[发明专利]一种基于人工智能的油水两相流相对渗透网格粗化方法

说明书

本发明提供一种基于人工智能的油水两相流相对渗透网格粗化方法，1)、建立地质模型；2)、确定粗网格的尺寸和数量，划分粗网格；3)、抽取设定比例的粗网格记为样本集F1，其余粗网格记为样本集F2，对样本集F1进行相对渗透率粗化计算，得到样本集F1中粗网格的粗尺度相对渗透率；4)、对地质模型中所有的粗网格渗透率进行数据预处理；5)、以样本集F1中每个粗网格渗透率的分布特征和粗网格的粗尺度相对渗透率数据训练机器学习算法，并通过十折交叉验证法得到粗网格粗尺度相对渗透率的预测模型；6)、采用预测模型对样本集F2中粗网格的粗尺度相对渗透率进行预测；7)、使用F1中粗尺度相对渗透率和F2中预测的粗尺度相对渗透率进行油藏数值模拟计算。

技术领域

本发明属于油藏数值模拟技术领域，具体涉及一种基于人工智能的油水两相流相对渗透网格粗化方法。

背景技术

数值模拟是油气田开发中的重要一环，可预测油田产量，油气水分布状态等，被广泛用于开发方案优化以及后期的油田精细化管理，可以帮助石油公司达到降本增效的目的。大型油气田开发项目通常要经过反复详细的数值模拟研究，以求达到最优的开发方案。油藏数值模拟基于静态的地质模型。为了能够精细描述油藏的非均质性以及小尺度的结构和地层变化等，地质模型的网格划分通常比较精细，导致网格数量可以达到数百万到数千万个甚至更高。而油藏数值模拟需要求解复杂的动态偏微分方程，建模复杂度远远高于静态的地质模型。由于计算机和数值模拟软件运算能力的限制，油藏数值模拟能够承受的网格数量远远少于地质模型。过多的网格数量不仅使得运算缓慢，而且会导致计算收敛性差、误差大，影响模拟结果的可靠性。因此，对于油气田开发中的油藏模型，需要对精细的地质模型进行粗化后再进行计算。

网格粗化就是把细尺度模型粗化成一个等效的粗尺度模型，既要考虑满足油藏数值模拟软件对网格数量的承受能力，又要尽可能地保留原细尺度模型的油藏物性和渗流特征。然而，网格粗化方法需要求解细尺度模型上随时间变化的压力、饱和度等信息，需要对每个粗尺度网格进行大量的“重复性”计算，导致网格粗化计算过程耗时较长。因此，如何加快网格粗化效率，是现有网格粗化技术中有待进一步解决的问题。

发明内容

本发明的目的是针对现有的技术存在上述问题，提出了一种在保证计算精度的前提下，能显著提高网格粗化速度的基于人工智能的油水两相流相对渗透网格粗化方法。

本发明的目的可通过下列技术方案来实现：一种基于人工智能的油水两相流相对渗透网格粗化方法，包括以下步骤：

1)、根据现有生产资料建立地质模型；

2)、确定地质模型将要粗化成粗网格的尺寸和数量，按照设定的尺寸和数量对地质模型划分粗网格；

3)、在地质模型中随机抽取设定比例的粗网格记为样本集F1，其余粗网格记为样本集F2，对样本集F1中的粗网格做相对渗透率粗化计算，得到样本集F1中粗网格的粗尺度相对渗透率；

4)、对地质模型中所有的粗网格渗透率进行数据预处理；

5)、以样本集F1中每个粗网格渗透率的分布特征和粗网格的粗尺度相对渗透率数据对机器学习算法进行训练，并通过十折交叉验证法得到粗网格粗尺度相对渗透率的预测模型；

6)、采用步骤5)中产生的预测模型对样本集F2中粗网格进行预测，获得样本集F2中每个粗网格的预测粗尺度相对渗透率；

7)、使用样本集F1中粗网格的粗尺度相对渗透率数据，和样本集F2中粗网格的预测粗尺度相对渗透率数据进行油藏数值模拟计算。

本基于人工智能的油水两相流相对渗透网格粗化方法中，渗透率、相对渗透率的计算获取过程为现有技术。机器学习算法为现有算法。十折交叉验证法为现有技术。