[发明专利]基于深度学习的瞬态油藏代理模型的构建及油藏预测方法

权利要求书

1.基于深度学习的瞬态油藏代理模型的构建方法，其特征在于，包括以下步骤：

S1、对井点数据进行处理得到若干个无标签样本模型，若干个无标签样本模型组成无标签样本模型集合；

S2、时间维度离散化，将无标签样本模型集合输入到卷积神经网络中进行训练，卷积神经网络集合作为深层卷积神经网络，用于构建瞬态油藏模拟的代理模型，选取出各时间步对应的残差最小化的网络组成优化卷积神经网络集合，构成瞬态油藏模拟的代理模型。

2.根据权利要求1所述的基于深度学习的瞬态油藏代理模型的构建方法，其特征在于，S1中所述的处理过程为：基于同一井点数据利用随机模拟方法随机建立若干个各不相同的无标签样本模型，随机模拟方法为序贯高斯模拟、直接序贯模拟、序贯高斯协模拟和直接序贯协模拟其中的一种。

3.根据权利要求1所述的基于深度学习的瞬态油藏代理模型的构建方法，其特征在于，所述S2中包括：

S2.1、基于向后欧拉方法将时间维度离散化，将无标签样本模型集合输入到卷积神经网络得到输出；

S2.2、将输出代入到对应时间步的控制方程中计算其残差；

S2.3、利用Adam算法优化网络参数使得残差降低，得到使得残差最小化的网络，并得到对应时间步的流场；

S2.4、对后续时间步重复S2.1～S2.3，每个时间步的控制方程残差计算需基于上一个时间步的流场；

S2.5、选取每个时间步中使得残差最小化的优化网络为对应时间步的代理模型，代理模型中的优化卷积神经网络与时间步一一对应，所有时间步的优化卷积神经网络作为用于构建瞬态油藏模拟的代理模型。

4.根据权利要求3所述的基于深度学习的瞬态油藏代理模型的构建方法，其特征在于，所述S2.2中的残差计算是利用有限体积法和隐式时间积分。

5.根据权利要求3所述的基于深度学习的瞬态油藏代理模型的构建方法，其特征在于，所述S2.5中的深层卷积神经网络的构建是将不同时间步的卷积神经网络之间通过损失函数相互关联。

6.根据权利要求5所述的基于深度学习的瞬态油藏代理模型的构建方法，其特征在于，损失函数采用将空间维度基于有限体积法离散化用于计算控制方程残差的近似解。

7.基于深度学习的瞬态油藏代理模型的油藏预测方法，其特征在于，利用权利要求1-6任一项所构建的油藏代理模型预测同一油藏任意时刻的瞬态油藏分布，将基于同一井点数据获取的若干个新无标签样本模型输入任一时间步时刻的卷积神经网络中，得到对应时间步时刻的流场。