CN116644662A - 一种基于知识嵌入神经网络代理模型的布井优化方法 - Google Patents
一种基于知识嵌入神经网络代理模型的布井优化方法 Download PDFInfo
- Publication number
- CN116644662A CN116644662A CN202310566379.1A CN202310566379A CN116644662A CN 116644662 A CN116644662 A CN 116644662A CN 202310566379 A CN202310566379 A CN 202310566379A CN 116644662 A CN116644662 A CN 116644662A
- Authority
- CN
- China
- Prior art keywords
- well
- neural network
- individuals
- production
- data
- 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
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 55
- 238000005457 optimization Methods 0.000 title claims abstract description 53
- 238000000034 method Methods 0.000 title claims abstract description 45
- 238000004519 manufacturing process Methods 0.000 claims abstract description 66
- 238000009826 distribution Methods 0.000 claims abstract description 36
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 25
- 238000004364 calculation method Methods 0.000 claims abstract description 20
- 230000008569 process Effects 0.000 claims abstract description 18
- 108090000623 proteins and genes Proteins 0.000 claims abstract description 15
- 230000002068 genetic effect Effects 0.000 claims abstract description 7
- 239000003921 oil Substances 0.000 claims description 37
- 238000012549 training Methods 0.000 claims description 36
- 238000012360 testing method Methods 0.000 claims description 20
- 239000003795 chemical substances by application Substances 0.000 claims description 18
- 239000010779 crude oil Substances 0.000 claims description 16
- 238000005553 drilling Methods 0.000 claims description 16
- 230000035699 permeability Effects 0.000 claims description 11
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 claims description 9
- 230000015572 biosynthetic process Effects 0.000 claims description 7
- 230000000694 effects Effects 0.000 claims description 6
- 230000007614 genetic variation Effects 0.000 claims description 6
- 230000006835 compression Effects 0.000 claims description 4
- 238000007906 compression Methods 0.000 claims description 4
- 230000005484 gravity Effects 0.000 claims description 4
- 238000004088 simulation Methods 0.000 claims description 4
- 230000001133 acceleration Effects 0.000 claims description 3
- 230000004913 activation Effects 0.000 claims description 3
- 238000011156 evaluation Methods 0.000 claims description 3
- 230000005669 field effect Effects 0.000 claims description 3
- 239000011159 matrix material Substances 0.000 claims description 3
- 238000011084 recovery Methods 0.000 claims description 3
- 230000001172 regenerating effect Effects 0.000 claims description 2
- 238000005303 weighing Methods 0.000 claims description 2
- 238000012163 sequencing technique Methods 0.000 abstract 1
- 230000006870 function Effects 0.000 description 30
