CN114996947A - 三维油藏数值模拟方法 - Google Patents
三维油藏数值模拟方法 Download PDFInfo
- Publication number
- CN114996947A CN114996947A CN202210641045.1A CN202210641045A CN114996947A CN 114996947 A CN114996947 A CN 114996947A CN 202210641045 A CN202210641045 A CN 202210641045A CN 114996947 A CN114996947 A CN 114996947A
- Authority
- CN
- China
- Prior art keywords
- reservoir
- model
- data
- numerical
- simulation
- 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.)
- Pending
Links
Images
Classifications
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
- G06T17/05—Geographic models
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/10—Numerical modelling
-
- 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)
- Geometry (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Software Systems (AREA)
- Computer Hardware Design (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Remote Sensing (AREA)
- Computer Graphics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及油气技术领域,公开了一种三维油藏数值模拟方法。方法包括:基于先验油藏数值模型,经过观测数据拟合后,调整获得后验油藏数值模型;对后验概率不达标的数据进行受控平移、定向变异和随机变异;根据后一时刻油藏观测数据和初始种群优化趋势,结合MOEA/D‑DE差分方法进行内迭代,依据目标函数内迭代得到当前时刻优化后的油藏数值模型参数,获得时变优化模型的最优解集;将最优解集用于对优化模块得到的油藏数值模型参数进行数值模拟计算,得到模拟数据,并将模拟数据输至内迭代比较判断模块;基于ES‑MDA方法,集合油藏数值模型参数与模拟数据的相关性信息迭代更新求解模型参数。根据单周期历史拟合储层物性变化趋势,实现预测属性模型的变化趋势。
Description
技术领域
本发明涉及油气技术领域,具体地涉及一种三维油藏数值模拟方法。
背景技术
三维地质建模是对地质体的数字化表述过程,主要应用于开发阶段的油藏静态描述,借助于地质模型可以更好地进行油田储层评价、开发方案编制与调整及开发效果预测等工作。三维地质建模是一个基于数据信息分析,合成的学科,或者说是一个整合各种学科的学科。这样建立的地质模型汇总了各种信息和解释结果。所以是否了解各种输入数据信息的优势和不足是合理整合这些数据的关键。储层一般都会有多尺度上的非均质性和连续性,但是由于各种原因不可能直接测量到所有的这些细节。三维地质建模主要应用于开发阶段的油藏静态描述,在储层预测方面起到的作用有限。
油藏数值模拟就是用数值的方法来求解渗流方程,目的在于模拟油气水地下流动的过程。历史拟合是油藏数值模拟研究十分重要的环节,是预测油田开发的基础。历史拟合是以静态模型为基础,利用产油量、井底压力等生产数据来修正渗透率、井储等模型参数的方法,是一个相当复杂的反演难题。由于人们对地质情况的认识具有局限性,在计算中使用的模型参数不一定能够准确反应油藏的实际情况,因此模拟的结果与实测的油藏动态情况存在一定的差异。传统的历史拟合方法缺乏***性和规范性,在应对储气这一特殊气藏存在无法贴合储气库实际储层物性等问题。
