CN113052371B - 基于深度卷积神经网络的剩余油分布预测方法及装置 - Google Patents

基于深度卷积神经网络的剩余油分布预测方法及装置 Download PDF

Info

Publication number
CN113052371B
CN113052371B CN202110282598.8A CN202110282598A CN113052371B CN 113052371 B CN113052371 B CN 113052371B CN 202110282598 A CN202110282598 A CN 202110282598A CN 113052371 B CN113052371 B CN 113052371B
Authority
CN
China
Prior art keywords
neural network
distribution
parameters
residual oil
numerical simulation
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
CN202110282598.8A
Other languages
English (en)
Other versions
CN113052371A (zh
Inventor
王森
王潇
冯其红
杨雨萱
秦朝旭
梁怡普
向杰
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 CN202110282598.8A priority Critical patent/CN113052371B/zh
Publication of CN113052371A publication Critical patent/CN113052371A/zh
Application granted granted Critical
Publication of CN113052371B publication Critical patent/CN113052371B/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
    • 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
    • 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
    • G06Q50/02—Agriculture; Fishing; Forestry; Mining
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2111/00—Details relating to CAD techniques
    • G06F2111/10—Numerical modelling
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A10/00—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE at coastal zones; at river basins
    • Y02A10/40—Controlling or monitoring, e.g. of flood or hurricane; Forecasting, e.g. risk assessment or mapping

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Economics (AREA)
  • Software Systems (AREA)
  • Strategic Management (AREA)
  • Human Resources & Organizations (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Mathematical Physics (AREA)
  • Tourism & Hospitality (AREA)
  • Biomedical Technology (AREA)
  • Computing Systems (AREA)
  • General Business, Economics & Management (AREA)
  • Molecular Biology (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Data Mining & Analysis (AREA)
  • Marketing (AREA)
  • Geometry (AREA)
  • Medical Informatics (AREA)
  • Quality & Reliability (AREA)
  • Game Theory and Decision Science (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Operations Research (AREA)
  • Computer Hardware Design (AREA)
  • Development Economics (AREA)
  • Agronomy & Crop Science (AREA)
  • Animal Husbandry (AREA)
  • Marine Sciences & Fisheries (AREA)
  • Mining & Mineral Resources (AREA)
  • Primary Health Care (AREA)
  • Geophysics And Detection Of Objects (AREA)

Abstract

本发明提供一种基于深度卷积神经网络的剩余油分布预测方法及装置，属于石油开发技术领域。所述预测方法包括：根据目标油藏所属类型油藏的地质参数和开发参数模拟建立训练数据集；利用所述训练数据集训练得到深度全卷积编码解码神经网络预测模型；采用所述深度全卷积编码解码神经网络预测模型预测目标油藏任意时刻的剩余油分布。本发明的预测方法可以通过目标油藏的地质参数和开发参数，考虑影响剩余油分布的因素和时间序列的影响，针对这一类型的油藏设置不同的数值模拟方案，通过油藏数值模拟建立数据集，然后利用深度全卷积编码解码神经网络为架构进行训练，从而实现对该类油藏任意时刻剩余油分布的快速准确预测，为油藏的高效开发提供指导。

