CN117521530A - 基于混合神经网络的二氧化碳驱油和埋存动态预测方法 - Google Patents

基于混合神经网络的二氧化碳驱油和埋存动态预测方法 Download PDF

Info

Publication number
CN117521530A
CN117521530A CN202410010440.9A CN202410010440A CN117521530A CN 117521530 A CN117521530 A CN 117521530A CN 202410010440 A CN202410010440 A CN 202410010440A CN 117521530 A CN117521530 A CN 117521530A
Authority
CN
China
Prior art keywords
bilstm
layer
moment
cell
macro
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
Application number
CN202410010440.9A
Other languages
English (en)
Other versions
CN117521530B (zh
Inventor
王文东
庄新宇
苏玉亮
李蕾
郝永卯
李苑
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 CN202410010440.9A priority Critical patent/CN117521530B/zh
Publication of CN117521530A publication Critical patent/CN117521530A/zh
Application granted granted Critical
Publication of CN117521530B publication Critical patent/CN117521530B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • 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
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • G06N3/0442—Recurrent networks, e.g. Hopfield networks characterised by memory or gating, e.g. long short-term memory [LSTM] or gated recurrent units [GRU]
    • 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
    • G06N3/04—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
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/048—Activation functions
    • 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
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2113/00—Details relating to the application field
    • G06F2113/08—Fluids

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biophysics (AREA)
  • Mathematical Physics (AREA)
  • Computing Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Biomedical Technology (AREA)
  • General Health & Medical Sciences (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Geometry (AREA)
  • Medical Informatics (AREA)
  • Computer Hardware Design (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种基于混合神经网络的二氧化碳驱油和埋存动态预测方法，属于油气田开发工程领域，包括如下步骤：步骤1、建立CO2驱油和埋存时空序列样本集；步骤2、利用主成分分析和离散余弦变换耦合的参数化方法对时空序列样本集进行降维处理；步骤3、耦合ResNet和双层堆叠BiLSTM建立ST‑ResNet混合神经网络模型；步骤4、对模型进行训练；步骤5、基于训练完成的模型进行当前地质及工程不确定条件下的日产油量、日存气量和CO2饱和度等值线分布的动态预测。本发明能实现地质、工程不确定性下CO2驱油埋存一体化开发动态的快速响应。

