CN114297940B - 确定非稳态储层参数的方法及装置 - Google Patents

Abstract

本申请公开一种确定非稳态储层参数的方法及装置。该方法包括：获得待解释点的目标储层参数在第一时刻的参数值，其中，目标储层参数的参数值随时间变化的规律能够以目标储层参数相对于关联参数的偏微分方程表示；将目标储层参数在第一时刻的参数值输入完成训练的卷积神经网络，得到待解释点的目标储层参数在第二时刻的参数值。其中，卷积神经网络采用分步近似的方案，对于偏微分方程中的高阶微分算子，是利用多个卷积核进行模拟，这使得卷积神经网络的表达能力更强，能够表达更加复杂的偏微分方程，能够大幅度地提高非稳态储层参数的解释精度。

Description

确定非稳态储层参数的方法及装置

技术领域

本申请属于油气藏开采技术领域，尤其涉及一种确定非稳态储层参数的方法及装置。

背景技术

在油藏勘探开发技术中，储层参数是油藏描述的核心，同时储层参数也是油藏评价研究中的重要参数和依据。目前，研究人员开始利用机器学习算法对储层参数进行预测。

但是，申请人发现目前利用机器学习算法预测储层参数的方案存在一定不足，例如，解释精度较低。

发明内容

有鉴于此，本申请的目的在于提供一种确定非稳态储层参数的方法及装置，以提高非稳态储层参数的解释精度。

为实现上述目的，本申请提供如下技术方案：

本申请提供一种确定非稳态储层参数的方法，包括：

获得待解释点的目标储层参数在第一时刻的参数值，其中，所述目标储层参数的参数值随时间变化的规律能够以所述目标储层参数相对于关联参数的偏微分方程表示；

将所述目标储层参数在第一时刻的参数值输入完成训练的卷积神经网络，得到所述卷积神经网络输出的所述待解释点的目标储层参数在第二时刻的参数值；

其中，所述卷积神经网络包括M个卷积层和1个全连接层，M的值为所述偏微分方程的阶数，第1个卷积层的输入为所述目标储层参数在所述第一时刻的参数值，第i个卷积层的输出作为第i+1个卷积层的输入，i＝1,2，…M-1，第i个卷积层包括Nⁱ个卷积核，N为所述关联参数的数量加1，所述第1个卷积层的N个卷积核分别用于计算输入的0阶偏导、以及计算输入相对于各个关联参数的一阶偏导，第i个卷积层中的每个卷积核与第i+1个卷积层中的N个卷积核相连，并且，第i+1个卷积层中的每个卷积核只与第i个卷积层中的一个卷积核相连，第i+1个卷积层中与第i个卷积层中同一个卷积核相连的N个卷积核分别用于计算输入的0阶偏导、以及计算输入相对于各个关联参数的一阶偏导；所述全连接层对第M个卷积层的输出进行运算，得到所述目标储层参数在单位时间内的变化量；根据所述变化量和所述第1个卷积层的输入，得到所述目标储层参数在第二时刻的参数值。

可选的，所述卷积神经网络的训练过程，包括：

获得多个训练样本，所述训练样本包括所述储层内的采样点的目标储层参数在第一时间点的参数值，所述训练样本具有标签，所述标签包括所述采样点的目标储层参数在第一时间点之后的第二时间点的参数值；

利用预先构建的卷积神经网络对所述训练样本进行预测，得到预测结果，所述预测结果包括采样点的目标储层参数在第一时间点之后的第二时间点的预测参数值；

根据所述训练样本的标签和预测结果之间的误差，调整所述卷积神经网络的参数，直至调整后的卷积神经网络满足预设的收敛条件。

可选的，所述收敛条件包括：损失函数的值小于预设的阈值。

可选的，所述收敛函数为：loss＝||MSE_f||+||MSE_u||；

其中，||MSE_u||为所述训练样本的标签和预测结果的均方误差，||MSE_f||为所述偏微分方程的约束。

本申请还提供一种确定非稳态储层参数的装置，包括：

参数获取单元，用于获得待解释点的目标储层参数在第一时刻的参数值，其中，所述目标储层参数的参数值随时间变化的规律能够以所述目标储层参数相对于关联参数的偏微分方程表示；

