CN117669351A - 基于RU-Net和LSTM神经网络模型的自动历史拟合方法及装置 - Google Patents

基于RU-Net和LSTM神经网络模型的自动历史拟合方法及装置 Download PDF

Info

Publication number
CN117669351A
CN117669351A CN202211055980.6A CN202211055980A CN117669351A CN 117669351 A CN117669351 A CN 117669351A CN 202211055980 A CN202211055980 A CN 202211055980A CN 117669351 A CN117669351 A CN 117669351A
Authority
CN
China
Prior art keywords
data
oil
model
gas reservoir
reservoir
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.)
Pending
Application number
CN202211055980.6A
Other languages
English (en)
Inventor
张吉群
贾德利
李欣
常军华
李夏宁
吴丽
王利明
崔丽宁
张洋
王全宾
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.)
Petrochina Co Ltd
Original Assignee
Petrochina Co Ltd
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 Petrochina Co Ltd filed Critical Petrochina Co Ltd
Priority to CN202211055980.6A priority Critical patent/CN117669351A/zh
Priority to PCT/CN2023/112465 priority patent/WO2024046086A1/zh
Publication of CN117669351A publication Critical patent/CN117669351A/zh
Pending legal-status Critical Current

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
    • 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
    • G06N3/044—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
    • G06N3/08—Learning methods
    • 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
    • G06N3/0985—Hyperparameter optimisation; Meta-learning; Learning-to-learn
    • 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
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/02—Agriculture; Fishing; Forestry; Mining
    • 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)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Software Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • Business, Economics & Management (AREA)
  • Molecular Biology (AREA)
  • Computational Linguistics (AREA)
  • Mathematical Physics (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Geometry (AREA)
  • Computer Hardware Design (AREA)
  • Computing Systems (AREA)
  • Strategic Management (AREA)
  • Mining & Mineral Resources (AREA)
  • Economics (AREA)
  • Human Resources & Organizations (AREA)
  • Marketing (AREA)
  • Primary Health Care (AREA)
  • Marine Sciences & Fisheries (AREA)
  • Tourism & Hospitality (AREA)
  • Agronomy & Crop Science (AREA)
  • Animal Husbandry (AREA)
  • General Business, Economics & Management (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明实施例提供一种基于RU‑Net和LSTM神经网络模型的自动历史拟合方法及装置，属于石油开采技术领域。所述方法包括：以井分区进行油气藏属性模型的网格剖分；构建数据训练集；对数据训练集中的样本数据进行处理；基于处理后的样本数据，训练用于预测油气藏压力、饱和度分布和注采生产动态的预测模型；基于所述预测模型，通过智能优化算法进行油气藏地质模型的参数估计。本发明的基于RU‑Net和LSTM神经网络模型的自动历史拟合方法及装置具有数据处理量小，大大缩短研究周期，能够精准预测油气藏的注采生产动态，显著提高储层非均质性刻画的精度，降低剩余油分布的不确定性，实现油气藏开发全生命周期的精确描述和预测的优点。