Description

基于混合神经网络的二氧化碳驱油和埋存动态预测方法
技术领域
本发明属于油气田开发工程领域，具体涉及基于混合神经网络的二氧化碳驱油和埋存动态预测方法。
背景技术
长期的水驱开发导致陆上油田的地下流体分布复杂，而注采矛盾也使得大量的原油被困在地下无法开采。CO2驱可以有效动用水驱后剩余油，同时为大量的CO2提供安全稳定的储存场所。如何准确地预测驱油、埋存的开发动态并明确CO2在地下的分布规律是CO2驱油埋存一体化开发的关键。
CO2驱生产动态的预测取决于油田本身的地质条件、流体条件以及开发工艺技术水平等因素。近年来所用最多的生产动态预测方法是油藏数值模拟。该方法通过对不同提高采收率技术的开发效果进行定量评价，从而从技术及经济角度来量化评价油田生产动态，为油藏工程师提供合理的开发建议。油藏数值模拟方法的亮点有很多：复现地下复杂渗流过程、具有较强的可操作性、量化油田开发效果等。目前有很多成熟的商业数值模拟软件，例如Eclipse、CMG等，其功能完备，操作人性化，适合大多数常规油藏的模拟计算。但该技术也有部分局限性，上手较困难、组分模拟费时费力、对复杂油藏适用性较差等，针对油田生产动态的预测往往成本较高。
近年来，基于统计学与机器学习的油田生产动态预测方法在国内外的发展十分迅速。基于随机森林、支持向量机等机器学习方法的油田生产动态预测模型可对短期内的油田生产动态做出快速响应，但是每种统计学、机器学习方法都有其特定的适用环境，且CO2驱生产动态预测是一个多变量、高维度的回归问题，传统的统计学及机器学习方法逐渐展现出弊端。
发明内容
为了解决上述问题，本发明提出了一种基于混合神经网络的二氧化碳驱油和埋存动态预测方法，结合高维数据参数化方法和深度学习方法，实现地质、工程不确定性下CO2驱油埋存一体化开发动态的快速响应。
本发明的技术方案如下：
一种基于混合神经网络的二氧化碳驱油和埋存动态预测方法，包括如下步骤：
步骤1、根据地质及工程不确定性信息建立CO2驱油和埋存时空序列样本集；
步骤2、利用主成分分析和离散余弦变换耦合的参数化方法对时空序列样本集进行降维处理；
步骤3、耦合ResNet和双层堆叠BiLSTM建立ST-ResNet混合神经网络模型；
步骤4、对ST-ResNet混合神经网络模型进行训练；
步骤5、实时采集目标油藏的渗透率场、井位分布以及不同月度数据下每口注气井日注气量、每口生产井井底流压，并输入到训练完成的ST-ResNet混合神经网络模型中，进行当前地质及工程不确定条件下的日产油量、日存气量和CO2饱和度等值线分布的动态预测。
进一步地，步骤1中，时空序列样本集包括输入参数和输出参数，输入参数包括渗透率场、井位分布、每口注入井日注气量、每口生产井井底流压，输出参数包括日产油量、日存气量、CO2饱和度等值线分布。
进一步地，步骤2的具体过程为：
步骤2.1、利用主成分分析方法对先验模型的储层非均质性进行提取和降维；
步骤2.2、采用离散余弦变换方法对先验模型属性场进行降维；
步骤2.3、将采用主成分分析方法降维后的属性场和经过离散余弦变换降维后的属性场进行结合，得到的特征提取场。
进一步地，步骤2.1的具体过程为：
步骤2.1.1、通过地质统计方法生成个地质属性样本，计算地质属性样本的均值：
(1)；
其中，为地质属性样本的均值；/>为第/>个地质属性样本的地质参数向量；
步骤2.1.2、构造中心化参数矩阵：
(2)；
其中，为第/>个地质属性样本的地质参数向量；
步骤2.1.3、地质属性样本协方差矩阵的经验估计为/>，用公式（3）对/>进行奇异值分解：
(3)；
其中，、/>、/>均为对角阵，对角阵元素为奇异值；/>为转置符号；
步骤2.1.4、计算累计贡献率：
(4)；
其中，为第/>个地质属性样本的对角阵/>的对角阵元素；/>为地质属性样本模型网格的数量；/>为奇异值个数，/>个奇异值对应前/>列向量；
步骤2.1.5、截取的前/>列向量来代替原数据集，计算参数化后原向量的对应向量：
(5)；
其中，为/>的第/>个列分量，表示主成分分析方法处理后的属性场；/>表示参数化后形成地质属性样本组成的原数据集/>的第/>个列分量；/>为/>的前/>列向量的转置矩阵，/>列对应/>维；
步骤2.1.6、计算降维后地质模型参数，公式为：
(6)；
其中，为采用主成分分析方法降维后的属性场；/>为参数化后形成地质属性样本组成的原数据集/>的第/>个列分量，/>为列分量总数。
进一步地，步骤2.2的具体过程为：
步骤2.2.1、对油藏属性场进行离散余弦变换，计算属性场离散余弦变换后的离散余弦变换系数矩阵/>：
(7)；
其中，、/>分别为X、Y方向的离散余弦变换矩阵，定义如下：
(8)；
(9)；
其中，、/>分别为属性场在X、Y方向的网格索引；/>、/>分别为属性场在X、Y方向的网格总数；
步骤2.2.2、选取区域的离散余弦变换系数进行逆变换，则/>变为维矩阵，/>保持不变，则经过离散余弦变换降维后的属性场/>为：
(10)；
所述步骤2.3中，特征提取场为：
(11)；
其中，表示矩阵相加操作。
进一步地，步骤3中，ResNet为卷积神经网络变体，为具有残差结构的深层网络；深层网络的残差结构的基本单元是残差块，每个残差块表示为：
(12)；
(13)；
其中，为残差块处理过程的中间变量；/>和/>分别为残差块的输入和输出；为残差函数，为每个残差块输入进行加权，权重为/>；/>为ReLU激活函数；
计算浅层残差块到深层残差块/>的学习特征：
(14)；
其中，为经过深层残差块/>处理后的输出；/>为第/>个残差块的输入；/>为第/>个残差块的权重。
进一步地，步骤3中，双层堆叠BiLSTM由两个相同的BiLSTM大层堆叠而成，每个BiLSTM大层包含4个串联的BiLSTM小单元；BiLSTM为双向长短期记忆网络；
第一个BiLSTM大层中第1个BiLSTM单元的计算公式为：
(15)；
(16)；
(17)；
第一个BiLSTM大层中第2或第3或第4个BiLSTM单元的计算公式为：
(18)；
(19)；
(20)；
其中，为/>时刻的输入数据；/>为激活函数；/>为第一个BiLSTM大层中第1个BiLSTM单元在/>时刻的前向隐藏层状态；/>、/>分别为第一个BiLSTM大层中第1个BiLSTM单元中输入层到隐藏层、隐藏层之间的权重矩阵；/>为第一个BiLSTM大层中第1个BiLSTM单元在/>时刻的初始隐藏层状态；/>为第一个BiLSTM大层中第1个BiLSTM单元在/>时刻的反向隐藏层状态；/>、/>分别为第一个BiLSTM大层中第1个BiLSTM单元中输入层到隐藏层、隐藏层之间的反向权重矩阵；/>为/>时刻的反向输入数据；/>为第一个BiLSTM大层中第1个BiLSTM单元在/>时刻的反向初始隐藏层状态；/>为第一个BiLSTM大层中第1个BiLSTM单元在/>时刻的输出层数据；/>为激活函数；/>为第一个BiLSTM大层中第1个BiLSTM单元中隐藏层到输出层的权重矩阵；/>为第一个BiLSTM大层中第1个BiLSTM单元中隐藏层到输出层的反向权重矩阵；/>为第一个BiLSTM大层中第2或第3或第4个BiLSTM单元在/>时刻的前向隐藏层状态；/>、/>分别为第一个BiLSTM大层中第2或第3或第4个BiLSTM单元中输入层到隐藏层、隐藏层之间的权重矩阵；/>为第一个BiLSTM大层中第1或第2或第3个BiLSTM单元在/>时刻的输出层数据；/>为第一个BiLSTM大层中第1或第2或第3个BiLSTM单元在/>时刻的前向隐藏层状态；/>为第一个BiLSTM大层中第2或第3或第4个BiLSTM单元在/>时刻的反向隐藏层状态；/>、分别为第一个BiLSTM大层中第2或第3或第4个BiLSTM单元中输入层到隐藏层、隐藏层之间的反向权重矩阵；/>为第一个BiLSTM大层中第1或第2或第3个BiLSTM单元在时刻的输出层反向数据；/>为第一个BiLSTM大层中第1或第2或第3个BiLSTM单元在时刻的反向隐藏层状态；/>为第一个BiLSTM大层中第2或第3或第4个BiLSTM单元中隐藏层到输出层的权重矩阵；/>为第一个BiLSTM大层中第2或第3或第4个BiLSTM单元中隐藏层到输出层的反向权重矩阵。
