[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

说明书

本发明涉及一种优化深度学习降维重构参数的自动历史拟合方法及系统，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。相对于现有技术，本发明通过深度自编码模型、粒子群优化算法的结合可将高维地质特征如渗透率映射到低维连续高斯空间进行重参数化表征，结合集合光滑多次数据同化(ES‑MDA)方法吸收生产历史实现复杂大规模油藏自动历史拟合高效求解。

技术领域

本发明属于地球物理领域,具体地，涉及一种优化深度学习降维重构参数的自动历史拟合方法及系统。

背景技术

油藏自动历史拟合是油藏开发管理的重要组成部分，基于油藏数值模拟技术通过拟合油气井的生产观测数据对储层数值模型的不确定性参数如渗透率、孔隙度等进行反演调整，为井网规划、生产优化及方案设计等提供可靠的储层数值模型。由于储层地质特征的复杂性，往往需要足够精细的网格构建储层数值模型，导致自动历史拟合需要调整的参数通常达数十万乃至数百万。油藏数值模型降维重构方法通常被用于解决高维网格变量难以直接反演调整的难题。

近年来，随着高性能计算机、传感器等广泛应用，计算能力、实时数据等显著增加。因此机器学习方法在图像处理、计算机视觉等领域获得了巨大的成功，在工程领域机器学习方法也显示出巨大的应用潜力。数据驱动求解和机器学习回归预测模型等研究证明了机器学习方法能够有效的应用于复杂系统数值建模、参数反演和优化决策。目前机器学习方法在自动历史拟合领域的应用尚处于起步阶段，但机器学习领域近年来的变革性突破为自动历史拟合技术的更新换代带来了新的契机。

发明内容

为克服现有技术存在的缺陷，本发明提供一种优化深度学习降维重构参数的油藏自动历史拟合方法，采用自动编码器(Autoencoder,AE)对大规模网格油藏静态参数进行降维与重构处理，同时利用进化算法优化自编码模型的结构，对复杂地质特征进行特征提取及降维分解，特征压缩的同时保留了足够的信息实现保持与复杂地质特征一致的油藏模型重构，结合降维后的低维空间连续特征与数据光滑多次数据同化方法(ES-MDA)进行自动历史拟合，解决了数据同化方法对复杂离散特征难以有效应用的问题。

为实现上述目的，本发明采用下述方案：

优化深度学习降维重构参数的油藏自动历史拟合方法，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。

相对于现有技术，本发明的有益效果如下：通过深度自编码模型、粒子群优化算法的结合可将高维地质特征如渗透率映射到低维连续高斯空间进行重参数化表征，结合集合光滑多次数据同化(ES-MDA)方法吸收生产历史实现复杂大规模油藏自动历史拟合高效求解。

附图说明

图1是优化深度学习降维重构参数的自动历史拟合方法流程示意图；

图2A是连续相油藏算例的真实油藏模型；

图2B是连续相油藏算例的随机初始油藏模型集合；

图3A是优化前后深度自编码(DAE)模型生成渗透率场效果对比的初始油藏模型；

图3B为是优化前深度自编码模型重构结果(隐层节点数为519-391-60)；