Description

基于深度卷积神经网络的剩余油分布预测方法及装置
技术领域
本发明涉及石油开发技术领域，具体地涉及一种基于深度卷积神经网络的剩余油分布预测方法以及一种基于深度卷积神经网络的剩余油分布预测装置。
背景技术
注水开发是应用最广泛的二次采油技术，它通过向油藏中注入水以增加储层能量，从而提高开发效果。但国内常规油藏经过几十年的开发，大多数油田都已进入高含水期，平均含水率高达90％以上，由此造成水驱效率降低，低效水循环严重，注水开发效果差。同时，油藏中的剩余油分布规律却非常复杂，呈现“整体分散、局部富集”的特征。明确油藏内的剩余油分布规律对进一步挖潜剩余油、提高水驱采收率具有重要意义。因此，水驱油藏剩余油分布的精准快速预测方法是油藏高效开发的关键。
数值模拟是当前最常用的油藏剩余油分布预测方法。但该方法存在建模工作量大，计算效率低等问题，尤其是对于全油藏或整个区块而言，运行一次数值模拟可能需要几天甚至更长的时间，难以满足生产历史拟合和开发优化的需要。
目前已经存在一些利用人工智能预测剩余油的方法。具体地，举例来说，参见申请号为201910179922.6的发明专利，其提出了一种基于深度学习的水驱开发油田剩余油分布的预测方法，该方法将储层网格化并建立了判断网格单元体是否见水的SVM分类模型，以长短期记忆网络为核心搭建了预测油水分布的深度学习模型，以此来实现剩余油分布的预测。该方法在前期数据预处理时工作量很大，而且对每个网格单元都要单独进行计算，预测效率低。
参见申请号为201910951088.8的发明专利，其提出了一种基于机器学习的剩余油饱和度分布的预测方法，该方法根据油田历史数据建立样本集并对数据进行降维处理，使用机器学习方法对训练集进行训练并结合强化训练方法对关键数据进行处理，从而得到油田剩余油饱和度分布的预测模型。该方法要求输入油田的多种历史数据(包括动态和静态数据)，数据量大，并未对有效数据进行筛选；同时需要对数据进行降维处理，会损失重要的数据特征从而对预测结果造成影响。
参见申请号为202010288160.6的发明专利，其提出了一种预测油田中剩余油饱和度分布的方法和装置，该方法针对注水开发过程中注采参数的优化问题，提出采用神经网络代替数值模拟对剩余油分布进行预测，将注采参数输入到训练好的卷积-转置卷积神经网络模型中，获取剩余油饱和度分布图。该方法仅考虑了注采工作制度变化对剩余油分布的影响，无法预测不同储层参数(如渗透率分布、初始含油饱和度分布等)下的剩余油饱和度分布。
同时，上述基于人工智能预测剩余油饱和度分布的方法都只能针对某一具体油藏进行剩余油分布的预测，而对其它具有相似地质特征和储层参数的油藏，则需要重新建立模型进行训练，由此导致方法预测效率低，模型通用性差，应用于其它油藏时并未减少计算量。
此外，现有方法只能预测样本集中所包含时间点的剩余油饱和度分布，无法预测这些时间点以外的剩余油饱和度分布。例如，如果样本集中的数据是第1年、第2年、…、第20年的剩余油饱和度分布，那么这些方法无法预测得到第1.2年、第2.5年、第2.8年等其它时刻的剩余油饱和度分布，但对于油田开发而言，这些结果也是非常重要的。
因此，亟需一种快速准确的油藏剩余油分布预测方法。
发明内容
本发明实施方式的目的是提供一种基于深度卷积神经网络的剩余油分布预测方法及装置，借助油藏数值模拟技术建立网络模型训练所需的数据集，并利用深度全卷积编码解码神经网络实现从地质参数和开发参数到饱和度分布的直接预测，实现了高维数据的直接输入，不需要数据降维，同时模型的泛化性强，训练完成后的模型可实现不同地质参数和开发参数条件下任意时刻油藏剩余油饱和度分布的快速准确预测。
为了实现上述目的，本发明第一方面提供一种基于深度卷积神经网络的剩余油分布预测方法，所述预测方法包括：
根据目标油藏所属类型油藏的地质参数和开发参数模拟建立训练数据集；
利用所述训练数据集训练得到深度全卷积编码解码神经网络预测模型；
采用所述深度全卷积编码解码神经网络预测模型预测目标油藏任意时刻的剩余油分布。
进一步地，所述根据目标油藏所属类型油藏的地质参数和开发参数模拟建立训练数据集，包括：
获取目标油藏所属类型油藏的地质参数和开发参数；
根据所述地质参数和开发参数生成不同的数值模拟方案；
采用油藏数值模拟器对数值模拟方案进行模拟计算，得到数值模拟结果；
将所述数值模拟结果与对应的数值模拟方案作为一个训练数据；
将不同数值模拟方案的训练数据组成训练数据集。
可选的，所述地质参数包括：孔隙度分布、渗透率分布、初始含油饱和度分布、储层有效厚度分布图、相对渗透率曲线和油水粘度；所述开发参数包括：油水井位置、射孔层位和注采工作制度。
进一步地，所述根据所述地质参数和开发参数生成不同的数值模拟方案，包括：
将所述目标油藏所属类型油藏的地质参数和开发参数作为数值模拟方案的基础数据；
以影响油藏剩余油分布的地质参数和/或开发参数作为变量；
利用地质统计学方法依照地质参数类别随机生成第一预设数量的地质参数随机值；
和/或利用蒙特卡洛方法依照开发参数类别随机生成第二预设数量的开发参数随机值；
将不同类别的地质参数随机值和/或开发参数随机值组合生成不同的数值模拟方案。影响油藏剩余油分布的地质参数和开发参数提供随机生成地质参数和开发参数的类别参考。
进一步地，所述采用油藏数值模拟器对所述数值模拟方案进行模拟计算，得到数值模拟结果，包括：
将数值模拟方案中的地质参数随机值和/或开发参数随机值输入油藏数值模拟器；
油藏数值模拟器对所述数值模拟方案进行模拟计算，得到预设时间段内第三预设数量时刻的剩余油饱和度分布结果。
进一步地，所述将所述数值模拟结果与对应的数值模拟方案作为一个训练数据，包括：
将所述预设时间段内其中一个时刻的剩余油饱和度分布结果与对应的地质参数随机值和/或开发参数随机值以及对应的时刻一起作为一个训练数据，同一数值模拟方案得到第三预设数量的训练数据。
可选的，所述利用所述训练数据集训练得到深度全卷积编码解码神经网络预测模型，包括：
将所述训练数据集按照预设比例划分为训练集和验证集；
将所述训练集中的训练数据的地质参数随机值和/或开发参数随机值作为深度全卷积编码解码神经网络模型的输入，地质参数随机值和/或开发参数随机值对应的不同时刻的剩余油饱和度分布结果作为深度全卷积编码解码神经网络模型的输出；
采用深度全卷积编码解码神经网络结构中的编码部分对地质参数随机值和/或开发参数随机值进行卷积和池化操作，提取图像特征，得到特征图像数据；
将预设时间段内剩余油饱和度分布图像的对应时刻组成一维数组，通过复制对所述一维数组进行维度扩展，得到与所述特征图像数据尺寸相同的二维数据，并将所述二维数据添加到特征图像数据中，得到第一特征图像数据；
采用深度全卷积编码解码神经网络结构中的解码部分对第一特征图像数据进行反卷积，得到与地质参数随机值和/或开发参数随机值对应的剩余油饱和度分布预测图像；
利用损失函数对所述剩余油饱和度分布预测图像进行评价，用优化器不断更新深度全卷积编码解码神经网络模型的参数，直到达到预设迭代次数，得到优化后的深度全卷积编码解码神经网络模型；