进一步地，第二个BiLSTM大层中第1个BiLSTM单元的计算公式为：
(21)；
(22)；
(23)；
第二个BiLSTM大层中第2或第3或第4个BiLSTM单元的计算公式为：
(24)；
(25)；
(26)；
最终，双层堆叠BiLSTM的输出数据为第二个BiLSTM大层中第4个BiLSTM单元在时刻的输出层数据/>；
其中，为第二个BiLSTM大层中第1个BiLSTM单元在/>时刻的前向隐藏层状态；、/>分别为第二个BiLSTM大层中第1个BiLSTM单元中输入层到隐藏层、隐藏层之间的权重矩阵；/>为第一个BiLSTM大层中第4个BiLSTM单元在/>时刻的输出层数据；/>为第一个BiLSTM大层中第4个BiLSTM单元在/>时刻的前向隐藏层状态；/>为第二个BiLSTM大层中第1个BiLSTM单元在/>时刻的反向隐藏层状态；/>、/>分别为第二个BiLSTM大层中第1个BiLSTM单元中输入层到隐藏层、隐藏层之间的反向权重矩阵；/>为第一个BiLSTM大层中第4个BiLSTM单元在/>时刻的输出层反向数据；/>为第一个BiLSTM大层中第4个BiLSTM单元在/>时刻的反向隐藏层状态；/>为第二个BiLSTM大层中第1个BiLSTM单元在/>时刻的输出层数据；/>为第二个BiLSTM大层中第1个BiLSTM单元中隐藏层到输出层的权重矩阵；/>为第二个BiLSTM大层中第1个BiLSTM单元中隐藏层到输出层的反向权重矩阵；/>为第一个BiLSTM大层中第2或第3或第4个BiLSTM单元在/>时刻的前向隐藏层状态；/>为第二个BiLSTM大层中第1个BiLSTM单元在/>时刻的前向隐藏层状态；为第二个BiLSTM大层中第1个BiLSTM单元在/>时刻的反向隐藏层状态；/>为第二个BiLSTM大层中第2或第3或第4个BiLSTM单元在/>时刻的前向隐藏层状态；/>、分别为第二个BiLSTM大层中第2或第3或第4个BiLSTM单元中输入层到隐藏层、隐藏层之间的权重矩阵；/>为第二个BiLSTM大层中第1或第2或第3个BiLSTM单元在/>时刻的输出层数据；/>为第二个BiLSTM大层中第2或第3或第4个BiLSTM单元在/>时刻的前向隐藏层状态；/>为第二个BiLSTM大层中第2或第3或第4个BiLSTM单元在/>时刻的反向隐藏层状态；/>、/>分别为第二个BiLSTM大层中第2或第3或第4个BiLSTM单元中输入层到隐藏层、隐藏层之间的反向权重矩阵；/>为第二个BiLSTM大层中第1或第2或第3个BiLSTM单元在/>时刻的输出层反向数据；/>为第二个BiLSTM大层中第1或第2或第3个BiLSTM单元在/>时刻的反向隐藏层状态；/>为第二个BiLSTM大层中第2或第3或第4个BiLSTM单元在/>时刻的输出层数据；/>为第二个BiLSTM大层中第2或第3或第4个BiLSTM单元中隐藏层到输出层的权重矩阵；/>为第二个BiLSTM大层中第2或第3或第4个BiLSTM单元中隐藏层到输出层的反向权重矩阵。
进一步地，步骤3中，ST-ResNet混合神经网络包括依次连接的输入层、卷积层和最大池化层、ResNet层、第1全连接层、双层堆叠BiLSTM、第2全连接层；ResNet层包括四个相同ResNet残差块：第1ResNet残差块、第2ResNet残差块、第3ResNet残差块、第4ResNet残差块；
ST-ResNet混合神经网络的工作过程为：
步骤3.1、输入层接收2D/3D储层属性场图像，进行初步处理得到尺寸为的4D储层属性场张量；其中，/>、/>、/>分别为目标油藏模型中X、Y、Z方向的网格块数，1表示每个网格块渗透率各向同性；
步骤3.2、继续输入卷积层和最大池化层，得到尺寸为的输出；
步骤3.3、再输入ResNet层，依次经过第1ResNet残差块、第2ResNet残差块、第3ResNet残差块、第4ResNet残差块后，得到尺寸为的特征向量；
步骤3.4、从ResNet模块中提取的特征向量通过第1全连接层进行处理，得到尺寸为的输出；其中，/>为双层堆叠BiLSTM的神经元数量；
步骤3.5、将第1全连接层的输出与时间序列格式的动态注采参数进行结合后再输入双层堆叠BiLSTM，得到尺寸为的输出；其中，/>为时间步长；
步骤3.6、最后，将双层堆叠BiLSTM的输出经过第2全连接层进行处理，得到尺寸为的预测输出，该预测输出为CO2驱油和埋存动态的最终预测结果；其中，/>为输出数据的维度。
进一步地，步骤4中，使用两个损失函数来对模型的训练过程进行监测和评估；第一个是嵌入模型内部的损失函数，使用均方误差来进行评价；第二个损失函数是模拟过程平均误差，公式定义如下：
(29)；
(30)；
其中，为模拟次数；/>为模拟总数；/>为总时刻；/>为单次模拟过程误差；为所有模拟过程的平均误差；/>为模拟结果；/>为预测结果；/>为四级CO2饱和度轮廓线；为第/>次模拟在/>时刻日产油量的模拟结果；/>为第/>次模拟在/>时刻日产油量的预测结果；/>为第/>次模拟在/>时刻日存气量的模拟结果；/>为第/>次模拟在/>时刻日存气量的预测结果；/>为第/>次模拟在/>时刻CO2饱和度等值线的模拟结果；/>为第/>次模拟在/>时刻CO2饱和度等值线分布的预测结果。
本发明所带来的有益技术效果：本发明建立的混合神经网络可融合油藏属性场图与注采数据双模态特征，有效提取不同维度油藏信息的时间、空间相关性，捕获不同地质条件及井控参数对油藏CO2驱动用变化趋势的影响，实现地质、工程数据与CO2驱油和埋存动态数据的接口精准匹配；本发明建立的二氧化碳驱油和埋存动态预测方法可针对地质及工程不确定性下的日产油量、日存气量及CO2饱和度等值线分布进行快速响应，明确不同油藏条件下CO2驱油和埋存潜力，减少模拟时间成本的同时大幅提升决策效率，可为CO2驱油埋存一体化开发方向提供更精准高效的预测工具，辅助工程师的决策部署。
附图说明
图1为本发明基于混合神经网络的二氧化碳驱油和埋存动态预测方法的流程图。
图2为本发明实施例中原始渗透率场图。
图3为本发明实施例中经过PCA处理后的渗透率场图。
图4为本发明实施例中通过PCA-DCT参数化方法对渗透率分布进行降维处理后的渗透率场图。
图5为本发明实施例中损失函数ASPE的训练过程和验证过程变化示意图。
图6为本发明实施例中损失函数MSE的训练过程和验证过程变化示意图。
图7为本发明实施例中日产油量预测结果与模拟结果的比较示意图。
图8为本发明实施例中日存气量预测结果与模拟结果的比较示意图。
图9为本发明实施例中CO2饱和度等值线分布在100天的模拟结果示意图。
图10为本发明实施例中CO2饱和度等值线分布在500天的模拟结果示意图。
图11为本发明实施例中CO2饱和度等值线分布在1000天的模拟结果示意图。
图12为本发明实施例中CO2饱和度等值线分布在100天的预测结果示意图。
图13为本发明实施例中CO2饱和度等值线分布在500天的预测结果示意图。
图14为本发明实施例中CO2饱和度等值线分布在1000天的预测结果示意图。
图15为本发明实施例中不同深度学习方法相对误差箱线图。
具体实施方式
下面结合附图以及具体实施方式对本发明作进一步详细说明：
本发明利用主成分分析PCA和离散余弦变换DCT耦合的参数化方法，在低维空间内对时空序列样本集进行调整，在保证地质不确定性信息的前提下减少CO2驱油和埋存动态预测模型需要的输入数据维度，提高CO2驱开发动态的预测效率。同时，本发明基于ResNet和双层堆叠BiLSTM建立了ST-ResNet混合神经网络，形成了面向时空变化的CO2驱油和埋存动态预测方法，捕获空间序列（即油藏属性场）及时间序列（即注采制度）对油藏CO2驱动用变化趋势的影响，实现地质不确定性（即不同油藏条件）及工程不确定性（即井控参数）下CO2驱油和埋存效果的快速响应。
