CN114282725A - 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 - Google Patents
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 Download PDFInfo
- Publication number
- CN114282725A CN114282725A CN202111603079.3A CN202111603079A CN114282725A CN 114282725 A CN114282725 A CN 114282725A CN 202111603079 A CN202111603079 A CN 202111603079A CN 114282725 A CN114282725 A CN 114282725A
- Authority
- CN
- China
- Prior art keywords
- oil reservoir
- convolutional neural
- transient
- neural network
- agent model
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 48
- 230000001052 transient effect Effects 0.000 title claims abstract description 33
- 238000013135 deep learning Methods 0.000 title claims abstract description 15
- 238000010276 construction Methods 0.000 title description 3
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 53
- 238000004088 simulation Methods 0.000 claims abstract description 44
- 238000012549 training Methods 0.000 claims abstract description 16
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 8
- 238000012545 processing Methods 0.000 claims abstract description 8
- 238000004364 calculation method Methods 0.000 claims abstract description 7
- 230000006870 function Effects 0.000 claims description 15
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 claims description 4
- 230000010354 integration Effects 0.000 claims description 4
- 239000003795 chemical substances by application Substances 0.000 abstract description 24
- 238000013528 artificial neural network Methods 0.000 abstract description 8
- 239000003208 petroleum Substances 0.000 abstract description 2
- 230000035699 permeability Effects 0.000 description 22
- 230000000875 corresponding effect Effects 0.000 description 15
- 238000005516 engineering process Methods 0.000 description 4
- 238000005457 optimization Methods 0.000 description 4
- 230000008859 change Effects 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 238000011161 development Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000010913 used oil Substances 0.000 description 1
Images
Classifications
-
- 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
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了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,涉及石油工程领域,步骤如下:S1、对井点数据进行处理得到若干个无标签样本模型,若干个无标签样本模型组成无标签样本模型集合;S2、时间维度离散化,将无标签样本模型集合输入到卷积神经网络中进行训练,卷积神经网络集合作为深层卷积神经网络,用于构建瞬态油藏模拟的代理模型,选取出各时间步对应的残差最小化的网络组成优化卷积神经网络集合,构成瞬态油藏模拟的代理模型。本发明通过建立物理信息深度卷积神经网络算法,可以不依赖标签数据训练得到油藏代理模型,从而快速预测油藏数值模拟结果,显著提高计算效率。
