类数据映射为计算机可以处理的数据格式,扩充了特征,使得数据来源更加丰富,数据量更充足。
(4)该方法引入了多分支神经网络,通过分支处理,解决了多源数据的异构问题。
(5)该方法对影响模型的各个参数逐一进行了比较分析,给出了选择最优模型的方法,并针对神经网络模型自身存在的弊端给出了解决方案,提高预测的精度。
(6)该方法可以找到对结果影响较大的参数,便于后续分析或对模型进行优化,并在现场指导和分析方面有一定的实际意义。
附图说明
图1为本发明方法的技术路线图;
图2为本发明致密油压裂范围示意图;
图3为本发明中考虑物理约束与不考虑物理约束的效果对比图。
具体实施方式
为使本发明要解决的技术问题、技术方案和优点更加清楚,下面将结合附图及具体实施例进行详细描述。
本发明提供一种基于物理约束的DL模型预测致密油压裂范围的方法。
如图1所示,本方法首先对所研究的问题提出合理物理假设并设置相关参数,包括储层地质条件和流体流动规律,同时考虑基质区和改造区的绝对渗透率的变化情况,然后在合理假设与参数设置的基础上建立二维轴对称的数值计算模型,表征基质区和改造区范围以及流体的流动规律,对建好的模型进行网络的划分并设置时间步,然后通过计算生成模拟数据,并将其处理为机器学习学习可使用的样本数据集,建立深度学习模型,设置深度神经网络模型的结构和其他参数,自定义神经网络模型的损失函数,在数据项的基础上通过自动微分添加控制方程项,在添加物理约束的深度神经网络基础上,对训练集进行训练,用测试集得到预测结果,使用L2误差和决定系数R2作为评价指标对预测结果进行评价,比较考虑物理约束与不考虑物理约束下神经网络预测的精度,衡量添加物理约束后神经网络模型的预测能力,最后在添加物理约束的神经网络的基础上改变训练数据量大小,然后衡量其预测能力。
下面结合具体实施例予以说明。
实施例1
第一步,对所要研究的问题设置前提条件和假设。研究区域包括基质区和压裂改造区,假设研究的地层为水平、均质、各向同性;假设为油水两驱模型,流体为单相、均质、弱可压缩的牛顿流体;假设渗流过程中为等温,无任何特殊的物理化学现象发生。将水平井长度设置为1500m,改造区范围半径为250m,改造区外即为基质区,其半径设为50m。油的密度为860kg/m3,油的动力粘度设置为1.27*10-3Pa·s,原始地层压力为25MPa,井底流压为15MPa,初始孔隙度为0.1,岩石压缩系数为-8*10-4Pa-1,考虑50天的流场变化。
假设基质区绝对渗透率为0.1mD,压裂改造区绝对渗透率为10mD,两个区交界处的过渡区绝对渗透率变化规律符合S型曲线,如图2所示,范围为0.1mD~10mD。
假设流体运动遵循达西线性渗流规律:
其中,φ为孔隙度,ρ为流体密度(kg/m3),Qm为流体质量,u为流体速度,K为绝对渗透率(m2),μ为流体的动力粘度(Pa·s),p为压力(Pa)。
第二步,根据第一步设置的参数建立数值计算模型,设计二维轴对称模型,横坐标x为水平井长度,为1500m,纵坐标y为垂直于水平井的长度,即改造区和基质区的半径大小,分别为150m和50m,基质区在改造区之外,对称轴为x坐标轴。
第三步,对构建的模型进行网格划分,设置时间步为0.5天。考虑流场50天的变化情况,因而共101个时间步,然后进行计算生成模拟数据,获取时间t、位置信息x,y值和流场分布值p。时间t为101*1维;x,y值为数值计算模型默认划分的网格点,分别为255*1维;流场分布值p为不同时间步,不同坐标值下生成的数据,共255*101组数据。
第四步,将生成的模拟数据作为机器学习的样本数据集。由于t,x,y和p的维度不同,为了更方便地将时间数据、空间数据和流场数据相匹配,将时间t按行扩充为255*101维,表示255组位置坐标下的时间变化有101个;位置坐标x,y分别按列扩充为255*101维,表示101组时间步下坐标的变化有255组;这样,t,x,y和p的维度均为255*101维,可以作为深度学习模型的输入集。
第五步,由于深度神经网络模型(DNN)具有一定的普适性,因而采用该模型对生成的数据进行学习。定义神经网络为10层结构,第一层为输入层,包含3个神经元,输入时间t,空间位置坐标x和y共三类数据;隐藏层有8层,每层包含20个神经元;最后一层为输出层,只有一个神经元,输出为流场分布值p。
选择Tanh函数作为神经网络的激活函数,其表达式为:
使用自适应矩估计(Adaptive Moment Estimation,Adam)优化器作为神经网络的优化方案。Adam利用梯度的一阶矩估计和二阶矩估计动态调整每个参数的学习率,其优点主要在于每次迭代学习率都有确定的范围,适用于大多非凸优化问题,参数变化比较平稳。具体操作为:
mi=μ*mi-1+(1-μ)*gt
其中,mi,ni分别为对梯度的一阶矩估计和二阶矩估计;mi和ni为对mi,ni的校正,近似为对期望的无偏估计。可以看出,这种方法可以根据梯度进行动态调整,并且可以动态约束学习率,使其有一个明确的范围。
采用Xavier方法初始化神经网络的权重。假设神经网络有N个隐藏层,i为网络隐藏层的索引,z表示第i层的输入,y表示第i层的输出,w和b分别表示第i层的权重和偏差,则标准神经网络的前馈操作可以描述为:
其中,f(·)表示激活函数,j为隐藏层神经元的索引。
Xavier初始化时将权重方差表示为:
在此基础上,第i层的权重可以用高斯分布初始化为:
也可以用均匀分布进行初始化为:
第六步,自定义神经网络模型的损失函数。将损失函数定义为两项之和,一个为数据项,一个为控制方程项。
