CN114693005A - 基于卷积傅里叶神经网络的三维地下油藏动态预测方法 - Google Patents
基于卷积傅里叶神经网络的三维地下油藏动态预测方法 Download PDFInfo
- Publication number
- CN114693005A CN114693005A CN202210603016.6A CN202210603016A CN114693005A CN 114693005 A CN114693005 A CN 114693005A CN 202210603016 A CN202210603016 A CN 202210603016A CN 114693005 A CN114693005 A CN 114693005A
- Authority
- CN
- China
- Prior art keywords
- pressure
- convolution
- fourier
- saturation
- dimensional
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 63
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 30
- 238000012360 testing method Methods 0.000 claims abstract description 39
- 238000012549 training Methods 0.000 claims abstract description 35
- 238000003062 neural network model Methods 0.000 claims abstract description 22
- 230000035699 permeability Effects 0.000 claims description 58
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 37
- 230000006870 function Effects 0.000 claims description 30
- 238000004364 calculation method Methods 0.000 claims description 27
- 230000008569 process Effects 0.000 claims description 26
- 239000000126 substance Substances 0.000 claims description 24
- 238000004519 manufacturing process Methods 0.000 claims description 21
- 230000004913 activation Effects 0.000 claims description 17
- 230000005484 gravity Effects 0.000 claims description 17
- 238000004088 simulation Methods 0.000 claims description 11
- 238000009826 distribution Methods 0.000 claims description 9
- 230000000694 effects Effects 0.000 claims description 8
- 238000002347 injection Methods 0.000 claims description 8
- 239000007924 injection Substances 0.000 claims description 8
- 238000012545 processing Methods 0.000 claims description 8
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 claims description 7
- 238000011156 evaluation Methods 0.000 claims description 7
- 230000015572 biosynthetic process Effects 0.000 claims description 6
- 238000013507 mapping Methods 0.000 claims description 6
- 208000035126 Facies Diseases 0.000 claims description 4
- 238000004422 calculation algorithm Methods 0.000 claims description 4
- 230000008859 change Effects 0.000 claims description 4
- 238000005457 optimization Methods 0.000 claims description 4
- 238000011084 recovery Methods 0.000 claims description 4
- 230000000007 visual effect Effects 0.000 claims description 4
- 239000012530 fluid Substances 0.000 claims description 3
- 239000011159 matrix material Substances 0.000 claims description 3
- 239000000203 mixture Substances 0.000 claims description 3
- 238000012544 monitoring process Methods 0.000 claims description 3
- 230000001537 neural effect Effects 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 3
- 238000013179 statistical model Methods 0.000 claims description 3
- 230000005514 two-phase flow Effects 0.000 claims description 3
- 230000009471 action Effects 0.000 claims description 2
- 238000005520 cutting process Methods 0.000 claims description 2
- 125000004122 cyclic group Chemical group 0.000 claims description 2
- 238000005293 physical law Methods 0.000 claims description 2
- 238000002474 experimental method Methods 0.000 description 7
- 238000010586 diagram Methods 0.000 description 5
- 239000003795 chemical substances by application Substances 0.000 description 4