- 238000013461 design Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 230000007547 defect Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 239000004215 Carbon black (E152) Substances 0.000 description 1
- 238000000137 annealing Methods 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 230000004069 differentiation Effects 0.000 description 1
- 230000009977 dual effect Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 229930195733 hydrocarbon Natural products 0.000 description 1
- 150000002430 hydrocarbons Chemical class 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 238000005325 percolation Methods 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 238000011176 pooling Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000005549 size reduction Methods 0.000 description 1
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
- 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
- G06F17/13—Differential equations
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/10—Geometric CAD
- G06F30/18—Network design, e.g. design based on topological or interconnect aspects of utility systems, piping, heating ventilation air conditioning [HVAC] or cabling
-
- 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
- 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
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/12—Computing arrangements based on biological models using genetic models
- G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2113/00—Details relating to the application field
- G06F2113/08—Fluids
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/14—Force analysis or force optimisation, e.g. static or dynamic forces
-
- 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)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biophysics (AREA)
- Software Systems (AREA)
- Data Mining & Analysis (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Geometry (AREA)
- Computer Hardware Design (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- General Health & Medical Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Biomedical Technology (AREA)
- Computational Linguistics (AREA)
- Genetics & Genomics (AREA)
- Computer Networks & Wireless Communication (AREA)
- Physiology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Operations Research (AREA)
- Algebra (AREA)
- Databases & Information Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于知识嵌入神经网络代理模型的布井优化方法，包括：构建基于物理知识嵌入的V‑Net神经网络的代理模型，取代传统数值模型实现不同井位排布情况下不同时刻的全油藏压力场及生产井产量的快速预测；确定布井优化问题的待优化参数，建立优化目标函数；然后对待优化参数进行基因编码，基于遗传算法初始化种群内个体数，利用代理模型计算种群中个体的适应度，即目标函数值；根据适应度对种群中个体进行排序优选、基因交换变异，获取新种群，利用代理模型计算新种群个体适应度；完成优化过程后输出最优布井方案。本发明提高了布井优化问题的计算效率，可以在最大程度保证计算精度的同时满足实际油藏布井优化工程问题的时效性要求。
Description
技术领域
本发明涉及油藏工程技术领域，具体涉及一种基于知识嵌入神经网络代理模型的布井优化方法。
背景技术
