[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

说明书

本发明公开了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，涉及石油工程领域，步骤如下：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。本发明通过建立物理信息深度卷积神经网络算法，可以不依赖标签数据训练得到油藏代理模型，从而快速预测油藏数值模拟结果，显著提高计算效率。

技术领域

本发明涉及石油工程领域，具体为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。

背景技术

油藏动态预测技术可以分析油藏动态变化，预测未来的变化趋势，以及时进行开发调整，油藏动态预测技术中的油藏数值模拟法的原理是运用偏微分方程组描述油藏的开采状态，通过计算机数值求解得到开发指标变化，是当前最常用的油藏预测方法。

考虑到数值模拟方法建模工作量大及计算效率低的问题，目前已有不少利用人工智能、神经网络来预测油藏的方法，如现有技术CN113052371A中所公开的基于深度卷积神经网络的剩余油分布预测方法，该预测方法需要借助油藏数值模拟技术建立网络模型训练所需的数据集，基于数据集的部分数据训练得到深度全卷积编码解码神经网络预测模型，之后基于数据集的剩余部分数据利用深度全卷积编码解码神经网络实现剩余油分布的直接预测。该预测方法在训练得到代理模型和油藏预测过程中均需要使用经常规数值模拟后得到的标签数据，可见，现有构建代理模型的神经网络算法依赖于大量标签数据，而标签数据的获取需依赖常规数值模拟，耗时较高，而且利用全连接神经网络拟合二维问题的效率低。因此，需要优化用于构建油藏代理模型的方法。

发明内容

本发明的目的是为了解决现有油藏数值模拟代理模型算法依赖大量标签数据的问题，通过建立物理信息深度卷积神经网络算法，可以不依赖标签数据训练得到代理模型，从而快速预测油藏数值模拟结果。

为实现以上目的，本发明通过以下技术方案予以实现：

基于深度学习的瞬态油藏代理模型的构建方法，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，每个卷积神经网络对应一个时间步，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。

优选的，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。

优选的，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。

优选的，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。