Description
技术领域
本发明涉及石油工程领域,具体为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。
背景技术
油藏动态预测技术可以分析油藏动态变化,预测未来的变化趋势,以及时进行开发调整,油藏动态预测技术中的油藏数值模拟法的原理是运用偏微分方程组描述油藏的开采状态,通过计算机数值求解得到开发指标变化,是当前最常用的油藏预测方法。
考虑到数值模拟方法建模工作量大及计算效率低的问题,目前已有不少利用人工智能、神经网络来预测油藏的方法,如现有技术CN113052371A中所公开的基于深度卷积神经网络的剩余油分布预测方法,该预测方法需要借助油藏数值模拟技术建立网络模型训练所需的数据集,基于数据集的部分数据训练得到深度全卷积编码解码神经网络预测模型,之后基于数据集的剩余部分数据利用深度全卷积编码解码神经网络实现剩余油分布的直接预测。该预测方法在训练得到代理模型和油藏预测过程中均需要使用经常规数值模拟后得到的标签数据,可见,现有构建代理模型的神经网络算法依赖于大量标签数据,而标签数据的获取需依赖常规数值模拟,耗时较高,而且利用全连接神经网络拟合二维问题的效率低。因此,需要优化用于构建油藏代理模型的方法。
发明内容
本发明的目的是为了解决现有油藏数值模拟代理模型算法依赖大量标签数据的问题,通过建立物理信息深度卷积神经网络算法,可以不依赖标签数据训练得到代理模型,从而快速预测油藏数值模拟结果。
为实现以上目的,本发明通过以下技术方案予以实现:
基于深度学习的瞬态油藏代理模型的构建方法,包括以下步骤:
S1、对井点数据进行处理得到若干个无标签样本模型,若干个无标签样本模型组成无标签样本模型集合;
S2、时间维度离散化,将无标签样本模型集合输入到卷积神经网络中进行训练,每个卷积神经网络对应一个时间步,卷积神经网络集合作为深层卷积神经网络,用于构建瞬态油藏模拟的代理模型,选取出各时间步对应的残差最小化的网络组成优化卷积神经网络集合,构成瞬态油藏模拟的代理模型。
优选的,S1中所述的处理过程为:基于同一井点数据利用随机模拟方法随机建立若干个各不相同的无标签样本模型,随机模拟方法为序贯高斯模拟、直接序贯模拟、序贯高斯协模拟和直接序贯协模拟其中的一种。
优选的,所述S2中包括:
S2.1、基于向后欧拉方法将时间维度离散化,将无标签样本模型集合输入到卷积神经网络得到输出;
S2.2、将输出代入到对应时间步的控制方程中计算其残差;
S2.3、利用Adam算法优化网络参数使得残差降低,得到使得残差最小化的网络,并得到对应时间步的流场;
S2.4、对后续时间步重复S2.1~S2.3,每个时间步的控制方程残差计算需基于上一个时间步的流场;
S2.5、选取每个时间步中使得残差最小化的优化网络为对应时间步的代理模型,代理模型中的优化卷积神经网络与时间步一一对应,所有时间步的优化卷积神经网络作为用于构建瞬态油藏模拟的代理模型。
优选的,所述S2.2中的残差计算是利用有限体积法和隐式时间积分。
优选的,所述S2.5中的深层卷积神经网络的构建是将不同时间步的卷积神经网络之间通过损失函数相互关联。
优选的,损失函数采用将空间维度基于有限体积法离散化用于计算控制方程残差的近似解。
基于深度学习的瞬态油藏代理模型的油藏预测方法,利用所构建的油藏代理模型预测同一油藏任意时刻的瞬态油藏分布,将基于同一井点数据获取的若干个新无标签样本模型输入任一时间步时刻的卷积神经网络中,得到对应时间步时刻的流场。
有益效果
相比于现有技术,本发明的技术效果为:使用本发明技术方案可以不依赖标签数据训练得到油藏代理模型,从而快速预测油藏数值模拟结果,显著提高计算效率。
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为本发明提供的基于深度学习的瞬态油藏代理模型的构建方法的流程图;
图2为本发明具体实施例中随机产生的多个渗透率模型之二;
图3是本发明训练得到瞬态油藏数值模拟代理模型的流程图;
图4为本发明具体实施例中用于构建代理模型的深层卷积神经网络结构和训练过程;
图5为本发明具体实施例中构建的油藏代理模型在100个渗透率模型上预测压力分布的相对误差图。
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。
如图1所示,本发明公开了基于深度学习的瞬态油藏代理模型的构建方法,包括以下步骤:
S1、对井点数据进行处理得到若干个无标签样本模型,若干个无标签样本模型组成无标签样本模型集合;
S2、时间维度离散化,将无标签样本模型集合输入到卷积神经网络中进行训练,每个卷积神经网络对应一个时间步,卷积神经网络集合作为深层卷积神经网络,用于构建瞬态油藏模拟的代理模型,选取出各时间步对应的残差最小化的网络组成优化卷积神经网络集合,构成瞬态油藏模拟的代理模型。
在本发明的一个实施例中,井点数据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等,以渗透率分布为例,选取的井点数据为渗透率数据,经处理得到对应无标签样本模型为油藏渗透率模型。