采用所述验证集对优化后的深度全卷积编码解码神经网络模型进行验证，将验证通过的优化后的深度全卷积编码解码神经网络模型作为所述全卷积编码解码卷积神经网络预测模型，否则调整网络模型的结构和超参数，重复训练过程，直到验证通过。深度全卷积编码解码神经网络结构中的编码部分实现特征的提取，解码部分实现利用提取得到的特征信息预测剩余油分布，两部分相互独立。各部分的卷积结构将每层卷积得到的特征图像按深度相互拼接在一起，作为下一层卷积的输入，增强特征信息的传递，使网络性能更优。
在训练的过程中通过将特征图像与时间组成的二维数据叠加后得到第一特征图像数据，再利用第一特征图像数据训练得到深度全卷积编码解码神经网络预测模型，使深度全卷积编码解码神经网络能够考虑时间序列的影响，从而能够实现对任意时刻的剩余油饱和度分布进行预测。该深度全卷积编码解码神经网络预测模型考虑了油田开发时间对剩余油分布的影响。
可选的，采用所述深度全卷积编码解码神经网络预测模型预测目标油藏任意时刻的剩余油分布，包括：
将目标油藏的实际地质参数和开发参数同目标时刻一起输入所述深度全卷积编码解码神经网络预测模型，预测得到目标油藏在目标时刻的剩余油分布；
所述目标时刻为未来的任意时刻。
本发明的预测方法可以通过目标油藏的地质参数和开发参数，考虑影响剩余油分布的因素，针对这一类型的油藏设置不同的数值模拟方案，通过油藏数值模拟建立数据集，然后利用深度全卷积编码解码神经网络为架构进行训练，从而实现对该类油藏任意时刻剩余油分布的快速准确预测，为油藏的高效开发提供指导。
本发明第二方面提供一种基于深度卷积神经网络的剩余油分布预测装置，所述预测装置包括：
训练集建立单元，用于根据目标油藏所属类型油藏的地质参数和开发参数模拟建立训练数据集；
网络模型训练单元，用于利用所述训练数据集训练得到深度全卷积编码解码神经网络预测模型；
预测单元，用于利用所述深度全卷积编码解码神经网络预测模型预测目标油藏任意时刻的剩余油分布。
可选的，所述训练集建立单元包括：
数据获取模块，用于获取目标油藏所属类型油藏的地质参数和开发参数；
数值模拟方案生成模块，用于根据所述地质参数和开发参数生成不同的数值模拟方案；
数据集构建模块，用于采用油藏数值模拟器对数值模拟方案进行模拟计算，得到数值模拟结果；将所述数值模拟结果与对应的数值模拟方案作为一个训练数据；将不同数值模拟方案的训练数据组成训练数据集。
可选的，所述网络模型训练单元包括：
特征图像数据提取模块，用于采用深度全卷积编码解码神经网络结构对地质参数随机值和/或开发参数随机值进行卷积和池化操作，提取图像特征，得到特征图像数据；
第一特征图像数据获取模块，用于将预设时间段内剩余油饱和度分布图像的对应时刻组成一维数组，通过复制对所述一维数组进行维度扩展，得到与所述特征图像数据尺寸相同的二维数据，并将所述二维数据添加到特征图像数据中，得到第一特征图像数据；
反卷积模块，用于对第一特征图像数据进行反卷积，得到与地质参数随机值和/或开发参数随机值对应的剩余油饱和度分布预测图像；
迭代优化模块，用于利用损失函数对所述剩余油饱和度分布预测图像进行评价，用优化器不断更新深度全卷积编码解码神经网络模型的参数，直到达到预设迭代次数，得到优化后的深度全卷积编码解码神经网络模型。在训练的过程中通过将特征图像与时间组成的二维数据叠加后得到第一特征图像数据，再利用第一特征图像数据训练得到深度全卷积编码解码神经网络预测模型，使深度全卷积编码解码神经网络能够考虑时间序列的影响，从而能够实现对任意时刻的剩余油饱和度分布进行预测。该深度全卷积编码解码神经网络预测模型考虑了油田开发时间对剩余油分布的影响。
本发明第三方面提供一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现所述的基于深度卷积神经网络的剩余油分布预测方法。
另一方面，本发明提供一种计算机可读存储介质，该计算机可读存储介质上存储有指令，该指令用于使得机器执行本申请所述的基于深度卷积神经网络的剩余油分布预测方法。
上述技术方案所提供的方法能够快速准确的预测目标油藏任意时刻的剩余油分布，从而为油藏的历史拟合和开发调整方案设计提供指导。传统的油藏数值模拟方法在预测剩余油分布时需要几小时、几天甚至更长的时间，而基于深度全卷积编码解码神经网络的剩余油分布预测方法只需几秒钟，大大降低了时间成本，提高了预测效率。而且，所建立的预测模型具有极强的泛化能力，对于同类油藏均具有适用性。也就是说，只要目标油藏与用于建立样本集的油藏地质和开发参数分布范围相近，即使它们的具体数值完全不同，该预测方法仍然能够得到目标油藏较准确的剩余油分布预测结果。而且，该预测方法可以得到目标油藏任意时刻的剩余油分布，不需要与样本集建立过程中所选择的时刻一致。此外，所建立的深度全卷积编码解码神经网络模型为高维数据间的映射，直接实现了储层地质参数分布图像和开发参数到任意时刻饱和度分布图像间的映射，不需要进行数据降维和复杂的数据处理，预测准确度高。
本发明实施方式的其它特征和优点将在随后的具体实施方式部分予以详细说明。
附图说明
附图是用来提供对本发明实施方式的进一步理解，并且构成说明书的一部分，与下面的具体实施方式一起用于解释本发明实施方式，但并不构成对本发明实施方式的限制。在附图中：
图1是本发明一种实施方式提供的基于深度卷积神经网络的剩余油分布预测方法流程图；
图2是本发明利用所述训练数据集训练得到深度全卷积编码解码神经网络预测模型流程图；
图3是本发明具体实施例中随机产生的多个渗透率分布图之一；
图4是本发明具体实施例中油藏井位的示意图；
图5是本发明具体实施例中DenseNet的深度卷积神经网络结构示意图；
图6是本发明具体实施例中采用深度卷积神经网络预测得到的剩余油分布结果与数值模拟结果的对比图；
图7是本发明具体实施例中神经网络训练过程中决定系数(R2)的变化曲线；
图8是本发明具体实施例中神经网络训练过程中绝对均方根误差(RMSE)的变化曲线；
图9是本发明一种实施方式提供的基于深度卷积神经网络的剩余油分布预测装置框图；
图10是本发明具体实施例中用于油藏剩余油分布预测的计算机设备的结构示意图。
附图标记说明
1001-输入设备，1002-处理器，1003-存储器。
具体实施方式
以下结合附图对本发明的具体实施方式进行详细说明。应当理解的是，此处所描述的具体实施方式仅用于说明和解释本发明，并不用于限制本发明。
图1是本发明一种实施方式提供的基于深度卷积神经网络的剩余油分布预测方法流程图。如图1所示，所述预测方法包括：
根据目标油藏所属类型油藏的地质参数和开发参数模拟建立训练数据集；
利用所述训练数据集训练得到深度全卷积编码解码神经网络预测模型；
采用所述深度全卷积编码解码神经网络预测模型预测目标油藏任意时刻的剩余油分布。
进一步地，所述根据目标油藏所属类型油藏的地质参数和开发参数模拟建立训练数据集，包括：
获取目标油藏所属类型油藏的地质参数和开发参数；
根据所述地质参数和开发参数生成不同的数值模拟方案；
采用油藏数值模拟器对数值模拟方案进行模拟计算，得到数值模拟结果；
将所述数值模拟结果与对应的数值模拟方案作为一个训练数据；
将不同数值模拟方案的训练数据组成训练数据集。
在本发明的一个实施例中，地质参数可以从目标油藏所属类型油藏的地震勘测、岩心测试、流体测试、测井曲线等资料中获取，具体获取方式可以根据实际情况确定。所述地质参数包括但不限于：孔隙度分布、渗透率分布、初始含油饱和度分布、储层有效厚度分布图、相对渗透率曲线和油水粘度。