- 238000007792 addition Methods 0.000 description 3
- 238000010801 machine learning Methods 0.000 description 3
- 238000006243 chemical reaction Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 239000000284 extract Substances 0.000 description 2
- 239000000243 solution Substances 0.000 description 2
- 230000004075 alteration Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 210000005036 nerve Anatomy 0.000 description 1
- 239000003129 oil well Substances 0.000 description 1
- 230000003204 osmotic effect Effects 0.000 description 1
- 238000013139 quantization Methods 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/14—Fourier, Walsh or analogous domain transformations, e.g. Laplace, Hilbert, Karhunen-Loeve, transforms
- G06F17/141—Discrete Fourier transforms
- G06F17/142—Fast Fourier transforms, e.g. using a Cooley-Tukey type algorithm
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/23—Design optimisation, verification or simulation using finite element methods [FEM] or finite difference methods [FDM]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/28—Design optimisation, verification or simulation using fluid dynamics, e.g. using Navier-Stokes equations or computational fluid dynamics [CFD]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/048—Activation functions
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/02—Agriculture; Fishing; Forestry; Mining
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/10—Numerical modelling
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2113/00—Details relating to the application field
- G06F2113/08—Fluids
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/14—Force analysis or force optimisation, e.g. static or dynamic forces
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A10/00—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE at coastal zones; at river basins
- Y02A10/40—Controlling or monitoring, e.g. of flood or hurricane; Forecasting, e.g. risk assessment or mapping
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Software Systems (AREA)
- Data Mining & Analysis (AREA)
- Business, Economics & Management (AREA)
- General Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computing Systems (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Biomedical Technology (AREA)
- Strategic Management (AREA)
- Computer Hardware Design (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Geometry (AREA)
- Marketing (AREA)
- Algebra (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Computational Mathematics (AREA)
- Discrete Mathematics (AREA)
- Animal Husbandry (AREA)
- Databases & Information Systems (AREA)
- Mining & Mineral Resources (AREA)
- Marine Sciences & Fisheries (AREA)
- Primary Health Care (AREA)
- Medical Informatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
Abstract
本发明公开了一种基于卷积傅里叶神经网络的三维地下油藏动态预测方法,属于油藏工程技术领域,利用构建的3D卷积傅里叶神经网络模型对三维地下油藏剩余油饱和度或压力进行动态预测,具体包括以下步骤:采集三维地下油藏数据;构建3D卷积傅里叶神经网络,结合LSTM同时考虑时间和空间信息;设置卷积傅里叶网络模型的超参数,训练3D卷积傅里叶网络模型;评估3D卷积傅里叶神经网络的性能;训练完成后,输出测试指标良好的3D卷积傅里叶网络模型。本发明实现了三维油藏模型的高精度快速预测,很好的针对三维油藏的时空性和物理***的特点,更符合现场实际需求。
Description
技术领域
本发明属于油藏工程技术领域,具体涉及一种基于3D卷积傅里叶神经网络模型的三维地下油藏剩余油饱和度或压力的生产动态预测方法。
背景技术