发明内容
为了克服现有技术存在的不足,本发明实施例提供了一种三维油藏数值模拟方法。
为了实现上述目的,本发明第一方面提供一种三维油藏数值模拟方法,包括:
结合高斯概率模型建立先验油藏数值模型的时变参数的先验概率表达式;
建立油藏数值模型的地质参数与观测数据之间的目标函数,目标函数中包括观测数据误差;
基于先验油藏数值模型,经过观测数据拟合后,调整获得后验油藏数值模型;
对后验概率不达标的数据进行受控平移、定向变异和随机变异,以依次逐步减小概率误差;
根据后一时刻的油藏观测数据和初始种群优化趋势,结合MOEA/D-DE差分方法进行内迭代,依据目标函数内迭代得到当前时刻优化后的油藏数值模型参数,获得时变优化模型的最优解集;
将最优解集用于对优化模块得到的油藏数值模型参数进行数值模拟计算,得到模拟数据,并将模拟数据输出至内迭代比较判断模块;
基于ES-MDA方法,结合目标函数,集合油藏数值模型参数与模拟数据的相关性信息迭代更新求解模型参数。
在本发明实施例中,方法还包括:
将后一时刻的油藏观测数据以及前二时刻、前一时刻、当前时刻历史拟合模型的优化结果进行数据离散初始化;
利用已知的油藏信息建立先验油藏数值模型;
用先验概率表示先验油藏数值模型的时变参数;
计算得到先验油藏数值模型的均值,并结合均值建立先验概率表达式。
在本发明实施例中,时变参数包括孔隙度、渗透率和相对渗透率曲线中的至少一者。
在本发明实施例中,方法还包括:
通过似然函数量化先验油藏数值模型得到的预测数据与观测数据之间的拟合误差,并建立后验油藏数值模型的后验概率表达式;
对数据进行定向变异包括:计算随机向量以及在平移向量的方向上对所有受控平移处理后的种群个体进行随机变异;
对数据进行随机变异包括:计算成对解间的平均距离以及将随机变异应用于受控平移和定向变异处理后的所有种群个体,形成后一时刻实例的初始种群。
在本发明实施例中,方法还包括:
在后一时刻使用基于数据离散的有方向性和随机变化的重新初始化种群,对当前时刻的优化结果进行横向优化,得到借鉴旧优化单周期历史拟合模型调整经验的当前时刻的初始种群。
在本发明实施例中,MOEA/D-DE算法根据种群历史最优位置与粒子历史最优位置动态调整粒子的速度。
在本发明实施例中,粒子的速度和位置的优化是根据储气库单个注采周期的生产数据对油藏地质模型、数值模拟模型中参数随注采周期的优化过程。
在本发明实施例中,方法还包括:
将当前时刻的模拟数据与观测数据进行比较,得到误差;
在误差低于预设误差值的情况下,输出模拟数据;
在误差不低于预设误差值的情况下,重新进行迭代计算。
在本发明实施例中,方法还包括:
将最优目标函数值以及最优目标函数值对应的优化后的油藏参数输出。
在本发明实施例中,方法还包括:
调用油藏数值模拟模型中的储层属性模型,根据单周期历史拟合趋势预测储层属性模型的变化趋势,实现储层物性时变功能。
在本发明实施例中,首次将MOEA/D-DE差分方法与储气库单周期历史拟合相结合,开展关于储气库多周期时变油藏数值模拟的应用研究。以期通过结合进化计算MOEA/D-DE差分方法与储气库单个周期的生产历史数据进行储层物性参数反演,计算多周期注采对储层物性的变化趋势,对气藏的渗流场进行估计。结合生产动态资料对三维油藏数值模拟进行动态跟踪,将生产动态资料实时变化情况输入进三维油藏数值模拟中,使三维油藏数值模拟可随着生产情况进行实时更新,将其过程中的一系列参数取出即可得到相近的结果。
在本发明实施例中,MOEA/D-DE算法可以是以python为运行环境,通过Python调用油藏数值模拟模型中的储层属性模型,根据单周期历史拟合趋势自动预测属性模型的变化趋势,实现储层物性时变功能;提供了一种根据单周期历史拟合储层物性变化趋势,预测属性模型变化趋势的三维油藏数值模拟方法。
附图说明
附图是用来提供对本发明实施例的进一步理解,并且构成说明书的一部分,与下面的具体实施方式一起用于解释本发明实施例,但并不构成对本发明实施例的限制。在附图中:
图1示意性示出了根据本发明实施例的三维油藏数值模拟方法的流程图之一;
图2示意性示出了根据本发明实施例的三维油藏数值模拟方法的流程图之二。
具体实施方式
以下结合附图对本发明实施例的具体实施方式进行详细说明。应当理解的是,此处所描述的具体实施方式仅用于说明和解释本发明实施例,并不用于限制本发明实施例。
需要说明,若本申请实施方式中有涉及方向性指示(诸如上、下、左、右、前、后……),则该方向性指示仅用于解释在某一特定姿态(如附图所示)下各部件之间的相对位置关系、运动情况等,如果该特定姿态发生改变时,则该方向性指示也相应地随之改变。
另外,若本申请实施方式中有涉及“第一”、“第二”等的描述,则该“第一”、“第二”等的描述仅用于描述目的,而不能理解为指示或暗示其相对重要性或者隐含指明所指示的技术特征的数量。由此,限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。另外,各个实施方式之间的技术方案可以相互结合,但是必须是以本领域普通技术人员能够实现为基础,当技术方案的结合出现相互矛盾或无法实现时应当认为这种技术方案的结合不存在,也不在本申请要求的保护范围之内。
图1示意性示出了根据本发明实施例的三维油藏数值模拟方法的流程图之一。可参见图1,在本发明一实施例中,提供了一种三维油藏数值模拟方法,包括以下步骤:
步骤101,结合高斯概率模型建立先验油藏数值模型的时变参数的先验概率表达式;
步骤102,建立油藏数值模型的地质参数与观测数据之间的目标函数,目标函数中包括观测数据误差;
步骤103,基于先验油藏数值模型,经过观测数据拟合后,调整获得后验油藏数值模型;
步骤104,对后验概率不达标的数据进行受控平移、定向变异和随机变异,以依次逐步减小概率误差;
步骤105,根据后一时刻的油藏观测数据和初始种群优化趋势,结合MOEA/D-DE差分方法进行内迭代,依据目标函数内迭代得到当前时刻优化后的油藏数值模型参数,获得时变优化模型的最优解集;
步骤106,将最优解集用于对优化模块得到的油藏数值模型参数进行数值模拟计算,得到模拟数据,并将模拟数据输出至内迭代比较判断模块;
步骤107,基于ES-MDA方法,结合目标函数,集合油藏数值模型参数与模拟数据的相关性信息迭代更新求解模型参数。
对于步骤101中,涉及数据读取模块,用于读取t+1时刻(即后一时刻)的油藏观测数据及t-2时刻(即前二时刻)、t-1时刻(即前一时刻)、t时刻(理解为当前时刻)历史拟合模型的优化结果,并将其输出至数据离散初始化模块;利用已知的油藏信息建立先验油藏模型,模型的已知参数,例如初始孔隙度、初始渗透率、初始相对渗透率曲线等以先验概率f(m)进行表示,计算得到先验模型均值,结合高斯概率模型建立油藏模型参数的先验概率表达式为:
其中CM为先验模型参数的协方差矩阵,mpr为先验模型均值。
对于步骤102,参考历史拟合精度评判标准,建立油藏数值模型的地质参数与观测数据之间的数学模型,即构建目标函数:
dobs=g(m)+ε
其中,dobs为生产动态数据;g(m)为油藏数值模拟器;m为地质参数;ε为观测数据误差。
对于步骤103和步骤104,数据离散初始化模块,基于假设的模型参数所得到预测数据与观测数据之间的拟合误差即是通过似然函数量化:
其中,f(m∣dobs)为贝叶斯理论中的后验概率,CD为协方差矩阵。
基于先验模型经过观测数据拟合后调整得到的后验模型,更符合当前实际情况。对后验概率不达标的数据进行受控平移、定向变异和随机变异,以依次逐步减小概率误差。
(1)受控平移单元,将当前优化得到的种群个体(优化的决策变量及油藏参数)根据计算的方向和距离移动;用于计算平移向量,对t时刻的优化结果,即优化完成后的种群进行平移,得到重新定位后的种群个体;根据t时刻及向前两个时刻的最优解集计算三个时刻最优解集的质心,使用向量差值得到向量d(t)及向前一个时刻的向量d(t-1),计算d(t)与质心之间的夹角为cos-1λ,计算λ并进一步计算平移向量;以t时刻优化后种群中的所有个体与平移向量相加,根据平移向量的大小和方向来重新定位;质心计算方法公式所示:
(2)定向变异单元,用于计算随机向量以及在平移向量的方向上对所有受控平移单元处理后的种群个体进行随机变异。受控单元的种群个体以随机的概率在受控平移单元的方向上按计算的随机向量移动。
(3)随机变异单元,用于计算成对解间的平均距离以及将随机变异应用于受控平移单元和定向变异单元处理后的所有的种群个体,形成t+1时刻实例的初始种群。受控和定向单元的种群个体以随机的概率按平移单元的方向不同距离移动。
以上3步相当于模拟油藏参数一个时间步长内各种可能的变化。假设概率误差为X,受控平移后降低ΔX1,概率误差变为X-ΔX1;定向变异后降低ΔX2,概率误差变为X-ΔX1-ΔX2;随机变异后降低ΔX3,概率误差变为X-ΔX1-ΔX2-ΔX3。这样,依次逐步减小概率误差,以使得后验概率达标。
对于步骤105,涉及数据优化模块,用于在t+1时刻使用基于数据离散(关于受控平移)的有方向性(关于定向变异)和随机变化(关于随机变异)的重新初始化种群,对t时刻的优化结果进行横向优化,得到借鉴旧优化单周期历史拟合模型调整经验的t时刻的初始种群。根据油藏t+1时刻的观测数据和初始种群优化趋势,结合MOEA/D-DE差分方法进行内迭代,依据步骤102中的评判依据内迭代得到当前时刻优化后的油藏模型静态参数。该参数群即为该时变优化模型的最优解集。最后将其输出至后续模拟计算及更新模块。
MOEA/D理解为Multi-objectiveEvolutionary Algorithm Based onDecomposition,理解为基于分解的多目标进化算法。MOEA/D-DE差分方法作为一种新型的进化计算方法。Petrel软件是目前比较成熟的三维地质建模软件之一。通过对其分析与研究,Petrel具备可通过Python软件进行调用,实现可读取外部代码及二次开发程序的功能。而进化计算MOEA/D-DE差分方法可以通过Python实现数据库的调用与运行。储气库区别于传统油气藏建模及数模,既要考虑建库前油气田经过长期开采导致的储层流体、压力、饱和度等的分布状态,也要考虑注采引起的储层物性变化。
观测数据在给定的地质参数m下会存在符合高斯分布的观测误差,得到似然函数f(dobs|m)为:
(1)读取观测数据和旧模型优化结果,假设当前时刻为t+1时刻,t时刻建库前储层参数与t+1时刻建库后或注采后发生变化,需要构建针对t+1时刻油藏现状的历史拟合模型。读取t+1时刻的油藏观测数据,重复该步骤(1),判断优化结果是否满足要求提供准备。读取t-2时刻、t-1时刻、t时刻历史拟合模型的优化结果,借鉴其有用信息,为t+1时刻的优化过程建立初始种群。
(2)对旧模型的优化结果进行种群重新初始化处理,结合上面步骤(1),反演t时刻的油藏历史拟合模型的结果,使用有方向性和随机变化的重新初始化策略进行处理,构建t+1时刻的初始种群。
简易理解地,步骤103和步骤104中做的是t+1时刻的,步骤105是反过来对t时刻进行优化。步骤103和步骤104中,是对t+1时刻进行优化,得到t+1时刻的变化趋势;而步骤105是把这个变化趋势用在t时刻上,让t时刻自身也得到这个变化趋势,t时刻变了,t+1时刻会跟着变,t+1时刻会再变一次,这样不断内迭代。t-2时刻和t-1时刻是类似地去做。步骤105是为了让t时刻和t+1时刻都满足概率要求,让更多的时间步长满足。先确定未来的时刻有一个大的趋势,然后把之前的3个时刻全部进行优化,之前的3个时刻优化之后,t+1时刻又会进一步优化。不断循环迭代,直到观测数据误差整体全都满足。步骤102中的目标函数是贯穿整个方案的评判标准,后验概率是否达标也是跟观测数据误差有关的。
对于步骤106,涉及模拟计算模块,将步骤105得到的最优解集用于对优化模块得到的油藏模型静态参数进行数值模拟计算,得到模拟生产结果即模拟数据,并将模拟数据输出至内迭代比较判断模块。
对于步骤107,涉及内迭代比较判断模块,基于ES-MDA方法,结合步骤102中的目标函数,优化压力、产气量等指标。集合模型参数与模拟数据的相关性信息迭代更新求解模型参数,油藏模型参数的估计公式为:
j=1,…,Ne.