在本发明的一个实施例中，开采参数可以从目标油藏所属类型油藏的开发方案和生产动态数据中获取，具体获取方式可以根据实际情况确定。所述开发参数包括但不限于：油水井位置、射孔层位和注采工作制度。
进一步地，所述根据所述地质参数和开发参数生成不同的数值模拟方案，包括：
将所述目标油藏所属类型油藏的地质参数和开发参数作为数值模拟方案的基础数据；
以影响油藏剩余油分布的地质参数和/或开发参数作为变量；
利用地质统计学方法依照地质参数类别随机生成第一预设数量的地质参数随机值；
和/或利用蒙特卡洛方法依照开发参数类别随机生成第二预设数量的开发参数随机值；
将不同类别的地质参数随机值和/或开发参数随机值组合生成不同的数值模拟方案。影响油藏剩余油分布的地质参数和开发参数作为基础数据提供随机生成地质参数和开发参数的类别参考。
在本发明的一些实施例中，地质统计学方法包括但不限于：高斯序贯模拟、克里金法等，地质参数包括孔隙度分布、渗透率分布、初始含油饱和度分布等参数，因此利用上述的地质统计学方法随机生成孔隙度分布、渗透率分布、初始含油饱和度分布等参数。这些参数组合成一个包括孔隙度分布、渗透率分布、初始含油饱和度分布的数值模拟方案，便于在进行数值模拟时进行调用。
在本发明中，以影响油藏剩余油分布的地质参数和/或开发参数作为变量，数值模拟方案中的其他参数就设置为目标油藏所属类型油藏参数，在不同数值模拟方案中，地质参数和/或开发参数中的一个或者多个的取值改变，而其他参数不改变。
在一些实施例中，在建立数值模拟方案前需要确定需要的训练数据的数量，然后根据训练数据的数量确定各类参数的数量，这样可以合理考虑实际油藏中这些因素的变化范围同时满足训练深度全卷积编码解码神经网络所需数据样本的数量。对于每个方案，按照不同类别做好保存，为后续数值模拟的计算和结果提取提供便利。
进一步地，所述采用油藏数值模拟器对数值模拟方案进行模拟计算，得到数值模拟结果，包括：
将数值模拟方案中的地质参数随机值和/或开发参数随机值输入油藏数值模拟器；
油藏数值模拟器对所述数值模拟方案进行模拟计算，得到预设时间段内第三预设数量时刻的剩余油饱和度分布结果。
在本发明的一个实施例中，利用python、MATLAB或其他编程语言编写程序调用数值模拟方案，并根据调用的数值模拟方案更改油藏数值模拟器输入的油藏数值模拟数据文件中对应的孔隙度分布、渗透率分布和初始含油饱和度分布等地质参数和/或开发参数信息，其他油藏岩石与流体等的物性参数固定，建立对应于各方案的油藏数值模拟模型，油藏数值模拟器对这些模型进行模拟得到预设时间段内不同时刻的剩余油饱和度分布。
在本发明的一些实施例中，所采用的油藏数值模拟器包括但不限于：ECLIPSE、CMG、MRST、t-Navigator。
进一步地，所述将所述数值模拟结果与对应的数值模拟方案作为一个训练数据，包括：
将所述预设时间段内其中一个时刻的剩余油饱和度分布结果与对应的地质参数随机值和/或开发参数随机值以及对应的时刻一起作为一个训练数据，同一数值模拟方案得到第三预设数量的训练数据。
在本发明的一些实施例中，油藏数值模拟器输入的数值模拟方案可以视为各个参数的图像，也可以视为各个参数的数据体，具体的每个方案输入孔隙度分布图像、渗透率分布图像、初始含油饱和度分布图像，经过油藏数值模拟器模拟得到不同时刻的剩余油分布图像。或者输入各网格孔隙度数据组成的数据体、各网格渗透率数据组成的数据体、各网格初始含油饱和度分布数据组成的数据体，经过油藏数值模拟器模拟得到各网格剩余油饱和度数据组成的数据体。
需要说明的是，这里的第三预设数量与选取的时刻相关，有多少个不同时刻的剩余油分布，第三预设数量就取值多少。在组成训练数据集前，需要将每个数值模拟方案输入的孔隙度分布图像、渗透率分布图像、初始含油饱和度分布图像分别复制第三预设数量次，然后将任一复制的图像与一个时刻的剩余油饱和度分布图像一起组成一个训练数据，每个数值模拟方案可以得到第三预设数量个训练数据。
如图2所示，所述利用所述训练数据集训练得到深度全卷积编码解码神经网络预测模型，包括：
将所述训练数据集按照预设比例划分为训练集和验证集；
将所述训练集中的训练数据的地质参数随机值和/或开发参数随机值作为深度全卷积编码解码神经网络模型的输入，地质参数随机值和/或开发参数随机值对应的不同时刻的剩余油饱和度分布结果作为深度全卷积编码解码神经网络模型的输出；
采用深度全卷积编码解码神经网络结构中的编码部分对地质参数随机值和/或开发参数随机值进行卷积和池化操作，提取图像特征，得到特征图像数据；
将预设时间段内剩余油饱和度分布图像的对应时刻组成一维数组，通过复制对所述一维数组进行维度扩展，得到与所述特征图像数据尺寸相同的二维数据，并将所述二维数据添加到特征图像数据中，得到第一特征图像数据；
采用深度全卷积编码解码神经网络结构中的解码部分对第一特征图像数据进行反卷积，得到与地质参数随机值和/或开发参数随机值对应的剩余油饱和度分布预测图像；
利用损失函数对所述剩余油饱和度分布预测图像进行评价，用优化器不断更新深度全卷积编码解码神经网络模型的参数，直到达到预设迭代次数，得到优化后的深度全卷积编码解码神经网络模型；
采用所述验证集对优化后的深度全卷积编码解码神经网络模型进行验证，将验证通过的优化后的深度全卷积编码解码神经网络模型作为所述深度全卷积编码解码神经网络预测模型，否则调整网络模型的结构和超参数，重复训练过程，直到验证通过。深度全卷积编码解码神经网络结构中的编码部分实现特征的提取，解码部分实现利用提取得到的特征信息预测剩余油分布，两部分相互独立。各部分的卷积结构将每层卷积得到的特征图像按深度相互拼接在一起，作为下一层卷积的输入，增强特征信息的传递，使网络性能更优。
在训练的过程中通过将特征图像与时间组成的二维数据叠加后得到第一特征图像数据，再利用第一特征图像数据训练得到深度全卷积编码解码神经网络预测模型，使深度全卷积编码解码神经网络能够考虑时间序列的影响，从而能够实现对任意时刻的剩余油饱和度分布进行预测。该深度全卷积编码解码神经网络预测模型考虑了油田开发时间对剩余油分布的影响。若需考虑其它类型的一维影响因素，例如流体粘度、相渗、注采量等，也可通过类似的维度扩展方法，将该因素的影响加入到深度卷积神经网络模型中。
在具体训练过程中，需要将得到的数据集按照预设的比例进行划分，取其中一部分作为验证数据集，不参与深度全卷积编码解码神经网络的训练过程，其余的数据作为训练数据集，用于训练深度全卷积编码解码神经网络。优选的划分时训练数据集和验证数据集的比例应在2:1到4:1之间。
深度全卷积编码解码神经网络模型的具体卷积结构根据数据集中孔隙度分布图像、渗透率分布图像、初始含油饱和度分布图像和剩余油饱和度分布图像的尺寸大小和数据集中的样本数目来设计。
需要说明的是，在本发明中，卷积核大小和卷积步长根据图像尺寸和需要达到的训练效果进行选取。