如图1所示，一种基于混合神经网络的二氧化碳驱油和埋存动态预测方法，包括如下步骤：
步骤1、根据地质及工程不确定性信息建立CO2驱油和埋存时空序列样本集；
CO2驱油埋存一体化开发过程涉及了大量的空间序列、时间序列信息。在时空序列数据中，渗透率场等油藏属性场、井位分布代表着空间序列数据，而油藏属性场还需满足高斯分布，需要进一步结合序贯高斯模拟SGSIM来生成油藏属性场的训练图像；动态变化的注采参数代表着时间序列数据，通过在一定约束条件下（包括现场实际井组的注气、产油能力）进行不同时间步注气量/井底流压的随机取值，建立注采参数时间序列数据集合。针对不同序列数据，需要选取不同的数据预处理方法。本发明从直接关联CO2驱油和埋存开发动态的因素出发，明确了时空序列样本集详细包含的输入参数和输出参数，输入参数包括渗透率场、井位分布、每口注入井日注气量、每口生产井井底流压，输出参数包括日产油量、日存气量、CO2饱和度等值线分布。其中，渗透率场、井位分布为空间序列数据，每口注入井日注气量、每口生产井井底流压为时间序列数据。属性场包括渗透率场等，但本发明只输入渗透率场这一个属性场，因此本发明的属性场也可直接指渗透率场。渗透率场通过SGSIM生成，数据维度为（3，50，50）；井位分布通过随机生成的方式生成4-8口生产井，数据维度为（1，50，50）；每口注入井日注气量的取值范围为80000-160000 m3·d-1，数据维度为（12，2）；每口生产井井底流压的取值范围为20-45 MPa，数据维度为（12，2）。日产油量、日存气量、CO2饱和度等值线分布均通过数值模拟获得，数据维度分别为（12，2）、（12，2）、（12，4）。
步骤2、利用主成分分析和离散余弦变换耦合的参数化方法对时空序列样本集进行降维处理，实现高维数据的低维映射；
在预测模型的训练过程中，输入变量过多不仅会增加计算的复杂性，模型的精度也会下降，从而影响预测的效率和准确度。研究发现，大规模变量的预测模型的训练时间是无法忽略的，因此，训练时间可能会比真实数值模拟方案的时间长，从而破坏了降低计算成本的目标。由于油藏开发方案设计的要求不断提高，从决策变量空间来讲，设计的变量愈加复杂，由此带来变量数目的剧增。这就会导致直接使用机器学习方法建立预测模型的近似误差大，且模型训练参数时间长，失去了辅助方案设计的意义。本发明采用主成分分析与离散余弦变换耦合的方法对时空序列样本集进行降维处理。
步骤2.1、PCA方法主要是利用正交变换从原始的数据集中提取主要特征并构成特征向量空间，而后将原有的数据影射到特征向量空间上并得到一组投影系数，能够很好地保留原始数据的主要特征信息。利用PCA方法对先验模型的储层非均质性进行提取，能够很好地保留先验模型中地质属性分布的复杂信息，从而准确地反演出目标油藏的低、中、高渗透率的区域。首先通过地质统计方法生成个地质属性样本，这些样本代表着地质属性的先验信息。地质属性样本的均值为：
(1)；
其中，为地质属性样本的均值；/>为第/>个地质属性样本的地质参数向量；/>为地质属性样本的总个数。然后构造中心化参数矩阵/>：
(2)；
其中，为第/>个地质属性样本的地质参数向量；
地质属性样本协方差矩阵的经验估计为/>，用公式（3）对/>进行奇异值分解：
(3)；
其中，、/>、/>均为对角阵，对角阵元素为奇异值；/>为转置符号。
一般来说，只有最大的个奇异值和对应的奇异向量会被保存。通过计算累计贡献率来确定/>的数值，累计贡献率/>的计算公式如下：
(4)；
其中，为第/>个地质属性样本的对角阵/>的对角阵元素；/>为模型网格的数量。
个奇异值对应前/>列向量，截取/>的前/>列向量来代替原数据集，计算参数化后原向量的对应向量为：
(5)；
其中，为/>的第/>个列分量，表示主成分分析方法处理后的属性场；/>表示参数化后形成地质属性样本组成的原数据集/>的第/>个列分量；/>为/>的前/>列向量的转置矩阵，/>列对应/>维，因此对角阵/>变成了/>维向量，完成了参数化过程。给出参数化的向量，可以进一步计算得到原来的向量。计算得到的向量还需要加上地质属性样本的均值，得到降维后地质模型参数为：
(6)；
其中，为采用主成分分析方法降维后的属性场；/>为参数化后形成地质属性样本组成的原数据集/>的第/>个列分量，/>为列分量总数。
通过PCA对高维的参数设计空间进行降维处理，把较高维度的地质先验信息在低维空间表征，并且有效避免了协方差矩阵求逆的过程，从而提高预测模型的近似精度以及计算效率。然而，PCA方法针对具有明显渗透率通道的油藏模型，能够很好地保留不同通道的有效信息。但对于渗透率分布复杂且无明显渗透率通道的油藏模型，PCA方法对于有效信息的保留能力较差。因此，本发明在PCA方法的基础上提出了PCA与DCT耦合的地质信息降维方法。
步骤2.2、DCT方法具有良好的能量压缩性能，通过保留大系数来保存大部分的图像信息。处理油藏先验模型属性场时通过压缩低频部位信息，保留具有明显特征的属性信息，可以实现先验模型属性场的有效降维。首先需要对油藏属性场进行离散余弦变换，/>是由地质参数向量/>组成的矩阵。/>是属性场离散余弦变换后的离散余弦变换系数矩阵，计算公式主要为：
(7)；
其中，、/>分别为X、Y方向的离散余弦变换矩阵，定义如下：
(8)；
(9)；
其中，、/>分别为属性场在X、Y方向的网格索引；/>、/>分别为属性场在X、Y方向的网格总数。
根据离散余弦变换的性质，需要保留系数矩阵中的大系数来保存大部分地质先验信息，大部分大系数都位于低频部分，因此选取部分低频系数进行逆变换。选取区域的离散余弦变换系数进行逆变换，则/>变为/>维矩阵，/>保持不变，则经过DCT降维后的属性场/>为：
(10)；
步骤2.3、将PCA与DCT分别处理后的属性场进行结合。由于这两个矩阵维度相同，可直接进行结合，两者组合得到的特征提取场为：
(11)；
其中，表示矩阵相加操作。
该方法既能够提取渗透率通道的具体特征，还能够保留非通道区域渗透率复杂分布的有效信息，实现PCA与DCT对于高维数据的联合处理。
步骤3、耦合ResNet和双层堆叠BiLSTM建立ST-ResNet混合神经网络模型，采用ST-ResNet混合神经网络模型进行CO2驱油和埋存动态预测，ST-ResNet混合神经网络模型融合油藏属性场图与注采数据双模态特征，可以有效提取不同维度油藏信息的时间、空间相关性。建立基于ResNet和双层堆叠BiLSTM耦合的ST-ResNet混合神经网络，旨在融合油藏属性场图与注采数据双模态特征，捕获不同注采制度对油藏CO2驱动用变化趋势的影响，从而实现CO2驱油及埋存潜力的预测。
考虑到时空序列样本集具有不同维度的特征，本发明选择了不同类型的神经网络层并依据需求对其组合来处理数据。比如，针对空间序列数据，可以选用Conv卷积层进行特征提取；针对时间序列数据，可以选用LSTM长短期记忆网络层进行时间相关性分析。在处理空间序列方面，基于卷积神经网络CNN的深度学习方法是比较流行的。ResNet是CNN的一个变体，其通过使用具有更深层次的残差结构解决了在使用基础CNN来处理数据时由于网络深度的加深导致特征丢失的问题，提升了神经网络在处理复杂预测问题时候的性能深层网络的残差结构由主路径和残差连接组成。主路径主要由一系列的卷积层、批归一化层和ReLU激活函数组成，用于学习特征表示。残差连接是两层或三层之间的跳跃连接，或者称为“捷径”，它是将输入直接添加到主路径输出的连接，这确保了原始输入的信息可以在后续层中被传递，有助于缓解梯度消失问题。
深层网络的残差结构的基本单元是残差块，每个残差块可以表示为：
(12)；
(13)；
其中，为残差块处理过程的中间变量；/>和/>分别为残差块的输入和输出；/>为残差函数，为每个残差块输入进行加权，权重为/>；/>为ReLU激活函数。根据上式，可以得到浅层残差块/>到深层残差块/>的学习特征：
(14)；