布井优化是油气开采的重要环节，通过优化井数、井位、钻探深度、射孔长度等参数实现油气开采净现值的最大化。常规布井优化流程利用油藏数值模拟软件对不同布井方案的油气井产量进行评估，并结合优化算法(如遗传算法、粒子群优化算法、退火算法等)优选布井方案。该流程的弊端在于：对于大型高精度网格油气藏，数值模拟软件求解十分耗时。比如，对于百万级网格的两相渗流求解，油藏数值模拟软件(如Eclipse，CMG等)单个时间步求解用时可长达半小时至一小时。在布井优化求解过程中，通常需要对大量布井方案进行产量、净现值评估，因此用传统数值模型求解费时费力，无法满足生产优化的时效性要求。
为了降级计算成本、提高计算效率，代理模型常用于替代高精度数值模型进行生产预测。传统代理模型是基于数据驱动的方法构建的，其可靠性及准确性极大程度上依赖于大量高质量的输入/输出数据库。然而对于工程问题而言，模拟数据的采集计算量大，观测数据采集成本高、噪声大、质量差，从而导致代理模型构建可用数据量少、质量难以保证，降低模型的准确性、鲁棒性和泛化能力。
目前有工作尝试将物理知识嵌入基于深度学习的代理模型训练过程，从而降低代理模型对数据的需求，并提高模型泛化能力。然而对于复杂三维高精度网格的油气藏生产预测，如何有效利用四维时空网格进行物理知识嵌入，并利用三维卷积核构建基于卷积神经网络的代理模型，进行强非均质性孔隙度、渗透率场情况下的布井优化问题求解，仍缺乏有效处理方案。
发明内容
本发明的目的在于针对现有技术的不足，提供了一种基于知识嵌入神经网络的代理模型构建方法。
为实现上述目的，本发明提供了一种基于知识嵌入神经网络代理模型的布井优化方法，包括以下步骤：
(1)构建基于物理知识嵌入的V-Net神经网络的代理模型；
(2)确定布井优化问题的待优化参数Ω，建立优化目标函数J(Ω)；
(3)通过生产井数目Nw确定遗传算法中每个个体的基因数目，对所述待优化参数Ω进行基因编码，基于随机生成算法初始化种群内个体数；利用代理模型计算种群中个体的适应度，即目标函数值J(Ω)；
(4)根据所述适应度对种群中个体进行排序，选择前50％的个体作为新种群，对新种群中的个体配对进行基因交换；在新种群中挑选20％的个体进行单点基因变异；
(5)判断基因变异后的种群个体的井位坐标是否在油藏尺寸范围内，若其井位坐标不在油藏尺寸范围内，则对超出范围的个体进行重新生成；再利用代理模型计算新种群个体适应度；
(6)若种群迭代数未达到预设值NG，则返回步骤(4)；否则，完成优化过程，并输出适应度最高个体相应的优化后的参数和最优目标函数值；
(7)通过改变生产井井数进行计算不同生产井井数条件下的布井方案及目标函数值；从中选出目标函数值最高的布井方案及对应井数，得到最优布井方案。
进一步地，所述步骤(1)包括以下子步骤：
(1.1)采集待优化油藏的三维渗透率场、孔隙度场，利用数值模拟器求解不同布井案例情况下一段时间内的压力场作为数据库；从数据库中提取一部分数据作为神经网络的训练数据，剩余部分数据作为测试数据；
(1.2)构建V-Net神经网络，其输入包含井位排布的三维图像和时间矩阵，输出为在该特定井位排布及时间下的油藏压力场三维图像；
(1.3)初始化神经网络权重和各项超参数，激活函数使用ReLU函数，定义内嵌物理知识的损失函数形式；
(1.4)使用Adam算法优化损失函数完成神经网络代理模型的训练过程；
(1.5)代理模型效果评估。
进一步地，所述步骤(1.3)中，
所述损失函数Loss(θ)由数据残差Lossdata(θ)、控制方程残差LossPDE(θ)组成，如公式(1)所示；其中ω1、ω2分别为数据残差项与控制方程残差项的权重，θ为神经网络的内部参数；
Loss(θ)＝ω1Lossdata(θ)+ω2LossPDE(θ) (1)
所述数据残差由训练数据集与神经网络预测值之间的最小二乘误差构成，如公式(2)所示；其中Narr为步骤(1.1)中用于训练数据采集的井位排布的案例数，Nt为计算时间步数，p为数值模拟计算的压力场，Arri为第i个井位排布图像，tj为第j个时间步，为神经网络预测的压力场；
所述控制方程残差计算具体为：随机产生一系列井位排布图像，即虚拟实现，由神经网络对不同虚拟实现所有时空网格处的描述渗流过程的控制方程残差进行评估，然后加权平均而得出，如公式(3)所示；其中为虚拟实现的数目，/>为用于评估控制方程残差的时间步数，R为控制方程残差，Arrm为第m个虚拟实现，tn为第n个时间步；
所述控制方程，即描述油藏三维渗流的动力学偏微分方程如公式(4)所示，其中kx，ky，kz分别为x，y，z方向上的三维渗透率场；μ为原油粘度；Bo为原油的体积系数；Φ为势场，在考虑重力场作用的情况下Φ＝p-ρgz，其中p为压力，ρ为原油密度，g为重力加速度，z为地层深度；qsc为标准情况下的生产井原油产量；φ为地层孔隙度；Co为原油压缩系数；依据输入图像的时空网格分辨率基于有限差分算法对公式(4)中的偏导数进行离散化处理并计算方程残差，如公式(5)所示；其中Ng为输入图像的总网格数，Δx，Δy，Δz分别为图像网格在x，y，z方向上的分辨率，Δt为时间步长，i，j，k分别代表在x，y，z方向上的第i，j，k个网格；在网格交界处为两相邻网格内相应物理量的调和平均值；
进一步地，所述步骤(1.4)具体为：在模型训练过程中，随机生成大量的虚拟实现并进行相应的控制方程残差计算，或者不施加训练数据的约束，实现无监督训练；通过Adam算法实现损失函数的最小化，使用Adam算法及神经网络的误差反向传播功能实现网络内部参数的迭代优化。
进一步地，所述步骤(1.5)具体为：对训练好的代理模型在测试集数据上进行测试评估，对所有测试数据，利用代理模型预测所有时间步的相应压力场及各生产井的产量，计算预测值与真实数据之间的判定系数R2；其中，生产井在某个时间步的产量q通过公式(6)求取，其中N为包含该生产井的所有网格数，r0为有效泄油面积，表达式如公式(7)所示，rw为井筒半径，为包含该生产井的第i个网格的压力值，BHP为该生产井的井底流压；压力场的判定系数的表达式如公式(8)所示，其中NR为测试数据集中的样本数，/>为神经网络代理模型的预测压力值，pi为真实压力值，/>为测试数据的压力平均值；
进一步地，所述步骤(2)具体为：对于只考虑垂直生产井定压生产情况下的布井优化问题，目标为优化井数、井位排布实现净现值的最大化；其中，待优化参数为其中Nw为生产井井数，(xi，yi，zi)为第i口生产井的井位坐标，zi表示垂向钻井深度，U为所有生产井井位的并集；布井优化问题的目标函数净现值表达式如公式(9)所示：