进一步优化方案,S1中的处理过程为:基于同一井点数据利用随机模拟方法随机建立若干个各不相同的无标签样本模型,随机模拟方法为序贯高斯模拟、直接序贯模拟、序贯高斯协模拟和直接序贯协模拟其中的一种。在本实施例中,井点数据为渗透率,基于相同的渗透率数据利用序贯高斯模拟建立1000个各不相同的油藏渗透率模型,并将所有的油藏渗透率模型组成一个无标签样本模型集合,利用序贯高斯模拟建立的其中两个油藏渗透率模型如图2所示。
进一步优化方案,如图3所示,S2中包括:
S2.1、基于向后欧拉方法将时间维度离散化,将无标签样本模型集合输入到卷积神经网络得到输出;
S2.2、将输出代入到对应时间步的控制方程中计算其残差,残差的计算利用有限体积法和隐式时间积分;
S2.3、利用Adam算法优化网络参数使得残差降低,得到使得残差最小化的网络,并得到对应时间步的流场;
S2.4、对后续时间步重复S2.1~S2.3,每个时间步的控制方程残差计算需基于上一个时间步的流场;
S2.5、选取每个时间步中使得残差最小化的优化网络为对应时间步的代理模型,代理模型中的优化卷积神经网络与时间步一一对应,所有时间步的优化卷积神经网络作为用于构建瞬态油藏模拟的代理模型。
进一步优化方案,S2.5中的深层卷积神经网络的构建是将不同时间步的卷积神经网络之间通过损失函数相互关联。
在本发明的一些实施例中,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,其中均方误差损失函数(MSE)的构建是先将控制方程分别在空间和时间上用有限差分和向后欧拉方法离散化,因此上一步的流场包含在下一步的损失函数中,然后将神经网络输出代入到损失函数中计算均方根误差。本发明的实施例中采用的是均方误差损失函数(MSE)。
进一步优化方案,损失函数采用将空间维度基于有限体积法离散化用于计算控制方程残差的近似解。
本发明实施例中,构建深层卷积神经网络进行训练,如图3和图4所示。基于向后欧拉方法将时间维度离散化,每个卷积神经网络(CNN)对应一个时间步,所有时间步的CNN构成深层CNN,作为瞬态油藏模拟的代理模型。每个CNN的输入都是渗透率分布,即油藏渗透率模型,输出是对应时间步的流场,本实施例中针对流场信息选用的是压力分布,且只作用于单一时间步。
首先,将油藏渗透率模型集合输入到第一个CNN中得到输出,其次,将输出代入对应第一个时间步t1的控制方程中利用有限体积法和隐式时间积分计算其残差,第三,利用Adam算法优化网络参数使得残差降低,选取使得残差最小化的CNN作为第一个时间步t1的代理模型,并得到第一个时间步t1的压力分布,对后续时间步t(n+1)(n=1,2,3,……)重复第一到三步,每个时间步tn的控制方程残差计算需基于上一个时间步t(n-1)的流场,且不同时间步tn的CNN之间通过损失函数相互关联,将空间维度基于有限体积法离散化用于计算控制方程残差的近似解作为损失函数。最终每个时间步tn使得残差最小化的CNN为此时间步tn的代理模型,所有时间步tn的代理模型构成用于预测瞬态油藏的油藏代理模型。需要说明的是,第一个CNN的训练需要设置初始压力,初始压力包含在损失函数中,影响第一个CNN的训练。
本实施例中,第一个时间步的CNN训练1200epochs,其余时间步训练300epochs。
对于同一油藏的新无标签样本模型,可应用上述训练得到的瞬态油藏代理模型快速预测对应时间步的流场。利用训练好的一组CNN作为代理模型预测新油藏渗透率模型的压力分布。将基于同一井点数据获取的若干个新无标签样本模型输入任一时间步时刻的卷积神经网络中,得到对应时间步时刻的流场。在本实施例中,基于同一油藏的渗透率数据利用序贯高斯模拟建立新的油藏渗透率模型,共100个,新的油藏渗透率模型各不相同且与训练中使用的1000个油藏渗透率模型也不同,可将新油藏渗透率模型输入对应tn时刻的CNN,得到tn时刻的压力分布,如图5所示,通过本发明方法构建的油藏代理模型,在100个渗透率模型上预测得到的压力分布与基于同一油藏渗透率模型的常规有限差分数值模拟结果的相对误差总体在1.2%以内。证实所建立的瞬态油藏代理模型具有较高的预测准确率,且不依赖标签数据,计算效率显著提高。
以上显示和描述了本发明的基本原理、主要特征和优点。本行业的技术人员应该了解,本发明不受上述实施例的限制,上述实施例和说明书中描述的只是说明本发明的原理,在不脱离本发明精神和范围的前提下,本发明还会有各种变化和改进,这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等效物界定。
Claims (7)
1.基于深度学习的瞬态油藏代理模型的构建方法,其特征在于,包括以下步骤:
S1、对井点数据进行处理得到若干个无标签样本模型,若干个无标签样本模型组成无标签样本模型集合;
S2、时间维度离散化,将无标签样本模型集合输入到卷积神经网络中进行训练,卷积神经网络集合作为深层卷积神经网络,用于构建瞬态油藏模拟的代理模型,选取出各时间步对应的残差最小化的网络组成优化卷积神经网络集合,构成瞬态油藏模拟的代理模型。
2.根据权利要求1所述的基于深度学习的瞬态油藏代理模型的构建方法,其特征在于,S1中所述的处理过程为:基于同一井点数据利用随机模拟方法随机建立若干个各不相同的无标签样本模型,随机模拟方法为序贯高斯模拟、直接序贯模拟、序贯高斯协模拟和直接序贯协模拟其中的一种。
3.根据权利要求1所述的基于深度学习的瞬态油藏代理模型的构建方法,其特征在于,所述S2中包括:
S2.1、基于向后欧拉方法将时间维度离散化,将无标签样本模型集合输入到卷积神经网络得到输出;
S2.2、将输出代入到对应时间步的控制方程中计算其残差;
