[发明专利]一种基于多尺度油藏模型的多保真注采优化方法

权利要求书

1.一种基于多尺度油藏模型的多保真注采优化方法，其特征在于，所述方法包括以下步骤：

1)采集油田地质信息，建立用于数值模拟的油藏模型；

2)注采优化数学建模，确定注采优化决策变量和边界条件，生成差分进化的初始种群；

3)编写高保真目标函数F_f(x)和低保真目标函数F_c(x)的MATLAB代码，所述MATLAB代码包含生产制度写入、数值模拟器调用、模拟结果读取和净现值计算；

4)基于给定的目标函数F_f(x)及F_c(x)、初始种群和算法超参数执行多保真差分进化算法，迭代评估注采制度，直到满足终止条件，并输出最优结果；

5)将输出的最优结果输出为完整的生产制度，投入现场实施；

步骤4)所述多保真差分进化算法包括多保真引导优化和高保真迁移优化，所述多保真引导优化包括初始化、引导变异、交叉、边界吸收和引导选择；给定多保真差分算法终止条件，包括多保真引导优化最大迭代次数M及终止时间T_max，多保真差分进化算法具体实施步骤为：

(41)多保真引导优化执行初始化算子，计时器开始计时，引导因子λ设置为0，目标函数调用次数c设置为0，质量标志q设置为1，建立个体极值集合P_best＝{x₁,x₂,…,x_p}记录种群中每个体的历史最优值；通过低保真目标函数评估初始种群，选出当前最优解并用高保真目标函数评估；记录初始化运行时间T_ini，计算得到引导边界λ_m，具体实现步骤如公式为：

其中，T_max为终止时间；β为校正因子，默认取20；p为种群规模；

(42)多保真引导优化执行引导变异算子，计算第i个变异向量v_i(i＝1,2,…,p)，具体实现方式为，由目标函数调用次数c决定变异策略，当c＜2*λ_m+P时，定义此阶段为初始全局搜索，执行全局随机策略；否则，由引导因子λ决定变异策略，当λ(λ_m/q)时，执行全局随机策略，否则，执行局部最优策略；

所述全局随机策略具体实现步骤如下：

v_i＝x_r1+F*(x_r2-x_r3)

其中，v_i为第i个变异向量，x_rι为当前种群中随机选取的第ι个个体(ι＝1,2,3)，F为缩放因子，F缩放因子具体实现步骤如下所示：

其中，F₀为初始缩放因子，默认取0.6；α₁为增益因子，默认取0.2；q为质量标志；

所述局部最优策略具体实现如下式所示：

v_i＝x_best+F*(x_r1-x_r2)

其中，x_best为当前种群中的最优个体，F为缩放因子，具体实现步骤如下式所示，

其中，α₂为增益因子；

(43)多保真引导优化执行交叉算子，计算第i个交叉向量u_i，i＝1,2,…,P，定义u_i中的第j个元素为u_i,j，j∈[1,D]，具体实现步骤如下：

其中，CR为变异因子，默认取0.6；j_rand为介于[1,D]之间的随机整数；

(44)多保真引导优化执行边界吸收算子，使步骤(43)产生的交叉向量u_i满足边界条件；

(45)多保真引导优化执行引导选择算子，调用低保真目标函数，计算当前个体x_i及交叉向量u_i对应的低保真目标函数值F_c(x_i)与F_c(u_i)，目标函数调用次数增加一次；若F_c(x_i)≥F_c(u_i)，本次迭代未在流线尺度找到新的极小值点，保留个体x_i，放弃交叉向量u_i，引导因子增加一；若F_c(x_i)F_c(u_i)，本次迭代在流线尺度找到新的极小值点，交叉变量u_i取代个体x_i，进一步调用高保真目标函数，并将λ置为0，计算当前个体x_i及交叉向量u_i对应的高保真目标函数值F_f(x_i)与F_f(u_i)，若F_f(x_i)≤F_f(u_i)，找到的极小值点在网格尺度依然成立，记录此时u_i为全局最优点g_best，并更新个体极值集合P_best，并置质量标志q为2，反之，置q为1；

(46)记录当前时间t，判断是否满足终止条件T_max，若t≥T_max，输出全局最优解x_best，执行步骤5)；若tT_max，判断是否满足最大迭代次数M；若cM，返回步骤(42)，否则，输出个体极值集合P_best，执行步骤(47)；

(47)高保真迁移优化执行遗传迁移，取多保真引导优化全局最优点中的5个构成方向集合G＝{g_best,1,g_best,2,…,g_best,5}，在个体极值集合P_best中，随机选取5个向量，分别用方向集合G中的个体取代，构成迁移种群P_t；

(48)高保真迁移优化执行差分进化，其中，目标函数为高保真目标函数，初始种群为迁移种群P_t，其他参数同多保真引导优化保持一致，差分进化采用best/1/bin策略；迭代优化并记录全局最优解x_best直到满足终止条件T_max，输出最优解及对应的净现值。