其中，为采油收入，/>为钻井支出；Qo是生产井的采油量，Eo是油价，d是年度贴现率，Y是总生产年数，Ctop是钻井至油藏顶部的开支，Cdrill是在油藏内部钻井的开支($/ft)，L是井筒在油藏内部的深度，NWell是总井数。
与现有技术相比，本发明的有益效果是：本发明采用基于知识嵌入的神经网络构建代理模型取代传统数值模拟方法，能够有效提高优化问题的求解效率，与纯粹数据驱动的代理模型相比具有更高的准确性和泛化能力，且可有效降低对训练数据的依存度，降低数据获取成本。本发明利用渗流控制方程有限差分形式的物理知识嵌入，可以有效利用图像自身网格进行偏导数求解，降低计算复杂度，提高网格信息利用率。本发明利用V-Net神经网络架构，可以有效利用三维卷积核进行输入信息的抽象提取，并通过跳跃连接保证信息利用最大化，提高代理模型训练效果。本发明对于高效、可靠完成工程化布井优化设计具有重要意义。本发明提出的代理模型很大程度上提高了布井优化问题的计算效率，可以在最大程度保证计算精度的同时满足实际油藏布井优化工程问题的时效性要求。
附图说明
图1为本发明方法的流程图；
图2为本发明中的V-Net神经网络结构图；
图3为本发明实施例1中的孔隙度与渗透率取值分布柱状图；
图4为本发明实施例1中的代理模型预测的测试集的压力场及生产井产量与参考值的对比图；图4中的(a)为本发明所提出的内嵌物理知识的代理模型的预测结果图，图4中的(b)为常规数据驱动的代理模型的预测结果图。
具体实施方式
下面结合附图，对本发明进行详细说明。在不冲突的情况下，下述的实施例及实施方式中的特征可以相互组合。
参见图1，本发明提供的一种基于知识嵌入神经网络代理模型的布井优化方法，包括以下步骤：
S1.构建基于物理知识嵌入的V-Net神经网络代理模型，对于待优化油藏，取代传统数值计算模型方法实现不同井位排布情况下不同时刻的全油藏压力场及生产井产量的快速预测，具体包括以下步骤：
S101.采集待优化油藏的三维渗透率场、孔隙度场，利用数值模拟器求解不同布井案例(包括不同井数及井位排布(横向坐标x，y及纵向钻井深度z))情况下一段时间内的压力场作为数据库。从数据库中提取70％作为神经网络训练数据，剩余30％作为测试数据。
S102.参见图2，构建V-Net神经网络，其输入包含两个通道：(1)井位排布的三维图像(图像网格与油藏渗透率场、孔隙度场网格尺寸一致，每个网格取值为0或1，0代表该网格无生产井，1代表有生产井)；(2)时间矩阵(三维图像，网格与井位图像一致，每个网格取值相同，均为待预测时间步的时间值)。V-Net输出为在该特定井位排布及时间下的油藏压力场三维图像。首先，通过4层编码器网络实现高维输入信息的降维提炼，利用三维卷积核(3×3×3，步长1)更好地提取三维局部信息，通过最大池化(2×2×2，步长2)实现图像尺寸减半和信息降维，然后通过4层解码器网络实现高维信息重构，同时通过跳跃连接将同层级编码器网络的输出与解码器网络输入相融合，以解决神经网络训练过程中的梯度消失问题，提高学习效果。
S103.初始化神经网络权重和各项超参数，激活函数使用ReLU函数，定义内嵌物理知识的损失函数形式。
其中，神经网络的损失函数Loss(θ)由数据残差Lossdata(θ)、控制方程残差LossPDE(θ)这两部分组成，如公式(1)所示；其中ω1、ω2分别为数据残差项与方程残差项的权重，用于平衡二者的贡献，θ为神经网络的内部参数。数据残差由训练数据集与神经网络预测值之间的最小二乘误差构成，如公式(2)所示；其中Narr为S101中用于训练数据采集的井位排布的案例数，Nt为计算时间步数，p为数值模拟计算的压力场，Arri为第i个井位排布图像，tj为第j个时间步，为神经网络预测的压力场。
控制方程残差通过随机产生一系列井位排布图像(称之为“虚拟实现”)，由神经网络对不同虚拟实现所有时空网格处的描述渗流过程的控制方程残差进行评估，然后加权平均而得出，如公式(3)所示；其中为虚拟实现的数目/> 为用于评估控制方程残差的时间步数(通常/>)，R为控制方程残差，Arrm为第m个虚拟实现，tn为第n个时间步。
描述油藏三维渗流的动力学偏微分方程如公式(4)所示，其中kx，ky，kz分别为x，y，z方向上的三维渗透率场；μ为原油粘度；Bo为原油的体积系数；Φ为势场，在考虑重力场作用的情况下Φ＝p-ρgz，其中p为压力，ρ为原油密度，g为重力加速度，z为地层深度；qsc为标准情况下的生产井原油产量；φ为地层孔隙度；Co为原油压缩系数。依据输入图像的时空网格分辨率基于有限差分算法对公式(4)中的偏导数进行离散化处理并计算方程残差，如公式(5)所示；其中Ng为输入图像的总网格数，Δx，Δy，Δz分别为图像网格在x，y，z方向上的分辨率，Δt为时间步长，i，j，k分别代表在x，y，z方向上的第i，j，k个网格。对于在网格交界处的物理量定义为两相邻网格内相应物理量的调和平均值。对控制方程进行离散化处理可以有效降低神经网络自动微分的计算量，并充分利用周边网格的有效信息进行神经网络训练。
Loss(θ)＝ω1Lossdata(θ)+ω2LossPDE(θ) (1)
S104.使用Adam算法优化损失函数完成神经网络代理模型的训练过程。在模型训练过程中，可以随机生成大量的虚拟实现并进行相应控制方程残差计算，甚至可以不施加训练数据的约束(ω1＝0)，实现无监督训练，通过优化算法(如Adam等)实现损失函数的最小化，从而使各个时空点的预测尽可能符合物理约束。通过施加物理约束，可以极大减少训练数据量的获取，降低数据成本，并显著提高训练效果。在训练过程中，可以通过拉格朗日对偶方法实现数据残差与控制方程残差权重(公式(1)中的ω1，ω2)的自动调节，加速收敛过程，也可以在正式训练之前通过小规模预训练手动调节权重从而确定最优权重值。使用Adam优化算法及神经网络的误差反向传播功能实现网络内部参数的迭代优化，在一定迭代步内实现损失函数最小化。
S105.代理模型效果评估。对训练好的代理模型在测试集数据上进行测试评估，对所有测试数据，利用代理模型预测所有时间步的相应压力场及各生产井的产量，计算预测值与真实数据之间的判定系数R2。其中，生产井在某个时间步的产量q可以通过Peaceman公式(6)求取，其中N为包含该生产井的所有网格数，r0为有效泄油面积，定义如公式(7)所示，rw为井筒半径，为包含该生产井的第i个网格的压力值，BHP为该生产井的井底流压。压力场的判定系数的定义如公式(8)所示，其中NR为测试数据集中的样本数，/>为神经网络代理模型的预测压力值，pi为真实压力值，/>为测试数据的压力平均值。产量的判定系数公式类比可得。R2越接近于1说明代理模型的准确性越高，一般认为R2＞0.97为工程上可接受的代理模型精度，若模型评估不符合此标准则需要选取更多数据重新训练模型。
S2.确定布井优化问题的待优化参数Ω，确定参数的选择范围、限制条件等，建立优化目标函数J(Ω)。
对于只考虑垂直生产井定压生产情况下的布井优化问题，目标是优化井数、井位排布以实现净现值(NPV)的最大化。其中，待优化参数可表示为其中Nw为生产井井数，(xi，yi，zi)为第i口生产井的井位坐标，zi表示垂向钻井深度，U为所有生产井井位的并集。布井优化问题的目标函数净现值(NPV)定义见公式(9)：
其中，为采油收入，/>为钻井支出。Qo是生产井的采油量，Eo是油价，d是年度贴现率，Y是总生产年数，Ctop是钻井至油藏顶部的开支，Cdrill是在油藏内部钻井的开支($/ft)，L是井筒在油藏内部的深度，Nwell是总井数。
S3.针对生产井数目Nw确定遗传算法中每个个体的基因数目(基因数＝3Nw)，每个基因对应一个待优化参数。在待优化参数取值范围内，对所述待优化参数Ω进行基因编码，基于随机生成算法初始生成种群内所有个体，其中，种群内个体数X＝25，每个个体代表一种随机生成的布井方案。利用代理模型计算种群中每个个体的适应度(即目标函数值J(Ω))。
S4.根据计算所得目标函数值大小对种群中个体进行排序，优选前50％的个体作为新的种群，对新种群中的个体配对，根据预设比例(50％)进行基因交换，即随机挑选50％的待优化参数，在配对的个体间交换对应参数位置处的参数值，从而形成两个新的个体(布井方案)；然后，在新生成的种群中随机挑选20％的个体进行单点基因变异，即对挑选出的个体随机选取一个待优化参数进行重新随机生成。
S5.对新种群中每个个体的基因(待优化参数值)进行判断，确保基因变异后的种群个体的井位坐标在油藏尺寸范围内，具体地说，确保x，y坐标在油藏水平尺度范围内，z坐标在油藏垂直深度范围内；然后对超出参数范围的个体进行重新生成。利用代理模型计算新种群个体适应度(即目标函数值J(Ω))，完成种群的一次迭代。
S6.在遗传算法计算开始前预设最大迭代数参数值(本实施例中预设值NG为60代)，若种群迭代数未达到预设值NG，返回S4；否则，完成优化过程，输出所有迭代步中的最优布井方案，即目标函数值最高的个体对应的基因序列，以及该最优布井方案所对应的最优目标函数值。
S7.变化生产井井数，从1到最大预设值(本实施例中预设值为6)，重复步骤S3-步骤S5，计算不同生产井井数条件下的最优布井方案及最优目标函数值。从中再次优选目标函数值最高的布井方案及对应井数，完成布井优化问题的求解。
实施例1
为验证本发明的可行性，进行如下实验进行说明：
考虑以下三维油藏，空间长宽深尺寸为600×620×60ft(英尺)，网格离散化后三维网格数为30×62×30；油藏顶部深度为12000ft，压力为413.69bar，初始压力分布为重力平衡。孔隙度及渗透率场非均质性极强，渗透率最大为20,000mD，分布横跨五个数量级，如图3所示。考虑在此油藏条件下的垂直生产井布井优化问题，使NPV实现最大化。假设最多可钻6口井，每口井以相同井底压力350bar进行定压生产，边界条件为无流边界。在油藏顶部深度的参考压力条件下，原油密度为849kg/m3，粘度为3cp，压缩系数为0.0001bar-1，地层系数为1.02。假设油价为80USD/bbl，钻井成本为300USD/ft。
内嵌物理知识的V-Net代理模型采用500个布井案例的训练数据以及5000个虚拟实现进行训练，通过200个迭代步完成训练。在随机生成的500个布井图像测试集上预测压力场与生产井产量的平均判定系数R2分别为0.988和0.988，参见图4中的(a)，验证了代理模型的可靠性。作为对比，仅依靠同样500个布井案例的训练数据进行训练得到的数据驱动的代理模型，其准确性极差，压力场与生产井产量的平均判定系数R2仅为0.722和0.863，参见图4中的(b)。通过遗传算法与内嵌物理知识的代理模型联合优化井数、井位与钻井深度，对于1-6口生产井情况下的最优井位坐标与常规数值模型优化结果相比十分接近，如表1所示。对比可知，最优布井方案为钻3口生产井，可实现最大NPV为334907USD。与常规数据驱动的代理模型相比，本发明提出的内嵌物理知识的代理模型极大减少了训练数据的数量，且在训练数据量相同的情况下可以实现更加精确的预测结果。与常规数值模型相比，本发明提出的代理模型对于布井优化问题的计算效率提升了20倍左右，只需40分钟即可完成优化计算，可以在最大程度保证计算精度的同时满足实际油藏布井优化工程问题的时效性要求。
表1.本发明代理模型与常规数值模型的布井优化结果对比
以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明保护的范围之内。
以上实施例仅用于说明本发明的设计思想和特点，其目的在于使本领域内的技术人员能够了解本发明的内容并据以实施，本发明的保护范围不限于上述实施例。所以，凡依据本发明所揭示的原理、设计思路所作的等同变化或修饰，均在本发明的保护范围之内。
Claims (6)
1.一种基于知识嵌入神经网络代理模型的布井优化方法，其特征在于，包括以下步骤：
(1)构建基于物理知识嵌入的V-Net神经网络的代理模型；
(2)确定布井优化问题的待优化参数Ω，建立优化目标函数J(Ω)；
(3)通过生产井数目Nw确定遗传算法中每个个体的基因数目，对所述待优化参数Ω进行基因编码，基于随机生成算法初始化种群内个体数；利用代理模型计算种群中个体的适应度，即目标函数值J(Ω)；
(4)根据所述适应度对种群中个体进行排序，选择前50％的个体作为新种群，对新种群中的个体配对进行基因交换；在新种群中挑选20％的个体进行单点基因变异；
(5)判断基因变异后的种群个体的井位坐标是否在油藏尺寸范围内，若其井位坐标不在油藏尺寸范围内，则对超出范围的个体进行重新生成；再利用代理模型计算新种群个体适应度；
(6)若种群迭代数未达到预设值NG，则返回步骤(4)；否则，完成优化过程，并输出适应度最高个体相应的优化后的参数和最优目标函数值；
(7)通过改变生产井井数进行计算不同生产井井数条件下的布井方案及目标函数值；从中选出目标函数值最高的布井方案及对应井数，得到最优布井方案。
2.根据权利要求1所述的基于知识嵌入神经网络代理模型的布井优化方法，其特征在于，所述步骤(1)包括以下子步骤：
(1.1)采集待优化油藏的三维渗透率场、孔隙度场，利用数值模拟器求解不同布井案例情况下一段时间内的压力场作为数据库；从数据库中提取一部分数据作为神经网络的训练数据，剩余部分数据作为测试数据；
(1.2)构建V-Net神经网络，其输入包含井位排布的三维图像和时间矩阵，输出为在该特定井位排布及时间下的油藏压力场三维图像；
(1.3)初始化神经网络权重和各项超参数，激活函数使用ReLU函数，定义内嵌物理知识的损失函数形式；
(1.4)使用Adam算法优化损失函数完成神经网络代理模型的训练过程；
(1.5)代理模型效果评估。
3.根据权利要求2所述的基于知识嵌入神经网络代理模型的布井优化方法，其特征在于，所述步骤(1.3)中，
所述损失函数Loss(θ)由数据残差Lossdata(θ)、控制方程残差LossPDE(θ)组成，如公式(1)所示；其中ω1、ω2分别为数据残差项与控制方程残差项的权重，θ为神经网络的内部参数；
Loss(θ)＝ω1Lossdata(θ)+ω2LossPDE(θ) (1)
所述数据残差由训练数据集与神经网络预测值之间的最小二乘误差构成，如公式(2)所示；其中Narr为步骤(1.1)中用于训练数据采集的井位排布的案例数，Nt为计算时间步数，p为数值模拟计算的压力场，Arri为第i个井位排布图像，tj为第j个时间步，为神经网络预测的压力场；
所述控制方程残差的计算具体为：随机产生一系列井位排布图像，即虚拟实现，由神经网络对不同虚拟实现所有时空网格处的描述渗流过程的控制方程残差进行评估，然后加权平均而得出，如公式(3)所示；其中为虚拟实现的数目，/>为用于评估控制方程残差的时间步数，R为控制方程残差，Arrm为第m个虚拟实现，tn为第n个时间步；
所述控制方程，即描述油藏三维渗流的动力学偏微分方程如公式(4)所示，其中kx，ky，kz分别为x，y，z方向上的三维渗透率场；μ为原油粘度；Bo为原油的体积系数；Φ为势场，在考虑重力场作用的情况下Φ＝p-ρgz，其中p为压力，ρ为原油密度，g为重力加速度，z为地层深度；qsc为标准情况下的生产井原油产量；φ为地层孔隙度；Co为原油压缩系数；依据输入图像的时空网格分辨率基于有限差分算法对公式(4)中的偏导数进行离散化处理并计算方程残差，如公式(5)所示；其中Ng为输入图像的总网格数，Δx，Δy，Δz分别为图像网格在x，y，z方向上的分辨率，Δt为时间步长，i，j，k分别代表在x，y，z方向上的第i，j，k个网格；在网格交界处为两相邻网格内相应物理量的调和平均值；
4.根据权利要求3所述的基于知识嵌入神经网络代理模型的布井优化方法，其特征在于，所述步骤(1.4)具体为：在模型训练过程中，随机生成大量的虚拟实现并进行相应的控制方程残差计算，或者不施加训练数据的约束，实现无监督训练；通过Adam算法实现损失函数的最小化，使用Adam算法及神经网络的误差反向传播功能实现网络内部参数的迭代优化。
5.根据权利要求4所述的基于知识嵌入神经网络代理模型的布井优化方法，其特征在于，所述步骤(1.5)具体为：对训练好的代理模型在测试集数据上进行测试评估，对所有测试数据，利用代理模型预测所有时间步的相应压力场及各生产井的产量，计算预测值与真实数据之间的判定系数R2；其中，生产井在某个时间步的产量q通过公式(6)求取，其中N为包含该生产井的所有网格数，r0为有效泄油面积，表达式如公式(7)所示，rw为井筒半径，为包含该生产井的第i个网格的压力值，BHP为该生产井的井底流压；压力场的判定系数的表达式如公式(8)所示，其中NR为测试数据集中的样本数，/>为神经网络代理模型的预测压力值，pi为真实压力值，/>为测试数据的压力平均值；
6.根据权利要求5所述的基于知识嵌入神经网络代理模型的布井优化方法，其特征在于，所述步骤(2)具体为：对于只考虑垂直生产井定压生产情况下的布井优化问题，目标为优化井数、井位排布实现净现值的最大化；其中，待优化参数为其中Nw为生产井井数，(xi，yi，zi)为第i口生产井的井位坐标，zi表示垂向钻井深度，U为所有生产井井位的并集；布井优化问题的目标函数净现值表达式如公式(9)所示：
其中，为采油收入，/>为钻井支出；Qo是生产井的采油量，Eo是油价，d是年度贴现率，Y是总生产年数，Ctop是钻井至油藏顶部的开支，Cdrill是在油藏内部钻井的开支($/ft)，L是井筒在油藏内部的深度，Nwell是总井数。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310566379.1A CN116644662B (zh) | 2023-05-19 | 2023-05-19 | 一种基于知识嵌入神经网络代理模型的布井优化方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310566379.1A CN116644662B (zh) | 2023-05-19 | 2023-05-19 | 一种基于知识嵌入神经网络代理模型的布井优化方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116644662A true CN116644662A (zh) | 2023-08-25 |
| CN116644662B CN116644662B (zh) | 2024-03-29 |
Family
ID=87624038
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310566379.1A Active CN116644662B (zh) | 2023-05-19 | 2023-05-19 | 一种基于知识嵌入神经网络代理模型的布井优化方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116644662B (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117494617A (zh) * | 2023-12-29 | 2024-02-02 | 中国石油大学(华东) | 基于内嵌物理信息神经网络的二氧化碳驱油快速模拟方法 |
Citations (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20050246297A1 (en) * | 2004-03-26 | 2005-11-03 | Dingding Chen | Genetic algorithm based selection of neural network ensemble for processing well logging data |
| US20100211536A1 (en) * | 2007-08-31 | 2010-08-19 | Al-Fattah Saud Mohammed A | Artificial neural net work models for determining relative permeability of hydrocarbon reservoirs |
| CN107491568A (zh) * | 2016-06-12 | 2017-12-19 | 中国石油化工股份有限公司 | 基于实数编码遗传算法的复杂结构井优化设计方法 |
| US20200080406A1 (en) * | 2018-09-06 | 2020-03-12 | American University Of Beirut | Black hole particle swarm optimization for optimal well placement in field development planning and methods of use |
| 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 |
| CN114036774A (zh) * | 2021-11-25 | 2022-02-11 | 中国石油化工股份有限公司 | 一种半充填缝洞型储层拟相对渗透率的确定方法、计算方法及其确定系统 |
| CN114282725A (zh) * | 2021-12-24 | 2022-04-05 | 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 |
| CN115310645A (zh) * | 2021-05-07 | 2022-11-08 | 中国石油化工股份有限公司 | 一种基于驱替均衡程度分析的井位优化方法及系统 |
| CN115310664A (zh) * | 2022-07-01 | 2022-11-08 | 中国石油大学(华东) | 基于基因调控遗传算法的rbf神经网络训练方法及预测系统 |
| CN115345303A (zh) * | 2022-09-14 | 2022-11-15 | 杭州海康机器人股份有限公司 | 卷积神经网络权重调优方法、装置、存储介质和电子设备 |
| CN115577562A (zh) * | 2022-11-09 | 2023-01-06 | 中国石油大学(华东) | 一种裂缝油藏井位优化方法 |
| CN115618750A (zh) * | 2022-12-16 | 2023-01-17 | 中国石油大学(华东) | 一种基于耦合神经网络的地下油水渗流代理模型 |
-
2023
- 2023-05-19 CN CN202310566379.1A patent/CN116644662B/zh active Active
Patent Citations (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20050246297A1 (en) * | 2004-03-26 | 2005-11-03 | Dingding Chen | Genetic algorithm based selection of neural network ensemble for processing well logging data |
| US20100211536A1 (en) * | 2007-08-31 | 2010-08-19 | Al-Fattah Saud Mohammed A | Artificial neural net work models for determining relative permeability of hydrocarbon reservoirs |
| CN107491568A (zh) * | 2016-06-12 | 2017-12-19 | 中国石油化工股份有限公司 | 基于实数编码遗传算法的复杂结构井优化设计方法 |
| US20200080406A1 (en) * | 2018-09-06 | 2020-03-12 | American University Of Beirut | Black hole particle swarm optimization for optimal well placement in field development planning and methods of use |
| 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 |
| CN115310645A (zh) * | 2021-05-07 | 2022-11-08 | 中国石油化工股份有限公司 | 一种基于驱替均衡程度分析的井位优化方法及系统 |
| CN114036774A (zh) * | 2021-11-25 | 2022-02-11 | 中国石油化工股份有限公司 | 一种半充填缝洞型储层拟相对渗透率的确定方法、计算方法及其确定系统 |
| CN114282725A (zh) * | 2021-12-24 | 2022-04-05 | 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 |
| CN115310664A (zh) * | 2022-07-01 | 2022-11-08 | 中国石油大学(华东) | 基于基因调控遗传算法的rbf神经网络训练方法及预测系统 |
| CN115345303A (zh) * | 2022-09-14 | 2022-11-15 | 杭州海康机器人股份有限公司 | 卷积神经网络权重调优方法、装置、存储介质和电子设备 |
| CN115577562A (zh) * | 2022-11-09 | 2023-01-06 | 中国石油大学(华东) | 一种裂缝油藏井位优化方法 |
| CN115618750A (zh) * | 2022-12-16 | 2023-01-17 | 中国石油大学(华东) | 一种基于耦合神经网络的地下油水渗流代理模型 |
Non-Patent Citations (2)
| 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, no. 04 * |
| 郭立新;张德梅;童茂松;: "基于遗传算法优化神经网络的储层渗透率预测", 石油仪器, no. 02 * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117494617A (zh) * | 2023-12-29 | 2024-02-02 | 中国石油大学(华东) | 基于内嵌物理信息神经网络的二氧化碳驱油快速模拟方法 |