其中，为经过深层残差块/>处理后的输出；/>为第/>个残差块的输入；/>为第个残差块的权重。
在处理时间序列方面，基于长短期记忆网络LSTM的深度学习方法可以很好地处理时间相关性。传统单向LSTM神经网络模型在驱油与埋存动态预测问题中由于存储历史与当前的信息，导致在训练过程中容易出现累积误差等问题。双向长短期记忆网络BiLSTM是普通LSTM的变体，提出的双向架构利用了过去和未来时间窗的所有可用信息来训练网络，可有效解决上述问题。该模型的输出由两个信息传递相反的LSTM循环层构成，前向层按照时间顺序传递信息，后向层按时间顺序逆向传递信息。神经网络训练过程中，分为前向训练和后向训练两个LSTM模块，前向训练输入序列是数据样本，后向训练的输入序列的反向样本，网络的输出由前向输出和后向输出共同决定。
通过在传统BiLSTM神经网络的基础上构建了深度化的多层机制和反向反馈机制，从而强化了时间序列数据的本质特征，能够避免在学习过程中训练记忆的模糊化，进一步减少训练误差。本发明提出了双层堆叠BiLSTM来处理复杂的CO2驱油和埋存动态预测问题，该模型的网络架构主要由输入层、双层堆叠BiLSTM、全连接层、RELU激活函数四部分组成。输入层，用来接受序列数据并指定输入数据的形状和类型；双层堆叠BiLSTM由两个相同的BiLSTM大层堆叠而成，每BiLSTM大层包含4个串联的BiLSTM小单元，用来同时考虑输入序列的前向和后向信息；全连接层，用来学习更高级别的特征表示；RELU激活函数，用来引入非线性特征。第一个BiLSTM小单元的输入是输入的序列数据和初始隐藏层状态/>，第二、三、四个单元的输入是上一个单元的输出数据及前向训练和反向训练的隐藏状态；每个单元的输出是前向训练的输出和反向训练的输出；前向训练的输出捕获了数据序列中当前时间步的信息；反向训练的输出捕获了数据序列中当前时间步的信息，但是是从序列末尾向前处理得到的信息。
第一个BiLSTM大层中第1个BiLSTM单元的计算公式为：
(15)；
(16)；
(17)；
第一个BiLSTM大层中第2、3、4个BiLSTM单元的计算公式为：
(18)；
(19)；
(20)；
第二个BiLSTM大层中第1个BiLSTM单元的计算公式为：
(21)；
(22)；
(23)；
第二个BiLSTM大层中第2或第3或第4个BiLSTM单元的计算公式为：
(24)；
(25)；
(26)；
最终，双层堆叠BiLSTM的输出数据为第二个BiLSTM大层中第4个BiLSTM单元在时刻的输出层数据/>。
此外，用于保存历史信息的记忆单元状态由两部分组成，分别为遗忘门处理后的上一时刻的记忆单元状态保留信息和经过输入门处理后的输入数据更新信息。计算公式如下所示：
(27)；
其中，和/>分别为/>和/>时刻的记忆单元状态；/>是遗忘门的激活函数；/>是输入门的激活函数；/>是输入门处理后的单元状态的输出。相比于单层的LSTM网络，该模型能够对早期迅速变化的产量、埋存量等数据加深记忆，对正、反记忆网络进行双向训练，从驱油、埋存数据的不同时序提取数据特征。
本发明通过耦合ResNet和双层堆叠BiLSTM建立ST-ResNet混合神经网络，包括依次连接的输入层、卷积层和最大池化层、ResNet层、第1全连接层、双层堆叠BiLSTM、第2全连接层；ResNet层包括四个相同ResNet残差块：第1ResNet残差块、第2ResNet残差块、第3ResNet残差块、第4ResNet残差块。卷积层为2D/3D卷积层；每个ResNet残差块均包括Conv卷积层、批归一化层和激活函数ReLU。
ST-ResNet混合神经网络的工作过程为：
步骤3.1、输入层接收2D/3D储层属性场图像，输入层进行初步处理得到尺寸为的4D储层属性场张量，便于使用卷积层进行处理；其中，/>、/>、/>分别为目标油藏模型中X、Y、Z方向的网格块数，1表示每个网格块渗透率各向同性。如果每个网格块属性场分量是各向异性的，则张量为/>。
步骤3.2、继续输入卷积层和最大池化层，卷积层和最大池化层的过滤器尺寸均为3×3×3、过滤器数量为32，经过卷积层和最大池化层后，得到尺寸为的输出；卷积层用于调整2D和3D油藏模型的数据尺寸，提取储层属性场图像中渗透率场、井位分布等彩色图像的三维结构，从而转化为方便表示空间特征的矩阵格式。
步骤3.3、再输入ResNet层，依次经过第1ResNet残差块、第2ResNet残差块、第3ResNet残差块、第4ResNet残差块后，得到尺寸为的特征向量；其中，经过第1ResNet残差块后图像尺寸依然为/>，经过第2ResNet残差块后尺寸变为/>，经过第3ResNet残差块后尺寸变为/>，经过第4ResNet残差块后尺寸变为/>。利用四个残差块，对输入矩阵的大小进行变换，有效提取空间序列特征。
步骤3.4、从ResNet模块中提取的特征向量通过第1全连接层进行处理，得到尺寸为的输出，从而使其适合作为双层堆叠BiLSTM的输入；其中，/>为双层堆叠BiLSTM的神经元数量；
步骤3.5、将第1全连接层的输出与时间序列格式的动态注采参数进行结合后再输入双层堆叠BiLSTM，经过两个相同的BiLSTM大层结构，通过两个BiLSTM大层提取和处理时间序列特征，得到尺寸为的输出；其中，经过第一个BiLSTM大层后尺寸已经变为/>，第二个BiLSTM大层保持尺寸不变；其中，/>为时间步长；
步骤3.6、最后，将双层堆叠BiLSTM的输出经过第2全连接层进行处理，得到尺寸为的预测输出，该预测输出为CO2驱油和埋存动态的最终预测结果。其中，/>为输出数据的维度。
由于CO2驱油主要以增油量、换油率来评价驱替效果，而CO2埋存主要以埋存量和存碳率为评价标准。因此，本发明建立了综合潜力指数来定量评价在地质及工程不确定性下的CO2驱油和埋存潜力，计算公式如下：
(28)；
其中，是CO2驱累计产油量；/>是油藏的孔隙体积；/>是油藏平均含油饱和度；/>是CO2在油藏中的体积；/>为总时刻；/>为油藏日产油量；/>为油藏日存气量。该综合潜力指数可以衡量原油被CO2驱替采出的比例和CO2挤占储层原始孔隙空间比例的调和值，能够充分体现目标油藏的CO2驱油和埋存潜力，可为侧重不同开发需求的生产参数优化提供指导。
上述过程整合了所有时空信息，实现了CO2驱油和埋存动态预测的目标。将上述学习过程抽象为不同类别神经网络节点以及输入端、输出端的训练过程，首先将油藏渗透率场、井位分布作为图像数据输入到ResNet模型中进行空间特征提取；其次，将ResNet模型输出数据与不同月度数据下每口注气井日注气量、每口生产井井底流压合并作为序列数据输入到双层堆叠BiLSTM中提取时间序列信息；最后，将双层堆叠BiLSTM的输出结果通过全连接层处理后输出为不同月度数据下的日产油量、日存气量以及CO2饱和度等值线分布。
步骤4、对ST-ResNet混合神经网络模型进行训练。本发明所设置ST-ResNet混合神经网络的超参数如下：时期Epoch设置为200，来保证在有限的训练次数中让模型完全收敛；为了防止过拟合，Drop out值设置为0.4，随机失活40%的神经元；利用ReLU激活函数和Adam优化器来加速模型收敛；学习率设置为0.0001。其中，Drop out是指在深度学习网络的训练过程中，对于神经网络单元，按照一定的概率将其暂时从网络中丢弃。
此外，本发明使用两个损失函数来对模型的训练过程进行监测和评估。第一个是嵌入模型内部的损失函数，使用均方误差MSE来进行评价，它主要是用来确定模型在训练过程中的收敛状态；第二个损失函数是模拟过程平均误差ASPE，它主要是通过定义单次模拟过程日产油量、日存气量以及CO2饱和度等值线分布的平均误差，其公式定义如下：
(29)；
(30)；