S2.3、利用Adam算法优化网络参数使得残差降低,得到使得残差最小化的网络,并得到对应时间步的流场;
S2.4、对后续时间步重复S2.1~S2.3,每个时间步的控制方程残差计算需基于上一个时间步的流场;
S2.5、选取每个时间步中使得残差最小化的优化网络为对应时间步的代理模型,代理模型中的优化卷积神经网络与时间步一一对应,所有时间步的优化卷积神经网络作为用于构建瞬态油藏模拟的代理模型。
4.根据权利要求3所述的基于深度学习的瞬态油藏代理模型的构建方法,其特征在于,所述S2.2中的残差计算是利用有限体积法和隐式时间积分。
5.根据权利要求3所述的基于深度学习的瞬态油藏代理模型的构建方法,其特征在于,所述S2.5中的深层卷积神经网络的构建是将不同时间步的卷积神经网络之间通过损失函数相互关联。
6.根据权利要求5所述的基于深度学习的瞬态油藏代理模型的构建方法,其特征在于,损失函数采用将空间维度基于有限体积法离散化用于计算控制方程残差的近似解。
7.基于深度学习的瞬态油藏代理模型的油藏预测方法,其特征在于,利用权利要求1-6任一项所构建的油藏代理模型预测同一油藏任意时刻的瞬态油藏分布,将基于同一井点数据获取的若干个新无标签样本模型输入任一时间步时刻的卷积神经网络中,得到对应时间步时刻的流场。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111603079.3A CN114282725B (zh) | 2021-12-24 | 2021-12-24 | 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 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111603079.3A CN114282725B (zh) | 2021-12-24 | 2021-12-24 | 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 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114282725A true CN114282725A (zh) | 2022-04-05 |
CN114282725B CN114282725B (zh) | 2024-08-09 |
Family
ID=80875337
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111603079.3A Active CN114282725B (zh) | 2021-12-24 | 2021-12-24 | 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 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114282725B (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114492213A (zh) * | 2022-04-18 | 2022-05-13 | 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 |
CN115204530A (zh) * | 2022-09-16 | 2022-10-18 | 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 |
CN116384712A (zh) * | 2023-06-05 | 2023-07-04 | 青岛理工大学 | 一种联动智能注采装置的差异化实时注采优化调控方法 |
CN116644662A (zh) * | 2023-05-19 | 2023-08-25 | 之江实验室 | 一种基于知识嵌入神经网络代理模型的布井优化方法 |
CN117236158A (zh) * | 2023-08-03 | 2023-12-15 | 中国石油大学(华东) | 一种基于物理意义神经网络的页岩气藏数值模拟方法 |
Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108318921A (zh) * | 2018-01-11 | 2018-07-24 | 中国石油大学(华东) | 一种基于横向约束的快速地震随机反演方法 |
CN109388484A (zh) * | 2018-08-16 | 2019-02-26 | 广东石油化工学院 | 一种基于Deep Q-network算法的多资源云作业调度方法 |
CN110210644A (zh) * | 2019-04-17 | 2019-09-06 | 浙江大学 | 基于深度神经网络集成的交通流量预测方法 |
CN110443127A (zh) * | 2019-06-28 | 2019-11-12 | 天津大学 | 结合残差卷积结构和循环神经网络的乐谱图像识别方法 |
WO2021007812A1 (zh) * | 2019-07-17 | 2021-01-21 | 深圳大学 | 一种深度神经网络超参数优化方法、电子设备及存储介质 |
CN112365724A (zh) * | 2020-04-13 | 2021-02-12 | 北方工业大学 | 一种基于深度强化学习的连续交叉口信号协同控制方法 |