Description

基于RU-Net和LSTM神经网络模型的自动历史拟合方法及装置
技术领域
本发明涉及石油开采技术领域，具体地涉及一种基于RU-Net和LSTM神经网络模型的自动历史拟合方法、一种基于RU-Net和LSTM神经网络模型的自动历史拟合装置、一种电子设备及一种机器可读存储介质。
背景技术
油气藏数据历史拟合是油气藏模拟流程中极其重要的一环。通过人工进行历史拟合需要油气藏工程师具备丰富经验，且过程中需花费大量时间反复调整参数、研究周期长、具有局限性、油气藏开发指标预测的不确定性较高，因此，自动历史拟合方法成为近年来油气藏工程领域的研究热点。自动历史拟合方法可大致分为基于模型空间反演和基于数据空间反演两种思路。
在利用模型空间反演算法进行拟合时，随机最大似然估计方法是其中一种采样方法，但是，基于采样的方法，其过程极其耗时，所以不适用于大规模问题，且在拟合过程中需要进行多次重启动操作，假定模型参数和每次更新期间的流动响应之间存在线性关系，针对非线性问题时存在一定误差。基于集合的集合平滑算法不再需要重启模拟器，对模型参数进行一次性全局更新，从而达到了比卡尔曼滤波更快的目的，然而，由于集合平滑算法只通过一次迭代来更新模型参数，导致在油气藏历史拟合问题中的拟合程度不够。故发展了多重数据同化下的集合平滑算法，目前在油气藏历史拟合问题具有较好的应用效果。针对天然裂缝储层，开展历史拟合研究，但其采用的方法仅生成单个后验模型，从而不能有效降低油气藏指标预测的不确定性。目前，很难直接应用到实际裂缝储层的历史拟合问题中。
在利用数据空间反演算法时，现有技术中，可以基于预测聚焦分析的不确定性量化方法，用以预测污染物浓度数据。在此基础上，利用标准函数成分分析方法，将数据和预测变量进行降维处理，从而解决了预测聚焦分析中出现的问题，该方法已被应用于油气藏开发和污染物浓度预测问题，但是无法有效降低油田开发指标预测的不确定性，无法有效指导油田开发管理及决策和开展不确定性量化分析。
发明内容
本发明实施例的目的是提供一种基于RU-Net和LSTM神经网络模型的自动历史拟合方法及装置，该设备基于RU-Net和LSTM神经网络模型的自动历史拟合方法及装置用以解决上述的通过人工进行历史拟合需要油气藏工程师具备丰富经验，且过程中需花费大量时间反复调整参数、研究周期长、具有局限性、油气藏开发指标预测的不确定性较高的问题。
为了实现上述目的，本发明实施例提供一种基于RU-Net和LSTM神经网络模型的自动历史拟合方法，包括：
步骤1、以井分区进行油气藏属性模型的网格剖分；
步骤2、构建数据训练集；
步骤3、对数据训练集中的样本数据进行处理；
步骤4、基于处理后的样本数据，训练用于预测油气藏压力、饱和度分布和注采生产动态的预测模型；
步骤5、基于所述预测模型，通过智能优化算法进行油气藏地质模型的参数估计。
可选的，步骤1包括：基于油气藏属性模型中的井位坐标生成多个以单井层的井控范围为边界的井控单元。
可选的，步骤2包括：
步骤21、对于每一井控单元：
计算该井控单元内包含的所有网格中每一类静态参数的平均值，得到该井控单元的多类平均静态参数，将所有井控单元的多类平均静态参数作为基础静态数据；
步骤22、对基础静态数据进行参数扰动，生成多个平行算例，作为数据训练集的输入数据；
步骤23、通过油气藏数值模拟分别对生成的多个平行算例进行正演模拟，得到油气藏压力、饱和度分布和注采生产动态，作为数据训练集的输出数据。
可选的，步骤3包括：
步骤31、基于生产井的生产历史、周边井的生产动态以及油气藏物性分布，进行样本数据清洗；
步骤32、剔除样本数据中的异常值；
步骤33、对样本数据进行归一化处理。
可选的，步骤33包括：
步骤331、对于样本数据中的压力场数据：
计算样本数据中所有时间步压力场的平均值；
将每一时间步的压力场数据中减去所有时间步压力场的平均值，得到压力差值场；
利用最小-最大归一化算法对所述压力差值场进行归一化处理；
步骤332、对于样本数据中除压力场的其余所有数据，利用最小-最大归一化算法进行归一化处理。
可选的，步骤4包括：
步骤41、基于处理后的样本数据和递归全卷积神经网络，训练得到压力场预测模型和饱和度场预测模型；
步骤42、基于处理后的样本数据和长短期记忆神经网络，训练得到注采生产动态预测模型。
可选的，步骤5包括：
步骤51、获取油气藏地质模型、油气藏井控参数和实际注采生产动态；
步骤52、将所述油气藏地质模型输入所述压力场预测模型，得到油气藏的压力场，将所述油气藏地质模型输入所述饱和度场预测模型，得到油气藏的饱和度场；
步骤53、将所述压力场、所述饱和度场和所述油气藏井控参数输入所述注采生产动态预测模型，得到预测的注采生产动态；
步骤54、将预测的注采生产动态和实际注采生产动态的差值作为损失函数；
步骤55、利用随机最大似然估计算法和网格自适应直接搜索算法，进行油气藏地质模型的参数随机优化；
步骤56、基于损失函数最小化时对应的参数更新油气藏区域的油气藏地质模型。
本发明实施例还提供一种基于RU-Net和LSTM神经网络模型的自动历史拟合装置，包括：
网格剖分模块，用于以井分区进行油气藏属性模型的网格剖分；
数据集构建模块，用于构建数据训练集；
数据处理模块，用于对数据训练集中的样本数据进行处理；
模型建立模块，用于基于处理后的样本数据，训练用于预测压力、饱和度分布和注采生产动态的预测模型；
参数估计模块，用于基于所述预测模型，通过智能优化算法进行油气藏地质模型的参数估计。
另一方面，本发明提供一种电子设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述的基于RU-Net和LSTM神经网络模型的自动历史拟合方法。
另一方面，本发明提供一种机器可读存储介质，该机器可读存储介质上存储有指令，该指令用于使得机器执行上述的基于RU-Net和LSTM神经网络模型的自动历史拟合方法。
本技术方案以井分区进行网格剖分，并构建出数据训练集，再对数据训练集中的样本数据进行处理，得到准确的样本数据，然后基于处理后的样本数据训练出用于预测油气藏压力、饱和度分布和注采生产动态的预测模型，最后基于所述预测模型，通过智能优化算法进行油气藏地质模型的参数估计。通过上述的方法能够克服了人工历史拟合方法依赖工程师经验、研究周期长、存在局限性等缺陷，能够大大缩短研究周期，提升动态数据的预测精度，大幅降低油气藏开发指标预测的不确定性，实现油气藏开发全生命周期的精确描述和预测，显著提高储层非均质性刻画的精度，降低剩余油分布的不确定性。
本发明实施例的其它特征和优点将在随后的具体实施方式部分予以详细说明。
附图说明
附图是用来提供对本发明实施例的进一步理解，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例，但并不构成对本发明实施例的限制。在附图中：
图1是本发明提供的基于RU-Net和LSTM神经网络模型的自动历史拟合方法的流程图；
图2是本发明提供的井控单元的示意图；
图3是本发明提供的不同算例井含水指标变化示意图；
图4是本发明提供的预测的注采生产动态与实际注采生产动态的对比示意图；
图5是本发明提供的基于RU-Net和LSTM神经网络模型的自动历史拟合装置的结构示意图。
附图标记说明
10-网格剖分模块； 20-数据集构建模块；
30-数据处理模块； 40-模型建立模块；
50-参数估计模块。
具体实施方式
以下结合附图对本发明实施例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实施例，并不用于限制本发明实施例。
在本发明实施例中，术语“第一”、“第二”、“第三”等仅用于区分描述，而不能理解为指示或暗示相对重要性。
此外，“大致”、“基本”等用语旨在说明相关内容并不是要求绝对的精确，而是可以有一定的偏差。例如：“大致相等”并不仅仅表示绝对的相等，由于实际生产、操作过程中，难以做到绝对的“相等”，一般都存在一定的偏差。因此，除了绝对相等之外，“大致等于”还包括上述的存在一定偏差的情况。以此为例，其他情况下，除非有特别说明，“大致”、“基本”等用语均为与上述类似的含义。
图1是本发明提供的基于RU-Net和LSTM神经网络模型的自动历史拟合方法的流程图；图2是本发明提供的井控单元的示意图；图3是本发明提供的不同算例井含水指标变化示意图；图4是本发明提供的预测的注采生产动态与实际注采生产动态的对比示意图；图5是本发明提供的基于RU-Net和LSTM神经网络模型的自动历史拟合装置的结构示意图。
实施例1
如图1所示，本发明实施例提供一种基于RU-Net和LSTM神经网络模型的自动历史拟合方法，包括：
步骤1、以井分区进行油气藏属性模型的网格剖分；
具体地，步骤1的具体步骤为：基于油气藏属性模型中的井位坐标生成多个以单井层的井控范围为边界的井控单元。所述油气藏属性模型采用常规地质建模的步骤构建而成，即：先建立油气藏的构造模型，再建立出油气藏属性模型，对本领域技术人员而言容易得到的，此处不再赘述。
另外，如图2所示，由于一个完整的油气藏属性模型通常包含有至少上百万个网格，因此，一个完整的油气藏属性模型具有大量的属性参数，如果以每一个网格的数据作为输入数据进行计算，会产生维数灾难，数据量巨大，造成数据处理时间过长，降低数据处理效率，在本实施方式中，以单层井为例：以每一个井为中心，对油气藏属性模型进行网格剖分，将油气藏属性模型划分为多个井控单元，每一个井控单元内具有一口井，每一井控单元内具有多个网格，以每一个井控单元的数据作为输入数据进行计算，以此来减少处理的数据量。
更具体地，在本实施方式中，以每一井为中心，利用Voronoi算法，在地质模型中确定每一井的井控单元。Voronoi算法又叫泰森多边形或Dirichlet图，它是由一组由连接两邻点直线的垂直平分线组成的连续多边形组成。N个在平面上有区别的点，按照最邻近原则划分平面，每个点与它的最近邻区域相关联。Delaunay三角形是由与相邻Voronoi多边形共享一条边的相关点连接而成的三角形。Delaunay三角形的外接圆圆心是与三角形相关的Voronoi多边形的一个顶点。
步骤2、构建数据训练集；
具体地包括：步骤21、对于每一井控单元：
计算该井控单元内包含的所有网格中每一类静态参数的平均值，得到该井控单元的多类平均静态参数，将所有井控单元的多类平均静态参数作为基础静态数据；
步骤22、对基础静态数据进行参数扰动，生成多个平行算例，作为数据训练集的输入数据；
步骤23、通过油气藏数值模拟分别对生成的多个平行算例进行正演模拟，得到油气藏压力、饱和度分布和注采生产动态，作为数据训练集的输出数据。
更具体地，通过步骤1进行网格剖分后，针对每一井控单元，计算该井控单元内的所有同一类型的静态参数的平均值，将该平均值作为该井控单元内该类型的静态参数，同理，对于其他类型的静态参数采用相同的处理办法，使得每一井控单元内每一类型的静态参数均只有一个，最后，将每一井控单元内每一类型的静态参数合并作为完整的基础静态数据，如图2所示，通过上述的处理方法能够大大减少数据的处理量，在后续训练和计算时，提高处理效率，减少处理时间。
在本实施方式中，静态参数包括：渗透率、孔隙度、厚度、初始含油饱和度和初始压力等。因此，每一井控单元对应的渗透率、孔隙度、厚度、初始含油饱和度和初始压力，因此，某一油气藏区域内设置有一百万个网格和两百口井，且为单层井，因此，每一个网格均对应有一个类型的参数，故该油气藏区域内一共具有一百万个渗透率、一百万个孔隙度、一百万个厚度、一百万个初始含油饱和度和一百万个初始压力，若以以上数据进行计算，数据量庞大，因此，需要进行参数优化，以达到降维效果，因此，以两百口井中每一口井的中心，对网格进行剖分，最终得到两百个井控单元，对每一个井控单元内的渗透率、孔隙度、厚度、水体、断层、构造、初始含油饱和度和初始压力求平均值，得到每一井控单元(共两百个井控单元)对应的静态参数，再将两百个井控单元中的数据合并作为油气藏区域的基础静态数据，最终便将一百万个数据降维度到两百个数据，即整个油气藏的基础静态数据中仅有两百个渗透率、两百个孔隙度、两百个厚度、两百个初始含油饱和度和两百个初始压力。另外，每一个井控单元的面积大小存在不同，因此每一井控单元内的网格数量也存在不同。
为了保证模型的准确度，需要利用大量的训练数据进行模型的训练。因此，在得到基础静态数据后，采用按照预设的倍数进行放大和缩小等方式，基于基础静态数据，对应的预设范围内进行参数扰动，得到大量平行算例，如图3所示，再通过油气藏数值模拟对大量平行算例数据进行正演模拟，能够得到不同输入数据组合下对应的模拟结果，即油气藏的压力场、饱和度场和注采生产动态，以此构建出数据训练集。
步骤3、对数据训练集中的样本数据进行处理；
具体包括：步骤31、基于生产井的生产历史、周边井的生产动态以及油气藏物性分布，进行样本数据清洗；
步骤32、剔除样本数据中的异常值；
步骤33、对样本数据进行归一化处理。
还包括：步骤331、对于样本数据中的压力场数据：
计算样本数据中所有时间步压力场的平均值；
将每一时间步的压力场数据中减去所有时间步压力场的平均值，得到压力差值场；
利用最小-最大归一化算法对所述压力差值场进行归一化处理；
步骤332、对于样本数据中除压力场的其余所有数据，利用最小-最大归一化算法进行归一化处理。
更具体地，在进行井控单元后，开展样本数据清洗工作，基于生产井的生产历史、周边井的注入及生产动态以及油气藏物性分布等，保留有效数据，剔除无效数据，估算缺失数据，将脏数据转化为满足质量要求的数据；展样本数据异常值检测工作，分析异常值出现原因，进行数据异常预警；开展样本数据归一化处理工作，为后续大数据与机器学习算法做好数据准备。除压力场数据外，对于渗透率、孔隙度、厚度、初始含油饱和度等，直接采用最小-最大归一化算法进行归一化处理；对于初始压力数据，将每一井控单元内每个时间步的初始压力求取平均压力值，再将每个时间步的压力场数据中平均压力值，得到压力差值场，然后再最小-最大归一化算法对训练集每个时间步压力差值场进行归一化，将原始压力场数据去趋势化。
步骤4、基于处理后的样本数据，训练用于预测油气藏压力、饱和度分布和注采生产动态的预测模型；
具体包括：步骤41、基于处理后的样本数据和递归全卷积神经网络(RU-Net)，训练得到压力场预测模型和饱和度场预测模型；
步骤42、基于处理后的样本数据和长短期记忆神经网络(LSTM)，训练得到注采生产动态预测模型。
更具体地，将数据训练集中的样本数据按照8:1:1的比例分为训练集、验证集和测试集。利用训练集训练模型参数，使用验证集调整神经网络超参数，依靠测试集评估模型效果。在训练过程，压力场预测模型和饱和度场预测模型的损失函数正则项使用L2范数，注采生产动态预测模型的损失函数正则项使用L1范数。
并且，处理后数据训练集可以分为用于训练场预测模型的第一训练数据集和用于训练注采生产动态预测模型的第二训练数据集，并将第一训练数据集分别作为递归全卷积神经网络的输入，训练得到压力场预测模型和饱和度场预测模型，第一训练数据集中主要参数包括；基础静态数据和大量平行算例，以及通过正演模拟得到的对应的压力场和饱和度场；将第二训练数据集作为长短期记忆神经网络的输入，训练得到注采生产动态预测模型，第二训练数据集主要包括通过正演模拟得到的对应的压力场、饱和度场、注采生产动态以及获取的历史井控参数。
在整个训练过程中，通过调整神经网络参数θ来最小化损失函数，损耗函数对于θ的梯度通过深度神经网络反向传播计算。优化时使用自适应矩估计优化算法(ADAM)，ADAM是一种可以替代传统随机梯度下降(SGD)过程的优化算法，基于训练数据迭代更新神经网络权重。循环神经网络具体的训练时间取决于许多因素，比如训练集大小、批量大小、优化器设置和学习速率，以及GPU性能。虽然训练时间可能因情况而异，但与油气藏历史拟合过程中数值模拟所需的时间相比，是非常短的。在训练过程中，学习速率、批量大小、训练迭代轮数和损失函数中定义的权重λ等几个重要的超参数需要进行反复调试。通过训练发现，两个网络均能在200轮数内收敛，饱和度通常比压力场训练收敛得快。通过数值实验发现，经过适当的数据预处理后训练过程受超参数值的设定影响较小。因此，该训练得到的超参数可用作新神经网络参数的初始设置。
步骤5、基于所述预测模型，通过智能优化算法进行油气藏地质模型的参数估计。
具体地包括：步骤51、获取油气藏地质模型、油气藏井控参数和实际注采生产动态；
步骤52、将所述油气藏地质模型输入所述压力场预测模型，得到油气藏的压力场，将所述油气藏地质模型输入所述饱和度场预测模型，得到油气藏的饱和度场；
步骤53、将所述压力场、所述饱和度场和所述油气藏井控参数输入所述注采生产动态预测模型，得到预测的注采生产动态；
步骤54、将预测的注采生产动态和实际注采生产动态的差值作为损失函数；
步骤55、利用随机最大似然估计算法和网格自适应直接搜索算法，进行油气藏地质模型的参数随机优化；
步骤56、基于损失函数最小化时对应的参数更新油气藏区域的油气藏地质模型。
更具体地，油气藏井控参数包括：注水井的注水量、注水压力、生产井的产液量等。油气藏地质模型可根据前期的测井数据、取心数据、地震数据等进行构建，并且地质模型中包含了多种能够反应油气藏区域物理属性的静态参数，如渗透率、孔隙度等数据，即对应数据训练集中的静态数据；井控参数可根据实际采油计划等情况进行井控参数设置，对本领域技术人员而言，通过测井数据、取心数据、地震数据等进行地质建模，以及根据实际情况设置井控参数是能够想到的，因此，如何建立地质模型和如何设置井控参数的步骤此处不再赘述。
但是，在实际运用过程中，由于在实际的注采生产动态预测过程中，油气藏地质模型在建立过程中有可能存在一定的误差，因此，可通过预测得到的注采生产动态和油气藏实际注采生产动态，对油气藏地质模型的参数进行修正，以保证油气藏地质模型的准确度，以便为后续的预测过程提供基础，更具体地，在进行油气藏地质模型的参数修正时，至少对其中一类进行修正，从而实现基于历史数据拟合得到更加精准的地质模型，便于准确的了解油气藏的地下构造情况。
因此，在步骤52中，将地质模型输入至压力场预测模型，能够预测得到油气藏区域的压力场；将地质模型输入至饱和度场预测模型，能够得到油气藏区域的饱和度场。将地质模型输入至场预测模型，也可以理解为是将地质模型中包含的静态参数，如渗透率、孔隙度等数据作为场预测模型的输入，预测得到油气藏区域的压力场和油气藏区域的饱和度场；在步骤53中，将通过压力场预测模型预测得到的压力场，通过饱和度场预测模型预测得到的饱和度场，以及井控参数作为训练好的注采生产动态预测模型的输入，能够预测得到预测的注采生产动态。通过实际采油过程中记录的实际注采生产动态与预测的注采生产动态进行对比判断，若预测得到的注采生产动态与实际注采生产动态之间的差值小于等于预设阈值，说明两者误差较小，预测的注采生产动态较为精准，无需对地质模型进行修正；若预测得到的注采生产动态与实际注采生产动态之间的差值大于预设阈值，说明两者误差较大，预测的注采生产动态不够精准，默认为输入的地质模型(即渗透率、孔隙度等参数)与实际的油气藏区域内的渗透率、孔隙度等参数之间存在偏差，因此，将预测得到的注采生产动态和实际注采生产动态的差值作为损失函数，并利用随机最大似然估计算法和网格自适应直接搜索算法，进行地质模型的静态参数随机优化，最终在设定的迭代次数内，利用所有迭代次数中损失函数最小化时对应的静态参数更新油气藏地质模型，从而得到优化后的油气藏地质模型，优化后的油气藏地质模型，其包含的渗透率、孔隙度等参数更加符合当前油气藏区域的分布特点，因此，能够为后续的注采生产动态精准预测，提供支撑基础。
另外，最大似然估计提供了一种给定观察数据来评估模型参数的方法，即：“模型已定，参数未知”。随机最大似然算法(RML)的目标是找到一组能够最大化后验概率或者最小化目标函数的模型参数。网格自适应直接搜索算法(MADS)求解最小化问题，反演模型参数，其是一类无导数优化算法，该算法的主要思想是将每次迭代分为搜索步和探测步，搜索步在变量空间中进行全局搜索并识别出所有包含局部最优的可行区域；探测步在变量空间中进行局部搜索，目的是精确查找最优解。
如图4所示，以采油量作为注采生产动态为例，以往350个月预测得到的采油量和实际采油量的对比分析结果更新油气藏区域的油气藏地质模型。在本实施方式中，以7月为例：确定对7月的预测的注采生产动态和实际注采生产动态进行对比分析，首先根据油气藏区域的测井数据、取心数据和地震数据，建立得到该油气藏地质模型，从而得到静态参数，将油气藏地质模型输入到场预测模型，预测得到该油气藏区域的压力场和饱和度场，并且，将7月的注水井井控参数和生产井井控参数以及预测得到的该油气藏区域的压力场和饱和度场作为注采生产动态预测模型的输入，预测出7月的注采生产动态，再获取7月之间基于相同注水井井控参数和生产井井控参数进行采油后得到的实际注采生产动态进行比对，若预测得到的注采生产动态与实际注采生产动态之间的差值小于等于预设阈值，说明两者误差较小，无需对地质模型进行修正；若预测得到的注采生产动态与实际注采生产动态之间的差值大于预设阈值，说明两者误差较大，需要对地质模型进行修正，即采用随机最大似然估计算法和网格自适应直接搜索算法，进行地质模型的静态参数随机修改，并输入至场预测模型，预测得到油气藏区域的压力场和油气藏区域内的饱和度场，再将新预测出压力场、饱和度场、注水井井控参数和生产井井控参数作为注采生产动态预测模型的输入，预测得到注采生产动态，进行保存记录，依次进行迭代循环，直至达到迭代次数后，进行预测注采生产动态与实际注采生产动态的对比，并筛选出损失函数最小化，即预测注采生产动态与实际注采生产动态之间差值最小时对应的静态参数更新油气藏区域地质模型，得到更新后的油气藏地质模型，并基于更新后的油气藏地质模型进行后续的注采生产动态预测。通过上述方案进行注采生产动态自动拟合，替代人工进行历史拟合，能够缩短研究周期、减小方法的局限性、降低油气藏开发指标预测的不确定性，显著提高储层非均质性刻画的精度，有效指导油田开发管理及决策和开展不确定性量化分析。
实施例2
如图5所示，本发明实施例还提供一种基于RU-Net和LSTM神经网络模型的自动历史拟合装置，包括：
网格剖分模块10，用于以井分区进行油气藏属性模型的网格剖分；
数据集构建模块20，用于构建数据训练集；
数据处理模块30，用于对数据训练集中的样本数据进行处理；
模型建立模块40，用于基于处理后的样本数据，训练用于预测压力、饱和度分布和注采生产动态的预测模型；
参数估计模块50，用于基于所述预测模型，通过智能优化算法进行油气藏地质模型的参数估计。
实施例3
本发明提供一种电子设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述的基于RU-Net和LSTM神经网络模型的自动历史拟合方法。
实施例4
本发明提供一种机器可读存储介质，该机器可读存储介质上存储有指令，该指令用于使得机器执行上述的基于RU-Net和LSTM神经网络模型的自动历史拟合方法。
以上结合附图详细描述了本发明实施例的可选实施方式，但是，本发明实施例并不限于上述实施方式中的具体细节，在本发明实施例的技术构思范围内，可以对本发明实施例的技术方案进行多种简单变型，这些简单变型均属于本发明实施例的保护范围。
另外需要说明的是，在上述具体实施方式中所描述的各个具体技术特征，在不矛盾的情况下，可以通过任何合适的方式进行组合。为了避免不必要的重复，本发明实施例对各种可能的组合方式不再另行说明。
本领域技术人员可以理解实现上述实施例方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成，该程序存储在一个存储介质中，包括若干指令用以使得单片机、芯片或处理器(processor)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
此外，本发明实施例的各种不同的实施方式之间也可以进行任意组合，只要其不违背本发明实施例的思想，其同样应当视为本发明实施例所公开的内容。

Claims (10)

1.一种基于RU-Net和LSTM神经网络模型的自动历史拟合方法，其特征在于，包括：
步骤1、以井分区进行油气藏属性模型的网格剖分；
步骤2、构建数据训练集；
步骤3、对数据训练集中的样本数据进行处理；
步骤4、基于处理后的样本数据，训练用于预测油气藏压力、饱和度分布和注采生产动态的预测模型；
步骤5、基于所述预测模型，通过智能优化算法进行油气藏地质模型的参数估计。
2.根据权利要求1所述的方法，其特征在于，步骤1包括：基于油气藏属性模型中的井位坐标生成多个以单井层的井控范围为边界的井控单元。
3.根据权利要求2所述的方法，其特征在于，步骤2包括：
步骤21、对于每一井控单元：
计算该井控单元内包含的所有网格中每一类静态参数的平均值，得到该井控单元的多类平均静态参数，将所有井控单元的多类平均静态参数作为基础静态数据；
步骤22、对基础静态数据进行参数扰动，生成多个平行算例，作为数据训练集的输入数据；
步骤23、通过油气藏数值模拟分别对生成的多个平行算例进行正演模拟，得到油气藏压力、饱和度分布和注采生产动态，作为数据训练集的输出数据。
4.根据权利要求1所述的方法，其特征在于，步骤3包括：
步骤31、基于生产井的生产历史、周边井的生产动态以及油气藏物性分布，进行样本数据清洗；
步骤32、剔除样本数据中的异常值；
步骤33、对样本数据进行归一化处理。
5.根据权利要求4所述的方法，其特征在于，步骤33包括：
步骤331、对于样本数据中的压力场数据：
计算样本数据中所有时间步压力场的平均值；
将每一时间步的压力场数据中减去所有时间步压力场的平均值，得到压力差值场；
利用最小-最大归一化算法对所述压力差值场进行归一化处理；
步骤332、对于样本数据中除压力场的其余所有数据，利用最小-最大归一化算法进行归一化处理。
6.根据权利要求1所述的方法，其特征在于，步骤4包括：
步骤41、基于处理后的样本数据和递归全卷积神经网络，训练得到压力场预测模型和饱和度场预测模型；
步骤42、基于处理后的样本数据和长短期记忆神经网络，训练得到注采生产动态预测模型。
7.根据权利要求6所述的方法，其特征在于，步骤5包括：
步骤51、获取油气藏地质模型、油气藏井控参数和实际注采生产动态；
步骤52、将所述油气藏地质模型输入所述压力场预测模型，得到油气藏的压力场，将所述油气藏地质模型输入所述饱和度场预测模型，得到油气藏的饱和度场；
步骤53、将所述压力场、所述饱和度场和所述油气藏井控参数输入所述注采生产动态预测模型，得到预测的注采生产动态；
步骤54、将预测的注采生产动态和实际注采生产动态的差值作为损失函数；
步骤55、利用随机最大似然估计算法和网格自适应直接搜索算法，进行油气藏地质模型的参数随机优化；
步骤56、基于损失函数最小化时对应的参数更新油气藏区域的油气藏地质模型。
8.一种基于RU-Net和LSTM神经网络模型的自动历史拟合装置，其特征在于，包括：
网格剖分模块，用于以井分区进行油气藏属性模型的网格剖分；
数据集构建模块，用于构建数据训练集；
数据处理模块，用于对数据训练集中的样本数据进行处理；
模型建立模块，用于基于处理后的样本数据，训练用于预测压力、饱和度分布和注采生产动态的预测模型；
参数估计模块，用于基于所述预测模型，通过智能优化算法进行油气藏地质模型的参数估计。
9.一种电子设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1-7中任一项所述的基于RU-Net和LSTM神经网络模型的自动历史拟合方法。
10.一种机器可读存储介质，该机器可读存储介质上存储有指令，该指令用于使得机器执行权利要求1-7中任一项所述的基于RU-Net和LSTM神经网络模型的自动历史拟合方法。
CN202211055980.6A 2022-08-31 2022-08-31 基于RU-Net和LSTM神经网络模型的自动历史拟合方法及装置 Pending CN117669351A (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN202211055980.6A CN117669351A (zh) 2022-08-31 2022-08-31 基于RU-Net和LSTM神经网络模型的自动历史拟合方法及装置
PCT/CN2023/112465 WO2024046086A1 (zh) 2022-08-31 2023-08-11 基于RU-Net和LSTM神经网络模型的自动历史拟合方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211055980.6A CN117669351A (zh) 2022-08-31 2022-08-31 基于RU-Net和LSTM神经网络模型的自动历史拟合方法及装置