其中，为模拟次数；/>为模拟总数；/>为单次模拟过程误差；/>为所有模拟过程的平均误差；/>为模拟结果；/>为预测结果；/>为四级CO2饱和度轮廓线，本发明分别设置为0.35、0.5、0.65、1.00；/>为第/>次模拟在/>时刻日产油量的模拟结果；/>为第/>次模拟在/>时刻日产油量的预测结果；/>为第/>次模拟在/>时刻日存气量的模拟结果；/>为第/>次模拟在/>时刻日存气量的预测结果；/>为第/>次模拟在/>时刻CO2饱和度等值线的模拟结果；/>为第/>次模拟在/>时刻CO2饱和度等值线分布的预测结果。
在本发明中，MSE主要用来确定模型在训练过程中是否完全收敛，而ASPE主要用来决定训练过程是否可以终止。由于该模型最终的目的是建立单次模拟过程内地质、工程参数与CO2驱油埋存动态的映射关系，所以在单次模拟过程内不同时间步下的预测表现就显得尤为重要。MSE考虑了所有样本的预测值与模拟值之间的差异，而ASPE考虑了单次模拟过程内不同时间步下预测值与模拟值之间的差异，将两者相结合的方法可以对整个时空序列样本集及单次模拟过程的拟合效果都进行综合评价。
步骤5、实时采集目标油藏的渗透率场、井位分布以及不同月度数据下每口注气井日注气量、每口生产井井底流压，并输入到训练完成的ST-ResNet混合神经网络模型中，进行当前地质及工程不确定条件下的日产油量、日存气量和CO2饱和度等值线分布的动态预测。
为了证明本发明的可行性，给出如下实施例。该实施例以某油藏模型为例，该油藏主要应用五点法面积井网，包含13口井，其中4口注气井，9口生产井。注气井定量注入，设置上限注入压力，生产井通过固定井底流压进行生产。本实施例共生成350套油藏数值模拟方案，其中280套用于训练ST-ResNet混合神经网络模型，35套用于确定混合神经网络的超参数，剩下的用于检验模型的泛化性能。每套油藏数值模拟方案的注气时间为3年，单井工作制度的调整周期为2个月，共包括18个时间步。
基于上述数据采用本发明方法进行目标油藏CO2驱油和埋存动态预测的具体步骤为：
首先，建立目标油藏的CO2驱油和埋存时空序列样本集。通过序贯高斯模拟方法生成100个满足高斯分布的先验模型及其渗透率场。在油藏边界及最小井距（不小于200m）约束下随机生成13口井的井位分布图像。在现场实际井组的注气、产油能力的约束下随机设定每口井的工作制度。将目标区块的渗透率场、井位分布以及注采制度进行排列组合并输入到商业模拟器Eclipse中进行模拟，将所得到的日产油量、日存气量及CO2饱和度等值线分布与其对应方案组合起来，建立目标油藏的CO2驱油和埋存时空序列样本集。
然后，利用PCA和DCT耦合的参数化方法对时空序列样本集进行降维处理。原始渗透率场如图2所示，经过PCA处理后如图3所示，通过PCA-DCT参数化方法对渗透率分布进行降维处理后的结果如图4所示。从图2-图4中可以看出，经过PCA-DCT方法处理后的渗透率场与原始渗透率场均具有明显且近似的高、低渗边界区，而仅经过PCA方法处理后的渗透率场则会对某些高渗区域过度处理，导致边界区模糊不清。将降维处理后的渗透率场重新组装到时空序列样本集中。
再然后，建立ST-ResNet混合神经网络，调整网络拓扑结构。通过耦合ResNet和双层堆叠BiLSTM建立了ST-ResNet混合神经网络，依据目标油藏的数据格式设定网络层并设置超参数：选取4个ResNet层和2个BiLSTM层；Epoch设置为200；Drop out值设置为0.4；Dense层的激活函数选用ReLU；优化器选用Adam；损失函数选用MSE和ASPE。图5和图6分别为损失函数ASPE和损失函数MSE的训练过程和验证过程变化示意图，训练ST-ResNet混合神经网络的两个损失函数均表现出下降趋势。从图5和图6可以看出，从第130个子代以后，MSE就已经变平缓，这证明地质不确定性的空间序列信息和工程不确定性的时间序列信息已被有效捕捉，模型的收敛性达到预期效果。当ASPE降低到一个稳定的状态（低于0.25）时，证明日产油量、日存气量和CO2饱和度等值线的平均误差在单次模拟的不同时间步中已经达到预期，在模型已经收敛的前提下可以执行提前终止训练的命令，从而提升模型训练效率。
最后基于ST-ResNet混合神经网络进行CO2驱油和埋存动态预测模型。首先通过2DConv层接收目标油藏的渗透率场、井位分布，双层堆叠BiLSTM接收处理后的空间序列数据及每口井的工作制度。随后，输出端得到目标油藏在设定开发方案下随时间变化的日产油量、日存气量及CO2饱和度等值线分布。随机选取测试集中1套方案，日产油量、日存气量预测结果与模拟结果的比较分别如图7和图8所示，CO2饱和度等值线分布分别在100天、500天、1000天的不同时间下的模拟结果如图9-图11所示，CO2饱和度等值线分布分别在100天、500天、1000天的不同时间下的预测结果如图12-图14所示。可以看出，日产油量、日存气量的预测结果与模拟结果的拟合效果较好，误差在合理范围内，证明该模型对于CO2驱油与埋存动态的预测效果符合预期。此外，通过观察不同时间步的等值线的预测结果与模拟结果，发现随着时间的推移，等值线分布愈加复杂，ST-ResNet对于等值线的细节的描述越来越困难。虽然CO2饱和度等值线分布的预测结果与模拟结果在轮廓上存在一些差异，但是整体的分布趋势是一致的，这也证明ST-ResNet对CO2地下扩散规律的预测效果也表现出色。
其次，依据综合潜力指数计算公式，随机抽取测试集中9套方案的综合潜力指数的模拟结果和预测结果。具体的比较结果如表1所示。可以看出，该指数兼顾评价了CO2驱油和埋存过程的表现。该模型不仅能够预测随着时间动态变化的日产油量和日存气量，还能够依据生产动态特征来精确计算在地质及工程不确定性下的CO2驱油和埋存潜力，从而在注入CO2之前明确目标油藏的驱油和埋存技术的可行性，辅助工程师决策。
表1 该模型在不同方案下综合潜力指数的模拟值与预测值对比；
。
最后，本实施例还比较了ST-ResNet和其他深度学习方法的性能，包括卷积神经网络CNN、长短期记忆神经网络LSTM。为了保证对比的公正性，还选取了CNN-LSTM混合神经网络来进行比较，所有方法的共同参数均设置为相同的。引入了R2、MAE和RMSE来评价不同深度学习方法在预测CO2驱油和埋存动态上的表现，对比结果如表2示。可以看出，CNN相较于LSTM虽然处理时间序列的能力弱了一些，但它可以更好地提取先验模型的空间地质信息，从而使得预测性能更好。而将本发明提出的ST-ResNet与CNN-LSTM进行比较，可以看出ST-ResNet在预测不同的开发指标时均表现更好。
表2 不同深度学习方法预测CO2驱油和埋存动态的评价指标表现；
。
不同深度学习方法相对误差箱线图如图15所示。针对预测日产油量的表现而言，CNN、LSTM和CNN-LSTM模型在75%左右误差点的相对误差均大于5%，表明这三种模型对产油速率的预测效果较差。而ST-ResNet模型对于日产油量的相对误差小于5%，明显优于其他方法；针对预测日存气量的表现而言，CNN、LSTM模型在25%左右误差点的相对误差较小，而在75%左右误差点的相对误差均接近10%，表明这两种模型对日存气量（表征CO2埋存速率）的预测效果表现一般。相比之下，ST-ResNet模型在预测日产油量和日存气量均表现较好。这是因为ResNet和双层堆叠BiLSTM模型相较于CNN与LSTM拥有更复杂的网络结构，它们能考虑地下原油生产过程中的地质不确定性和工程不确定性，并灵活调整自身参数来适应不同维度特征，从而使得预测精度更高。从以上对比可以看出，本发明可以高效、准确地预测地质不确定性和工程不确定性条件下目标油藏的CO2驱油和埋存动态。
实例应用证明该方法可以很好的解决目标油藏的CO2驱油和埋存动态预测问题，预测结果与模拟结果的拟合效果符合预期，说明基于混合神经网络的二氧化碳驱油和埋存动态预测方法在考虑地质、工程不确定性的情况下具有较高的稳定性及泛化性。本发明的贡献在于为CO2驱油埋存一体化开发方向提供了更精准高效的预测工具，可辅助工程师的决策部署。
当然，上述说明并非是对本发明的限制，本发明也并不仅限于上述举例，本技术领域的技术人员在本发明的实质范围内所做出的变化、改型、添加或替换，也应属于本发明的保护范围。