数据项为真实数据与预测数据之间的误差,使用均方误差(Mean Squared Error,MSE)测量误差的平均大小,即Loss_1=MSE,其计算方法为:
其中,yi为流场值的预测值,yi为流场的真实值,N为样本个数。
控制方程项以单相二维不稳定渗流为例,其基本微分方程为:
定义控制方程的残差函数为:
由第一步和第二步可知,假定绝对渗透率K为关于y的函数,因而将残差函数写为:
然后定义误差估计函数:
最后将数据项和控制方程项相加,共同构成损失函数:
Loss=Loss_1+Loss_2
由于控制方程中存在偏微分,因而引用自动微分算法(AD)计算函数在某点的导数值。自动微分将符号微分应用于最基本的运算(原子操作),如常数、指数函数、对数函数、三角函数等。该方法灵活性强,根据链式法则,借助于计算图便可以计算出任何复杂函数的导数值。
第七步,用基于物理约束的神经网络模型对训练集进行训练,然后用测试集得到预测结果。
第八步,采用决定系数R2和L2范数作为评价指标和预期标准。当R2值在95%以上时,L2_error值越小,模型的预测效果越好。L2_error和R2的计算方法如下:
第九步,通过L2_error和R2值比较考虑物理约束与不考虑物理约束下神经网络预测的精度,衡量添加物理约束后神经网络模型的预测能力。通过实验可以看出添加物理约束后的神经网络较不添加物理约束的神经网络而言,预测精度平均提高了1.5%,如图3所示。
第十步,在添加物理约束的神经网络的基础上改变训练数据量并衡量其预测能力。训练集设置为10,50,100,200,300,500,700,1000,1200,1500,2000,4000,7000和10000,在不同的训练集大小下训练模型。实验结果表明,当训练集为700时,考虑物理约束的神经网络模型决定系数已经达到了97.93%,预测具有较高的精确性。这表明考虑物理约束的神经网络模型对小样本数据有着较好的处理能力。
以上所述是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明所述原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也应视为本发明的保护范围。
Claims (4)
1.一种基于物理约束的DL模型预测致密油压裂范围的方法,其特征在于:包括步骤如下:
(1)对所研究的致密油压裂范围求解问题提出物理假设:假定所研究的地层是水平、均质、各向同性的,液体是单相、均质、弱可压缩的牛顿液体,并假定渗流过程中等温,无任何特殊的物理化学现象发生,渗流符合达西定律,然后在数值模拟软件中设置相关参数,同时考虑基质区和改造区的绝对渗透率的变化情况;
(2)在物理假设与参数设置的基础上利用数值模拟软件中的建模模块选择二维轴对称模型建立致密油压裂开发渗流数值计算模型,表征基质区和改造区范围以及流体的流动规律;
(3)利用数值模拟软件中网格自动划分方法对步骤(2)中建好的模型进行网格的划分,然后设置时间步,最后通过数值模拟软件中的计算功能模块生成模拟数据,并将模拟数据中的离散数据和分类数据映射为计算机可以处理的二进制数据格式,连续型数据通过Matlab转为.mat文件,即处理为机器学习能够使用的样本数据集,并随机抽取样本数据集的70%作为训练集,剩下的30%作为测试集;
(4)采用适用性最广的深度神经网络模型对步骤(3)中获取的样本数据集进行学习,即建立深度学习模型;
(5)设置深度神经网络模型的结构,即确定神经网络的层数和每层神经元的数量,同时设置激活函数、优化器和权重初始化方法;
(6)自定义神经网络模型的损失函数,即在数据项的基础上通过自动微分添加控制方程项;
(7)在添加物理控制方程的深度神经网络基础上,对训练集进行训练,用测试集得到预测结果;
(8)使用L2误差和决定系数R2作为评价指标对预测结果进行评价,若R2值大于95%且L2误差值小于20即认为模型具有较高的预测能力;
(9)比较考虑物理约束与不考虑物理约束下神经网络预测的精度,若考虑物理约束后的神经网络的L2误差值比不考虑物理约束的神经网络的L2误差值小,而决定系数R2比不考虑物理约束的神经网络的R2大,则认为添加物理约束后神经网络模型的预测能力更强;以此衡量添加物理约束后神经网络模型的预测能力;
(10)在添加物理约束的神经网络的基础上改变训练集大小并衡量其预测能力。
2.根据权利要求1所述的基于物理约束的DL模型预测致密油压裂范围的方法,其特征在于:所述步骤(1)中相关参数包括:孔隙度、渗透率、压力边界、含油饱和度、水平井长度、改造区和基质区的范围。
3.根据权利要求1所述的基于物理约束的DL模型预测致密油压裂范围的方法,其特征在于:所述步骤(6)中数据项使用均方误差进行误差评估,控制方程项通过使用自动微分算法将物理方程加入到损失函数中。
4.根据权利要求1所述的基于物理约束的DL模型预测致密油压裂范围的方法,其特征在于:所述步骤(10)中通过改变训练集的大小,设置不少于10组的对比实验,以L2误差和决定系数R2为评价指标衡量物理约束下的神经网络对小样本数据的预测能力,即若神经网络的决定系数R2大于95%且L2误差值小于20,则认为神经网络模型有较强的预测能力。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110076317.3A CN112818591B (zh) | 2021-01-20 | 2021-01-20 | 基于物理约束的dl模型预测致密油压裂范围的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110076317.3A CN112818591B (zh) | 2021-01-20 | 2021-01-20 | 基于物理约束的dl模型预测致密油压裂范围的方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112818591A CN112818591A (zh) | 2021-05-18 |
CN112818591B true CN112818591B (zh) | 2021-08-03 |
Family
ID=75858567
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110076317.3A Active CN112818591B (zh) | 2021-01-20 | 2021-01-20 | 基于物理约束的dl模型预测致密油压裂范围的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112818591B (zh) |
Families Citing this family (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113792479B (zh) * | 2021-08-23 | 2023-09-22 | 北京科技大学 | 一种基于物理约束的煤层气藏压裂效果评价方法 |
CN114611418A (zh) * | 2021-12-16 | 2022-06-10 | 中国科学院计算机网络信息中心 | 天然气管道流动状态预测方法 |
CN114398786B (zh) * | 2022-01-18 | 2023-04-14 | 中国石油大学(北京) | 压裂施工压力预测模型建立方法及装置、预测方法及装置 |
CN116127844B (zh) * | 2023-02-08 | 2023-10-31 | 大连海事大学 | 一种考虑流动控制方程约束的流场时程深度学习预测方法 |
CN116068449B (zh) * | 2023-03-23 | 2023-07-14 | 中国科学技术大学 | 一种物理模型约束深度神经网络的锂电池评估系统及方法 |
CN116777229B (zh) * | 2023-05-10 | 2024-02-27 | 南方科技大学 | 一种地下水位预测方法、系统、终端及存储介质 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102852516A (zh) * | 2012-04-19 | 2013-01-02 | 北京大学 | 用于油气藏开发的全缝长三维压裂数值模拟的方法和装置 |
CN104153769A (zh) * | 2014-07-04 | 2014-11-19 | 中国石油大学(北京) | 一种缝洞型油藏流动单元的划分及评价方法 |
CN111444610A (zh) * | 2020-03-25 | 2020-07-24 | 北京科技大学 | 一种致密气藏压裂直井产能计算方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
AU2010229934A1 (en) * | 2009-03-24 | 2011-09-29 | Chevron U.S.A. Inc. | A system and method for characterizing fractures in a subsurface reservoir |
-
2021
- 2021-01-20 CN CN202110076317.3A patent/CN112818591B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102852516A (zh) * | 2012-04-19 | 2013-01-02 | 北京大学 | 用于油气藏开发的全缝长三维压裂数值模拟的方法和装置 |
CN104153769A (zh) * | 2014-07-04 | 2014-11-19 | 中国石油大学(北京) | 一种缝洞型油藏流动单元的划分及评价方法 |
CN111444610A (zh) * | 2020-03-25 | 2020-07-24 | 北京科技大学 | 一种致密气藏压裂直井产能计算方法 |
Non-Patent Citations (1)
Title |
---|
致密油层体积压裂非线性渗流模型及产能分析;朱维耀 等;《中国矿业大学学报》;20140331;第43卷(第2期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN112818591A (zh) | 2021-05-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112818591B (zh) | 基于物理约束的dl模型预测致密油压裂范围的方法 | |
Wei et al. | Predicting injection profiles using ANFIS | |
AU2011283191A1 (en) | Methods and systems for machine-learning based simulation of flow | |
WO2012015515A1 (en) | Methods and systems for machine-learning based simulation of flow | |
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 | |
US11308413B2 (en) | Intelligent optimization of flow control devices | |
Arigbe et al. | Real-time relative permeability prediction using deep learning | |
Guyaguler et al. | Optimization of well placement | |
Gasmi et al. | Physics informed deep learning for flow and transport in porous media | |
Jiang et al. | Use of multifidelity training data and transfer learning for efficient construction of subsurface flow surrogate models | |
Phillips | Instability and chaos in hillslope evolution | |
CN110717270B (zh) | 一种基于数据的油气藏仿真模拟方法 | |
Shen et al. | Physical Asymptotic-Solution nets: Physics-driven neural networks solve seepage equations as traditional numerical solution behaves | |
Bhattacharyya et al. | A novel methodology for fast reservoir simulation of single-phase gas reservoirs using machine learning | |
Goodwin et al. | Stochastic modeling of subseismic faults conditioned on displacement and orientation maps | |
EP4269747A1 (en) | System and method for effective hydrocarbon reservoir pressure prediction and control | |
NO20200978A1 (en) | Optimized methodology for automatic history matching of a petroleum reservoir model with ensemble kalman filter | |
Bellamine et al. | Numerical characterization of distributed dynamic systems using tools of intelligent computing and generalized dimensional analysis | |
Maiorov et al. | Solving problems of the oil and gas sector using machine learning algorithms. | |
Kheiry et al. | Uncertainty Quantification of Steady-State Seepage Through Earth-fill Dams by Random Finite Element Method and Multivariate Adaptive Regression Splines | |
Cayeux | Order Reduction of a Transient Model of Viscous Pressure Loss Gradient in Laminar Flow for Non-Newtonian Fluid Flowing in Circular Pipes | |
Utomo | The hybrid of classification tree and extreme learning machine for permeability prediction in oil reservoir | |
Xue et al. | Theory-Guided Convolutional Neural Network with an Enhanced Water Flow Optimizer | |
Yin et al. | A novel method for prediction of flowing pressure of multi-stage fracturing horizontal well | |
Tartakovsky et al. | Stochastic analysis of immiscible displacement of the fluids with arbitrary viscosities and its dependence on support scale of hydrological data |
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 |