参数预测单元，用于将所述目标储层参数在第一时刻的参数值输入完成训练的卷积神经网络，得到所述卷积神经网络输出的所述待解释点的目标储层参数在第二时刻的参数值；

其中，所述卷积神经网络包括M个卷积层和1个全连接层，M的值为所述偏微分方程的阶数，第1个卷积层的输入为所述目标储层参数在所述第一时刻的参数值，第i个卷积层的输出作为第i+1个卷积层的输入，i＝1,2，…M-1，第i个卷积层包括Nⁱ个卷积核，N为所述关联参数的数量加1，所述第1个卷积层的N个卷积核分别用于计算输入的0阶偏导、以及计算输入相对于各个关联参数的一阶偏导，第i个卷积层中的每个卷积核与第i+1个卷积层中的N个卷积核相连，并且，第i+1个卷积层中的每个卷积核只与第i个卷积层中的一个卷积核相连，第i+1个卷积层中与第i个卷积层中同一个卷积核相连的N个卷积核分别用于计算输入的0阶偏导、以及计算输入相对于各个关联参数的一阶偏导；所述全连接层对第M个卷积层的输出进行运算，得到所述目标储层参数在单位时间内的变化量；根据所述变化量和所述第1个卷积层的输入，得到所述目标储层参数在第二时刻的参数值。

可选的，还包括训练单元，用于：

获得多个训练样本，所述训练样本包括所述储层内的采样点的目标储层参数在第一时间点的参数值，所述训练样本具有标签，所述标签包括所述采样点的目标储层参数在第一时间点之后的第二时间点的参数值；利用预先构建的卷积神经网络对所述训练样本进行预测，得到预测结果，所述预测结果包括采样点的目标储层参数在第一时间点之后的第二时间点的预测参数值；根据所述训练样本的标签和预测结果之间的误差，调整所述卷积神经网络的参数，直至调整后的卷积神经网络满足预设的收敛条件。

由此可见，本申请的有益效果为：

本申请公开的确定非稳态储层参数的方法，预先完成训练的卷积神经网络包括M个卷积层(M为偏微分方程的阶数)和1个全连接层，第i个卷积层包括Nⁱ个卷积核(N为偏微分方程中关联参数的数量加1)；第1个卷积层的输入为目标储层参数在第一时刻的参数值，第i个卷积层的输出作为第i+1个卷积层的输入，第1个卷积层的N个卷积核分别用于计算输入的0阶偏导、以及计算输入相对于各个关联参数的一阶偏导；第i个卷积层中的每个卷积核与第i+1个卷积层中的N个卷积核相连，并且，第i+1个卷积层中的每个卷积核只与第i个卷积层中的一个卷积核相连，第i+1个卷积层中与第i个卷积层中同一个卷积核相连的N个卷积核分别用于计算输入的0阶偏导、以及计算输入相对于各个关联参数的一阶偏导；全连接层对第M个卷积层的输出进行运算，得到目标储层参数在单位时间内的变化量；之后根据该变化量和第1个卷积层的输入，得到目标储层参数在第二时刻的参数值。卷积神经网络采用分步近似的方案，对于偏微分方程中的高阶微分算子，是利用多个卷积核进行模拟，这使得卷积神经网络的表达能力更强，能够表达更加复杂的偏微分方程，能够大幅度地提高非稳态储层参数的解释精度。

附图说明

为了更清楚地说明本申请实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1为本申请公开的一种确定非稳态储层参数的方法的流程图；