Claims (10)

1.一种基于混合神经网络的二氧化碳驱油和埋存动态预测方法，其特征在于，包括如下步骤：
步骤1、根据地质及工程不确定性信息建立CO2驱油和埋存时空序列样本集；
步骤2、利用主成分分析和离散余弦变换耦合的参数化方法对时空序列样本集进行降维处理；
步骤3、耦合ResNet和双层堆叠BiLSTM建立ST-ResNet混合神经网络模型；
步骤4、对ST-ResNet混合神经网络模型进行训练；
步骤5、实时采集目标油藏的渗透率场、井位分布以及不同月度数据下每口注气井日注气量、每口生产井井底流压，并输入到训练完成的ST-ResNet混合神经网络模型中，进行当前地质及工程不确定条件下的日产油量、日存气量和CO2饱和度等值线分布的动态预测。
2.根据权利要求1所述基于混合神经网络的二氧化碳驱油和埋存动态预测方法，其特征在于，所述步骤1中，时空序列样本集包括输入参数和输出参数，输入参数包括渗透率场、井位分布、每口注入井日注气量、每口生产井井底流压，输出参数包括日产油量、日存气量、CO2饱和度等值线分布。
3.根据权利要求1所述基于混合神经网络的二氧化碳驱油和埋存动态预测方法，其特征在于，所述步骤2的具体过程为：
步骤2.1、利用主成分分析方法对先验模型的储层非均质性进行提取和降维；
步骤2.2、采用离散余弦变换方法对先验模型属性场进行降维；
步骤2.3、将采用主成分分析方法降维后的属性场和经过离散余弦变换降维后的属性场进行结合，得到的特征提取场。
4.根据权利要求3所述基于混合神经网络的二氧化碳驱油和埋存动态预测方法，其特征在于，所述步骤2.1的具体过程为：
步骤2.1.1、通过地质统计方法生成个地质属性样本，计算地质属性样本的均值：
(1)；
其中，为地质属性样本的均值；/>为第/>个地质属性样本的地质参数向量；
步骤2.1.2、构造中心化参数矩阵：
(2)；
其中，为第/>个地质属性样本的地质参数向量；
步骤2.1.3、地质属性样本协方差矩阵的经验估计为/>，用公式（3）对/>进行奇异值分解：
(3)；
其中，、/>、/>均为对角阵，对角阵元素为奇异值；/>为转置符号；
步骤2.1.4、计算累计贡献率：
(4)；
其中，为第/>个地质属性样本的对角阵/>的对角阵元素；/>为地质属性样本模型网格的数量；/>为奇异值个数，/>个奇异值对应前/>列向量；
步骤2.1.5、截取的前/>列向量来代替原数据集，计算参数化后原向量的对应向量：
(5)；
其中，为/>的第/>个列分量，表示主成分分析方法处理后的属性场；/>表示参数化后形成地质属性样本组成的原数据集/>的第/>个列分量；/>为/>的前/>列向量的转置矩阵，/>列对应/>维；
步骤2.1.6、计算降维后地质模型参数，公式为：
(6)；
其中，为采用主成分分析方法降维后的属性场；/>为参数化后形成地质属性样本组成的原数据集/>的第/>个列分量，/>为列分量总数。
5.根据权利要求4所述基于混合神经网络的二氧化碳驱油和埋存动态预测方法，其特征在于，所述步骤2.2的具体过程为：
步骤2.2.1、对油藏属性场进行离散余弦变换，计算属性场离散余弦变换后的离散余弦变换系数矩阵/>：
(7)；
其中，、/>分别为X、Y方向的离散余弦变换矩阵，定义如下：
(8)；
(9)；
其中，、/>分别为属性场在X、Y方向的网格索引；/>、/>分别为属性场在X、Y方向的网格总数；
步骤2.2.2、选取区域的离散余弦变换系数进行逆变换，则/>变为/>维矩阵，/>保持不变，则经过离散余弦变换降维后的属性场/>为：
(10)；
所述步骤2.3中，特征提取场为：
(11)；
其中，表示矩阵相加操作。
6.根据权利要求5所述基于混合神经网络的二氧化碳驱油和埋存动态预测方法，其特征在于，所述步骤3中，ResNet为卷积神经网络变体，为具有残差结构的深层网络；深层网络的残差结构的基本单元是残差块，每个残差块表示为：
(12)；
(13)；
其中，为残差块处理过程的中间变量；/>和/>分别为残差块的输入和输出；/>为残差函数，为每个残差块输入进行加权，权重为/>；/>为ReLU激活函数；
计算浅层残差块到深层残差块/>的学习特征：
(14)；
其中，为经过深层残差块/>处理后的输出；/>为第/>个残差块的输入；/>为第/>个残差块的权重。
7.根据权利要求6所述基于混合神经网络的二氧化碳驱油和埋存动态预测方法，其特征在于，所述步骤3中，双层堆叠BiLSTM由两个相同的BiLSTM大层堆叠而成，每个BiLSTM大层包含4个串联的BiLSTM小单元；BiLSTM为双向长短期记忆网络；
第一个BiLSTM大层中第1个BiLSTM单元的计算公式为：
(15)；
(16)；
(17)；
第一个BiLSTM大层中第2或第3或第4个BiLSTM单元的计算公式为：
(18)；
(19)；
(20)；
其中，为/>时刻的输入数据；/>为激活函数；/>为第一个BiLSTM大层中第1个BiLSTM单元在/>时刻的前向隐藏层状态；/>、/>分别为第一个BiLSTM大层中第1个BiLSTM单元中输入层到隐藏层、隐藏层之间的权重矩阵；/>为第一个BiLSTM大层中第1个BiLSTM单元在/>时刻的初始隐藏层状态；/>为第一个BiLSTM大层中第1个BiLSTM单元在/>时刻的反向隐藏层状态；/>、/>分别为第一个BiLSTM大层中第1个BiLSTM单元中输入层到隐藏层、隐藏层之间的反向权重矩阵；/>为/>时刻的反向输入数据；/>为第一个BiLSTM大层中第1个BiLSTM单元在/>时刻的反向初始隐藏层状态；/>为第一个BiLSTM大层中第1个BiLSTM单元在/>时刻的输出层数据；/>为激活函数；/>为第一个BiLSTM大层中第1个BiLSTM单元中隐藏层到输出层的权重矩阵；/>为第一个BiLSTM大层中第1个BiLSTM单元中隐藏层到输出层的反向权重矩阵；/>为第一个BiLSTM大层中第2或第3或第4个BiLSTM单元在/>时刻的前向隐藏层状态；/>、/>分别为第一个BiLSTM大层中第2或第3或第4个BiLSTM单元中输入层到隐藏层、隐藏层之间的权重矩阵；/>为第一个BiLSTM大层中第1或第2或第3个BiLSTM单元在/>时刻的输出层数据；/>为第一个BiLSTM大层中第1或第2或第3个BiLSTM单元在/>时刻的前向隐藏层状态；/>为第一个BiLSTM大层中第2或第3或第4个BiLSTM单元在/>时刻的反向隐藏层状态；/>、分别为第一个BiLSTM大层中第2或第3或第4个BiLSTM单元中输入层到隐藏层、隐藏层之间的反向权重矩阵；/>为第一个BiLSTM大层中第1或第2或第3个BiLSTM单元在时刻的输出层反向数据；/>为第一个BiLSTM大层中第1或第2或第3个BiLSTM单元在时刻的反向隐藏层状态；/>为第一个BiLSTM大层中第2或第3或第4个BiLSTM单元中隐藏层到输出层的权重矩阵；/>为第一个BiLSTM大层中第2或第3或第4个BiLSTM单元中隐藏层到输出层的反向权重矩阵。
8.根据权利要求7所述基于混合神经网络的二氧化碳驱油和埋存动态预测方法，其特征在于，第二个BiLSTM大层中第1个BiLSTM单元的计算公式为：
(21)；
(22)；
(23)；
第二个BiLSTM大层中第2或第3或第4个BiLSTM单元的计算公式为：
(24)；
(25)；
(26)；
最终，双层堆叠BiLSTM的输出数据为第二个BiLSTM大层中第4个BiLSTM单元在时刻的输出层数据/>；
其中，为第二个BiLSTM大层中第1个BiLSTM单元在/>时刻的前向隐藏层状态；/>、分别为第二个BiLSTM大层中第1个BiLSTM单元中输入层到隐藏层、隐藏层之间的权重矩阵；/>为第一个BiLSTM大层中第4个BiLSTM单元在/>时刻的输出层数据；/>为第一个BiLSTM大层中第4个BiLSTM单元在/>时刻的前向隐藏层状态；/>为第二个BiLSTM大层中第1个BiLSTM单元在/>时刻的反向隐藏层状态；/>、/>分别为第二个BiLSTM大层中第1个BiLSTM单元中输入层到隐藏层、隐藏层之间的反向权重矩阵；/>为第一个BiLSTM大层中第4个BiLSTM单元在/>时刻的输出层反向数据；/>为第一个BiLSTM大层中第4个BiLSTM单元在/>时刻的反向隐藏层状态；/>为第二个BiLSTM大层中第1个BiLSTM单元在/>时刻的输出层数据；/>为第二个BiLSTM大层中第1个BiLSTM单元中隐藏层到输出层的权重矩阵；/>为第二个BiLSTM大层中第1个BiLSTM单元中隐藏层到输出层的反向权重矩阵；/>为第一个BiLSTM大层中第2或第3或第4个BiLSTM单元在/>时刻的前向隐藏层状态；/>为第二个BiLSTM大层中第1个BiLSTM单元在/>时刻的前向隐藏层状态；/>为第二个BiLSTM大层中第1个BiLSTM单元在/>时刻的反向隐藏层状态；/>为第二个BiLSTM大层中第2或第3或第4个BiLSTM单元在/>时刻的前向隐藏层状态；/>、/>分别为第二个BiLSTM大层中第2或第3或第4个BiLSTM单元中输入层到隐藏层、隐藏层之间的权重矩阵；/>为第二个BiLSTM大层中第1或第2或第3个BiLSTM单元在/>时刻的输出层数据；/>为第二个BiLSTM大层中第2或第3或第4个BiLSTM单元在/>时刻的前向隐藏层状态；/>为第二个BiLSTM大层中第2或第3或第4个BiLSTM单元在/>时刻的反向隐藏层状态；/>、/>分别为第二个BiLSTM大层中第2或第3或第4个BiLSTM单元中输入层到隐藏层、隐藏层之间的反向权重矩阵；/>为第二个BiLSTM大层中第1或第2或第3个BiLSTM单元在/>时刻的输出层反向数据；/>为第二个BiLSTM大层中第1或第2或第3个BiLSTM单元在/>时刻的反向隐藏层状态；/>为第二个BiLSTM大层中第2或第3或第4个BiLSTM单元在/>时刻的输出层数据；/>为第二个BiLSTM大层中第2或第3或第4个BiLSTM单元中隐藏层到输出层的权重矩阵；/>为第二个BiLSTM大层中第2或第3或第4个BiLSTM单元中隐藏层到输出层的反向权重矩阵。
9.根据权利要求8所述基于混合神经网络的二氧化碳驱油和埋存动态预测方法，其特征在于，所述步骤3中，ST-ResNet混合神经网络包括依次连接的输入层、卷积层和最大池化层、ResNet层、第1全连接层、双层堆叠BiLSTM、第2全连接层；ResNet层包括四个相同ResNet残差块：第1ResNet残差块、第2ResNet残差块、第3ResNet残差块、第4ResNet残差块；
ST-ResNet混合神经网络的工作过程为：
步骤3.1、输入层接收2D/3D储层属性场图像，进行初步处理得到尺寸为的4D储层属性场张量；其中，/>、/>、/>分别为目标油藏模型中X、Y、Z方向的网格块数，1表示每个网格块渗透率各向同性；
步骤3.2、继续输入卷积层和最大池化层，得到尺寸为的输出；
步骤3.3、再输入ResNet层，依次经过第1ResNet残差块、第2ResNet残差块、第3ResNet残差块、第4ResNet残差块后，得到尺寸为的特征向量；
步骤3.4、从ResNet模块中提取的特征向量通过第1全连接层进行处理，得到尺寸为的输出；其中，/>为双层堆叠BiLSTM的神经元数量；
步骤3.5、将第1全连接层的输出与时间序列格式的动态注采参数进行结合后再输入双层堆叠BiLSTM，得到尺寸为的输出；其中，/>为时间步长；
步骤3.6、最后，将双层堆叠BiLSTM的输出经过第2全连接层进行处理，得到尺寸为的预测输出，该预测输出为CO2驱油和埋存动态的最终预测结果；其中，/>为输出数据的维度。
10.根据权利要求9所述基于混合神经网络的二氧化碳驱油和埋存动态预测方法，其特征在于，所述步骤4中，使用两个损失函数来对模型的训练过程进行监测和评估；第一个是嵌入模型内部的损失函数，使用均方误差来进行评价；第二个损失函数是模拟过程平均误差，公式定义如下：
(29)；
(30)；
其中，为模拟次数；/>为模拟总数；/>为总时刻；/>为单次模拟过程误差；/>为所有模拟过程的平均误差；/>为模拟结果；/>为预测结果；/>为四级CO2饱和度轮廓线；/>为第/>次模拟在/>时刻日产油量的模拟结果；/>为第/>次模拟在/>时刻日产油量的预测结果；为第/>次模拟在/>时刻日存气量的模拟结果；/>为第/>次模拟在/>时刻日存气量的预测结果；/>为第/>次模拟在/>时刻CO2饱和度等值线的模拟结果；/>为第/>次模拟在/>时刻CO2饱和度等值线分布的预测结果。
CN202410010440.9A 2024-01-04 2024-01-04 基于混合神经网络的二氧化碳驱油和埋存动态预测方法 Active CN117521530B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202410010440.9A CN117521530B (zh) 2024-01-04 2024-01-04 基于混合神经网络的二氧化碳驱油和埋存动态预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202410010440.9A CN117521530B (zh) 2024-01-04 2024-01-04 基于混合神经网络的二氧化碳驱油和埋存动态预测方法

Publications (2)

Publication Number Publication Date
CN117521530A true CN117521530A (zh) 2024-02-06
CN117521530B CN117521530B (zh) 2024-04-19

Family

ID=89753403

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202410010440.9A Active CN117521530B (zh) 2024-01-04 2024-01-04 基于混合神经网络的二氧化碳驱油和埋存动态预测方法

Country Status (1)

Country Link
CN (1) CN117521530B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN118690926A (zh) * 2024-08-26 2024-09-24 中国石油集团科学技术研究院有限公司 一种水驱油藏产量预测方法和装置

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111175818A (zh) * 2020-01-07 2020-05-19 中国矿业大学(北京) Co2气驱前缘位置的判断方法及其模型训练方法、装置
CN114139432A (zh) * 2020-09-04 2022-03-04 中国石油化工股份有限公司 利用神经网络技术的裂缝性油藏co2驱流动模拟方法
CN115906675A (zh) * 2023-03-09 2023-04-04 中国石油大学(华东) 基于时序多目标预测模型的井位及注采参数联合优化方法
CN115984132A (zh) * 2022-12-27 2023-04-18 南京信息工程大学 一种基于cbaim差分循环神经网络的短临预报方法
CN116307034A (zh) * 2022-12-02 2023-06-23 中国石油大学(华东) 基于离散小波变换和神经网络的产油或co2埋存量预测方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111175818A (zh) * 2020-01-07 2020-05-19 中国矿业大学(北京) Co2气驱前缘位置的判断方法及其模型训练方法、装置
CN114139432A (zh) * 2020-09-04 2022-03-04 中国石油化工股份有限公司 利用神经网络技术的裂缝性油藏co2驱流动模拟方法
CN116307034A (zh) * 2022-12-02 2023-06-23 中国石油大学(华东) 基于离散小波变换和神经网络的产油或co2埋存量预测方法
CN115984132A (zh) * 2022-12-27 2023-04-18 南京信息工程大学 一种基于cbaim差分循环神经网络的短临预报方法
CN115906675A (zh) * 2023-03-09 2023-04-04 中国石油大学(华东) 基于时序多目标预测模型的井位及注采参数联合优化方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
HOSSEIN SAYYAD: "Application of hybrid neural particle swarm optimization algorithm for prediction of MMP", 《FUEL》, 5 September 2013 (2013-09-05) *
侯智玮: "异常高温油藏CO_2埋存和驱替优化研究", 《中国优秀硕士学位论文全文数据库》, 15 February 2023 (2023-02-15) *
郭新成: "基于核磁共振技术表征致密油藏CO2 混合气体驱替原油动用特 征实验研究", 《IFEDC-202315471》, 31 December 2023 (2023-12-31) *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN118690926A (zh) * 2024-08-26 2024-09-24 中国石油集团科学技术研究院有限公司 一种水驱油藏产量预测方法和装置

Also Published As

Publication number Publication date
CN117521530B (zh) 2024-04-19

Similar Documents

Publication Publication Date Title
CN117521530B (zh) 基于混合神经网络的二氧化碳驱油和埋存动态预测方法
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
CN112541572B (zh) 基于卷积编码器-解码器网络的剩余油分布预测方法
CN111523713B (zh) 一种预测油田中剩余油饱和度分布的方法和装置
CN106295199B (zh) 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
CN109005398B (zh) 一种基于卷积神经网络的立体图像视差匹配方法
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
CN112651360B (zh) 一种小样本下骨架动作识别方法
CN111612906A (zh) 一种三维地质模型的生成方法、系统及计算机存储介质
CN116030537B (zh) 基于多分支注意力图卷积的三维人体姿态估计方法
CN111986085A (zh) 一种基于深度反馈注意力网络系统的图像超分辨率方法
CN118036477B (zh) 一种基于时空图神经网络的井位及井控参数优化方法
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
CN114462262A (zh) 一种基于时间和空间双重维度的历史拟合预测方法
Huang et al. Deep-learning based surrogate modeling for fast and accurate simulation in realistic 3D reservoir with varying well controls
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
CN117633512A (zh) 一种基于一维卷积门控循环网络的储层孔隙度预测方法
CN112862946B (zh) 基于级联条件生成对抗网络的灰度岩心图像三维重建方法
CN115758911A (zh) 融合点云残差网络和考虑滑移的流场和压力场预测方法
CN113537354B (zh) 一种基于深度学习的含水层结构阶段式随机反演识别方法
CN115393735A (zh) 基于改进U-Net的遥感影像建筑物提取方法
CN117975174B (zh) 一种基于改进vqgan的三维数字岩心重构方法
CN111209674A (zh) 一种河道砂建模方法、设备及可读存储介质
CN114022631B (zh) 基于深度卷积生成对抗网络的三维地质模型自动重构方法
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
GR01 Patent grant
GR01 Patent grant