对多孔介质中的多相流进行数值模拟对许多地质科学应用来说是至关重要。在油藏工程领域,油水两相偏微分方程可以准确描述地下流动***,模拟地下流动需要进行大量的偏微分方程求解计算,这也是数值模拟技术的基础。传统的数值模拟基于数值计算方法如有限元法,有限差分法等对偏微分方程进行求解。油藏数值模拟可以准确的计算出未来油藏的压力、饱和度、产量等等油藏状态用于生产开发动态评价。而真实的三维油藏模型网格数多,模型大且边界复杂,求解往往需要耗费大量时间和计算资源。
随着信息化的深入和硬件水平的不断发展,深度学习等人工智能方法在图像识别、目标检测等场景得到了广泛的应用。而在油藏工程领域,数据驱动的机器学习方法通过构建神经网络代理模型,为传统的模拟器提供了更快的替代方案。机器学习代理模型与数值模拟数据的映射,为传统的模拟器提供了更快速的选择,可以有效的节约预测时间。目前流行的代理模型方法大多针对于二维油藏,对于一个三维的复杂的地质模型,网格数更多,同时要考虑到重力影响,以及油井穿透多个区域。所以三维油藏预测比二维油藏更具有挑战性,更具有实用价值。现有的一些应用于三维模型的方法只考虑图像之间的局部信息,不能考虑到物理信息和时空特征,存在在精度低,泛化性能差,训练时间慢等条件限制。
发明内容
针对当前使用油藏数值模拟进行剩余油饱和度或压力预测时间过长,普通机器学习代理模型不能有效的预测三维复杂油藏等问题,本发明提出了一种基于卷积傅里叶神经网络模型三维油藏剩余油饱和度或压力的生产动态预测方法,同时考虑到三维油藏的时空性和物理信息和重力因素的影响,有效提高预测精度,适应不同的油藏条件,节省计算时间。
本发明的技术方案如下:
一种基于卷积傅里叶神经网络的三维地下油藏动态预测方法,利用构建的3D卷积傅里叶神经网络模型对三维地下油藏剩余油饱和度或压力进行动态预测,具体包括以下步骤:
步骤1、采集三维地下油藏数据,利用SGeMS地质统计工具生成符合地质特征的三维渗透率场,利用数值模拟器求解出不同渗透率对应的一段时间内的饱和度或压力作为样本库,按比例划分数据集,渗透率作为输入,饱和度或压力作为输出;
步骤2、构建3D卷积傅里叶神经网络,将3D卷积和傅里叶变换相结合,利用3D卷积算子提取图像局部信息,利用傅里叶变换提取物理信息近似微分算子,在网络中添加重力约束;利用编码解码网络实现渗透率到油藏状态的映射,结合LSTM同时考虑时间和空间信息;
步骤3、设置卷积傅里叶网络模型的超参数,在训练集下训练3D卷积傅里叶网络模型;
步骤4、使用测试集评估3D卷积傅里叶神经网络的性能,计算RMSE和量化饱和度或压力的相对误差;
步骤5、训练完成后,输出测试指标良好的3D卷积傅里叶网络模型;基于油藏安装的监测设备实时采集三维地下油藏数据,利用地质统计工具在线生成三维油藏的渗透率场,然后利用3D卷积傅里叶网络模型在线预测该油藏未来一段时间内油藏饱和度或压力场分布,通过压力和饱和度可以进一步计算产量,为制定生产策略提供直观的参考。
进一步地,步骤1的具体过程如下:
步骤1.1、采集三维地下油藏数据,使用SGeMS地质统计模型生成三维渗透率场,网格尺寸为40×40×20,生成2000个渗透率样本;
步骤1.2、利用数值模拟器使用有限元方法计算三维油藏***的油水两相流动方程得到所有网格块中的饱和度或压力结果;油藏地下油水流动***是三维的,需要考虑重力效应,由质量守恒方程(1)和相达西速度方程(2)构成;
质量守恒方程表达式如(1),
相达西速度方程的表达式如(2),
步骤1.3、按照8:2的比例分割数据集和测试集;输入数据渗透率为(n,nx,ny,nz,1)的张量,输出数据饱和度或压力为(n,nx,ny,nz,1,T)的张量,n是样本数,nx为横向网格数,ny为纵向网格数,nz为深度方向的网格数,T为时间步数量。
进一步地,步骤2的具体过程如下:
3D卷积傅里叶神经网络,主要包含编码网络和解码网络两个部分,考虑到时间序列影响增加了处理时间的循环神经模块;输入参数是已知观测值渗透率场,输出参数是未来一段时间的饱和度或压力;
编码网络结构包含M个3D卷积傅里叶层,每一个卷积傅里叶层结构如下,
其中,x是最初输入参数,W是权重,是激活函数,使用Relu激活;v N+1(x)是卷积
傅里叶模块N+1层的输出结果,v N (x)是N层的输出结果;积是三维傅里叶积分算
子,用以提取物理信息;是快速傅里叶变换,是傅里叶逆变换,C是截断超过最大阈
值的傅里叶级数的操作,傅里叶变换操作能通过傅里叶级数即一系列正余弦曲线去近似数
据所符合的物理规律;Conv3D是3D卷积结果,用以提取局部信息,每一层的卷积核大小和步
幅会进行调整,卷积核的大小均为3×3×3,卷积步幅有1×1×1和2×2×2两种;因为傅里
叶变换是无限维度映射的,使用傅里叶提取的结果需要与卷积结果维度一致,相加之后不
会改变原来维度,再经过五层傅里叶层,得到的最终结果进入解码网络;
解码网络结构由反卷积层构成,解码网络的部分层的输入由编码网络对应的输出矩阵和当前输入复制拼接而成,目的是保存更多信息防止卷积过程中出现的特征丢失;解码网络是将中间结果解码到原数据空间的过程,得到的结果为某一时间步的压力值或饱和度;
考虑到时间序列的影响,将多个时间步的输入经过解码网络的中间结果通过LSTM结构,结合时间序列信息,经过LSTM处理后对每个特征图用对应的解码网络得到每一个时间步的输出结果;
LSTM在t时刻的输入有三个:细胞状态C t-1,隐层状态h t-1,当前输入特征x t ;
C t 承载着空间时间信息,计算公式如下,
隐层输出结果h t 由输出门o t 和上一步计算出的C t 经过tanh激活函数计算得出,如下,
遗忘门f t ,更新门i t ,输出门o t ,以及新的候选细胞状态计算公式分别如下,每
种门有各自对应的权重和偏置,LSTM中的是sigmoid激活函数,激活结果在(0,1)之间,
tanh激活结果在(-1,1)之间;
其中,W f 、W i 、W o 和W c 分别为遗忘门、更新门、输出门和新的候选细胞状态对应的权重;b f 、b i 、b o 和b c 分别为遗忘门、更新门、输出门和新的候选细胞状态对应的偏置;
进一步地,步骤3的具体过程如下:
步骤3.1、设置3D卷积傅里叶网络模型的输入输出;输入参数是三维油藏的渗透率;设置输出值,预测未来一段时间内的油藏饱和度或压力分布;
步骤3.2、初始化超参数,批处理大小为8,激活函数使用ReLu函数,随机初始化权重W;超参数根据网络评估性能进行优化调整,损失函数使用MSE函数计算损失,训练压力时MSE损失函数值为:编码解码网络使用相同的超参数设置,训练在200个epoch内收敛;
饱和度的损失函数loss sat_MSE 如下:
对于钻过多个区块的直井,在深度d层处的井筒压力受深度z变化的结引力的
影响;最上面的射孔处的井筒压力称为井底压力,继续随深度往下的d+1层处深度的井筒压
力计算如方程(12),是深度差,是流体混合密度;
当3D卷积傅里叶网络模型对压力进行预测时,考虑在深度方向上压力受到重力作用的影响,压力满足方程(12),
压力的损失函数loss press_MSE 如下:
其中,y press_i 与分别为训练集中第i个样本的输出压力真实值和3D卷积傅
里叶神经网络模型的压力计算结果;是井所在网格处的d+1层深度的井筒压力实际
值,是井所在网格处的d层深度的井筒压力预测值;是数据约束的系数,是方程
约束的系数;
网络根据设定好的超参数和网络迭代结构进行正向传播;
步骤3.3、根据步骤3.2计算得到的损失误差进行反向传播,利用ADAM优化器,更新权重W,使MSE损失逐渐减小;ADAM优化算法的初始学习率lr=0.003,批量大小为8,混合权重为1000;重复这个过程,在200个epoch之后误差下降到接受范围之内,训练完成。
进一步地,步骤4的具体过程如下:
对于所有的测试样本,计算相对均方根误差RMSE,量化预测饱和度或压力的相对误差;
RMSE计算公式为:
计算三维油藏的饱和度或压力相对误差的公式如下:
饱和度的相对误差为,压力的相对误差为,n test 是测试样本总数,n M 是网格
总数,n t 是时间步数,是测试集中第i个样本第m个网格t时刻的饱和度的预测结果,是对应饱和度的真实值;是测试集中第i个样本第m个网格t时刻压力的预测结
果,是对应压力的真实值;利用最大压力减去最小压力的方式进行压力归一化,
是第i个测试样本t时刻的最大压力,是第i个测试样本t时刻的最小压力。
进一步地,步骤5的具体过程如下:
保存性能指标评价较好的3D卷积傅里叶神经网络模型,将训练完成的权重和超参数保存下来,利用3D卷积傅里叶神经网络模型快速预测出三维油藏的未来的饱和度或压力状态;输入是三维油藏的渗透率场,输出是一段时间t内的压力和饱和度分布,输入经过一次前向传播的计算即可得到输出;
利用压力和饱和度通过peaceman模型计算出油水井产量,计算公式如下,
其中,是第m个网格中井的油/水相的注入/采油速率,k m 为第m个网格的绝
对渗透率,k r, j 为k m 对应的油/水相对渗透率,S w, m 为第m个网格处的含水饱和度值,是
网格厚度,,默认,油藏在x与y两个方向上宽度相等,r w 是井
眼半径,是水或油的粘度,P m 与P l 分别是第m个网格处压力与井眼压力。
本发明所带来的有益技术效果:
本发明提供基于3D卷积傅里叶模型剩余油饱和度或压力的生产动态预测方法,利用卷积傅里叶层同时提取局部信息和物理信息,利用编码解码网络实现渗透率到饱和度或压力的转化,同时在网络中采用了LSTM结构考虑时序问题,在神经网络中同时考虑到空间信息和时间信息。在预测压力时利用物理方程在损失函数添加约束,在神经网络中考虑重力因素对压力变化的影响。本发明实现了三维油藏模型的高精度快速预测,很好的针对三维油藏的时空性和物理***的特点,更符合现场实际需求。
附图说明
图1为本发明基于3D卷积傅里叶神经网络三维油藏剩余油饱和度或压力的生产动态预测方法的流程示意图;
图2为本发明3D卷积傅里叶神经网络模型的结构示意图;
图3为本发明卷积傅里叶层的结构示意图;
图4为本发明编码解码结构和LSTM结合的示意图;
图5为本发明LSTM结构详细示意图;
图6为本发明实验中的相对渗透率曲线;
图7为本发明实验中均方误差RMSE效果图;
图8为本发明实验中生产井1和生产井2的油井产量真实值和测试值对比;
图9为本发明实验中生产井3和生产井4的油井产量真实值和测试值对比。
具体实施方式
下面结合附图以及具体实施方式对本发明作进一步详细说明:
本发明通过3D卷积傅里叶神经网络构建了神经网络代理模型,利用卷积傅里叶层同时提取局部信息和物理信息,利用编码解码网络实现渗透率到饱和度或压力的转化。该方法针对于符合现场实际的三维油藏,能够很好的替代数值模拟方法,快速的进行油藏生产动态预测。与现有的代理模型相比,本方法能更好的处理三维油藏模型,预测精度和泛化性更好。
参照图1,本发明提出了一种基于卷积傅里叶神经网络的三维地下油藏动态预测方法,利用构建的3D卷积傅里叶神经网络模型对三维地下油藏剩余油饱和度或压力进行动态预测,具体包括以下步骤:
步骤1、采集三维地下油藏数据,利用SGeMS地质统计工具生成符合地质特征的三维渗透率场,利用数值模拟器求解出不同渗透率对应的一段时间内的油藏状态即饱和度或压力作为样本库,按比例划分训练测试集数据集,渗透率作为输入,饱和度或压力作为输出。
具体过程如下:
步骤1.1、采集三维地下油藏数据,使用SGeMS地质统计模型生成三维渗透率场,网格尺寸为40×40×20,生成2000个渗透率样本。
步骤1.2、利用数值模拟器使用有限元方法计算三维油藏***的油水两相流动方程得到所有网格块中的饱和度或压力结果。油藏地下油水流动***是三维的,需要考虑到重力效应,由质量守恒方程(1)和相达西速度方程(2)构成。
质量守恒方程表达式如(1),
相达西速度方程的表达式如(2),
步骤1.3、按照8:2的比例分割数据集和测试集。输入数据渗透率为(n,nx,ny,nz,1)的张量,输出数据饱和度或压力为(n,nx,ny,nz,1,T)的张量,n是样本数,nx为横向网格数,ny为纵向网格数,nz为深度方向的网格数,T为时间步数量。
步骤2、构建如图2-图5所示的3D卷积傅里叶神经网络,将3D卷积和傅里叶变换相结合,利用3D卷积算子提取图像局部信息,利用傅里叶变换提取物理信息近似微分算子,在网络中添加重力约束。利用编码解码网络实现渗透率到油藏状态的映射,结合LSTM同时考虑时间和空间信息,最终输出未来某一段时间的饱和度或压力。具体过程如下:
3D卷积傅里叶神经网络,主要包含编码网络和解码网络两个部分,考虑到时间序列影响增加了处理时间的循环神经模块(RNN)。输入参数是已知观测值渗透率场。输出参数是未来一段时间的饱和度或压力。
编码网络结构包含M个3D卷积傅里叶层,如图4所示,每一个卷积傅里叶层结构如下。
其中,x是最初输入参数,W是权重,是激活函数,使用Relu激活;v N+1(x)是卷积
傅里叶模块N+1层的输出结果,v N (x)是N层的输出结果。积是三维傅里叶积分算
子,用以提取物理信息。是快速傅里叶变换,是傅里叶逆变换,C是截断超过最大阈
值的傅里叶级数的操作,傅里叶变换操作能通过傅里叶级数即一系列正余弦曲线去近似数
据所符合的物理规律。Conv3D是3D卷积结果,用以提取局部信息,每一层的卷积核大小和步
幅可能会进行调整,卷积核的大小均为3×3×3,卷积步幅有1×1×1和2×2×2两种。因为
傅里叶变换是无限维度映射的,在这里使用傅里叶提取的结果需要与卷积结果维度一致,
相加之后不会改变原来维度,再经过五层傅里叶层,即该层不包含公式(3)中Conv3D这一项
操作的网络层,得到的最终结果会进入解码网络。
解码网络通过反卷积变换来实现,同时结合LSTM在模拟时间序列变换上的优势。解码网络结构是由反卷积层构成,解码网络的部分层的输入是由编码网络对应的输出矩阵和当前输入复制拼接的而成,目的是保存更多信息防止卷积过程中出现的特征丢失。解码网络是将中间结果解码到原数据空间的过程,得到的结果即为某一时间步的压力值或饱和度。考虑到时间序列的影响,将多个时间步的输入经过解码网络的中间结果通过LSTM结构,结合时间序列信息,LSTM结构如图2中所示,经过LSTM处理后对每个特征图用对应的解码网络得到每一个时间步的输出结果。
LSTM的迭代结构如图5所示,LSTM在t时刻的输入有三个:细胞状态C t-1,隐层状态h t-1,当前输入特征x t 。
C t 承载着空间时间信息,计算公式如下,
隐层输出结果h t 由输出门o t 和上一步计算出的C t 经过tanh激活函数计算得出,如下,
遗忘门f t ,更新门i t ,输出门o t ,以及新的候选细胞状态计算公式分别如下,每
种门有各自对应的权重和偏置,与网络中其他情况不同的是,LSTM中的是sigmoid激活
函数,激活结果在(0,1)之间,tanh激活结果在(-1,1)之间。
其中,W f 、W i 、W o 和W c 分别为遗忘门、更新门、输出门和新的候选细胞状态对应的权重;b f 、b i 、b o 和b c 分别为遗忘门、更新门、输出门和新的候选细胞状态对应的偏置;
图3表示了单个时间步的具体的编码和解码结构细节,首先经过6层傅里叶卷积层,提取局部和物理信息,中间变量维度大小发生了改变,再经过五层傅里叶层,不改变维度。解码结构中,会将对应的大小相同的编码层的输出与上一解码层输出复制拼接到一起。最终中间变量会被解码得到每一个时间步的预测结果。具体形状大小数值变化情况如表1所示。
步骤3、设置卷积傅里叶网络模型的超参数,在训练集下训练3D卷积傅里叶网络模型。具体过程如下:
步骤3.1、设置3D卷积傅里叶网络模型的输入输出;输入参数是三维油藏的渗透率;设置输出值,预测未来一段时间内的油藏饱和度或压力分布;
步骤3.2、初始化超参数,批处理大小为8,激活函数使用ReLu函数,随机初始化权重W;超参数根据网络评估性能进行优化调整,损失函数使用MSE函数计算损失,训练压力时MSE损失函数值为:编码解码网络使用相同的超参数设置,训练在200个epoch内收敛;
饱和度的损失函数loss sat_MSE 如下:
对于钻过多个区块的直井,在深度d层处的井筒压力受深度z变化的结引力的
影响。最上面的射孔处的井筒压力称为井底压力(BHP),继续随深度往下的d+1层处深度的
井筒压力计算如方程(12),是深度差,是流体混合密度。
当3D卷积傅里叶网络模型对压力进行预测时,为了提高预测精度,需要考虑在深度方向上压力受到重力作用的影响,压力满足方程(12),
压力的损失函数loss press_MSE 如下:
其中,y press_i 与分别为训练集中第i个样本的输出压力真实值和3D卷积傅
里叶神经网络模型的压力计算结果;是井所在网格处的d+1层深度的井筒压力实际值,是井所在网格处的d层深度的井筒压力预测值;
本发明在压力的损失函数中将重力约束作为惩罚相,嵌入物理意义。使方程在训
练过程中会同时使输出满足数据约束和方程约束,是数据约束的系数,是方程约束
的系数,都是网络的超参数,分别初始化为0.9和0.1,在训练过程中会自动更新。
网络根据设定好的超参数和网络迭代结构进行正向传播;
步骤3.3、根据步骤3.2计算得到的损失误差进行反向传播,利用ADAM优化器,更新权重W,使MSE损失逐渐减小。ADAM优化算法的初始学习率lr=0.003,批量大小为8,混合权重为1000;重复这个过程,一般在200个epoch之后误差会下降到接受范围之内,即可训练完成。
步骤4、使用测试集来评估3D卷积傅里叶神经网络的性能,计算RMSE和量化饱和度或压力的相对误差。具体过程如下:
对于所有的测试样本,计算相对均方根误差RMSE,并且量化了预测饱和度或压力的相对误差;RMSE计算公式为:
计算三维油藏的饱和度或压力相对误差的公式如下:
饱和度的相对误差为,压力的相对误差为,n test 是测试样本总数400,n M 是网
格总数40×20×20=16000,n t 是时间步数为20,是测试集中第i个样本第m个网格t时
刻的饱和度的预测结果,是对应饱和度的真实值;是测试集中第i个样本第m个
网格t时刻压力的预测结果,是对应压力的真实值。饱和度的范围在0-1之间不需要归
一化,而压力则不在这一范围内需要进行归一化,利用最大压力减去最小压力的方式进行
压力归一化,是第i个测试样本t时刻的最大压力,是第i个测试样本t时刻的最
小压力。相对误差越接近于0,说明对三维油藏的饱和度或压力的预测越精准。
步骤5、训练完成后,输出测试指标良好的3D卷积傅里叶网络模型。基于油藏安装的监测设备实时采集三维地下油藏数据,利用地质统计工具在线生成三维油藏的渗透率场,然后利用3D卷积傅里叶网络模型在线预测该油藏未来一段时间内油藏饱和度或压力场分布,通过压力和饱和度可以进一步计算产量,为制定生产策略提供直观的参考。具体过程如下:
保存性能指标评价较好的3D卷积傅里叶神经网络模型,即将训练完成的权重和超参数保存下来,利用3D卷积傅里叶神经网络模型可以快速预测出三维油藏的未来的饱和度或压力状态。输入是三维油藏的渗透率场,输出是一段时间t内的压力和饱和度分布,输入经过一次前向传播的计算即可得到输出。
利用压力和饱和度通过peaceman模型计算出油水井产量,计算公式如下,
其中,是第m个网格中井的油/水相的注入/采油速率,也是要计算的注采量
结果,k m 为第m个网格的绝对渗透率,k r, j 为k m 对应的油/水相对渗透率,S w, m 为第m个网格处
的含水饱和度值,是网格厚度,,默认,油藏在x与y两个
方向上宽度相等,r w 是井眼半径,是水或油的粘度,P m 与P l 分别是第m个网格处压力与井
眼压力。根据以上预测结果,可以进一步分析油藏未来的状态,为制定生产策略提供直观的
参考。
为了证明本发明的可行性,进行了如下实验进行说明。
实验数据来源于某地区的一个三维油田区块,该模型包含40×40×20网格块,每
个网格块在下x,y,z方向的尺寸均为20m。四口产油井,两口注水井,一口注水井和两口产油
井射开油藏上面的10层,而另一个注水井和两个产油井射开油藏底部10层。所有井在定压
条件生产,产油井的井底压力设为33.5Mpa,注水井的井底压力设为31.0Mp。假设x,y,z各方
向上渗透率相等。初始为0.25,初始含油饱和度设为0.90,初始含水饱和度设为0.10。相
对渗透率曲线表示含水饱和度和相对渗透率之间的关系,如图6所示,分别示出了水相和油
相的相对渗透率曲线。模拟该油藏未来1000天内的油水流动状态,每段生产周期为50天,共
20个时间步。首先利用序贯高斯模拟生成样本数为2000网格数为40×40×20的随机三维渗
透场,利用数值模拟器计算油水两相偏微分方程计算一段时间的高保真剩余油饱和度或压
力场结果作为数据集,随机选取1600个样本作为训练集,其余400个样本作为测试集。网络
包含编码、解码和LSTM结构,具体结构如表1所示,卷积核大小均为3×3×3。设置网络超参
数初始值,初始化网络中的超参数(傅里叶卷积编码解码网络和LSTM网络权重和偏置,损失
函数中的贡献度系数等),使用ADAM优化算法,初始学习率lr=0.003,批量大小为8,混合权
重为1000。神经网络模型训练200个epoch。完成训练之后对神经网络模型进行测试。本实验
通过训练3D卷积傅里叶神经网络代理模型,输出50个时间步、每个时间步为30天的饱和度
场与压力场场图。
表 1 傅里叶卷积网络结构细节表
如图7所示,经过200个epoch训练完成的3D卷积神经的测试平均均方误差RMSE为0.0651,与训练损失接近,并未产生过拟合。
表2为采用40×40×20网格、定压生产的三维油藏的饱和度场和压力预测结果,可
见,饱和度场和压力预测结果的RMSE值分别为均接近于0,拟合回归效果较好,精度较高。通
过公式(15)量化的饱和度的相对误差和压力的相对误差分别为5%和0.67%,这些相
对较低的误差性能表明神经网络对三维油藏模型的预测精度很高。傅里叶卷积结构在三维
空间上很好的提取了空间信息,同时LSTM结构很好的考虑了时序特征。
表 2 三维油藏饱和度或压力预测结果
图8(生产井1和生产井2)和图9(生产井3和生产井4)展示了通过peaceman公式计算出的产量和真实产量对比结果,在整个生产周期内,预测结果和真实产量很接近,油井产量在750m3/day到1000m3/day范围之间拟合的较好,说明3D卷积傅里叶神经网络模型预测效果良好。
上述实验可以有效证明,通过本发明的方法,可以有效提高三维油藏的剩余油和压力预测速度。在网络中采用傅里叶卷积结构和LSTM结构相结合考虑时空性和物理意义,同时也考虑重力约束。本方法处理三维油藏有更好的效果,训练速度更快,精度更高泛化性更好,更具有现场实用价值。
当然,上述说明并非是对本发明的限制,本发明也并不仅限于上述举例,本技术领域的技术人员在本发明的实质范围内所做出的变化、改型、添加或替换,也应属于本发明的保护范围。
Claims (6)
1.一种基于卷积傅里叶神经网络的三维地下油藏动态预测方法,其特征在于,利用构建的3D卷积傅里叶神经网络模型对三维地下油藏剩余油饱和度或压力进行动态预测,具体包括以下步骤:
步骤1、采集三维地下油藏数据,利用SGeMS地质统计工具生成符合地质特征的三维渗透率场,利用数值模拟器求解出不同渗透率对应的一段时间内的饱和度或压力作为样本库,按比例划分数据集,渗透率作为输入,饱和度或压力作为输出;
