[发明专利]基于图神经网络的油藏模拟代理模型的构建方法

权利要求书

1.一种基于图神经网络的油藏模拟代理模型的构建方法，其特征在于，所述构建方法包括以下步骤：

1)建立原始油藏模型：

利用油藏数值模拟器对油藏建立原始油藏模型，包括离散化的网格和节点；原始油藏模型中采用规则的或非规则的网格对油藏进行离散化，得到离散化的网格，网格的中心作为节点，并得到节点坐标；

2)选取关注的参数：

选取构建代理模型时所关注的参数，即代理模型的输入参数和输出参数；其中输入参数为随空间变化的空间分布数据，输出参数为随时间变化的时间序列数据；

3)生成输入参数：

对步骤2)中选取的输入参数随机生成不同的多组实现，一组实现就代表输入参数取值的一种分布情况；

4)获取训练数据：

将步骤3)中生成的输入参数的多组实现，分别输入到步骤1)中建立的原始油藏模型中，运行油藏数值模拟器，计算不同的输入参数的实现对应的输出参数的计算结果；一组输入参数的实现与相应的输出参数的计算结果组成数据对，多组数据对构成训练数据集，每一个输出参数的计算结果是一个随时间变化的时间序列，序列长度为总模拟时间步数；

5)构建代理模型：

(1)构建图神经网络：

根据步骤1)中离散化的网格和节点坐标，每个节点与距其距离最近的N个节点连接形成边，N为自然数，节点和边共同组成图结构；构建用来描述图结构的邻接矩阵，邻接矩阵中的元素表示了节点之间连接的权重，具体计算方式如下：

其中，z_i和z_j分别表示图结构中不同的两个节点的节点坐标；W_ij表示矩阵中节点坐标分别为z_i和z_j的两个节点之间的连接权重；σ为归一化系数，取值为所有节点之间距离的均值；

根据得到的邻接矩阵，利用已有的开源深度学习程序库对图结构建立切比雪夫网络ChebNet，ChebNet为基于切比雪夫多项式的图神经网络，以ChebNet作为图神经网络；采用图神经网络对空间分布的输入参数通过图卷积提取空间信息并进行降维，输出得到隐变量列向量；

(2)处理隐变量列向量：

将得到的隐变量列向量进行复制，复制成与步骤4)中总模拟时间步数相同的长度，

并将复制得到的隐变量列向量拼接在一起组成复制拼接后的时间序列；

(3)搭建长短时记忆LSTM网络：

利用已有的开源深度学习程序库搭建LSTM网络，输入为复制拼接后的时间序列，输出为输出参数的计算结果的时间序列；

(4)建立代理模型：

将图神经网络和LSTM网络结合，得到油藏模拟的代理模型；在构建好的代理模型中，输入参数经过其中的图神经网络得到隐变量列向量，隐变量列向量经过复制和拼接后传到LSTM网络部分，最终LSTM网络输出得到输出参数的计算结果的时间序列，这就是构建的代理模型的前向计算流程；

6)训练代理模型：

利用步骤4)得到的训练数据集对步骤5)建立的代理模型进行训练，设定训练的迭代次数，使用优化算法最小化模型预测输出与真实值之间的差距，达到预先设定的迭代次数后，完成训练代理模型，得到训练好的代理模型；

7)预测输出参数：

将新的输入参数的实现输入至训练好的代理模型中，得到对应的输出参数的计算结果，实现对输出参数的直接预测。

2.如权利要求1所述的构建方法，其特征在于，在步骤1)中，原始油藏模型中的非规则的网格采用：三角形网格或垂直等分线排比PEBI网格。

3.如权利要求1所述的构建方法，其特征在于，在步骤2)中，输入参数为油藏渗透率和/或孔隙度，输出为油藏生产井的产油速率、产水速率、井底压力、注水井的注水速率和井底压力中的一个或多个。

4.如权利要求1所述的构建方法，其特征在于，在步骤3)中，输入参数生成的实现的组数不少于100组。

5.如权利要求1所述的构建方法，其特征在于，在步骤6)中，优化算法采用随机梯度下降、自适应矩估计、自适应梯度和均方根传递算法中的一种。