| CN117494617B (zh) * | 2023-12-29 | 2024-04-16 | 中国石油大学(华东) | 基于内嵌物理信息神经网络的二氧化碳驱油快速模拟方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116644662B (zh) | 2024-03-29 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Artus et al. | Optimization of nonconventional wells under uncertainty using statistical proxies | |
| CN103003718B (zh) | 用于模拟成熟油气田的产量模拟器 | |
| EP2599023B1 (en) | Methods and systems for machine-learning based simulation of flow | |
| AU2011283192B2 (en) | Methods and systems for machine-learning based simulation of flow | |
| CN106104590A (zh) | 不确定性下多级油田设计优化 | |
| EP2599029A1 (en) | Methods and systems for machine-learning based simulation of flow | |
| WO2012015516A1 (en) | Methods and systems for machine-learning based simulation of flow | |
| CN113052371A (zh) | 基于深度卷积神经网络的剩余油分布预测方法及装置 | |
| EP2612177A2 (en) | Iterative method and system to construct robust proxy models for reservoir simulation | |
| CN116644662B (zh) | 一种基于知识嵌入神经网络代理模型的布井优化方法 | |
| Kalantari-Dahaghi et al. | Coupling numerical simulation and machine learning to model shale gas production at different time resolutions | |
| Park et al. | Improved decision making with new efficient workflows for well placement optimization | |
| US20120059634A1 (en) | Method for optimizing the positioning of wells in an oil reservoir | |
| Kiærr et al. | Evaluation of a data-driven flow network model (FlowNet) for reservoir prediction and optimization | |
| CN114595608A (zh) | 一种压裂施工参数和工作制度参数优化方法及系统 | |
| Sanghyun et al. | Optimizing automatic history matching for field application using genetic algorithm and particle swarm optimization | |
| CN113297740A (zh) | 一种水平井凝胶调剖参数优化方法 | |
| Azamipour et al. | An improved optimization procedure for production and injection scheduling using a hybrid genetic algorithm | |
| Wang et al. | Fast History Matching and Robust Optimization Using a Novel Physics-Based Data-Driven Flow Network Model: An Application to a Steamflood Sector Model | |
| Jamshidi et al. | Application of GA in optimization of pore network models generated by multi-cellular growth algorithms | |
| Yu et al. | Evolving cellular automata to model fluid flow in porous media | |
| He | Investigating Continuously Updated History Matching Using Smart Proxy (Surrogate Reservoir Model) | |
| Guan et al. | Fast history matching and optimization using a novel physics-based data-driven model: An application to a diatomite reservoir with hundreds of wells | |
| US20240037413A1 (en) | Computer-implemented method and computer-readable medium for drainage mesh optimization in oil and/or gas producing fields | |
| CN116911216B (zh) | 一种储层油井产能因素评估与预测方法 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |