[发明专利]优化深度学习降维重构参数的油藏自动历史拟合方法

权利要求书

1.优化深度学习降维重构参数的油藏自动历史拟合方法，其特征在于，包括以下步骤：

步骤一、构建初始油藏模型，通过自动编码器方法训练深度自编码模型，使用解码器进行降维参数化表征

步骤二、利用粒子群优化算法优化自编码模型的神经网络结构

步骤三、ES-MDA方法迭代同化数据更新潜变量，自编码模型解码器重构油藏模型并进行数值模拟

步骤四、多次迭代进行观测数据拟合，最终输出拟合模型，完成自动历史拟合流程。

2.根据权利要求1所述的优化深度学习降维重构参数的油藏自动历史拟合方法，其特征在于，步骤一具体过程如下：

1.1：构建初始油藏模型

将油藏开发生产动态响应d_obs和油藏模型参数m看作是油藏系统的输入与输出：

d_obs＝g(m)+ε (1)

其中g(·)表示油藏系统的数值模型或油藏数值模拟器，ε表示生产动态响应的观测误差，使用贝叶斯概率推理方法建立油藏模型参数估计数学模型：

其中，p(m)称为先验概率，表示模型参数的已知信息；p(d_obs|m)称为似然函数，用于量化观测数据与估计模型参数进行数值模拟预测之间的拟合误差；p(m|d_obs)即后验概率，表示在已知观测数据d_obs的情形下模型参数m的概率分布；

根据油藏的静态观测数据，使用随机地质统计建模方法可以建立大量的随机初始油藏模型n_i(i＝1，2，...，N_e)，结合高斯概率模型建立油藏模型参数的先验概率表达：

假设观测误差ε服从高斯分布，即ε～N(0,C_D)，根据式(1)可以推得似然函数：

结合式(2)、(3)、(4)可得到油藏模型参数的后验概率表达：

1.2：训练自编码模型，使用解码器进行降维参数化表征

读取大规模网格油藏静态参数即高维油藏静态参数,并采用自动编码器对所述大规模网格油藏静态参数进行降维,得到降维后的油藏静态参数；用初始油藏模型数据训练深度自编码模型，应根据不同模型设置不同的网络层数，隐层数通常设为3-5层，根据训练效果设置训练迭代次数，通常设为100-200次；

构造自动编码器目标函数,并根据所述自动编码器目标函数将自动编码器输入层中的所述高维油藏静态参数压缩至隐藏层并去掉数据中的冗余信息,然后在输出层中对压缩至隐藏层中的数据进行降维,得到降维后的油藏静态参数,其中,所述高维油藏静态参数具体包括各划分网格的渗透率以及孔隙度。