步骤2、构建3D卷积傅里叶神经网络,将3D卷积和傅里叶变换相结合,利用3D卷积算子提取图像局部信息,利用傅里叶变换提取物理信息近似微分算子,在网络中添加重力约束;利用编码解码网络实现渗透率到油藏状态的映射,结合LSTM同时考虑时间和空间信息;
步骤3、设置卷积傅里叶网络模型的超参数,在训练集下训练3D卷积傅里叶网络模型;
步骤4、使用测试集评估3D卷积傅里叶神经网络的性能,计算RMSE和量化饱和度或压力的相对误差;
步骤5、训练完成后,输出测试指标良好的3D卷积傅里叶网络模型;基于油藏安装的监测设备实时采集三维地下油藏数据,利用地质统计工具在线生成三维油藏的渗透率场,然后利用3D卷积傅里叶网络模型在线预测该油藏未来一段时间内油藏饱和度或压力场分布,通过压力和饱和度可以进一步计算产量,为制定生产策略提供直观的参考。
2.根据权利要求1所述基于卷积傅里叶神经网络的三维地下油藏动态预测方法,其特征在于,所述步骤1的具体过程如下:
步骤1.1、采集三维地下油藏数据,使用SGeMS地质统计模型生成三维渗透率场,网格尺寸为40×40×20,生成2000个渗透率样本;
步骤1.2、利用数值模拟器使用有限元方法计算三维油藏***的油水两相流动方程得到所有网格块中的饱和度或压力结果;油藏地下油水流动***是三维的,需要考虑重力效应,由质量守恒方程(1)和相达西速度方程(2)构成;
质量守恒方程表达式如(1),
相达西速度方程的表达式如(2),
步骤1.3、按照8:2的比例分割数据集和测试集;输入数据渗透率为(n,nx,ny,nz,1)的张量,输出数据饱和度或压力为(n,nx,ny,nz,1,T)的张量,n是样本数,nx为横向网格数,ny为纵向网格数,nz为深度方向的网格数,T为时间步数量。
3.根据权利要求2所述基于卷积傅里叶神经网络的三维地下油藏动态预测方法,其特征在于,所述步骤2的具体过程如下:
3D卷积傅里叶神经网络,主要包含编码网络和解码网络两个部分,考虑到时间序列影响增加了处理时间的循环神经模块;输入参数是已知观测值渗透率场,输出参数是未来一段时间的饱和度或压力;
编码网络结构包含M个3D卷积傅里叶层,每一个卷积傅里叶层结构如下,
其中,x是最初输入参数,W是权重,是激活函数,使用Relu激活;v N+1(x)是卷积傅里
叶模块N+1层的输出结果,v N (x)是N层的输出结果;积是三维傅里叶积分算子,
用以提取物理信息;是快速傅里叶变换,是傅里叶逆变换,C是截断超过最大阈值
的傅里叶级数的操作,傅里叶变换操作能通过傅里叶级数即一系列正余弦曲线去近似数据
所符合的物理规律;Conv3D是3D卷积结果,用以提取局部信息,每一层的卷积核大小和步幅
会进行调整,卷积核的大小均为3×3×3,卷积步幅有1×1×1和2×2×2两种;因为傅里叶
变换是无限维度映射的,使用傅里叶提取的结果需要与卷积结果维度一致,相加之后不会
改变原来维度,再经过五层傅里叶层,得到的最终结果进入解码网络;
解码网络结构由反卷积层构成,解码网络的部分层的输入由编码网络对应的输出矩阵和当前输入复制拼接而成,目的是保存更多信息防止卷积过程中出现的特征丢失;解码网络是将中间结果解码到原数据空间的过程,得到的结果为某一时间步的压力值或饱和度;
考虑到时间序列的影响,将多个时间步的输入经过解码网络的中间结果通过LSTM结构,结合时间序列信息,经过LSTM处理后对每个特征图用对应的解码网络得到每一个时间步的输出结果;
LSTM在t时刻的输入有三个:细胞状态C t-1,隐层状态h t-1,当前输入特征x t ;
C t 承载着空间时间信息,计算公式如下,
隐层输出结果h t 由输出门o t 和上一步计算出的C t 经过tanh激活函数计算得出,如下,
遗忘门f t ,更新门i t ,输出门o t ,以及新的候选细胞状态计算公式分别如下,每种门
有各自对应的权重和偏置,LSTM中的是sigmoid激活函数,激活结果在(0,1)之间,tanh
激活结果在(-1,1)之间;
其中,W f 、W i 、W o 和W c 分别为遗忘门、更新门、输出门和新的候选细胞状态对应的权重;b f 、b i 、b o 和b c 分别为遗忘门、更新门、输出门和新的候选细胞状态对应的偏置;
4.根据权利要求3所述基于卷积傅里叶神经网络的三维地下油藏动态预测方法,其特征在于,所述步骤3的具体过程如下:
步骤3.1、设置3D卷积傅里叶网络模型的输入输出;输入参数是三维油藏的渗透率;设置输出值,预测未来一段时间内的油藏饱和度或压力分布;
步骤3.2、初始化超参数,批处理大小为8,激活函数使用ReLu函数,随机初始化权重W;超参数根据网络评估性能进行优化调整,损失函数使用MSE函数计算损失,训练压力时MSE损失函数值为:编码解码网络使用相同的超参数设置,训练在200个epoch内收敛;
饱和度的损失函数loss sat_MSE 如下:
对于钻过多个区块的直井,在深度d层处的井筒压力受深度z变化的结引力的影响;
最上面的射孔处的井筒压力称为井底压力,继续随深度往下的d+1层处深度的井筒压力计算如方程(12),是深度差,是流体混合密度;
当3D卷积傅里叶网络模型对压力进行预测时,考虑在深度方向上压力受到重力作用的影响,压力满足方程(12),
压力的损失函数loss press_MSE 如下:
其中,y press_i 与分别为训练集中第i个样本的输出压力真实值和3D卷积傅里叶
神经网络模型的压力计算结果;是井所在网格处的d+1层深度的井筒压力实际值,
是井所在网格处的d层深度的井筒压力预测值;是数据约束的系数,是方程约束的系
数;
网络根据设定好的超参数和网络迭代结构进行正向传播;
步骤3.3、根据步骤3.2计算得到的损失误差进行反向传播,利用ADAM优化器,更新权重W,使MSE损失逐渐减小;ADAM优化算法的初始学习率lr=0.003,批量大小为8,混合权重为1000;重复这个过程,在200个epoch之后误差下降到接受范围之内,训练完成。
5.根据权利要求4所述基于卷积傅里叶神经网络的三维地下油藏动态预测方法,其特征在于,所述步骤4的具体过程如下:
对于所有的测试样本,计算相对均方根误差RMSE,量化预测饱和度或压力的相对误差;
RMSE计算公式为:
计算三维油藏的饱和度或压力相对误差的公式如下:
6.根据权利要求5所述基于卷积傅里叶神经网络的三维地下油藏动态预测方法,其特征在于,所述步骤5的具体过程如下:
保存性能指标评价较好的3D卷积傅里叶神经网络模型,将训练完成的权重和超参数保存下来,利用3D卷积傅里叶神经网络模型快速预测出三维油藏的未来的饱和度或压力状态;输入是三维油藏的渗透率场,输出是一段时间t内的压力和饱和度分布,输入经过一次前向传播的计算即可得到输出;
利用压力和饱和度通过peaceman模型计算出油水井产量,计算公式如下,
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210603016.6A CN114693005B (zh) | 2022-05-31 | 2022-05-31 | 基于卷积傅里叶神经网络的三维地下油藏动态预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210603016.6A CN114693005B (zh) | 2022-05-31 | 2022-05-31 | 基于卷积傅里叶神经网络的三维地下油藏动态预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114693005A true CN114693005A (zh) | 2022-07-01 |