Publications (1)

Publication Number Publication Date
CN117669351A true CN117669351A (zh) 2024-03-08

Family

ID=90081327

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211055980.6A Pending CN117669351A (zh) 2022-08-31 2022-08-31 基于RU-Net和LSTM神经网络模型的自动历史拟合方法及装置

Country Status (2)

Country Link
CN (1) CN117669351A (zh)
WO (1) WO2024046086A1 (zh)

Families Citing this family (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN118171571B (zh) * 2024-03-12 2024-09-17 中国石油大学(北京) 地热储层缝网特征智能反演方法、装置、设备及存储介质
CN117951627B (zh) * 2024-03-21 2024-07-19 潍柴动力股份有限公司 一种时序数据预测方法、装置及电子设备
CN118296975B (zh) * 2024-06-06 2024-08-23 中国石油大学(华东) 一种基于知识交互图神经网络的井间连通性预测方法
CN118552338B (zh) * 2024-07-30 2024-10-29 中国石油大学(华东) 一种基于多阶段历史经验迁移的快速更新历史拟合范式
CN118587028B (zh) * 2024-08-02 2024-10-29 新疆石油管理局有限公司 一种水平井光纤产液剖面监测方法及装置
CN118643746B (zh) * 2024-08-09 2024-10-11 青岛理工大学 集成地质建模和数值模拟代理模型的自动历史拟合方法

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11715034B2 (en) * 2020-01-16 2023-08-01 Saudi Arabian Oil Company Training of machine learning algorithms for generating a reservoir digital twin
CN114764546A (zh) * 2021-01-14 2022-07-19 中国石油化工股份有限公司 基于生成对抗神经网络的断块油藏剩余油预测方法
CN114357852A (zh) * 2021-11-12 2022-04-15 中法渤海地质服务有限公司 一种基于长短期记忆神经网络和粒子群优化算法的分层注水优化方法
CN114519274A (zh) * 2022-02-21 2022-05-20 中国石油大学(华东) 一种气驱油藏注采参数分步优化方法
CN114444402A (zh) * 2022-04-08 2022-05-06 中国石油大学(华东) 一种基于深度强化学习的油藏注采优化方法

Also Published As

Publication number Publication date
WO2024046086A1 (zh) 2024-03-07

Similar Documents

Publication Publication Date Title
CN117669351A (zh) 基于RU-Net和LSTM神经网络模型的自动历史拟合方法及装置
CN110570012A (zh) 一种基于Storm的电厂生产设备故障预警方法及系统
CN113298288A (zh) 一种融合时间序列和神经网络的供电所运维成本预测方法
CN115545970A (zh) 基于数字孪生的电网故障分析方法、系统、设备及介质
CN115618987A (zh) 生产井生产数据预测方法、装置、设备和存储介质
KR101474874B1 (ko) 지능형 생산정 위치 선정 전산 시스템 및 이를 이용한 생산정 위치 선정 방법
CN114415488A (zh) 一种原子钟钟差数据异常检测及修正方法和系统
CN116894153A (zh) 基于奇异谱分析和arima-lstm组合模型的滑坡位移预测方法
CN111241629B (zh) 基于数据驱动的飞机液压泵性能变化趋势智能预测方法
CN116379360A (zh) 一种基于知识迁移的掺氢天然气管道损伤预测方法及系统
CN113779881A (zh) 致密含水气藏产能预测方法、装置及设备
CN117636065A (zh) 考虑裂缝影响的混凝土坝位移深度学习预测方法及系统
CN116384770A (zh) 一种提液井产量预测方法、系统、设备及介质
CN117077340A (zh) 一种管道仿真方法、装置、系统以及存储介质
CN110096790B (zh) 一种基于强化学习的不规则缺陷漏磁信号反演方法
CN116882323A (zh) 一种考虑时序性及细分任务的自适应代理策略优化方法
CN116796150A (zh) 一种三维成矿预测中控矿因子关联关系的确定方法
CN115238583B (zh) 一种支持增量日志的业务流程剩余时间预测方法与系统
CN116070089A (zh) 一种基于ResNet回归模型的地层划分方法、装置和计算机设备
CN112100919B (zh) 一种基于re-cf-ekf算法的滚动轴承剩余寿命预测方法
CN116245357B (zh) 一种数智节能柜故障诊断方法及系统
CN115983088B (zh) 一种基于集成学习建立的海相页岩原地气量预测模型
CN114577480B (zh) 一种基于序列变换的柴油机状态监测方法及系统
CN117522173B (zh) 基于深度神经网络的天然气水合物降压开采产能预测方法
CN117633658B (zh) 岩石储层岩性识别方法及系统

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