其中,CMD为模型参数和预测数据之间的交叉协方差矩阵;CDD为预测数据的协方差矩阵;j为集合中第j个个体;k为迭代次数;αk为膨胀因子。
算法根据种群历史最优位置与粒子历史最优位置动态调整粒子速度。粒子的速度和位置的优化是根据储气库单个注采周期的生产数据对油藏地质模型、数值模拟模型中孔渗等参数随注采周期的优化过程,将当前时刻的模拟数据与观测数据进行比较,得到误差。判断误差是否低于预设误差值,若低于,则转至输出模块,否则,转至优化模块重新进行迭代计算。粒子的速度和位置更新公式为:
vi=vi+c1Xrand(pi-xi)+c2Xrand(gi-xi)
xi=xi+vi
其中,i=1,2,…,N,N为此群中粒子的总数;vi为粒子速度;Xrand为介于(0,1)之间的随机数;pi为个体最优值;gi为群体最优值;xi为粒子的当前位置;c1和c2为学习因子,通常c1=c2=2。
(1)构造单元,用于构造油藏目标函数(损失函数),目标函数针对于具体的油藏历史拟合模型构造要求决定。
(2)初始化单元,用于初始化参数,并设置优化停止条件,参数至少包括迭代次数、种群规模等。
(3)更新单元,用于根据预设算法规则条件更新参考点、种群等,即更新步骤102中的g(m)。
(4)判断单元,用于判断是否满足优化停止条件,若满足,则转至最优值输出单元,否则转至更新单元。
(5)最优值输出单元,用于将最优目标函数值以及所述最优目标函数值对应的优化后的油藏参数输出至输出模块。
输出模块,用于在误差低于预设误差值时,输出优化后的油藏历史拟合模型参数,即最终优化结果。
可以理解地,将优化结果代入油藏数值模拟器中进行模拟计算,若观测数据与模拟数据的误差满足要求,即可输出有效结果,反之继续进行迭代计算。采用油藏自动历史拟合***中的模拟计算模块和比较判断模块实现。图2示意性示出了根据本发明实施例的三维油藏数值模拟方法的流程图之二,可参见图2。
简易理解地,步骤103和步骤103中理解为从油藏数值模型里调出来数据;步骤107中理解为是把优化数据放到数值模型之后,再进行一次优化。步骤103和步骤103中是用以往的数据对未来进行预测;步骤107中是把未来的数据做出来,然后放到数值模型中,看是否可信。
在本发明实施例中,首次将MOEA/D-DE差分方法与储气库单周期历史拟合相结合,开展关于储气库多周期时变油藏数值模拟的应用研究。以期通过结合进化计算MOEA/D-DE差分方法与储气库单个周期的生产历史数据进行储层物性参数反演,计算多周期注采对储层物性的变化趋势,对气藏的渗流场进行估计。结合生产动态资料对三维油藏数值模拟进行动态跟踪,将生产动态资料实时变化情况输入进三维油藏数值模拟中,使三维油藏数值模拟可随着生产情况进行实时更新,将其过程中的一系列参数取出即可得到相近的结果。
在本发明实施例中,MOEA/D-DE算法可以是以python为运行环境,通过Python调用油藏数值模拟模型中的储层属性模型,根据单周期历史拟合趋势自动预测属性模型的变化趋势,实现储层物性时变功能;提供了一种根据单周期历史拟合储层物性变化趋势,预测属性模型变化趋势的三维油藏数值模拟方法。可理解地,油藏观测数据跟属性模型相关。
本领域内的技术人员应明白,本申请的实施例可提供为方法、***、或计算机程序产品。因此,本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(***)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
在一个典型的配置中,计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。
存储器可能包括计算机可读介质中的非永久性存储器,随机存取存储器(RAM)和/或非易失性内存等形式,如只读存储器(ROM)或闪存(flash RAM)。存储器是计算机可读介质的示例。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括,但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带,磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质,可用于存储可以被计算设备访问的信息。按照本文中的界定,计算机可读介质不包括暂存电脑可读媒体(transitory media),如调制的数据信号和载波。
还需要说明的是,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括要素的过程、方法、商品或者设备中还存在另外的相同要素。
以上仅为本申请的实施例而已,并不用于限制本申请。对于本领域技术人员来说,本申请可以有各种更改和变化。凡在本申请的精神和原理之内所作的任何修改、等同替换、改进等,均应包含在本申请的权利要求范围之内。
Claims (10)
1.一种三维油藏数值模拟方法,其特征在于,包括:
结合高斯概率模型建立先验油藏数值模型的时变参数的先验概率表达式;
建立油藏数值模型的地质参数与观测数据之间的目标函数,所述目标函数中包括观测数据误差;
基于所述先验油藏数值模型,经过所述观测数据拟合后,调整获得后验油藏数值模型;
对后验概率不达标的数据进行受控平移、定向变异和随机变异,以依次逐步减小概率误差;
根据后一时刻的油藏观测数据和初始种群优化趋势,结合MOEA/D-DE差分方法进行内迭代,依据所述目标函数内迭代得到当前时刻优化后的油藏数值模型参数,获得时变优化模型的最优解集;
将所述最优解集用于对优化模块得到的油藏数值模型参数进行数值模拟计算,得到模拟数据,并将模拟数据输出至内迭代比较判断模块;
基于ES-MDA方法,结合所述目标函数,集合所述油藏数值模型参数与所述模拟数据的相关性信息迭代更新求解模型参数。
2.根据权利要求1所述的方法,其特征在于,还包括:
将后一时刻的油藏观测数据以及前二时刻、前一时刻、当前时刻历史拟合模型的优化结果进行数据离散初始化;
利用已知的油藏信息建立先验油藏数值模型;
用先验概率表示所述先验油藏数值模型的时变参数;
计算得到所述先验油藏数值模型的均值,并结合所述均值建立所述先验概率表达式。
3.根据权利要求2所述的方法,其特征在于,所述时变参数包括孔隙度、渗透率和相对渗透率曲线中的至少一者。
4.根据权利要求1所述的方法,其特征在于,还包括:
通过似然函数量化所述先验油藏数值模型得到的预测数据与所述观测数据之间的拟合误差,并建立所述后验油藏数值模型的后验概率表达式;
对数据进行定向变异包括:计算随机向量以及在平移向量的方向上对所有受控平移处理后的种群个体进行随机变异;
对数据进行随机变异包括:计算成对解间的平均距离以及将随机变异应用于受控平移和定向变异处理后的所有种群个体,形成后一时刻实例的初始种群。
5.根据权利要求1所述的方法,其特征在于,还包括:
在后一时刻使用基于数据离散的有方向性和随机变化的重新初始化种群,对当前时刻的优化结果进行横向优化,得到借鉴旧优化单周期历史拟合模型调整经验的当前时刻的初始种群。
6.根据权利要求1所述的方法,其特征在于,所述MOEA/D-DE算法根据种群历史最优位置与粒子历史最优位置动态调整粒子的速度。
7.根据权利要求6所述的方法,其特征在于,所述粒子的速度和位置的优化是根据储气库单个注采周期的生产数据对油藏地质模型、数值模拟模型中参数随注采周期的优化过程。
8.根据权利要求7所述的方法,其特征在于,还包括:
将当前时刻的模拟数据与观测数据进行比较,得到误差;
在所述误差低于预设误差值的情况下,输出所述模拟数据;
在所述误差不低于所述预设误差值的情况下,重新进行迭代计算。
9.根据权利要求8所述的方法,其特征在于,还包括:
将最优目标函数值以及所述最优目标函数值对应的优化后的油藏参数输出。
10.根据权利要求1所述的方法,其特征在于,还包括:
调用油藏数值模拟模型中的储层属性模型,根据单周期历史拟合趋势预测所述储层属性模型的变化趋势,实现储层物性时变功能。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210641045.1A CN114996947A (zh) | 2022-06-07 | 2022-06-07 | 三维油藏数值模拟方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210641045.1A CN114996947A (zh) | 2022-06-07 | 2022-06-07 | 三维油藏数值模拟方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114996947A true CN114996947A (zh) | 2022-09-02 |
Family
ID=83033237
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210641045.1A Pending CN114996947A (zh) | 2022-06-07 | 2022-06-07 | 三维油藏数值模拟方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114996947A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115203988A (zh) * | 2022-09-16 | 2022-10-18 | 中科数智能源科技(深圳)有限公司 | 油藏数值模拟算例的运行方法、装置、设备及存储介质 |