CN112541572A (zh) * | 2020-11-25 | 2021-03-23 | 中国石油大学(华东) | 基于卷积编码器-解码器网络的剩余油分布预测方法 |
CN113052371A (zh) * | 2021-03-16 | 2021-06-29 | 中国石油大学(华东) | 基于深度卷积神经网络的剩余油分布预测方法及装置 |
CN113487115A (zh) * | 2021-08-09 | 2021-10-08 | 长江大学 | 一种蒸汽驱油藏温度场的预测方法及系统 |
CN113486556A (zh) * | 2021-07-08 | 2021-10-08 | 山东大学 | 一种改进的油气藏高效自动历史拟合方法 |
CN113568056A (zh) * | 2021-07-16 | 2021-10-29 | 北京大学 | 一种基于卷积神经网络的航空瞬变电磁数据反演方法 |
US20210350208A1 (en) * | 2020-05-11 | 2021-11-11 | China University Of Petroleum (East China) | Method and device for predicting production performance of oil reservoir |
CN113687424A (zh) * | 2021-09-03 | 2021-11-23 | 中国石油大学(华东) | 一种基于深度学习的碳酸盐岩断缝洞结构地震表征方法 |
-
2021
- 2021-12-24 CN CN202111603079.3A patent/CN114282725B/zh active Active
Patent Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108318921A (zh) * | 2018-01-11 | 2018-07-24 | 中国石油大学(华东) | 一种基于横向约束的快速地震随机反演方法 |
CN109388484A (zh) * | 2018-08-16 | 2019-02-26 | 广东石油化工学院 | 一种基于Deep Q-network算法的多资源云作业调度方法 |
CN110210644A (zh) * | 2019-04-17 | 2019-09-06 | 浙江大学 | 基于深度神经网络集成的交通流量预测方法 |
CN110443127A (zh) * | 2019-06-28 | 2019-11-12 | 天津大学 | 结合残差卷积结构和循环神经网络的乐谱图像识别方法 |
WO2021007812A1 (zh) * | 2019-07-17 | 2021-01-21 | 深圳大学 | 一种深度神经网络超参数优化方法、电子设备及存储介质 |
CN112365724A (zh) * | 2020-04-13 | 2021-02-12 | 北方工业大学 | 一种基于深度强化学习的连续交叉口信号协同控制方法 |
US20210350208A1 (en) * | 2020-05-11 | 2021-11-11 | China University Of Petroleum (East China) | Method and device for predicting production performance of oil reservoir |
CN112541572A (zh) * | 2020-11-25 | 2021-03-23 | 中国石油大学(华东) | 基于卷积编码器-解码器网络的剩余油分布预测方法 |
CN113052371A (zh) * | 2021-03-16 | 2021-06-29 | 中国石油大学(华东) | 基于深度卷积神经网络的剩余油分布预测方法及装置 |
CN113486556A (zh) * | 2021-07-08 | 2021-10-08 | 山东大学 | 一种改进的油气藏高效自动历史拟合方法 |
CN113568056A (zh) * | 2021-07-16 | 2021-10-29 | 北京大学 | 一种基于卷积神经网络的航空瞬变电磁数据反演方法 |
CN113487115A (zh) * | 2021-08-09 | 2021-10-08 | 长江大学 | 一种蒸汽驱油藏温度场的预测方法及系统 |
CN113687424A (zh) * | 2021-09-03 | 2021-11-23 | 中国石油大学(华东) | 一种基于深度学习的碳酸盐岩断缝洞结构地震表征方法 |
Non-Patent Citations (1)
Title |
---|
吴君达;李治平;孙妍;曹旭升;: "基于神经网络的剩余油分布预测及注采参数优化", 油气地质与采收率, vol. 27, no. 04, 31 July 2020 (2020-07-31), pages 1 - 7 * |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114492213A (zh) * | 2022-04-18 | 2022-05-13 | 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 |
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 |
CN115204530A (zh) * | 2022-09-16 | 2022-10-18 | 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 |
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 |
CN116644662A (zh) * | 2023-05-19 | 2023-08-25 | 之江实验室 | 一种基于知识嵌入神经网络代理模型的布井优化方法 |
CN116644662B (zh) * | 2023-05-19 | 2024-03-29 | 之江实验室 | 一种基于知识嵌入神经网络代理模型的布井优化方法 |
CN116384712A (zh) * | 2023-06-05 | 2023-07-04 | 青岛理工大学 | 一种联动智能注采装置的差异化实时注采优化调控方法 |
CN116384712B (zh) * | 2023-06-05 | 2023-09-15 | 青岛理工大学 | 一种联动智能注采装置的差异化实时注采优化调控方法 |
CN117236158A (zh) * | 2023-08-03 | 2023-12-15 | 中国石油大学(华东) | 一种基于物理意义神经网络的页岩气藏数值模拟方法 |
Also Published As
Publication number | Publication date |
---|---|
CN114282725B (zh) | 2024-08-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114282725B (zh) | 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 | |
CN111400620B (zh) | 基于时空嵌入Self-Attention的用户轨迹位置预测方法 | |
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 | |
Bao et al. | Adaptive subset searching-based deep neural network method for structural reliability analysis | |
Galluppi et al. | Real time on-chip implementation of dynamical systems with spiking neurons | |
CN110210654A (zh) | 产品模型设计系统及方法 | |
Calvette et al. | Forecasting smart well production via deep learning and data driven optimization | |
CN113779882A (zh) | 设备剩余使用寿命的预测方法、装置、设备及存储介质 | |
Cox | Syntactically informed text compression with recurrent neural networks | |
Yuan et al. | Continuous-time prediction of industrial paste thickener system with differential ODE-net | |
CN110263917B (zh) | 一种神经网络压缩方法及装置 | |
Xu et al. | Quality prediction model based on novel elman neural network ensemble | |
CN117236158B (zh) | 一种基于物理意义神经网络的页岩气藏数值模拟方法 | |
Dall’Aqua et al. | Guided Deep Learning Manifold Linearization of Porous Media Flow Equations | |
CN116992607A (zh) | 一种结构拓扑优化方法、系统及装置 | |
CN117057265A (zh) | 一种基于迁移学习和离散物理信息神经网络的流场预测方法 | |
CN116822337A (zh) | 一种递推物理信息深度学习的流固耦合系统预测方法 | |
CN117131979A (zh) | 基于有向超图及注意力机制的交通流速度预测方法及系统 | |
Totounferoush et al. | Partitioned deep learning of fluid-structure interaction | |
WO2023212390A1 (en) | Neural network methods | |
CN116628444A (zh) | 一种基于改进元学习的水质预警方法 | |
CN113377907B (zh) | 基于记忆掩码自注意力网络的端到端任务型对话系统 | |
CN112667394A (zh) | 一种计算机资源利用率优化方法 | |
Decke et al. | From Structured to Unstructured: A Comparative Analysis of Computer Vision and Graph Models in solving Mesh-based PDEs | |
CN117667606B (zh) | 基于用户行为的高性能计算集群能耗预测方法及系统 |
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 |