训练得到的深度全卷积编码解码神经网络模型还需要采用验证数据集进行验证，利用训练完成的深度全卷积编码解码神经网络模型，预测验证数据集中各输入数据所对应的剩余油饱和度分布，将预测结果与验证数据集中的剩余油饱和度分布作对比，分析评价深度全卷积编码解码神经网络模型的准确性；如果网络模型的预测效果不及预期的话，可以进一步优化深度全卷积编码解码神经网络的结构和参数，在模型训练过程中对卷积核大小、卷积层数等进行优化调整，对深度全卷积编码解码神经网络中的超参数，如迭代次数、学习率、损失函数、优化器、激活函数类型等，进行敏感性分析，优化网络模型中的超参数取值，再重复训练步骤，最终得到训练完成的深度全卷积编码解码神经网络预测模型。
可选的，采用所述深度全卷积编码解码神经网络预测模型预测目标油藏任意时刻的剩余油分布，包括：
将目标油藏的实际地质参数和开发参数同目标时刻一起输入所述深度全卷积编码解码神经网络预测模型，预测得到目标油藏在目标时刻的剩余油分布；
所述目标时刻为未来的任意时刻。
本发明的预测方法可以通过目标油藏的地质参数和开发参数，考虑影响剩余油分布的因素，针对这一类型的油藏设置不同的数值模拟方案，通过油藏数值模拟建立数据集，然后利用深度全卷积编码解码神经网络为架构进行训练，从而实现对该类油藏任意时刻剩余油分布的快速准确预测，为油藏的高效开发提供指导。
下面结合一个具体实施例对上述方法进行说明，然而，值得注意的是，该具体实施例仅是为了更好地说明本申请，并不构成对本申请的不当限定。
步骤1：获取目标油藏所属类型油藏的地质参数和开发参数。
所要研究油藏的类型为整装油藏，收集整装类型油藏的地质资料和开发数据，为下一步数值模拟模型的建立奠定基础。表1展示了具体实施例中油藏的相关物性参数。
参数 单位 数值
模型尺寸 m 400×400×5
油水密度比 - 0.8
油藏压力 MPa 25
储层厚度 m 5
孔隙度 - 0.2-0.35
渗透率 μm<sup>2</sup> 0.53-4.35
油粘度 mPa·s 4
水粘度 mPa·s 1
初始含水饱和度 - 20％
表1油藏物性参数
步骤2：根据所述地质参数和开发参数生成不同的数值模拟方案。
该实施例中仅考虑渗透率分布对剩余油饱和度的影响，因此在不同的油藏数值模拟方案中仅改变初始渗透率分布场，而其它的参数保持不变。这里借助MATLAB编程语言，在目标油藏所属类型油藏的渗透率参数范围内，采用高斯随机场方法随机生成了1000个不同的渗透率分布场，从而得到1000个不同的数值模拟方案。其中一个渗透率分布场如图3所示。
步骤3：采用油藏数值模拟器对所述数值模拟方案进行模拟计算，得到数值模拟结果。
采用油藏数值模拟器MRST建立数值模拟模型。井位分布如图4所示，模型为五点井网，四口注水井一口采油井，保持注采平衡，每口注水井的注入量为100m3/d，采油井的产液量为400m3/d，模拟时间设置为15年。将油藏的上述信息和渗透率分布场等参数作为数值模拟器的输入参数，建立各模拟方案所对应的油藏数值模拟模型。
采用油藏数值模拟器MRST针对每个模拟方案开展数值模拟研究，将预设时间段(此处为15年)内不同时刻下各网格的含油饱和度分布输出并保存，从而得到不同时刻下的剩余油饱和度分布图像。同时，每组模拟方案所输入的渗透率分布数据和采样的时刻数据也应做好保存。
步骤4：将所述数值模拟结果与对应的数值模拟方案作为一个训练数据，不同的训练数据组成训练数据集。
进一步将渗透率分布数据和剩余油饱和度分布数据转化为HDF5格式的文件。HDF5格式是一种常见的数据储存文件，可以存储不同类型的图像和数码数据，并拥有统一处理这种文件格式的函数库。在此过程中，利用python编程语言对数值模拟所保存的渗透率分布和所选取的n个不同时刻的剩余油饱和度分布数据进行合并和文件格式的转存(n可以根据实际需要随意设置)。本实施例中共有1000个不同的数值模拟方案，对应有1000个不同的渗透率分布，同时对应于每个渗透率分布，有n个不同时刻的剩余油饱和度分布数据。从这1000个模拟方案中随机选取800个，并将所选取方案对应的渗透率分布数据、饱和度分布数据和n个不同的时刻数据一起转存到一个HDF5格式文件中作为训练数据集，将其余200个方案对应的渗透率分布数据、饱和度分布数据和n个不同的时刻数据一起转存到另一个HDF5格式文件中作为验证数据集。接着，对得到的HDF5格式文件进行数据处理，利用python程序将渗透率分布图像数据复制n次，得到最终的训练数据集和验证数据集，从而完成数据集的建立。
步骤5：利用所述训练数据集训练得到深度全卷积编码解码神经网络预测模型。
根据数值模拟模型中渗透率分布图像和剩余油饱和度分布图像的尺寸大小(50*50)以及所述数据集中样本的数量，设计卷积结构，建立深度全卷积编码解码神经网络模型。该深度全卷积编码解码神经网络模型以各方案的渗透率分布图像为输入，以不同选取时刻的剩余油饱和度分布图像为输出。根据图像尺寸大小，选取合适的卷积核大小(3*3)和卷积步长(1)，对输入的渗透率分布图像进行卷积和池化操作，提取图像特征，得到特征图像数据(13*13)。
为了考虑开发时间对剩余油分布的影响，将预设时间段内剩余油饱和度分布图像所对应的n个获取时刻组成一维数组(n*1*1)，通过复制的方法对该数组进行维度扩展，得到与卷积后提取到的特征图像尺寸大小相同的n个二维数据(n*13*13)。将扩展后的二维时间数据作为补充信息按深度添加到特征图像数据中，得到第一特征图像数据。对第一特征图像数据进行反卷积，得到与实际剩余油饱和度分布图像尺寸相当的剩余油饱和度预测图像(50*50)，从而得到了初步的深度全卷积编码解码神经网络模型。
利用所述的训练数据集对所建立的神经网络进行训练，并在训练过程中对不同卷积核大小和卷积层数进行优化调整，增强网络结构的信息传播能力，减少网络结构的参数。并对深度全卷积编码解码神经网络中的超参数进行敏感性分析，进一步优化模型的网络结构和参数，分析某一超参数时，将该超参数作为变量，其他超参数固定，然后根据敏感性分析结果，优化网络模型中的超参数取值，最终得到具有较高计算效率和准确性的深度全卷积编码解码神经网络模型。
在具体实施过程中，对深度全卷积编码解码神经网络进行训练和效果评价，需要设置训练的迭代次数，每次从训练数据集中抽取一部分直至遍历整个训练数据集，利用抽取的数据对所建立的深度全卷积编码解码神经网络模型进行训练，计算损失函数，利用损失函数对网络模型训练过程中的预测效果进行评价，利用优化器(梯度下降原理)不断更新网络模型的参数使模型的预测效果更加出色和稳定，最后利用评价指标对训练完成网络模型的效果进行评价。损失函数的选择包含但不仅限于以下其中之一：均方误差损失函数(MSE)、交叉熵损失函数(cross-entropy)等。对于深度全卷积编码解码神经网络模型的效果评价，评价指标包含但不仅限于以下其中之一：决定系数(R2)、均方误差(MSE)、绝对均方根误差(RMSE)等。具体的评价指标选取可根据实际情况确定，本申请对此不作限定。
本实施例选择了DenseNet的深度全卷积编码解码神经网络结构，其结构示意图如图5所示，包含输入数据、编码过程、特征数据提取、解码过程和结果输出五个部分，编码过程和解码过程涉及到卷积和反卷积操作，其中编码过程是对输入的渗透率分布图像特征进行提取得到特征数据，解码过程是对特征数据进行细化得到最后预测的剩余油分布图像。
针对训练数据集中的800个样本，设置训练的迭代次数为200，每次从训练数据集中抽取50个样本(batch size＝50)进行训练，直至遍历整个训练数据集。训练过程中采用均方误差损失函数对网络模型当前的预测结果进行评价，并利用随机梯度下降优化算法不断更新网络参数，使模型的预测效果更加出色和稳定。
利用训练数据集对优化后的深度全卷积编码解码神经网络模型进行训练，达到迭代次数200后停止，保存训练完成的深度全卷积编码解码神经网络模型。针对验证数据集，利用训练完成的深度全卷积编码解码神经网络模型，预测验证数据集中各输入数据所对应的剩余油饱和度分布，并将决定系数(R2)和绝对均方根误差(RMSE)作为评价指标，将预测结果与验证数据集中的剩余油饱和度分布作对比，分析评价深度全卷积编码解码神经网络模型的准确性。如果网络模型的预测效果不及预期的话，可以重复训练步骤，进一步优化深度全卷积编码解码神经网络的结构和参数，最终得到训练完成的神经网络模型。将最终得到的深度全卷积编码解码神经网络模型作为预测工具，将目标油藏的实际数据(渗透率分布等)与想要预测的时刻数据作为输入，预测目标油藏在想要预测的时间点的剩余油饱和度分布。预测效果图如图6所示，训练迭代过程中决定系数(R2)和绝对均方根误差(RMSE)的变化曲线分别如图7和图8所示。评价指标表明最终的决定系数(R2)在0.98左右，绝对均方根误差(RMSE)小于0.02，证实所建立的深度全卷积编码解码神经网络模型具有很高的预测准确率，而且模型的预测速度非常快，训练完成后的深度全卷积编码解码神经网络预测模型能够在瞬间预测得到任意时刻的剩余油饱和度分布。
如图9所示是本发明一种实施方式提供的基于深度卷积神经网络的剩余油分布预测装置框图，如图9所示，所述预测装置包括：
训练集建立单元，用于根据目标油藏所属类型油藏的地质参数和开发参数模拟建立训练数据集；
网络模型训练单元，用于利用所述训练数据集训练得到深度全卷积编码解码神经网络预测模型；
预测单元，用于利用所述深度全卷积编码解码神经网络预测模型预测目标油藏任意时刻的剩余油分布。
可选的，所述训练集建立单元包括：
数据获取模块，用于获取目标油藏所属类型油藏的地质参数和开发参数；
数值模拟方案生成模块，用于根据所述地质参数和开发参数生成地质参数随机值不同的数值模拟方案；
数据集构建模块，用于采用油藏数值模拟器对数值模拟方案进行模拟计算，得到数值模拟结果；将所述数值模拟结果与对应的数值模拟方案作为一个训练数据；将不同数值模拟方案的训练数据组成训练数据集。
可选的，所述网络模型训练单元包括：
特征图像数据提取模块，用于采用深度全卷积编码解码神经网络结构对地质参数随机值和/或开发参数随机值进行卷积和池化操作，提取图像特征，得到特征图像数据；
第一特征图像数据获取模块，用于将预设时间段内剩余油饱和度分布图像的对应时刻组成一维数组，通过复制对所述一维数组进行维度扩展，得到与所述特征图像数据尺寸相同的二维数据，并将所述二维数据添加到特征图像数据中，得到第一特征图像数据；
反卷积模块，用于对第一特征图像数据进行反卷积，得到与地质参数随机值和/或开发参数随机值对应的剩余油饱和度分布预测图像；
迭代优化模块，用于利用损失函数对所述剩余油饱和度分布预测图像进行评价，用优化器不断更新深度全卷积编码解码神经网络模型的参数，直到达到预设迭代次数，得到优化后的深度全卷积编码解码神经网络模型。在训练的过程中通过将特征图像与时间组成的二维数据叠加后得到第一特征图像数据，再利用第一特征图像数据训练得到深度全卷积编码解码神经网络预测模型，使深度全卷积编码解码神经网络能够考虑时间序列的影响，从而能够实现对任意时刻的剩余油饱和度分布进行预测。该深度全卷积编码解码神经网络预测模型考虑了油田开发时间对剩余油分布的影响。
需要说明的是本发明中指的油藏类型是根据地质特征划分的类型，例如断块油藏、整装油藏、低渗油藏、稠油油藏。
本发明第三方面提供一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现所述的基于深度卷积神经网络的剩余油分布预测方法。具体的如图10所示，计算机设备具体可以包括输入设备1001、处理器1002、存储器1003。其中，输入设备1001具体用于输入目标油藏的地质参数和开发参数。处理器1002具体可以用于根据所述油藏的地质参数和开发参数，设计并批量生成不同的数值模拟方案；根据所述数值模拟方案，开展油藏数值模拟研究，批量导出数值模拟结果，利用方案参数和数值模拟结果建立数据集；建立深度全卷积编码解码神经网络模型，利用训练数据集对模型进行训练和效果评价，优化网络结构和参数；根据所述优化后的深度全卷积编码解码神经网络，开展模型训练，得到训练后的模型，预测所述目标油藏的剩余油分布。存储器1003具体可以用于存储目标油藏的地质参数、开发参数和预测结果等。
在本实施方式中，输入设备具体可以是用户和计算机系统之间进行信息交换的主要装置之一。输入设备可以包括键盘、鼠标、摄像头、扫描仪、光笔、手写输入板、语音输入装置等；输入设备用于把原始数据和处理这些数的程序输入到计算机中。输入设备还可以获取接收其他模块、单元、设备传输过来的数据。处理器可以按任何适当的方式实现。例如，处理器可以采取例如微处理器或处理器以及存储可由该(微)处理器执行的计算机可读程序代码(例如软件或固件)的计算机可读介质、逻辑门、开关、专用集成电路(ApplicationSpecific Integrated Circuit，ASIC)、可编程逻辑控制器和嵌入微控制器的形式等等。存储器具体可以是现代信息技术中用于保存信息的记忆设备。存储器可以包括多个层次，在数字系统中，只要能保存二进制数据的都可以是存储器；在集成电路中，一个没有实物形式的具有存储功能的电路也叫存储器，如RAM、FIFO等；在系统中，具有实物形式的存储设备也叫存储器，如内存条、TF卡等。
在本实施方式中，该电子设备具体实现的功能和效果，可以与其它实施方式对照解释，在此不再赘述。
另一方面，本发明提供一种计算机可读存储介质，该计算机可读存储介质上存储有指令，该指令用于使得机器执行本申请所述的基于深度卷积神经网络的剩余油分布预测方法。
本领域技术人员可以理解实现上述实施方式的方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成，该程序存储在一个存储介质中，包括若干指令用以使得单片机、芯片或处理器(processor)执行本发明各个实施方式所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
本发明是参照根据本发明实施例的方法、装置和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
以上结合附图详细描述了本发明的可选实施方式，但是，本发明实施方式并不限于上述实施方式中的具体细节，在本发明实施方式的技术构思范围内，可以对本发明实施方式的技术方案进行多种简单变型，这些简单变型均属于本发明实施方式的保护范围。另外需要说明的是，在上述具体实施方式中所描述的各个具体技术特征，在不矛盾的情况下，可以通过任何合适的方式进行组合。为了避免不必要的重复，本发明实施方式对各种可能的组合方式不再另行说明。
此外，本发明的各种不同的实施方式之间也可以进行任意组合，只要其不违背本发明实施方式的思想，其同样应当视为本发明实施方式所公开的内容。

