CN113158470B - 基于迁移学习的油藏自动历史拟合系统与方法 - Google Patents
基于迁移学习的油藏自动历史拟合系统与方法 Download PDFInfo
- Publication number
- CN113158470B CN113158470B CN202110454602.4A CN202110454602A CN113158470B CN 113158470 B CN113158470 B CN 113158470B CN 202110454602 A CN202110454602 A CN 202110454602A CN 113158470 B CN113158470 B CN 113158470B
- Authority
- CN
- China
- Prior art keywords
- optimization
- module
- oil reservoir
- population
- time
- 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
- 238000000034 method Methods 0.000 title claims abstract description 56
- 238000013526 transfer learning Methods 0.000 title claims abstract description 28
- 238000005457 optimization Methods 0.000 claims abstract description 113
- 238000004088 simulation Methods 0.000 claims abstract description 60
- 238000004364 calculation method Methods 0.000 claims abstract description 51
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 31
- 238000004519 manufacturing process Methods 0.000 claims abstract description 23
- 238000013519 translation Methods 0.000 claims description 32
- 238000013508 migration Methods 0.000 claims description 16
- 230000005012 migration Effects 0.000 claims description 16
- 230000003068 static effect Effects 0.000 claims description 16
- 230000006870 function Effects 0.000 claims description 13
- 238000009826 distribution Methods 0.000 claims description 11
- 230000008859 change Effects 0.000 claims description 10
- 230000008569 process Effects 0.000 claims description 9
- 238000012545 processing Methods 0.000 claims description 9
- 238000010276 construction Methods 0.000 claims description 7
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 7
- 230000035772 mutation Effects 0.000 claims description 3
- 238000004458 analytical method Methods 0.000 claims description 2
- 238000006243 chemical reaction Methods 0.000 claims description 2
- 238000002360 preparation method Methods 0.000 claims description 2
- 239000000243 solution Substances 0.000 description 27
- 238000010586 diagram Methods 0.000 description 4
- 230000035699 permeability Effects 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 3
- 238000003860 storage Methods 0.000 description 3
- 230000007547 defect Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000002347 injection Methods 0.000 description 2
- 239000007924 injection Substances 0.000 description 2
- 239000007788 liquid Substances 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 239000012530 fluid Substances 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000012067 mathematical method Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000004091 panning Methods 0.000 description 1