图2为本申请公开的一个卷积神经网络的结构示意图；

图3为本申请公开的训练卷积神经网络的方法的流程图；

图4为本申请公开的一种确定非稳态储层参数的装置的结构示意图。

具体实施方式

为使本申请实施例的目的、技术方案和优点更加清楚，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。

本申请提供一种确定非稳态储层参数的方法及装置，以提高非稳态储层参数的解释精度。为了便于理解本申请公开的方案，首先对本申请中涉及的术语和技术进行说明。

非稳态偏微分方程：偏微分方程所控制的系统状态随时间的变化而变化。其通用格式表示为u_t(t,x)＝F(x,u_x,u_xx,...)，其中x∈R^d,d＝1,2,3···。给定一系列时空测量值{u(t,·):t＝t₀,t₁,···}，训练卷积神经网络作为非稳态偏微分方程的求解器，以获得更多的时间状态解。

受限卷积核：受限卷积核可以用来近似(也就是模拟)偏微分方程中的微分算子，根据小波理论中消失矩的阶相关定义。通过约束卷积核消失矩的阶以实现卷积核约束，并用该受限卷积核模拟固定阶数的微分算子。对于d维卷积核q，矩矩阵其中：

q与M(q)之间存在对应关系，可以通过约束M(q)使得卷积核受限。α阶微分算子可以由α阶消失矩的阶的卷积核模拟，卷积核为由M(q)约束的卷积核。

例如，对于一阶微分算子用3×3的卷积核q模拟，约束M(q)为/>和*表示可训练参数，M(q)对应的受限的卷积核q均可模拟一阶微分算子，区别在于精度不同。

分步近似：高阶微分算子有不同的近似方式，一步近似和分步近似。其中，一步近似是指：对于任意阶的高阶微分算子，利用一个卷积核模拟该高阶微分算子。分步近似是指：分多次低阶约束卷积核近似高阶微分算子，也就是说，对高阶微分算子进行分步处理，得到多个一阶微分算子，经过分步处理得到的每一个一阶微分算子用一个卷积核模拟。

对于α阶微分算子的一步近似方式：

其中卷积核q[k]有约束max_order＝α.

在分步求导的思想下，分步近似方式表示为:

其中，卷积核q₁[k]和q₂[k]分别有约束max_order＝α₁和max_order＝α₂且α₁+α₂＝α。

参见图1，图1为本申请公开的一种确定非稳态储层参数的方法的流程图。该方法由具有计算能力的电子设备执行，例如用户使用的终端，或者向用户提供服务的服务器。该方法具体包括：

S101：获得待解释点的目标储层参数在第一时刻的参数值。

其中，非稳态储层是指处于开采过程中的储层。非稳态储层的目标储层参数的参数值随时间变化的规律能够以所述目标储层参数相对于关联参数的偏微分方程表示。

某些储层参数的参数值随时间变化的规律可以用该储层参数相对于关联参数的偏微分方程表示。例如，地层压力的参数值随时间变化的规律可以用渗流方程表示，渗流方程是一个偏微分方程。

在本申请中，如果储层参数的参数值随时间变化的规律可以用该储层参数相对于关联参数的偏微分方程表示，那么该储层参数可以作为本申请中的目标储层参数。实施中，目标储层参数包括地层压力、井底压力、流量等。

需要说明的是，用于描述目标储层参数的参数值随时间变化的规律的偏微分方程包括常数项和多个微分算子，多个微分算子通常包含一阶微分算子和高阶微分算子。其中，高于一阶的微分算子均称为高阶微分算子，例如，二阶微分算子、三阶微分算子或者更高阶的微分算子均称为高阶微分算子。

待解释点为非稳态储层中的任意点。待解释点的目标储层参数在第一时刻的参数值可以是实测出的参数值，也可以是通过其他方案确定出的具有较高准确度的参数值。

实施中，用户可以在电子设备上输入待解释点的位置、以及待解释点的目标储层参数在第一时刻的参数值。或者，用户在电子设备上输入待解释点的位置、以及第一时刻，由电子设备从预存的数据中查找该待解释点在第一时刻的参数值。