Claims (11)

1.一种基于深度卷积神经网络的剩余油分布预测方法，其特征在于，所述预测方法包括：
根据目标油藏所属类型油藏的地质参数和开发参数模拟建立训练数据集；
利用所述训练数据集训练得到深度全卷积编码解码神经网络预测模型，包括：
将所述训练数据集按照预设比例划分为训练集和验证集；
将所述训练集中的训练数据的地质参数随机值和/或开发参数随机值作为深度全卷积编码解码神经网络模型的输入，地质参数随机值和/或开发参数随机值对应的不同时刻的剩余油饱和度分布结果作为深度全卷积编码解码神经网络模型的输出；
采用深度全卷积编码解码神经网络结构中的编码部分对地质参数随机值和/或开发参数随机值进行卷积和池化操作，提取图像特征，得到特征图像数据；
将预设时间段内剩余油饱和度分布图像的对应时刻组成一维数组，通过复制对所述一维数组进行维度扩展，得到与所述特征图像数据尺寸相同的二维数据，并将所述二维数据添加到所述特征图像数据中，得到第一特征图像数据；
采用深度全卷积编码解码神经网络结构中的解码部分对所述第一特征图像数据进行反卷积，得到与地质参数随机值和/或开发参数随机值对应的剩余油饱和度分布预测图像；
利用损失函数对所述剩余油饱和度分布预测图像进行评价，用优化器不断更新深度全卷积编码解码神经网络模型的参数，直到达到预设迭代次数，得到优化后的深度全卷积编码解码神经网络模型；
采用所述验证集对优化后的深度全卷积编码解码神经网络模型进行验证，将验证通过的优化后的深度全卷积编码解码神经网络模型作为所述深度全卷积编码解码神经网络预测模型，否则调整网络模型的结构和超参数，重复训练过程，直到验证通过；
采用所述深度全卷积编码解码神经网络预测模型预测目标油藏任意时刻的剩余油分布。
2.根据权利要求1所述的基于深度卷积神经网络的剩余油分布预测方法，其特征在于，所述根据目标油藏所属类型油藏的地质参数和开发参数模拟建立训练数据集，包括：
获取目标油藏所属类型油藏的地质参数和开发参数；
根据所述地质参数和开发参数生成不同的数值模拟方案；
采用油藏数值模拟器对数值模拟方案进行模拟计算，得到数值模拟结果；
将所述数值模拟结果与对应的数值模拟方案作为一个训练数据；
将不同数值模拟方案的训练数据组成训练数据集。
3.根据权利要求2所述的基于深度卷积神经网络的剩余油分布预测方法，其特征在于，所述地质参数包括：孔隙度分布、渗透率分布、初始含油饱和度分布、储层有效厚度分布图、相对渗透率曲线和油水粘度；
所述开发参数包括：油水井位置、射孔层位和注采工作制度。
4.根据权利要求2所述的基于深度卷积神经网络的剩余油分布预测方法，其特征在于，所述根据所述地质参数和开发参数生成不同的数值模拟方案，包括：
将所述目标油藏所属类型油藏的地质参数和开发参数作为数值模拟方案的基础数据；
以影响油藏剩余油分布的地质参数和/或开发参数作为变量；
利用地质统计学方法依照地质参数类别随机生成第一预设数量的地质参数随机值；
和/或利用蒙特卡洛方法依照开发参数类别随机生成第二预设数量的开发参数随机值；
将不同类别的地质参数随机值和/或开发参数随机值组合生成不同的数值模拟方案。
5.根据权利要求4所述的基于深度卷积神经网络的剩余油分布预测方法，其特征在于，所述采用油藏数值模拟器对数值模拟方案进行模拟计算，得到数值模拟结果，包括：
将数值模拟方案中的地质参数随机值和/或开发参数随机值输入油藏数值模拟器；
油藏数值模拟器对所述数值模拟方案进行模拟计算，得到预设时间段内第三预设数量时刻的剩余油饱和度分布结果。
6.根据权利要求5所述的基于深度卷积神经网络的剩余油分布预测方法，其特征在于，所述将所述数值模拟结果与对应的数值模拟方案作为一个训练数据，包括：
将所述预设时间段内其中一个时刻的剩余油饱和度分布结果与对应的地质参数随机值和/或开发参数随机值以及对应的时刻一起作为一个训练数据，同一数值模拟方案得到第三预设数量的训练数据。
7.根据权利要求1所述的基于深度卷积神经网络的剩余油分布预测方法，其特征在于，采用所述深度全卷积编码解码神经网络预测模型预测目标油藏任意时刻的剩余油分布，包括：
将所述目标油藏的实际地质参数和开发参数同目标时刻一起输入所述深度全卷积编码解码神经网络预测模型，预测得到所述目标油藏在目标时刻的剩余油分布；
所述目标时刻为未来的任意时刻。
8.一种基于深度卷积神经网络的剩余油分布预测装置，其特征在于，所述预测装置包括：
训练集建立单元，用于根据目标油藏所属类型油藏的地质参数和开发参数模拟建立训练数据集；
网络模型训练单元，用于利用所述训练数据集训练得到深度全卷积编码解码神经网络预测模型；
预测单元，用于利用所述深度全卷积编码解码神经网络预测模型预测目标油藏任意时刻的剩余油分布；
所述网络模型训练单元包括：
特征图像数据提取模块，用于采用深度全卷积编码解码神经网络结构对地质参数随机值和/或开发参数随机值进行卷积和池化操作，提取图像特征，得到特征图像数据；
第一特征图像数据获取模块，用于将预设时间段内剩余油饱和度分布图像的对应时刻组成一维数组，通过复制对所述一维数组进行维度扩展，得到与所述特征图像数据尺寸相同的二维数据，并将所述二维数据添加到所述特征图像数据中，得到第一特征图像数据；
反卷积模块，用于对所述第一特征图像数据进行反卷积，得到与地质参数随机值和/或开发参数随机值对应的剩余油饱和度分布预测图像；
迭代优化模块，用于利用损失函数对所述剩余油饱和度分布预测图像进行评价，用优化器不断更新深度全卷积编码解码神经网络模型的参数，直到达到预设迭代次数，得到优化后的深度全卷积编码解码神经网络模型。
9.根据权利要求8所述的基于深度卷积神经网络的剩余油分布预测装置，其特征在于，
所述训练集建立单元包括：
数据获取模块，用于获取目标油藏所属类型油藏的地质参数和开发参数；
数值模拟方案生成模块，用于根据所述地质参数和开发参数生成不同的数值模拟方案；
数据集构建模块，用于采用油藏数值模拟器对数值模拟方案进行模拟计算，得到数值模拟结果；将所述数值模拟结果与对应的数值模拟方案作为一个训练数据；将不同数值模拟方案的训练数据组成训练数据集。
10.一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至7中任一项所述的基于深度卷积神经网络的剩余油分布预测方法。
11.一种计算机可读存储介质，其特征在于，该计算机可读存储介质上存储有指令，该指令用于使得机器执行本申请权利要求1至7中任一项所述的基于深度卷积神经网络的剩余油分布预测方法。
CN202110282598.8A 2021-03-16 2021-03-16 基于深度卷积神经网络的剩余油分布预测方法及装置 Active CN113052371B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110282598.8A CN113052371B (zh) 2021-03-16 2021-03-16 基于深度卷积神经网络的剩余油分布预测方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110282598.8A CN113052371B (zh) 2021-03-16 2021-03-16 基于深度卷积神经网络的剩余油分布预测方法及装置

Publications (2)

Publication Number Publication Date
CN113052371A CN113052371A (zh) 2021-06-29
CN113052371B true CN113052371B (zh) 2022-05-31

Family

ID=76512869

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110282598.8A Active CN113052371B (zh) 2021-03-16 2021-03-16 基于深度卷积神经网络的剩余油分布预测方法及装置

Country Status (1)

Country Link
CN (1) CN113052371B (zh)

Families Citing this family (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
GB2608425B (en) * 2021-07-01 2024-09-04 Talos Innovation Aps Method of simulating fluids in a subterranean environment
CN113435662B (zh) * 2021-07-14 2022-10-04 中国石油大学(华东) 水驱油藏产量预测方法、装置及存储介质
CN114282725B (zh) * 2021-12-24 2024-08-09 山东大学 基于深度学习的瞬态油藏代理模型的构建及油藏预测方法
CN114154427B (zh) * 2022-02-08 2022-04-19 中国石油大学(华东) 基于深度学习的体积压裂裂缝扩展预测方法和系统
CN114638401B (zh) * 2022-02-21 2024-10-18 北京中科智上科技有限公司 一种基于历史及预测油藏知识的剩余油分布预测方法及装置
CN114595608B (zh) * 2022-03-11 2023-06-27 中国石油大学(华东) 一种压裂施工参数和工作制度参数优化方法及系统
CN114492211B (zh) * 2022-04-15 2022-07-12 中国石油大学(华东) 一种基于自回归网络模型的剩余油分布预测方法
CN114492213B (zh) * 2022-04-18 2022-07-01 中国石油大学(华东) 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
CN114662414B (zh) * 2022-05-25 2022-09-27 中国石油大学(华东) 一种基于图小波神经网络模型的油藏生产预测方法
CN114693005B (zh) * 2022-05-31 2022-08-26 中国石油大学(华东) 基于卷积傅里叶神经网络的三维地下油藏动态预测方法
CN115062552B (zh) * 2022-08-12 2022-12-02 中国石油大学(华东) 一种缝洞油藏氮气吞吐效果预测方法及系统
CN115204531B (zh) * 2022-09-16 2022-12-27 中科数智能源科技(深圳)有限公司 基于傅里叶神经算子的油藏预测方法、设备及介质
CN115204530B (zh) * 2022-09-16 2023-05-23 中科数智能源科技(深圳)有限公司 基于傅里叶神经算子和循环神经网络的油藏预测方法
CN118690922A (zh) * 2024-08-23 2024-09-24 中国石油集团科学技术研究院有限公司 一种基于物理约束神经网络的剩余油分布预测方法和装置

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7162463B1 (en) * 2002-07-12 2007-01-09 Chroma Energy, Inc. Pattern recognition template construction applied to oil exploration and production
CN111441767A (zh) * 2020-05-11 2020-07-24 中国石油大学(华东) 油藏生产动态预测方法及装置
CN111523713A (zh) * 2020-04-14 2020-08-11 中国地质大学（北京） 一种预测油田中剩余油饱和度分布的方法和装置
CN112131704A (zh) * 2020-08-17 2020-12-25 长江大学 一种估算油层储量及预测剩余油饱和度的方法

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109948841B (zh) * 2019-03-11 2020-10-27 中国石油大学(华东) 一种基于深度学习的水驱开发油田剩余油分布的预测方法
CN111832227B (zh) * 2020-07-17 2022-09-09 中国石油大学(北京) 基于深度学习的页岩气饱和度确定方法、装置和设备

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7162463B1 (en) * 2002-07-12 2007-01-09 Chroma Energy, Inc. Pattern recognition template construction applied to oil exploration and production
CN111523713A (zh) * 2020-04-14 2020-08-11 中国地质大学（北京） 一种预测油田中剩余油饱和度分布的方法和装置
CN111441767A (zh) * 2020-05-11 2020-07-24 中国石油大学(华东) 油藏生产动态预测方法及装置
CN112131704A (zh) * 2020-08-17 2020-12-25 长江大学 一种估算油层储量及预测剩余油饱和度的方法

Also Published As

Publication number Publication date
CN113052371A (zh) 2021-06-29

Similar Documents

Publication Publication Date Title
CN113052371B (zh) 基于深度卷积神经网络的剩余油分布预测方法及装置
US20210350208A1 (en) Method and device for predicting production performance of oil reservoir
AU2011283192B2 (en) Methods and systems for machine-learning based simulation of flow
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
CN111523713B (zh) 一种预测油田中剩余油饱和度分布的方法和装置
Ng et al. Smart proxy modeling of a fractured reservoir model for production optimization: implementation of metaheuristic algorithm and probabilistic application
AU2011283191A1 (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
AU2011283193A1 (en) Methods and systems for machine-learning based simulation of flow
CN114154427B (zh) 基于深度学习的体积压裂裂缝扩展预测方法和系统
AU2011283190A1 (en) Methods and systems for machine-learning based simulation of flow
AU2011295892A1 (en) Iterative method and system to construct robust proxy models for reservoir simulation
CN114595608B (zh) 一种压裂施工参数和工作制度参数优化方法及系统
CN115935834B (zh) 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
CN105452598B (zh) 选择和优化用于产量平台的油田控制的方法
CN111048163B (zh) 一种基于高阶神经网络的页岩油滞留烃量(s1)评价方法
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
Tang et al. Use of low-fidelity models with machine-learning error correction for well placement optimization
CN116641688A (zh) Co2提高气藏采收率及其封存的方法、系统、设备及存储介质
US9187985B2 (en) Method for optimizing the development of an underground medium by means of a reservoir study comprising optimized upscaling
NO20171058A1 (en) Integrated a priori uncertainty parameter architecture in simulation model creation
CN117172113A (zh) 一种旋转导向钻井井眼轨迹预测方法、系统、设备及介质
Costa et al. A new methodology to reduce uncertainty of global attributes in naturally fractured reservoirs
CN114764546A (zh) 基于生成对抗神经网络的断块油藏剩余油预测方法
CN117217095B (zh) 一种基于深度学习求取地质属性建模中变差函数的方法

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
CB02 Change of applicant information

Address after: 266580 No. 66 Changjiang West Road, Huangdao District, Qingdao, Shandong.

Applicant after: China University of Petroleum (East China)

Address before: 266555 No. 66 Changjiang West Road, Qingdao economic and Technological Development Zone, Shandong

Applicant before: China University of Petroleum (East China)

CB02 Change of applicant information
GR01 Patent grant
GR01 Patent grant