- 239000003208 petroleum Substances 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
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
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
-
- E—FIXED CONSTRUCTIONS
- E21—EARTH OR ROCK DRILLING; MINING
- E21B—EARTH OR ROCK DRILLING; OBTAINING OIL, GAS, WATER, SOLUBLE OR MELTABLE MATERIALS OR A SLURRY OF MINERALS FROM WELLS
- E21B43/00—Methods or apparatus for obtaining oil, gas, water, soluble or meltable materials or a slurry of minerals from wells
- E21B43/30—Specific pattern of wells, e.g. optimising the spacing of wells
-
- E—FIXED CONSTRUCTIONS
- E21—EARTH OR ROCK DRILLING; MINING
- E21B—EARTH OR ROCK DRILLING; OBTAINING OIL, GAS, WATER, SOLUBLE OR MELTABLE MATERIALS OR A SLURRY OF MINERALS FROM WELLS
- E21B43/00—Methods or apparatus for obtaining oil, gas, water, soluble or meltable materials or a slurry of minerals from wells
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01V—GEOPHYSICS; GRAVITATIONAL MEASUREMENTS; DETECTING MASSES OR OBJECTS; TAGS
- G01V20/00—Geomodelling in general
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/11—Complex mathematical operations for solving equations, e.g. nonlinear equations, general mathematical optimization problems
-
- 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
-
- 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"
-
- E—FIXED CONSTRUCTIONS
- E21—EARTH OR ROCK DRILLING; MINING
- E21B—EARTH OR ROCK DRILLING; OBTAINING OIL, GAS, WATER, SOLUBLE OR MELTABLE MATERIALS OR A SLURRY OF MINERALS FROM WELLS
- E21B2200/00—Special features related to earth drilling for obtaining oil, gas or water
- E21B2200/20—Computer models or simulations, e.g. for reservoirs under production, drill bits
-
- 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)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Geology (AREA)
- Mining & Mineral Resources (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- General Life Sciences & Earth Sciences (AREA)
- Business, Economics & Management (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Fluid Mechanics (AREA)
- Environmental & Geological Engineering (AREA)
- Operations Research (AREA)
- Software Systems (AREA)
- Geochemistry & Mineralogy (AREA)
- Economics (AREA)
- Evolutionary Computation (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- Algebra (AREA)
- Databases & Information Systems (AREA)
- Game Theory and Decision Science (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Computational Linguistics (AREA)
- Development Economics (AREA)
- Biophysics (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- General Health & Medical Sciences (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- Quality & Reliability (AREA)
Abstract
本发明涉及一种基于迁移学习的油藏自动历史拟合系统,包括数据读取模块、种群重新初始化模块、优化模块、模拟计算模块、比较判断模块以及输出模块;其中:数据读取模块读取已有油藏的优化结果,输出至种群重新初始化模块,计算得到新油藏的初始种群,输出至优化模块,优化后的结果输出至模拟计算模块,得到油藏生产模拟数据,输出至比较判断模块,当模拟数据与观测数据的误差满足要求时,输出优化结果至输出模块,系统运行完毕;若误差不满足要求将重新进行优化。本发明可以借鉴旧实例油藏模型中历史拟合模型调整的经验、根据已有模型的拟合经验构建更接近优化结果的初始种群,可以与任一进化优化算法集成,更适宜在实际工程问题中应用。
Description
技术领域
本发明属于石油工程领域,具体地,涉及一种基于迁移学习的油藏自动历史拟合系统与方法。
背景技术
在油藏数值模拟中,为了使油藏模型能够尽量准确地与油藏真实情况相符,通常采用历史拟合的方法,利用油藏数据对模型进行矫正;具体是先用地层静态参数计算油藏开发过程中的压力、气油比、产量、含水率等主要动态指标,如果计算结果与真实情况有较大差异,则不断修改油层静态参数,直到实测动态指标与计算结果达到允许的误差范围,此时应用此模型进行动态预测被认为会有相当精确的结果。传统的历史拟合方法需要繁琐、细致地调节模型的海量参数,计算结果后进行比对再重新调整、运行,工作量极大,效率极低。而目前的自动历史拟合方法采用优化算法自动调整模型中的地层静态参数,提高拟合效率,提升拟合精度。因此,研究高效的自动历史拟合方法是实现油藏历史拟合更广泛应用的急切需求。在求解历史拟合问题上常见的方法主要有梯度类方法、无梯度类方法。主要的梯度类方法包括牛顿型方法和有限储存方法等,无梯度类方法包括集合卡尔曼滤波法等,近似梯度类方法包括随机扰动梯度近似法等。
然而,上述方法仍具有一定不足,例如牛顿型方法在使用中需要对Hessian矩阵进行存储和计算,不适合解决大型油藏模拟自动历史拟合问题。有限储存方法虽然在处理自动历史拟合问题时有着一定的优越性,但是受困于无法通用于油藏数值模拟器,局限性较大。随机类算法求解较大规模的油藏历史拟合问题时,无法取得令人满意的计算效率和精度。
油藏历史拟合问题不是一组独立的静态优化问题,而是一个变化通常较小的动态优化问题,即是一个时间序列问题,可以根据实际情况划分为1,2,3,…,t-1,t,t+1,…等时刻,每个时刻的变化代表油藏发生变化或者油藏模型加入新数据,需要对历史拟合模型进行调整。因此,新时刻的模型可以看做旧时刻的模型做出了一些改动得到的,适当利用旧模型优化过程中的有用信息可以显著减少为新实例寻找解决方案所需的计算工作量。
近年来应用日益广泛的迁移学习技术恰巧在借鉴旧问题的经验方面具有优势,其主要思想在于从相关领域中迁移标注数据或者知识结构,完成或改进目标领域或任务的学习效果。放眼历史拟合问题,即可利用已有模型和标注数据的经验,高效、准确地进行模型的匹配。因此,利用迁移学习技术来改进油藏自动历史拟合技术为油藏动态预测带来了新的契机。
发明内容
为克服现有技术的缺陷,本发明所要解决的技术问题是提供基于迁移学习的油藏自动历史拟合系统与方法,采用基于迁移学习的有方向性和随机变化的重新初始化策略,迁移旧优化实例中历史拟合模型调整的经验,解决新优化实例动态历史拟合优化问题。
为实现上述目的,本发明解决上述技术问题所采用的的技术方案如下:
基于迁移学习的油藏自动历史拟合系统,包括数据读取模块、种群重新初始化模块、优化模块、模拟计算模块、比较判断模块以及输出模块;其中:数据读取模块读取已有油藏的优化结果,输出至种群重新初始化模块,计算得到新油藏的初始种群,输出至优化模块,优化后的结果输出至模拟计算模块,得到油藏生产模拟数据,输出至比较判断模块,当模拟数据与观测数据的误差满足要求时,输出优化结果至输出模块,系统运行完毕;若误差不满足要求,将模拟结果输出至优化模块,重新进行优化模块、模拟计算模块、比较判断模块的优化计算。
相对于现有技术,本发明的有益效果如下:
1、可以借鉴已有模型的拟合经验:采用基于迁移学习的历史拟合方法对旧油藏模型的参数进行读取、记录和学习,通过数学方法提取其优化的经验,并将此经验重用于新实例的油藏模型优化计算中。具体在于:通过借鉴旧实例油藏模型中历史拟合模型调整的经验,如采出液等观测数据变化时,历史模型对于渗透率等模型静态参数的调整经验,实现新实例中油藏历史拟合模型的快速、准确构建,提高预测的效率和精度。
2、可以根据已有模型的拟合经验构建更接近优化结果的初始种群:根据同一油藏不同时刻或者相似油藏的模型相似性,使用旧实例优化结束后的种群,即旧实例模型的参数,通过基于迁移学习的重新初始化策略处理,快速构建新实例油藏模型的初始种群。与传统方法随机构建初始种群相比,省去了对随机初始种群的大量计算,计算的复杂性和不确定性降低,优化参数的搜索空间减少,迭代次数和计算时间减少,实现了旧案例的知识到新案例的映射,提高历史拟合模型的准确性和可靠性。
3、可以与任一进化优化算法集成:由于基于迁移学习的重新初始化策略是一个读取历史数据并单独对其进行处理的框架,因此可以与任意进化优化算法集成,所以可以针对具体的油藏历史拟合问题选取最佳的优化算法,减小多种优化算法在实际问题中的弊端,自动调整油藏模型参数,缩短拟合时间,提升拟合精度,提高计算的效率和准确性。另外,通过将重新初始化策略的影响从整个算法中分离出来,可以进行此算法的快速测试和调整。
4、此算法对实际工程问题中的优化任务具有更好的性能,更适宜在实际工程问题中应用。
附图说明
图1为基于迁移学习的油藏自动历史拟合系统示意图;
图2为最优解集的受控平移示意图;
图3为t-1和t时刻最优解集示意图;
图4为t-1和t时刻最优解集通过平移使质心重合,并计算成对解的平均距离;
图5为第一个五年实例(t-1时刻)及第二个五年实例(t时刻);
图5A为时间步为5年时,第一个五年即t-1时刻的渗透率分布,图5B为第二个五年即t时刻的渗透率分布;
图6为单目标历史拟合计算误差比较结果,分别使用原始的PSO算法、改进的TR-PSO算法和本发明涉及的基于迁移学习的油藏自动历史拟合方法CTDRV算法;
图7为油田真实观测产量和CTDRV算法预测值比较;
图8为油田真实观测产液速率和CTDRV算法预测值比较;
图9为油田真实观测油层压力和CTDRV算法预测值比较;
图10为油田真实含水率和CTDRV算法预测值比较。
具体实施方式
如图1所示,基于迁移学习的油藏自动历史拟合系统,包括数据读取模块、种群重新初始化模块、优化模块、模拟计算模块、比较判断模块以及输出模块;其中:
数据读取模块,用于读取t+1时刻的油藏观测数据及t-2时刻、t-1时刻、t时刻历史拟合模型的优化结果,并将其输出至种群重新初始化模块;在本发明中,当前时刻油藏历史拟合模型的最优静态参数即为优化后的种群个体,同时也是该优化模型的最优解集。
种群重新初始化模块,用于在t+1时刻使用基于迁移学习的有方向性和随机变化的重新初始化策略对t时刻的优化结果进行处理,得到借鉴旧优化实例中历史拟合模型调整经验的初始种群,用于后续优化模块对于t+1时刻油藏模型的优化;
优化模块,用于根据油藏t+1时刻的观测数据和初始种群进行优化,得到当前时刻优化后的油藏模型静态参数,并将其输出至后续模拟计算模块;
模拟计算模块,用于对优化模块得到的油藏模型静态参数进行数值模拟计算,得到模拟生产结果即模拟数据,并将其输出至比较判断模块。
比较判断模块,用于将所述的当前时刻的模拟数据与观测数据进行比较,得到误差,判断所属误差是否低于预设误差值,若低于,则转至所述输出模块,否则,转至所述优化模块重新进行迭代计算。
输出模块,用于在所述误差低于预设误差值时,输出所述优化后的油藏历史拟合模型静态参数,即最终优化结果。
所述种群重新初始化模块具体包括受控平移单元、定向变异单元以及随机变异单元;其中:
受控平移单元,用于计算平移向量cdd(t),对t时刻的优化结果,即优化完成后的种群进行平移,得到重新定位后的种群个体;
所述优化模块具体包括构造单元、初始化单元、更新单元、判断单元、最优值输出单元。
构造单元,用于构造油藏目标函数(损失函数),所述目标函数针对于具体的油藏历史拟合模型构造要求决定。
初始化单元,用于初始化参数,并设置优化停止条件,所述参数至少包括迭代次数、种群规模等。
更新单元,用于根据预设算法规则条件更新参考点、种群等。
判断单元,用于判断是否满足所述优化停止条件,若满足,则转至最优值输出单元,否则转至所述更新单元。
最优值输出单元,用于将最优目标函数值以及所述最优目标函数值对应的优化后的油藏静态参数输出至模拟计算模块。
整个基于迁移学习的油藏自动历史拟合系统中数据读取模块读取已有油藏的优化结果,输出至种群重新初始化模块,计算得到新油藏的初始种群,输出至优化模块,优化后的结果输出至模拟计算模块,得到油藏生产模拟数据,输出至比较判断模块,当模拟数据与观测数据的误差满足要求时,输出优化结果至输出模块,系统运行完毕;若误差不满足要求,将模拟结果输出至优化模块,重新进行优化模块、模拟计算模块、比较判断模块的优化计算。
基于迁移学习的油藏自动历史拟合方法,采用上述基于迁移学习的油藏自动历史拟合系统,包括以下步骤:
S1、读取观测数据和旧模型优化结果
采用迁移学习的油藏自动历史拟合系统中的数据读取模块实现。假设当前时刻为t+1时刻,此油藏目前所用的历史拟合模型属于t时刻模型,由于t+1时刻油藏发生变化或油藏模型加入新数据,需要构建针对t+1时刻油藏现状的历史拟合模型。读取t+1时刻的油藏观测数据,为判断优化结果是否满足要求提供准备。读取t-2时刻、t-1时刻、t时刻历史拟合模型的优化结果,借鉴其有用信息,为t+1时刻的优化过程建立初始种群。
S2、对旧模型的优化结果进行种群重新初始化处理
采用迁移学习的油藏自动历史拟合系统中的种群重新初始化模块实现,对t时刻的油藏历史拟合模型的优化结果,使用基于迁移学习的有方向性和随机变化的重新初始化策略进行处理,提取其可借鉴的经验,构建t+1时刻案例的初始种群。
S3、使用重新初始化后的种群进行进化优化计算和模拟计算
设定符合案例在t+1时刻具体要求的优化目标函数,具体优化指标例如产油量、产水量、含水率等。公式(1)给出储层历史拟合模型的损失函数:
min{M=∑(Qobs-Qcal)2} (1)
式中,M是不匹配值;Qobs是油藏的真实观测数据;Qcal是本发明涉及的基于迁移学习的油藏自动历史拟合系统中,模拟计算模块得到的模拟计算数据。
通过步骤S2得到的种群作为t+1时刻油藏历史拟合模型优化过程的初始种群,使用任一进化优化算法,例如PSO、NSGA-III等,对t+1时刻的油藏历史拟合模型进行优化调参,得到t+1时刻的优化结果。进化优化计算采用迁移学习的油藏自动历史拟合系统中的优化模块实现。
将优化结果代入油藏数值模拟器中进行模拟计算,若观测数据与模拟数据的误差满足要求,即可输出有效结果,反之继续进行迭代计算。采用迁移学习的油藏自动历史拟合系统中的模拟计算模块和比较判断模块实现。
进一步的,所述S2具体包括:
S21、受控平移
根据t-2时刻、t-1时刻、t时刻的最优解集计算三个时刻最优解集的质心,分别为C(t-2),C(t-1),C(t),令C(t)-C(t-1)得到向量d(t),令C(t-1)-C(t-2)得到向量d(t-1);令C(t-1)+d(t-1)得到向量b,定义b与d(t)的夹角为cos-1cd,计算cd并进一步计算平移向量cdd(t);t时刻最优解集中的所有解,即t时刻优化后种群中的所有个体与平移向量相加,根据平移向量的大小和方向来重新定位;
