[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

说明书

本发明公开了一种基于图神经网络的油藏模拟代理模型的构建方法。本发明通过使用图神经网络提取空间信息，除了对于规则的结构化网格，对各种非结构化网格都能够方便地处理，对更复杂的油藏模型构建代理模型，无需特殊处理，直接将所有的非结构网格视为节点，这些节点构成图结构，然后利用图神经网络提取空间信息，进而再使用长短时记忆神经网络对输出参数进行预测；本发明能够高效地对不同的渗透率场下的输出参数进行预测，前向运算效率更高，在进行不确定性量化和历史拟合等任务时，能够显著地减小计算成本，提高工作效率；而且代理模型能够方便且有效地处理不同类型网格，以及各种不规则形状的研究区域，应用场景更为灵活。

技术领域

本发明涉及石油工程领域，具体涉及一种基于图神经网络的油藏模拟代理模型的构建方法。

背景技术

目前对于油藏的数值模拟多是通过商业数值模拟软件来进行，对模型的模拟计算涉及到偏微分方程的离散化与求解，对于大型油藏来说计算量较大，尤其是对于不确定性量化、油藏历史拟合和生产优化设计等任务，需要多次、重复运行数值模拟器，会带来更大的计算负担。而通过构建代理模型可以有效地避免这个问题，代理模型前向运算速度更快，可显著提高计算效率。

现有的构建代理模型的方法包括高斯过程回归(Gaussian ProcessRegression)，多项式混沌展开(Polynomial Chaos Expansion)，径向基函数(RadialBasis Function)，神经网络(Neural Network)等。其中基于深度学习(各种深度神经网络)的代理模型相比于其他几种方法可以有更强的近似能力，也能够更有效地处理高维问题，有效地避免“维数诅咒”(Curse of dimension)的影响。

在深度学习算法中，比较常用的是基于卷积神经网络(Convolutional NeuralNetwork,CNN)来构建代理模型，将油藏模型输入的参数场视为一个图片，使用CNN来提取油藏模型空间信息。但是这种卷积结构通常适用于形状相对规则的油藏，而且油藏模型的离散化通常也是规则网格划分，而对于非规则形状的油藏，以及使用非规则网格，如三角形网格、垂直等分线排比(perpendicular bisection,PEBI)网格等对油藏进行离散化的情况，处理起来比较麻烦，传统的CNN难以进行直接地空间信息提取。

发明内容

针对以上现有技术存在的问题，本发明提出了一种基于图神经网络和长短时记忆网络的油藏模拟代理模型。

本发明的基于图神经网络的油藏模拟代理模型的构建方法，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：