S102：将目标储层参数在第一时刻的参数值输入完成训练的卷积神经网络，得到卷积神经网络输出的待解释点的目标储层参数在第二时刻的参数值。其中，第二时刻位于第一时刻之后，第一时刻与第二时刻之间的时间间隔为预设的单位时间。

其中，卷积神经网络包括M个卷积层和1个全连接层，M的值为偏微分方程的阶数。第1个卷积层的输入为目标储层参数在第一时刻的参数值，第i个卷积层的输出作为第i+1个卷积层的输入，i＝1,2，…M-1。第i个卷积层包括Nⁱ个卷积核，N为关联参数的数量加1。第1个卷积层的N个卷积核分别用于计算输入的0阶偏导、以及计算输入相对于各个关联参数的一阶偏导。第i个卷积层中的每个卷积核与第i+1个卷积层中的N个卷积核相连，并且，第i+1个卷积层中的每个卷积核只与第i个卷积层中的一个卷积核相连。第i+1个卷积层中与第i个卷积层中同一个卷积核相连的N个卷积核分别用于计算输入的0阶偏导、以及计算输入相对于各个关联参数的一阶偏导。

全连接层对第M个卷积层的输出进行运算，得到目标储层参数在单位时间内的变化量。之后，根据该变化量和第1个卷积层的输入，得到目标储层参数在第二时刻的参数值。

下面以偏微分方程为例，对本申请中的卷积神经网络进行说明。

在上述偏微分方程中，u为地层压力，x和y为地层压力的关联参数，A为常数项。该偏微分方程的阶数为2，关联参数的数量为2，即，该偏微分方程的维度为2。请结合图2，图2示出了卷积神经网络的结构。

该卷积神经网络包括2个卷积层和1个全连接层。

第1个卷积层包括3个卷积核，第2个卷积层包括9个卷积核。第1个卷积层的输入为地层压力在第一时刻的参数值，记为第1个卷积层的输出作为第2个卷积层的输入。第1个卷积层中的第1个卷积核用于计算输入的0阶偏导，第1个卷积层中的第2个卷积核用于计算输入相对于关联参数x的一阶偏导，第1个卷积层中的第3个卷积核用于计算输入相对于关联参数y的一阶偏导。第1个卷积层中的每个卷积核与第2个卷积层中的3个卷积核相连，并且，第2个卷积层中的每个卷积核只与第1个卷积层中的1个卷积核相连。第2个卷积层中与第1个卷积层中同一个卷积核相连的3个卷积核分别用于计算输入的0阶偏导、计算输入相对于关联参数x的一阶偏导、计算输入相对于关联参数y的一阶偏导。

也可以理解为：将第2个卷积层中的9个卷积核划分为3个卷积核组，每个卷积核组包括3个卷积核。第1个卷积层中的第1个卷积核与第2个卷积层中第1个卷积核组中的3个卷积核相连，第1个卷积层中的第2个卷积核与第2个卷积层中第2个卷积核组中的3个卷积核相连，第1个卷积层中的第3个卷积核与第2个卷积层中第3个卷积核组中的3个卷积核相连。第2个卷积层中，每个卷积核组中的第1个卷积核用于计算输入的0阶偏导，每个卷积核组中的第2个卷积核用于计算输入相对于关联参数x的一阶偏导，每个卷积核组中的第3个卷积核用于计算输入相对于关联参数y的一阶偏导。

全连接层与第2个卷积层中的9个卷积核相连。也就是说，全连接层的输入包括第2个卷积层的全部输出。全连接层用于：对第2个卷积层的9个输出进行加权求和，计算出地层压力在单位时间Δt内的变化量之后，基于第1个卷积层的输入和全连接层的输出，得到地层压力在第二时刻的参数值，记为/>

实施中，将卷积神经网络的输出再次输入卷积神经网络，就可以得到地层压力在下一时刻的参数值/>多次重复该过程，就可以得到地层压力在第一时刻之后的多个时刻的参数值。

实施中，用户可以设定第一时刻和目标时刻，由电子设备多次重复上述过程，直至得到地层压力在该目标时刻的参数值。

可以理解的是，全连接层对第M个卷积层中各个卷积核的输出进行加权求和的过程，所使用的权重是在训练卷积神经网络过程中确定出的，各卷积核也是在训练卷积神经网络过程中确定出的。

需要说明的是，卷积神经网络对偏微分方程中的常数项和各个微分算子，都是利用M个卷积核来模拟(也可以理解为近似)。区别在于，用于模拟常数项的M个卷积核均是计算输入的0阶偏导的卷积核，用于模拟一阶微分算子的M个卷积核中，包含M-1个计算输入的0阶偏导的卷积核。

下面对卷积神经网络模拟偏微分方程中的高阶微分算子(二阶微分算子、以及更高阶的微分算子)的原理进行说明。例如，上文中的偏微分方程包括两个二阶微分算子和/>这两个二阶微分算子由两个卷积核来模拟。

将用于模拟二阶微分算子的两个卷积核记为卷积核A和卷积B。其中，卷积核A为第1个卷积层中用于计算输入相对于关联参数x的一阶偏导的卷积核，卷积核B为第2个卷积层中与卷积核A相连，且用于计算输入相对于关联参数y的一阶偏导的卷积核。也可能为：卷积核A为第1个卷积层中用于计算输入相对于关联参数y的一阶偏导的卷积核，卷积核B为第2个卷积层中与卷积核A相连，且用于计算输入相对于关联参数x的一阶偏导的卷积核。

将用于模拟二阶微分算子的两个卷积核记为卷积核C和卷积核D。其中，卷积核C为第1个卷积层中用于计算输入相对于关联参数y的一阶偏导的卷积核，卷积核D为第2个卷积层中与卷积核C相连，且用于计算输入相对于关联参数y的一阶偏导的卷积核。

可以理解的是，对于更高阶微分算子来说，卷积神经网络对其进行分步近似的过程也是类似的。

本申请所使用的卷积神经网络，偏微分方程中的高阶微分算子是利用多个卷积核模拟，与利用一个卷积核来模拟高阶微分算子相比，这使得卷积神经网络的表达能力更强，能够表达更加复杂的偏微分方程，能够大幅度地提高非稳态储层参数的解释精度。

可以理解的是，关于非稳态储层的偏微分方程是比较复杂的，上文中仅是基于一个极简的偏微分方程对本申请中所使用的卷积神经网络的结构和原理进行说明。

本申请公开的确定非稳态储层参数的方法，预先完成训练的卷积神经网络包括M个卷积层(M为偏微分方程的阶数)和1个全连接层，第i个卷积层包括Nⁱ个卷积核(N为偏微分方程中关联参数的数量加1)；第1个卷积层的输入为目标储层参数在第一时刻的参数值，第i个卷积层的输出作为第i+1个卷积层的输入，第1个卷积层的N个卷积核分别用于计算输入的0阶偏导、以及计算输入相对于各个关联参数的一阶偏导；第i个卷积层中的每个卷积核与第i+1个卷积层中的N个卷积核相连，并且，第i+1个卷积层中的每个卷积核只与第i个卷积层中的一个卷积核相连，第i+1个卷积层中与第i个卷积层中同一个卷积核相连的N个卷积核分别用于计算输入的0阶偏导、以及计算输入相对于各个关联参数的一阶偏导；全连接层对第M个卷积层的输出进行运算，得到目标储层参数在单位时间内的变化量；之后根据该变化量和第1个卷积层的输入，得到目标储层参数在第二时刻的参数值。卷积神经网络采用分步近似的方案，对于偏微分方程中的高阶微分算子，是利用多个卷积核进行模拟，这使得卷积神经网络的表达能力更强，能够表达更加复杂的偏微分方程，能够大幅度地提高非稳态储层参数的解释精度。

下面结合图3对本申请中所使用的卷积神经网络的训练过程进行说明。

具体包括：

S301：获得多个训练样本。

每个训练样本包括储层内的一个采样点的目标储层参数在第一时间点的参数值，每个训练样本具有标签，标签包括该采样点的目标储层参数在第一时间点之后的第二时间点的参数值。

以目标储层参数为地层压力为例：训练样本包括储层内的一个采样点的地层压力在第一时间点的参数值，该训练样本的标签包括该采样点的地层压力在第一时间点之后的第二时间点的参数值。

可选的，在储层中均匀设置采样点，获得各采样点的目标储层参数在多个时间点的参数值，基于各采样点的目标储层参数在多个时间点的参数值生成多个训练样本。

实施中，采样点的目标储层参数的参数值可以为开发现场的测量数据，也可以是通过数值模拟得到的参数值。

如果采样点的目标储层参数的参数值是开发现场的测量数据，考虑到开发现场的测量点分布不均匀，那么可以配置均匀分布的采样点，基于在各测量点采集的测量数据，通过插值算法得到各采样点的目标储层参数的参数值。插值算法包括但不限于拉格朗日多元插值算法。

S302：利用预先构建的卷积神经网络对训练样本进行预测，得到预测结果。其中，预测结果包括采样点的目标储层参数在第一时间点之后的第二时间点的预测参数值。

S303：根据训练样本的标签和预测结果之间的误差，调整卷积神经网络的参数，直至调整后的卷积神经网络满足预设的收敛条件。

每个训练样本包括储层内的一个采样点的目标储层参数在第一时间点的参数值，每个训练样本的标签包括该采样点的目标储层参数在第一时间点之后的第二时间点的参数值。卷积神经网络对训练样本进行预测得到的预测结果包括采样点的目标储层参数在第一时间点之后的第二时间点的预测参数值。可以理解的是，调整卷积神经网络的参数的目的是减小训练样本的标签和预测结果之间的误差，也就是使得，在第一时间点之后的第二时间点，标签中的参数值与预测结果中的参数预测值之间的差值尽可能小。

对卷积神经网络的训练过程，就是求解出能够准确地表征目标储层参数的参数值随时间变化规律的偏微分方程的过程，也就是求解出偏微分方程中的常数项和各微分算子的过程。

预先构建的卷积神经网络的初始参数为自定义数值，训练卷积神经网络就是优化网络参数，使得卷积神经网络逐渐收敛，且预测结果的准确度逐渐提高的过程。当卷积神经网络满足预设的收敛条件时，完成训练。

优化网络参数包括优化各卷积核，以及优化卷积层的各输出的权重。

在一个可选的实施方式中，预设的收敛条件为：损失函数的值小于预设的阈值。

可选的，收敛函数为：loss＝||MSE_f||+||MSE_u||；

其中，||MSE_u||为训练样本的标签和预测结果的均方误差，||MSE_f||为偏微分方程的约束。其中

本申请图3所示的训练方法，每个训练样本包括储层内的一个采样点的目标储层参数在第一时间点的参数值，每个训练样本的标签包括采样点的目标储层参数在第一时间点之后的第二时间点的参数值，卷积神经网络对训练样本进行预测，得到的预测结果包括采样点的目标储层参数在第一时间点之后的第二时间点的预测参数值，根据训练样本的标签和预测结果的误差，调整卷积神经网络，直至满足预设的收敛条件，完成预测。

本申请上述公开了确定非稳态储层参数的方法，相应的，本申请公开确定非稳态储层参数的装置，说明书中关于两者的描述可以相互参考。

参见图4，图4为本申请公开的一种确定非稳态储层参数的装置的结构示意图。该装置包括：

参数获取单元401，用于获得待解释点的目标储层参数在第一时刻的参数值。其中，目标储层参数的参数值随时间变化的规律能够以目标储层参数相对于关联参数的偏微分方程表示。

参数预测单元402，用于将目标储层参数在第一时刻的参数值输入完成训练的卷积神经网络，得到卷积神经网络输出的待解释点在第二时刻的目标储层参数的参数值。

其中，卷积神经网络包括M个卷积层和1个全连接层，M的值为偏微分方程的阶数，第1个卷积层的输入为目标储层参数在第一时刻的参数值，第i个卷积层的输出作为第i+1个卷积层的输入，i＝1,2，…M-1，第i个卷积层包括Nⁱ个卷积核，N为关联参数的数量加1，第1个卷积层的N个卷积核分别用于计算输入的0阶偏导、以及计算输入相对于各个关联参数的一阶偏导，第i个卷积层中的每个卷积核与第i+1个卷积层中的N个卷积核相连，并且，第i+1个卷积层中的每个卷积核只与第i个卷积层中的一个卷积核相连，第i+1个卷积层中与第i个卷积层中同一个卷积核相连的N个卷积核分别用于计算输入的0阶偏导、以及计算输入相对于各个关联参数的一阶偏导；全连接层对第M个卷积层的输出进行运算，得到目标储层参数在单位时间内的变化量；根据变化量和第1个卷积层的输入，得到目标储层参数在第二时刻的参数值。

可选的，在本申请上述公开的装置的基础上，进一步设置训练单元。训练单元用于：

获得多个训练样本，训练样本包括储层内的采样点的目标储层参数在第一时间点的参数值，训练样本具有标签，标签包括采样点的目标储层参数在第一时间点之后的第二时间点的参数值；利用预先构建的卷积神经网络对训练样本进行预测，得到预测结果，预测结果包括采样点的目标储层参数在第一时间点之后的第二时间点的预测参数值；根据训练样本的标签和预测结果之间的误差，调整卷积神经网络的参数，直至调整后的卷积神经网络满足预设的收敛条件。

可选的，预设的收敛条件为：损失函数的值小于预设的阈值。

可选的，收敛函数为：loss＝||MSE_f||+||MSE_u||；

其中，||MSE_u||为训练样本的标签和预测结果的均方误差，||MSE_f||为偏微分方程的约束。其中

最后，还需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。

本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的确定非稳态储层参数的装置而言，由于其与实施例公开的确定非稳态储层参数的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。

对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本申请。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本申请的精神或范围的情况下，在其它实施例中实现。因此，本申请将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。

Claims (6)

1.一种确定非稳态储层参数的方法，其特征在于，包括：

获得待解释点的目标储层参数在第一时刻的参数值，其中，所述目标储层参数的参数值随时间变化的规律能够以所述目标储层参数相对于关联参数的偏微分方程表示；

将所述目标储层参数在第一时刻的参数值输入完成训练的卷积神经网络，得到所述卷积神经网络输出的所述待解释点的目标储层参数在第二时刻的参数值；

其中，所述卷积神经网络包括M个卷积层和1个全连接层，M的值为所述偏微分方程的阶数，第1个卷积层的输入为所述目标储层参数在所述第一时刻的参数值，第i个卷积层的输出作为第i+1个卷积层的输入，i＝1,2，…M-1，第i个卷积层包括Nⁱ个卷积核，N为所述关联参数的数量加1，所述第1个卷积层的N个卷积核分别用于计算输入的0阶偏导、以及计算输入相对于各个关联参数的一阶偏导，第i个卷积层中的每个卷积核与第i+1个卷积层中的N个卷积核相连，并且，第i+1个卷积层中的每个卷积核只与第i个卷积层中的一个卷积核相连，第i+1个卷积层中与第i个卷积层中同一个卷积核相连的N个卷积核分别用于计算输入的0阶偏导、以及计算输入相对于各个关联参数的一阶偏导；所述全连接层对第M个卷积层的输出进行运算，得到所述目标储层参数在单位时间内的变化量；根据所述变化量和所述第1个卷积层的输入，得到所述目标储层参数在第二时刻的参数值；

其中，所述卷积神经网络的训练过程，包括：

获得多个训练样本，所述训练样本包括所述储层内的采样点的目标储层参数在第一时间点的参数值，所述训练样本具有标签，所述标签包括所述采样点的目标储层参数在第一时间点之后的第二时间点的参数值；

利用预先构建的卷积神经网络对所述训练样本进行预测，得到预测结果，所述预测结果包括采样点的目标储层参数在第一时间点之后的第二时间点的预测参数值；

根据所述训练样本的标签和预测结果之间的误差，调整所述卷积神经网络的参数，直至调整后的卷积神经网络满足预设的收敛条件。

2.根据权利要求1所述的方法，其特征在于，所述收敛条件包括：损失函数的值小于预设的阈值。

3.根据权利要求2所述的方法，其特征在于，

收敛函数为：loss＝||MSE_f||+||MSE_u||；

其中，||MSE_u||为所述训练样本的标签和预测结果的均方误差，||MSE_f||为所述偏微分方程的约束。

4.一种确定非稳态储层参数的装置，其特征在于，包括：

参数获取单元，用于获得待解释点的目标储层参数在第一时刻的参数值，其中，所述目标储层参数的参数值随时间变化的规律能够以所述目标储层参数相对于关联参数的偏微分方程表示；

参数预测单元，用于将所述目标储层参数在第一时刻的参数值输入完成训练的卷积神经网络，得到所述卷积神经网络输出的所述待解释点的目标储层参数在第二时刻的参数值；

其中，所述卷积神经网络包括M个卷积层和1个全连接层，M的值为所述偏微分方程的阶数，第1个卷积层的输入为所述目标储层参数在所述第一时刻的参数值，第i个卷积层的输出作为第i+1个卷积层的输入，i＝1,2，…M-1，第i个卷积层包括Nⁱ个卷积核，N为所述关联参数的数量加1，所述第1个卷积层的N个卷积核分别用于计算输入的0阶偏导、以及计算输入相对于各个关联参数的一阶偏导，第i个卷积层中的每个卷积核与第i+1个卷积层中的N个卷积核相连，并且，第i+1个卷积层中的每个卷积核只与第i个卷积层中的一个卷积核相连，第i+1个卷积层中与第i个卷积层中同一个卷积核相连的N个卷积核分别用于计算输入的0阶偏导、以及计算输入相对于各个关联参数的一阶偏导；所述全连接层对第M个卷积层的输出进行运算，得到所述目标储层参数在单位时间内的变化量；根据所述变化量和所述第1个卷积层的输入，得到所述目标储层参数在第二时刻的参数值；

其中，还包括训练单元，用于：

获得多个训练样本，所述训练样本包括所述储层内的采样点的目标储层参数在第一时间点的参数值，所述训练样本具有标签，所述标签包括所述采样点的目标储层参数在第一时间点之后的第二时间点的参数值；利用预先构建的卷积神经网络对所述训练样本进行预测，得到预测结果，所述预测结果包括采样点的目标储层参数在第一时间点之后的第二时间点的预测参数值；根据所述训练样本的标签和预测结果之间的误差，调整所述卷积神经网络的参数，直至调整后的卷积神经网络满足预设的收敛条件。

5.根据权利要求4所述的装置，其特征在于，所述收敛条件包括：损失函数的值小于预设的阈值。

6.根据权利要求5所述的装置，其特征在于，

收敛函数为：loss＝||MSE_f||+||MSE_u||；

其中，||MSE_u||为所述训练样本的标签和预测结果的均方误差，||MSE_f||为所述偏微分方程的约束。