-
2022
- 2022-06-07 CN CN202210641045.1A patent/CN114996947A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115203988A (zh) * | 2022-09-16 | 2022-10-18 | 中科数智能源科技(深圳)有限公司 | 油藏数值模拟算例的运行方法、装置、设备及存储介质 |
CN115203988B (zh) * | 2022-09-16 | 2022-11-25 | 中科数智能源科技(深圳)有限公司 | 油藏数值模拟算例的运行方法、装置、设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105260786B (zh) | 一种电力推进***仿真可信度评估模型综合优化方法 | |
CN115935834B (zh) | 一种基于深度自回归网络和持续学习策略的历史拟合方法 | |
CN108764475A (zh) | 遗传小波神经网络的陀螺随机误差补偿方法及*** | |
CN114492211B (zh) | 一种基于自回归网络模型的剩余油分布预测方法 | |
Fei et al. | Research on tunnel engineering monitoring technology based on BPNN neural network and MARS machine learning regression algorithm | |
KR102155101B1 (ko) | 지반 층상정보 예측 시스템, 방법, 및 상기 방법을 실행시키기 위한 컴퓨터 판독 가능한 프로그램을 기록한 저장 매체 | |
CN113486591B (zh) | 一种卷积神经网络结果的重力多参量数据密度加权反演方法 | |
CN114723095A (zh) | 缺失测井曲线预测方法及装置 | |
KR101474874B1 (ko) | 지능형 생산정 위치 선정 전산 시스템 및 이를 이용한 생산정 위치 선정 방법 | |
CN114912364B (zh) | 天然气井流量预测方法、装置、设备及计算机可读介质 | |
CN114996947A (zh) | 三维油藏数值模拟方法 | |
Stopar et al. | GPS-derived geoid using artificial neural network and least squares collocation | |
CN108805287A (zh) | 遗传小波神经网络的陀螺随机误差补偿方法及*** | |
CN106407932B (zh) | 基于分数阶微积分与广义逆神经网络的手写数字识别方法 | |
CN116910534A (zh) | 一种不同海域海洋环境要素时空智能预测方法和装置 | |
CN110852415B (zh) | 基于神经网络算法的植被指数预测方法、***及设备 | |
CN111126758B (zh) | 一种学术团队影响力传播预测方法、设备和存储介质 | |
Preis et al. | Online hydraulic state prediction for water distribution systems | |
Lacasta et al. | Simulation of PID control applied to irrigation channels | |
CN116663395A (zh) | 基于参数优化的支持向量机回归的降雨量等值面生成方法 | |
CN112926805B (zh) | 基于深度强化学习的直井试井智能解释方法及装置 | |
CN111738407B (zh) | 一种基于深度学习的钟差预测方法、装置、介质及终端 | |
CN114547958A (zh) | 基于深度神经网络的井震结合裂缝预测方法及装置 | |
Setiono et al. | Rainfall simulation at bah bolon watershed with backpropagation artificial neural network based on rainfall data using scilab | |
CN115688229B (zh) | 基于深度学习的网壳结构最不利缺陷模态创建方法 |
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 |