CN114693005B CN114693005B (zh) | 2022-08-26 |
Family
ID=82131298
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210603016.6A Active CN114693005B (zh) | 2022-05-31 | 2022-05-31 | 基于卷积傅里叶神经网络的三维地下油藏动态预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114693005B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115204531A (zh) * | 2022-09-16 | 2022-10-18 | 中科数智能源科技(深圳)有限公司 | 基于傅里叶神经算子的油藏预测方法、设备及介质 |
CN115204530A (zh) * | 2022-09-16 | 2022-10-18 | 中科数智能源科技(深圳)有限公司 | 基于傅里叶神经算子和循环神经网络的油藏预测方法 |
CN115618750A (zh) * | 2022-12-16 | 2023-01-17 | 中国石油大学(华东) | 一种基于耦合神经网络的地下油水渗流代理模型 |
CN117494617A (zh) * | 2023-12-29 | 2024-02-02 | 中国石油大学(华东) | 基于内嵌物理信息神经网络的二氧化碳驱油快速模拟方法 |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5251286A (en) * | 1992-03-16 | 1993-10-05 | Texaco, Inc. | Method for estimating formation permeability from wireline logs using neural networks |
CN102061910A (zh) * | 2010-06-30 | 2011-05-18 | 中国石油大学(北京) | 砂岩油藏注水开发可预测物理模型建立方法 |
CN106291700A (zh) * | 2016-09-28 | 2017-01-04 | 西安交通大学 | 基于同步挤压变换的地震加权平均瞬时频率提取方法 |
CN110967471A (zh) * | 2019-11-14 | 2020-04-07 | 广东电网有限责任公司 | 一种变压器油中溶解气体浓度预测方法 |
CN111561313A (zh) * | 2020-05-15 | 2020-08-21 | 中国地质大学(北京) | 基于物理模型和机器学习的致密砂岩储层参数预测方法 |
CN112100930A (zh) * | 2020-11-11 | 2020-12-18 | 中国石油大学(华东) | 一种基于卷积神经网络和Eaton公式的地层孔隙压力计算方法 |
CN112541572A (zh) * | 2020-11-25 | 2021-03-23 | 中国石油大学(华东) | 基于卷积编码器-解码器网络的剩余油分布预测方法 |
CN113052371A (zh) * | 2021-03-16 | 2021-06-29 | 中国石油大学(华东) | 基于深度卷积神经网络的剩余油分布预测方法及装置 |
US20220101494A1 (en) * | 2020-09-30 | 2022-03-31 | Nvidia Corporation | Fourier transform-based image synthesis using neural networks |
CN114492213A (zh) * | 2022-04-18 | 2022-05-13 | 中国石油大学(华东) | 基于小波神经算子网络模型剩余油饱和度和压力预测方法 |
CN114492211A (zh) * | 2022-04-15 | 2022-05-13 | 中国石油大学(华东) | 一种基于自回归网络模型的剩余油分布预测方法 |
-
2022
- 2022-05-31 CN CN202210603016.6A patent/CN114693005B/zh active Active
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5251286A (en) * | 1992-03-16 | 1993-10-05 | Texaco, Inc. | Method for estimating formation permeability from wireline logs using neural networks |
CN102061910A (zh) * | 2010-06-30 | 2011-05-18 | 中国石油大学(北京) | 砂岩油藏注水开发可预测物理模型建立方法 |
CN106291700A (zh) * | 2016-09-28 | 2017-01-04 | 西安交通大学 | 基于同步挤压变换的地震加权平均瞬时频率提取方法 |
CN110967471A (zh) * | 2019-11-14 | 2020-04-07 | 广东电网有限责任公司 | 一种变压器油中溶解气体浓度预测方法 |
CN111561313A (zh) * | 2020-05-15 | 2020-08-21 | 中国地质大学(北京) | 基于物理模型和机器学习的致密砂岩储层参数预测方法 |
US20220101494A1 (en) * | 2020-09-30 | 2022-03-31 | Nvidia Corporation | Fourier transform-based image synthesis using neural networks |
CN112100930A (zh) * | 2020-11-11 | 2020-12-18 | 中国石油大学(华东) | 一种基于卷积神经网络和Eaton公式的地层孔隙压力计算方法 |
CN112541572A (zh) * | 2020-11-25 | 2021-03-23 | 中国石油大学(华东) | 基于卷积编码器-解码器网络的剩余油分布预测方法 |
CN113052371A (zh) * | 2021-03-16 | 2021-06-29 | 中国石油大学(华东) | 基于深度卷积神经网络的剩余油分布预测方法及装置 |
CN114492211A (zh) * | 2022-04-15 | 2022-05-13 | 中国石油大学(华东) | 一种基于自回归网络模型的剩余油分布预测方法 |
CN114492213A (zh) * | 2022-04-18 | 2022-05-13 | 中国石油大学(华东) | 基于小波神经算子网络模型剩余油饱和度和压力预测方法 |
Non-Patent Citations (6)
Title |
---|
SOUMI CHAKI: "A Novel Preprocessing Scheme to Improve the Prediction of Sand Fraction From Seismic Attributes Using Neural Networks", 《IEEE XPLORE》 * |
何欣: "灰岩裂缝储层地震识别技术研究——以四扣地区为例", 《中国优秀硕士学位论文全文数据库 (基础科学辑)》 * |
包志强等: "快速的卷积神经网络算法及应用", 《计算机工程与设计》 * |
孟宪伟等: "《各向异性油藏水平井变流量压力动态响应计算方法》", 《石油钻采工艺》 * |