跟踪t-2时刻、t-1时刻、t时刻的最优解集如何移动,可以为预测t+1时刻的新问题中的最优解集提供可被迁移的经验;首先计算t时刻优化后的种群个体的运动;如公式(2)所示,式中,C(t)和C(t-1)分别是t时刻和t-1时刻的种群个体的质心;
dt=C(t)-C(t-1) (2)
预测值C(t+1)为t+1时刻的优化解集中种群个体的质心,其计算方法如公式(3)所示:
式中,0≤cd≤1表示d(t)作为d(t+1)估计值的可靠性,因为二者通常在大小和方向上都不同,真实的d(t+1)在此阶段还不能精确计算。分析d(t-1)对C(t)在时刻变化后的预测的价值。如图2所示的受控平移示意图中可以看到,将C(t-1)直接按照d(t-1)的方向和大小移动可能接近于C(t)的准确值,但却到达了错误的X点。因此,||b||/||d(t-1)||可以计算d(t-1)对C(t)的预测的可靠性。使用此可靠性来预测C(t)沿着d(t)的方向平移得到C(t+1)的距离。
S22、定向变异
在平移向量cdd(t)的方向上对步骤S21处理后的所有的种群个体进行随机变异,其变化强度为平移向量的大小乘正态分布中采样的独立随机数向量采用方向变化作为随机变化的一种具体形式,以提高种群沿着d(t)方向平移得到的种群的多样性。具体如公式(4)所示:
式中,yj是经过受控平移和定向变异后的种群,是从正态分布中采样的独立随机数向量,其均值为1,标准差为σd。Ns为种群大小,为t时刻的旧优化解集中的第j个个体。默认情况下,标准差为1,如果yj不在搜索空间内,只需将yi重新定位到搜索空间内的最近点。重新定位过程检查yj的每一个元素是否均落在搜索空间内,若不在,则将其修改为该元素对应的上/下界值。
S23、随机变异
每个种群都经历均匀随机的变化,产生白噪声,强度由随机变化的大小决定。计算过程如图3和图4所示,首先将t-1时刻实例的最优解集POS(t-1)转化为C(t-1)并将其移动,与C(t)的质心重合。然后从POS(t)中随机的的一个解开始,找到POS(t-1)中最接近的对应解,两个对应解配对,并将其屏蔽以免被POS(t)中的任何其他解选择,直到两个解集中的所有解均完成配对,所有配对解间的平均距离被定义为它代表了随机变异的强度。
式中,cr为自定义值。为经过基于迁移学习的有方向性和随机变化的重新初始化策略处理后的t+1时刻的初始种群,用于t+1时刻油藏历史拟合模型的优化。它是使用截尾正态分布生成的,其中心是yj,标准差是σr,下界是搜索空间的下界(L),上界是搜索空间的上界(U)。
具体的t+1时刻的油藏模型初始种群的计算方法如下:
①根据公式(2)计算平移向量;
②根据公式(3)计算cd;
③根据公式(4)计算yj,若其不在搜索空间内按照方法S22中所述将其修正。
④根据公式(5)计算种群重新初始化结果。
实施例1、主要通过对前述基于迁移学习的油藏自动历史拟合方法进行研究实验以检验其效果。实验模型为Eclipse设定的储层模型,网格分布为10*10*1,单个网格的尺寸为100*100*20英尺,该模型具有4口生产井和1口注水井,呈五点井网分布。4口生产井分别位于网格的四角,注水井位于网格正中心。可以观察到渗透率在时间步变化时发生了较大变化,如图5所示。本模型的实验目的为测试原始的PSO算法、改进的TR-PSO算法及本发明涉及的基于迁移学习的油藏自动历史拟合方法CTDRV算法在油藏注采过程历史拟合模型上的表现。总模拟时间为10年,将其分为两个时间步,t-1时刻为第一个五年,t时刻为第二个五年。模拟结果如图6所示,可以明显看出CTDRV算法的性能优于TR-PSO和PSO算法,进一步证明了CTDRV算法在求解历史拟合问题时的计算效率和鲁棒性。这是因为本发明涉及的重新初始化策略相比其他算法具有很大的优势。CTDRV算法从计算开始时便借鉴了t-1时刻实例的优化结果,跟踪其最优解集的移动,从而更好地猜测信任区域,以寻找t时刻实例的最优解集。
考虑产油率、油层压力、含水率和产液率四个具体的目标时,模拟结果如图7-10所示,可以看出CTDRV算法计算得到的优化结果,经过数值模拟后得到的模拟产油率等数据与真实数据几乎相同,可以印证CTDRV算法计算得到的油藏数值模拟模型与真实模型几乎相同,在预测未来生产方面具有较高可信度和准确性。
Claims (8)
1.一种基于迁移学习的油藏自动历史拟合系统,包括数据读取模块、种群重新初始化模块、优化模块、模拟计算模块、比较判断模块以及输出模块;其特征在于:数据读取模块读取已有油藏的优化结果,输出至种群重新初始化模块,计算得到新油藏的初始种群,输出至优化模块,优化后的结果输出至模拟计算模块,得到油藏生产模拟数据,输出至比较判断模块,当模拟数据与观测数据的误差满足要求时,输出优化结果至输出模块,系统运行完毕;若误差不满足要求,将模拟结果输出至优化模块,重新进行优化模块、模拟计算模块、比较判断模块的优化计算;所述种群重新初始化模块具体包括受控平移单元、定向变异单元以及随机变异单元;其中:
受控平移单元,用于计算平移向量cdd(t),对t时刻的优化结果,即优化完成后的种群进行平移,得到重新定位后的种群个体,平移向量中的符号具体指:d(t)为t-1时刻的最优解集的质心C(t-1)、t时刻的最优解集的质心C(t)之差,即d(t)=C(t)-C(t-1);令t-1时刻的最优解集的质心C(t-1)减去t-2时刻的最优解集的质心C(t-2)得到向量d(t-1),即d(t-1)=C(t-1)-C(t-2),令C(t-1)+d(t-1)得到向量b,定义b与d(t)的夹角为cos-1cd,进而计算出cd;令cd与d(t)相乘计算出平移向量cdd(t);
2.根据权利要求1所述的基于迁移学习的油藏自动历史拟合系统,其特征在于:
数据读取模块,用于读取t+1时刻的油藏观测数据及t-2时刻、t-1时刻、t时刻历史拟合模型的优化结果,并将其输出至种群重新初始化模块;
种群重新初始化模块,用于在t+1时刻使用基于迁移学习的有方向性和随机变化的重新初始化策略对t时刻的优化结果进行处理,得到借鉴旧优化实例中历史拟合模型调整经验的初始种群,用于后续优化模块对于t+1时刻油藏模型的优化;
优化模块,用于根据油藏t+1时刻的观测数据和初始种群进行优化,得到当前时刻优化后的油藏模型静态参数,并将其输出至后续模拟计算模块;
模拟计算模块,用于对优化模块得到的油藏模型静态参数进行数值模拟计算,得到模拟生产结果即模拟数据,并将其输出至比较判断模块;
比较判断模块,用于将所述的当前时刻的模拟数据与观测数据进行比较,得到误差,判断所属误差是否低于预设误差值,若低于,则转至所述输出模块,否则,转至所述优化模块重新进行迭代计算;
输出模块,用于在所述误差低于预设误差值时,输出所述优化后的油藏历史拟合模型静态参数,即最终优化结果。
3.根据权利要求2所述的基于迁移学习的油藏自动历史拟合系统,其特征在于:所述优化模块具体包括构造单元、初始化单元、更新单元、判断单元、最优值输出单元;其中:
构造单元,用于构造油藏目标函数,所述目标函数针对于具体的油藏历史拟合模型构造要求决定;
初始化单元,用于初始化参数,并设置优化停止条件,所述参数至少包括迭代次数、种群规模;
更新单元,用于根据预设算法规则条件更新参考点、种群;
判断单元,用于判断是否满足所述优化停止条件,若满足,则转至最优值输出单元,否则转至所述更新单元;
最优值输出单元,用于将最优目标函数值以及所述最优目标函数值对应的优化后的油藏静态参数输出至模拟计算模块。
4.一种基于迁移学习的油藏自动历史拟合方法,采用权利要求1-3之一所述基于迁移学习的油藏自动历史拟合系统,其特征在于,包括以下步骤:
S1、读取观测数据和旧模型优化结果;
S2、对旧模型的优化结果进行种群重新初始化处理;所述S2具体包括:
S21、受控平移
根据t-2时刻、t-1时刻、t时刻的最优解集计算三个时刻最优解集的质心,分别为C(t-2),C(t-1),C(t),令C(t)-C(t-1)得到向量d(t),令C(t-1)-C(t-2)得到向量d(t-1);令C(t-1)+d(t-1)得到向量b,定义b与d(t)的夹角为cos-1cd,计算cd并进一步计算平移向量cdd(t);t时刻最优解集中的所有解,即t时刻优化后种群中的所有个体与平移向量相加,根据平移向量的大小和方向来重新定位;
跟踪t-2时刻、t-1时刻、t时刻的最优解集如何移动,为预测t+1时刻的新问题中的最优解集提供可被迁移的经验;首先计算t时刻优化后的种群个体的运动;如公式(2)所示,式中,C(t)和C(t-1)分别是t时刻和t-1时刻的种群个体的质心;
dt=C(t)-C(t-1) (2)
式中,0≤cd≤1表示d(t)作为d(t+1)估计值的可靠性,因为二者在大小和方向上都不同,真实的d(t+1)在此阶段还不能精确计算;分析d(t-1)对C(t)在时刻变化后的预测的价值;将C(t -1)直接按照d(t-1)的方向和大小移动可能接近于C(t)的准确值,但却到达了错误的X点;因此,||b||/||d(t-1)||能够计算d(t-1)对C(t)的预测的可靠性,使用此可靠性来预测C(t)沿着d(t)的方向平移得到的距离;
S22、定向变异
在平移向量cdd(t)的方向上对步骤S21处理后的所有的种群个体进行随机变异,其变化强度为平移向量的大小乘正态分布中采样的独立随机数向量采用方向变化作为随机变化的一种具体形式,以提高种群沿着d(t)方向平移得到的种群的多样性,具体如公式(4)所示:
式中,yj是经过受控平移和定向变异后的种群,是从正态分布中采样的独立随机数向量,其均值为1,标准差为σd;Ns为种群大小,为t时刻的旧优化解集中的第j个个体;标准差为1,如果yj不在搜索空间内,只需将yi重新定位到搜索空间内的最近点;重新定位过程检查yj的每一个元素是否均落在搜索空间内,若不在,则将其修改为该元素对应的上/下界值;
S23、随机变异
每个种群都经历均匀随机的变化,产生白噪声,强度由随机变化的大小决定;首先将t-1时刻实例的最优解集POS(t-1)转化为C(t-1)并将其移动,与C(t)的质心重合;然后从POS(t)中随机的一个解开始,找到POS(t-1)中最接近的对应解,两个对应解配对,并将其屏蔽以免被POS(t)中的任何其他解选择,直到两个解集中的所有解均完成配对,所有配对解间的平均距离被定义为它代表了随机变异的强度;
式中,cr为自定义值;为经过基于迁移学习的有方向性和随机变化的重新初始化策略处理后的t+1时刻的初始种群,用于t+1时刻油藏历史拟合模型的优化,它是使用截尾正态分布生成的,其中心是yj,标准差是σr,下界是搜索空间的下界,上界是搜索空间的上界;
S3、使用重新初始化后的种群进行进化优化计算和模拟计算。
5.根据权利要求4所述的基于迁移学习的油藏自动历史拟合方法,其特征在于,S1具体方法如下:采用迁移学习的油藏自动历史拟合系统中的数据读取模块实现,假设当前时刻为t+1时刻,此油藏目前所用的历史拟合模型属于t时刻模型,由于t+1时刻油藏发生变化或油藏模型加入新数据,需要构建针对t+1时刻油藏现状的历史拟合模型;读取t+1时刻的油藏观测数据,为判断优化结果是否满足要求提供准备;读取t-2时刻、t-1时刻、t时刻历史拟合模型的优化结果,借鉴其有用信息,为t+1时刻的优化过程建立初始种群。
6.根据权利要求5所述的基于迁移学习的油藏自动历史拟合方法,其特征在于,S2具体方法如下:采用迁移学习的油藏自动历史拟合系统中的种群重新初始化模块实现,对t时刻的油藏历史拟合模型的优化结果,使用基于迁移学习的有方向性和随机变化的重新初始化策略进行处理,提取t时刻的油藏历史拟合模型的优化结果中可借鉴的经验,构建t+1时刻案例的初始种群。
7.根据权利要求6所述的基于迁移学习的油藏自动历史拟合方法,其特征在于,S3具体方法如下:设定符合案例在t+1时刻具体要求的优化目标函数,具体优化指标包括净现值、产油量、产水量、含水率,公式(1)给出储层历史拟合模型的损失函数:
min{M=∑(Qobs-Qcal)2} (1)
式中,M是不匹配值;Qobs是油藏的真实观测数据;Qcal是涉及的基于迁移学习的油藏自动历史拟合系统中,模拟计算模块得到的模拟计算数据;
通过步骤S2得到的种群作为t+1时刻油藏历史拟合模型优化过程的初始种群,使用任一进化优化算法,包括PSO、NSGA-III,对t+1时刻的油藏历史拟合模型进行优化调参,得到t+1时刻的优化结果;进化优化计算采用迁移学习的油藏自动历史拟合系统中的优化模块实现;
将优化结果代入油藏数值模拟器中进行模拟计算,若观测数据与模拟数据的误差满足要求,则输出有效结果,反之继续进行迭代计算;采用迁移学习的油藏自动历史拟合系统中的模拟计算模块和比较判断模块实现。
8.根据权利要求7所述的基于迁移学习的油藏自动历史拟合方法,其特征在于,
具体的t+1时刻的油藏模型初始种群的计算方法如下:
①根据公式(2)计算平移向量;
②根据公式(3)计算cd;
③根据公式(4)计算yj,若其不在搜索空间内按照方法S22将yj修正;
④根据公式(5)计算种群重新初始化结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US17/540,861 US20220341306A1 (en) | 2020-11-25 | 2021-12-02 | Automatic history matching system and method for an oil reservoir based on transfer learning |
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN2020113380818 | 2020-11-25 | ||
CN202011338081 | 2020-11-25 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113158470A CN113158470A (zh) | 2021-07-23 |
CN113158470B true CN113158470B (zh) | 2022-09-23 |
Family
ID=76870955
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110454602.4A Active CN113158470B (zh) | 2020-11-25 | 2021-04-26 | 基于迁移学习的油藏自动历史拟合系统与方法 |
Country Status (2)
Country | Link |
---|---|
US (1) | US20220341306A1 (zh) |
CN (1) | CN113158470B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115481577B (zh) * | 2022-11-08 | 2023-04-25 | 中科数智能源科技(深圳)有限公司 | 一种基于随机森林和遗传算法的油藏自动历史拟合方法 |
CN116205164B (zh) * | 2023-04-27 | 2023-07-28 | 中国石油大学(华东) | 一种基于自适应基函数选择的多代理注采优化方法 |
CN116663654B (zh) * | 2023-07-31 | 2023-11-21 | 中国石油大学(华东) | 基于历史调控经验的时间窗口迁移强化学习注采优化方法 |
CN117171873B (zh) * | 2023-08-16 | 2024-05-14 | 小米汽车科技有限公司 | 车辆空气动力学优化方法、装置和车辆 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102279852A (zh) * | 2010-06-12 | 2011-12-14 | 中国石油化工股份有限公司 | 一种基于遗传算法的油藏自动历史拟合系统及其拟合方法 |
KR101657890B1 (ko) * | 2015-04-06 | 2016-09-20 | 서울대학교산학협력단 | 다목적 유전 알고리즘과 실물옵션에 기반한 저류층의 생산성 평가 방법 |
CN106295199A (zh) * | 2016-08-15 | 2017-01-04 | 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 |
CN111709526A (zh) * | 2020-05-19 | 2020-09-25 | 西安理工大学 | 一种基于多因子迁移学习的多模多目标演化算法 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7657494B2 (en) * | 2006-09-20 | 2010-02-02 | Chevron U.S.A. Inc. | Method for forecasting the production of a petroleum reservoir utilizing genetic programming |
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 |
CN106355003B (zh) * | 2016-08-26 | 2018-01-30 | 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 |
CN109902329B (zh) * | 2018-09-21 | 2023-06-02 | 长江大学 | 一种油藏模拟辅助历史拟合方法、系统、存储介质及设备 |
CN110414115B (zh) * | 2019-07-13 | 2023-01-20 | 沈阳农业大学 | 一种基于遗传算法的小波神经网络番茄产量预测方法 |
-
2021
- 2021-04-26 CN CN202110454602.4A patent/CN113158470B/zh active Active
- 2021-12-02 US US17/540,861 patent/US20220341306A1/en active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102279852A (zh) * | 2010-06-12 | 2011-12-14 | 中国石油化工股份有限公司 | 一种基于遗传算法的油藏自动历史拟合系统及其拟合方法 |
KR101657890B1 (ko) * | 2015-04-06 | 2016-09-20 | 서울대학교산학협력단 | 다목적 유전 알고리즘과 실물옵션에 기반한 저류층의 생산성 평가 방법 |
CN106295199A (zh) * | 2016-08-15 | 2017-01-04 | 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 |
CN111709526A (zh) * | 2020-05-19 | 2020-09-25 | 西安理工大学 | 一种基于多因子迁移学习的多模多目标演化算法 |
Non-Patent Citations (3)
Title |
---|
A methodology for the optimal design of gathering pipeline system in old oilfield during its phased development process;Guoxi He 等;《Computers & Industrial Engineering》;20190430;第130卷;第14-34页 * |
基于循环神经网络的油田特高含水期产量预测方法;王洪亮 等;《石油勘探与开发》;20201031;第47卷(第05期);第1009-1015页 * |
智能油田开发中的大数据及智能优化理论和方法研究现状及展望;张凯 等;《中国石油大学学报(自然科学版)》;20200730;第44卷(第04期);第28-38页 * |
Also Published As
Publication number | Publication date |
---|---|
CN113158470A (zh) | 2021-07-23 |
US20220341306A1 (en) | 2022-10-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113158470B (zh) | 基于迁移学习的油藏自动历史拟合系统与方法 | |
CN108960140B (zh) | 基于多区域特征提取和融合的行人再识别方法 | |
CN109948841B (zh) | 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 | |
CN114254561B (zh) | 一种内涝预测方法、系统及存储介质 | |
CN112017220B (zh) | 一种基于抗差约束最小二乘算法的点云精确配准方法 | |
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 | |
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 | |
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 | |
CN109241995A (zh) | 一种基于改进型ArcFace损失函数的图像识别方法 | |
CN110009528A (zh) | 一种基于最优结构多维泰勒网的参数自适应更新方法 | |
CN114881323A (zh) | 基于深度神经网络的基坑降水区地下水位预测与更新方法 | |
CN110516724A (zh) | 可视化作战场景的高性能多层字典学习特征图像处理方法 | |
CN115182398B (zh) | 一种地震预警区域的地下水位及地表沉降预测方法 | |
CN112185458B (zh) | 基于卷积神经网络预测蛋白和配体分子结合自由能的方法 | |
CN113947005B (zh) | 一种基于机器学习的试井解释方法及系统 | |
CN111191785A (zh) | 一种基于拓展搜索空间的结构搜索方法 | |
CN108320046A (zh) | 短期电力负荷预测建模方法 | |
CN109670195B (zh) | 融合单井敏感性局域化的EnKF油藏辅助历史拟合方法 | |
CN115310348A (zh) | 基于Stacking的灌浆量集成代理预测模型及预测方法 | |
CN108470189A (zh) | 基于对偶相似度模型的多域辐射源信息融合方法 | |
CN108256688B (zh) | 改进萤火虫算法优化grnn的蒸汽驱开发效果预测方法 | |
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 | |
Zhu et al. | Enhanced probabilistic spatiotemporal wind speed forecasting based on deep learning, quantile regression, and error correction | |
CN114996947A (zh) | 三维油藏数值模拟方法 | |
ElFelly et al. | A multimodel approach of complex systems identification and control using neural and fuzzy clustering algorithms |
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 |