张凯等: "断块油藏高部位剩余油径向钻孔产能预测", 《油气地质与采收率》 * |
王谦等: "径向基函数神经网络法致密砂岩储层相对渗透率预测与含水率计算", 《石油地球物理勘探》 * |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115204531A (zh) * | 2022-09-16 | 2022-10-18 | 中科数智能源科技(深圳)有限公司 | 基于傅里叶神经算子的油藏预测方法、设备及介质 |
CN115204530A (zh) * | 2022-09-16 | 2022-10-18 | 中科数智能源科技(深圳)有限公司 | 基于傅里叶神经算子和循环神经网络的油藏预测方法 |
CN115204531B (zh) * | 2022-09-16 | 2022-12-27 | 中科数智能源科技(深圳)有限公司 | 基于傅里叶神经算子的油藏预测方法、设备及介质 |
CN115618750A (zh) * | 2022-12-16 | 2023-01-17 | 中国石油大学(华东) | 一种基于耦合神经网络的地下油水渗流代理模型 |
CN117494617A (zh) * | 2023-12-29 | 2024-02-02 | 中国石油大学(华东) | 基于内嵌物理信息神经网络的二氧化碳驱油快速模拟方法 |
CN117494617B (zh) * | 2023-12-29 | 2024-04-16 | 中国石油大学(华东) | 基于内嵌物理信息神经网络的二氧化碳驱油快速模拟方法 |
Also Published As
Publication number | Publication date |
---|---|
CN114693005B (zh) | 2022-08-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114693005B (zh) | 基于卷积傅里叶神经网络的三维地下油藏动态预测方法 | |
CN113052371B (zh) | 基于深度卷积神经网络的剩余油分布预测方法及装置 | |
CN112541572B (zh) | 基于卷积编码器-解码器网络的剩余油分布预测方法 | |
CN114492213B (zh) | 基于小波神经算子网络模型剩余油饱和度和压力预测方法 | |
CN111523713A (zh) | 一种预测油田中剩余油饱和度分布的方法和装置 | |
US20230350096A1 (en) | System and method for effective hydrocarbon reservoir pressure prediction and control | |
Bai et al. | Accelerating geostatistical modeling using geostatistics-informed machine Learning | |
CN106355003A (zh) | 基于t分布的马尔科夫链蒙特卡洛自动历史拟合方法及*** | |
Jiang et al. | Use of multifidelity training data and transfer learning for efficient construction of subsurface flow surrogate models | |
Gao et al. | Modeling of meandering river deltas based on the conditional generative adversarial network | |
CN112541256A (zh) | 基于深度学习降维重构的强非均质油藏历史拟合方法 | |
Han et al. | Multiple point geostatistical simulation with adaptive filter derived from neural network for sedimentary facies classification | |
Shokir et al. | Permeability estimation from well log responses | |
Chen et al. | Physics-guided meta-learning method in baseflow prediction over large regions | |
Simonov et al. | Application of machine learning technologies for rapid 3d modelling of inflow to the well in the development system | |
Zhang et al. | Efficient surrogate modeling based on improved vision transformer neural network for history matching | |
Razak et al. | Embedding physical flow functions into deep learning predictive models for improved production forecasting | |
Wen et al. | Multiphase flow prediction with deep neural networks | |
Le et al. | Physics-constrained deep learning for production forecast in tight reservoirs | |
Ju et al. | Hydrologic simulations with artificial neural networks | |
Wang et al. | On the Feasibility of An Ensemble Multi-Fidelity Neural Network for Fast Data Assimilation for Subsurface Flow in Porous Media | |
Costa et al. | A new methodology to reduce uncertainty of global attributes in naturally fractured reservoirs | |
GB2584449A (en) | Apparatus method and computer-program product for calculating a measurable geological metric | |
Silva et al. | Generative network-based reduced-order model for prediction, data assimilation and uncertainty quantification | |
Azizzadeh Mehmandoust Olya et al. | Hydrocarbon reservoir potential mapping through Permeability estimation by a CUDNNLSTM Deep Learning Algorithm |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |