CN117236195B - 一种降低开发风险的机器学习离线代理模型生产优化方法 - Google Patents
一种降低开发风险的机器学习离线代理模型生产优化方法 Download PDFInfo
- Publication number
- CN117236195B CN117236195B CN202311490309.9A CN202311490309A CN117236195B CN 117236195 B CN117236195 B CN 117236195B CN 202311490309 A CN202311490309 A CN 202311490309A CN 117236195 B CN117236195 B CN 117236195B
- Authority
- CN
- China
- Prior art keywords
- injection
- population
- production
- individual
- production system
- 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.)
- Active
Links
- 238000004519 manufacturing process Methods 0.000 title claims abstract description 215
- 238000000034 method Methods 0.000 title claims abstract description 161
- 238000005457 optimization Methods 0.000 title claims abstract description 68
- 238000011161 development Methods 0.000 title claims abstract description 42
- 238000010801 machine learning Methods 0.000 title claims abstract description 20
- 238000002347 injection Methods 0.000 claims abstract description 202
- 239000007924 injection Substances 0.000 claims abstract description 202
- 230000035699 permeability Effects 0.000 claims abstract description 120
- 230000006870 function Effects 0.000 claims abstract description 86
- 230000008569 process Effects 0.000 claims abstract description 44
- 238000004088 simulation Methods 0.000 claims abstract description 29
- 239000003795 chemical substances by application Substances 0.000 claims abstract description 28
- 239000013598 vector Substances 0.000 claims description 65
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 35
- 239000011159 matrix material Substances 0.000 claims description 22
- 238000005070 sampling Methods 0.000 claims description 19
- 230000035772 mutation Effects 0.000 claims description 15
- 230000009467 reduction Effects 0.000 claims description 13
- 238000011160 research Methods 0.000 claims description 13
- 238000012545 processing Methods 0.000 claims description 12
- 238000012549 training Methods 0.000 claims description 12
- 230000003204 osmotic effect Effects 0.000 claims description 9
- 238000012847 principal component analysis method Methods 0.000 claims description 6
- 238000010276 construction Methods 0.000 claims description 3
- 238000000605 extraction Methods 0.000 claims description 3
- 238000012216 screening Methods 0.000 claims description 3
- 238000006467 substitution reaction Methods 0.000 claims description 2
- 238000000513 principal component analysis Methods 0.000 abstract 1
- 230000001186 cumulative effect Effects 0.000 description 12
- 230000008901 benefit Effects 0.000 description 4
- 230000008859 change Effects 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 238000009826 distribution Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000004422 calculation algorithm Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000006073 displacement reaction Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000009472 formulation Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000000243 solution Substances 0.000 description 1
Classifications
-
- 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
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种降低开发风险的机器学***均净现值作为目标函数，建立考虑渗透率场不确定性的油藏注采优化问题求解模型，再构建离线数据库和初始种群，利用离线数据库分别建立多个径向基函数代理模型和克里金函数代理模型，通过自适应选取代理模型作为优化目标进行迭代优化，优化过程结合多子代策略增加种群多样性，获得最佳开发方案。本发明充分利用离线数据库指导注采优化过程，缩短优化时间的同时，精准获取油藏高效注采方案，降低了方案风险。
Description
技术领域
本发明涉及油藏生产优化技术领域，具体涉及一种降低开发风险的机器学习离线代理模型生产优化方法。
背景技术
对于情况复杂、非均质性强的油藏储层，在生产过程中注入水易沿高渗通道指进、波及受限，注采优化技术通过优化注水井与生产井的生产制度，实现最优的驱替效果，已成为提高经济效益的主要手段。
目前，现有的常规注采优化方法主要是将单个油藏数值模拟模型的净现值作为目标值，优化操作井的注采制度用于指导油田的生产开发。然而，使用单个油藏数值模拟模型代表区块进行优化得到的最终方案的有效性依赖于油藏数值模拟模型的参数准确性，但是在实际油藏数值模拟模型建模过程中，初始模型往往具有较大的不确定性，无法准确反应油藏的真实情况。即使采用历史拟合之后，也只能降低不确定性而无法消除不确定性。因此，仅使用单个模型进行注采优化会因为所采用的油藏数值模拟模型与地下实际参数差异过大，导致开发效果差，面临较高的开发风险。
为了降低开发风险，提高注采优化方案的可靠性，可同时对历史拟合后得到的多个渗透率场进行注采优化，但是在此方法下，需要耗费大量数值模拟时间计算所有渗透率场所构建的油藏数值模拟模型的目标函数值，难以符合油田开发的实际需求。
基于数据驱动的机器学习代理模型通过生产制度作为输入，经济净现值作为输出，训练并构建计算速度较快的代理模型来替代优化目标函数即时对进化算法产生的大量候选注采制度进行评估，从而指导进化优化，减少真实数值模拟的次数，这种优化方法被称为代理模型辅助进化算法，已经广泛应用于求解注采优化问题。根据优化进程中是否调用数值模拟器评估产生新的训练数据，可将数据驱动代理模型方法分为在线方法和离线方法。其中离线方法仅需在离线数据库构建时调用数值模拟器进行模拟，在实际优化过程中不需要进行实际评估从而可以满足现场的实时优化需求，即时提供注采优化方案，并且可以实现在优化过程中脱离数值模拟软件，适用于注采优化高耗时性问题的求解。
由于离线方法没有对数据进行真实值的评估来验证代理模型的质量，或验证最佳方案，因此，使用离线数据库构建的代理模型的精度是否满足实际优化需求是一个非常关键的问题。现有离线方法主要基于单一的机器学习模型构建代理模型，在特定的油藏区块上可获得较好的性能，但难以同时有效适应所有油藏区块类型的注采问题，准确率存在较大的提升空间。因此需要更高精度的离线代理模型框架，提升离线数据驱动注采优化方法的性能。
发明内容
本发明针对现有技术难以综合考虑油藏内所有渗透场的分布情况所导致油藏开发风险较高以及目前的离线代理模型方法精度低的问题，提出了一种降低开发风险的机器学习离线代理模型生产优化方法，通过对渗透率场集合进行特征提取聚类构建目标油藏集合，建立渗透率场不确定性油藏注采优化模型，并基于离线数据库分别构建自适应选择径向基函数代理模型与局部克里金代理模型交替搜索，降低优化计算复杂度的同时充分利用离线数据指导优化，实现了适用于渗透率不确定性油藏的低风险高效离线注采优化方***获取。
本发明为了实现上述目的，采用如下技术方案：
一种降低开发风险的机器学习离线代理模型生产优化方法，包括如下步骤：
步骤1，获取研究区的注水开发模式，历史拟合得到由多个渗透率场组成的渗透率场集合，将各渗透率场输入至油藏数值模拟器中，建立多个油藏数值模拟模型；
步骤2，利用主成分分析方法提取各渗透率场的主要特征后，基于K-Means方法结合所提取的主要特征对各渗透率场进行聚类，随机从每类渗透率场中选取代表渗透率场获取代表油藏，建立代表油藏数值模拟模型集合；
步骤3，以代表油藏的加权平均净现值作为目标函数，建立渗透率场不确定性油藏注采优化模型；
步骤4，基于拉丁超立方采样方法在注采制度的边界约束条件所限制的注采优化范围内采样，构建数据库和初始种群，获取初始种群中最优个体所对应的最优注采制度Xb及加权平均净现值/>；
步骤5，基于Bagging套袋抽样方法，利用数据库中的样本数据建立T个径向基函数代理模型；
步骤6，设置最大迭代次数maxFEs并将迭代次数Fes初始化为0，开始进行迭代优化；
步骤7，判断迭代次数Fes是否大于最大迭代次数maxFEs，若迭代次数Fes大于最大迭代次数维maxFEs，则进入步骤10，否则，则继续判断迭代次数Fes是否大于最大迭代次数维maxFEs的一半且迭代次数Fes是否为偶数；若迭代次数Fes大于最大迭代次数维maxFEs的一半且迭代次数Fes为偶数，则进入步骤9中，否则，则进入步骤8；
步骤8，确定迭代目标函数，对初始种群进行交叉变异形成多组子代种群，利用迭代目标函数对子代种群进行筛选，更新初始种群、迭代次数和最优注采制度后，返回步骤7；
步骤9，构建克里金代理模型以及与初代种群相同的种群Plocal，利用克里金代理模型/>对种群Plocal多次进行差分进化处理更新种群Plocal，配合迭代目标函数搜寻更新后初始种群中的最优个体，更新初始种群和迭代次数后，返回步骤7；
步骤10，结束迭代优化，输出最佳开发方案和加权平均净现值。
优选地，所述步骤2中，具体包括以下步骤：
步骤2.1，对研究区历史拟合得到渗透率场集合，将渗透率场集合内的个二维渗透率场展开得到一维向量，基于各一维向量构建渗透率场矩阵/>，其中，渗透率场矩阵的大小为/>，/>为二维渗透率场的数量，/>为一维向量的长度，/>，/>为油藏数值模拟模型在/>轴方向上的网格数量，/>为油藏数值模拟模型在/>轴方向上的网格数量；
步骤2.2，基于主成分分析方法对渗透率场矩阵进行降维处理，将高维的渗透率场压缩为低维变量，如公式（1）所示：
（1）
式中，为渗透率场均值，/>为特征矩阵，/>为降维后的渗透率场特征矩阵，/>为原渗透率场矩阵；
步骤2.3，基于K-Means方法对降维后的渗透率场矩阵进行聚类，随机选取个特征向量作为聚类中心，得到/>个类的中心向量，分别计算其他特征向量到各类中心向量的欧式距离，将其他特征向量就近划分到欧式距离最近的类中，聚类过程中随时更新各类的中心向量并判断各类的中心向量是否发生改变；若各类的中心向量发生改变，则重新计算其他特征向量与各类中心向量之间的欧式距离，直至各类的中心向量不再发生变化；若各类的中心向量未发生改变，则停止更新各类的中心向量并输出聚类结果；
步骤2.4，根据降维后渗透率场矩阵的特征相似度，将渗透率场集合中的渗透率场分为W类，得到W个渗透率场子集，从每个渗透率场子集中随机选取一个渗透率场作为代表渗透率场，将各渗透率场所对应的油藏作为代表油藏，形成代表油藏集合，并针对代表油藏集合内的各油藏建立油藏数值模拟模型，建立代表油藏数值模拟模型集合。
优选地，所述步骤3中，以代表油藏的加权平均净现值作为目标函数，结合注采制度的边界约束条件，建立渗透率场不确定性油藏注采优化模型，如公式（2）所示：
（2）
其中，
（3）
式中，为最大值求取函数， />为注采优化目标函数， />为注采制度，/>为油藏数值模拟器所计算储层特征信息的状态变量，/>为实数域，/>为注采制度的维度，/>，/>为油藏中待优化井的数量，/>为时间步的总数，/>为注采制度的下边界，/>为注采制度的上边界；/>为时间步的序号；/>为第/>个时间步的时长，单位为天；/>为代表油藏集合中渗透率场的序号，/>为代表油藏集合中油藏的总数；/>为第/>个油藏代表渗透率场在计算加权平均净现值的权重，/>，/>为第/>个油藏代表渗透率场所在分类的总个数，/>为渗透率场集合内二维渗透率场的总个数；/>为折现率；/>为生产井的序号，/>为目标油藏中生产井的总数；/>为注入井的序号，/>为目标油藏中的注入井的总数；/>为第/>个油藏代表渗透场在第/>个时间步时序号为/>的生产井所对应的日产油量，单位为STB/D；/>为第/>个油藏代表渗透场在第/>个时间步时序号为/>的注入井所对应的日产水量，单位为STB/D；为第/>个油藏代表渗透场在第/>个时间步时序号为/>的注入井所对应的日注水量，单位为STB/D；/>为单位体积产油收入，单位为USD/STB；/>为单位体积处理产水成本，单位为USD/STB；/>为单位体积注水成本，单位为USD/STB。
优选地，所述步骤4中，具体包括以下步骤：
步骤4.1，基于拉丁超立方采样方法在注采制度的边界约束条件所限制的注采优化范围内采集注采制度样本，构建注采制度样本集，/>，其中，/>为序号，/>为样本总数，/>为第/>个注采制度；
步骤4.2，将注采制度样本集中的注采制度样本分别输入至油藏数值模拟器中，利用油藏数值模拟器计算得到各注采制度样本所对应的加权平均净现值，构建加权平均净现值数据集/>，/>，/>为第/>个注采制度/>的加权平均净现值；
步骤4.3，基于注采制度样本集和加权平均净现值数据集/>构建数据库/>，所述数据库中包括多个样本数据；
所述数据库，其中，/>为数据库/>中的第/>个样本数据；
步骤4.4，按照加权平均净现值由高到低的顺序对数据库中的样本数据进行排序，利用前N个样本数据组建初始种群，获取初始种群中的最优个体所对应的注采制度，得到最优注采制度Xb及加权平均净现值/>。
优选地，所述步骤5中，具体包括以下步骤：
步骤5.1，基于Bagging套袋抽样方法，通过多次从数据库中有放回抽样选取多个样本数据，随机构建训练集，生成T个训练集；
步骤5.2，针对各训练集建立用于预测注采制度所对应加权平均净现值的径向基函数代理模型，得到T个径向基函数代理模型；
所述径向基函数代理模型如公式（4）所示：
（4）
式中，为径向基函数代理模型对注采制度/>的预测值；/>为序号，/>为第/>个样本数据的权重，/>为第/>个注采制度，/>为欧式范数，/>为基函数，/>为初始样本中的个体总数。
优选地，所述步骤8中，具体包括以下步骤：
步骤8.1，利用T个径向基函数代理模型分别计算初始种群中最优个体所对应注采制度的预测值，并按照预测值由大到小的顺序对径向基函数代理模型排序后两两一组对各径向基函数代理模型进行分组；
步骤8.2，从各组内选取一个径向基函数代理模型建立目标代理模型集合，目标代理模型集合中含有个径向基函数代理模型，计算目标代理模型集合中所有径向基函数代理模型预测值的均值并作为迭代目标函数，如公式（5）所示：
（5）
式中，为基于径向基函数代理模型所确定的迭代目标函数，/>为目标代理模型集合中第/>个径向基函数代理模型计算的注采制度/>的预测值；
步骤8.3，随机生成G组由变异因子F和交叉因子CR组成的超参数数据，形成超参数集合，/>，其中，/>为超参数集合/>中的第/>组超参数数据，/>为第/>组超参数数据中的变异因子，/>为第/>组超参数数据中的交叉因子；
步骤8.4，利用超参数集合中的各超参数数据分别对初始种群进行交叉变异，生成G个子代种群，/>}，其中，/>为利用超参数集合/>中第/>组超参数数据控制生成的第/>个子代种群；
所述交叉变异过程为：
（6）
（7）
式中，为第/>个子代种群中第/>个子代个体所对应注采制度的变异向量，/>为第/>个子代种群中第/>个子代个体所对应变异向量的第/>维；/>、/>、/>为从初始种群中选取的三个互不相同的子代个体所对应的注采制度；/>为交叉变异所获取子代种群/>中第/>个子代个体所对应注采制度的第/>维；/>为随机矩阵中第/>个随机向量的第/>维；/>为随机选择的索引；/>为初始种群中第/>个注采制度/>的第/>维；
步骤8.5，利用迭代目标函数分别计算G个子代种群中各子代个体所对应注采制度的预测值；
步骤8.6，按照子代种群编号顺序，逐个将G个子代种群中各子代个体所对应注采制度的预测值与初始种群中对应注采制度所对应的加权平均净现值进行对比，当子代种群中子代个体所对应注采制度的预测值大于初始种群中对应个体所对应注采制度的加权平均净现值时，利用子代种群中的子代个体替换初始种群中的个体，更新初始种群；
步骤8.7，确定更新后初始种群中的最优个体，获取最优个体所对应的最优注采制度Xb及加权平均净现值，更新最优注采制度Xb和迭代次数，返回步骤7中。
优选地，所述步骤9中，具体包括以下步骤：
步骤9.1，分别计算初始种群中最优个体与数据库中各样本数据之间的欧式距离，并按照欧氏距离由小到大的顺序对数据库/>中样本数据进行排序，选取序列中的前A个样本数据，构建克里金代理模型/>，如公式（8）所示：
（8）
式中，为克里金代理模型/>对注采制度/>的预测值，/>为样本数据的平均常数，/>为具有零均值的自相关误差项；
步骤9.2，构建与初始种群完全相同的种群Plocal，对种群Plocal进行差分进化处理产生子代种群，/>，其中，/>为子代种群/>中的第/>个子代个体；
所述差分进化处理过程为：
（9）
（10）
式中，为子代种群/>中第/>个个体所对应注采制度的变异向量，/>为子代种群/>中第/>个个体所对应变异向量的第/>维；/>为变异因子，取值范围为[0.4,1]；/>、/>、/>为种群Plocal中三个互不相同的个体所对应的注采制度；/>为子代种群/>中第/>个子代个体所对应注采制度的第/>维；/>为随机矩阵中第/>个随机向量的第/>维；/>为常数，介于0到1之间；/>为随机选择的索引；
步骤9.3，根据预设的差分进化处理次数对种群Plocal多次进行差分进化处理，每次差分进化处理过程中，利用克里金代理模型分别计算子代种群/>中各子代个体所对应注采制度的预测值，当子代种群/>中子代个体所对应注采制度的预测值小于种群Plocal中相对应个体所对应注采制度的加权平均净现值时，利用子代种群/>中的子代个体替换种群Plocal中的个体，更新种群Plocal；
步骤9.4，利用迭代目标函数搜寻差分进化处理后的种群Plocal，确定差分进化处理后种群Plocal中的最优个体，利用迭代目标函数计算最优个体/>所对应注采制度的预测值，并与初始种群中最优个体所对应最优注采制度Xb的加权平均净现值/>进行比较；若种群Plocal中最优个体/>所对应注采制度的预测值小于初始种群中最优个体所对应最优注采制度Xb的加权平均净现值/>，则利用种群Plocal中的最优个体/>替换初始种群中的最优个体，更新初始种群和迭代次数后，返回步骤7，否则，则直接更新迭代次数，返回步骤7。
本发明具有的有益效果是：
本发明提出了一种降低开发风险的机器学习离线代理模型生产优化方法，解决了因难以确定油藏渗透场分布所导致油藏注采优化方案获取困难的问题。本发明基于研究区的注水开发模式历史拟合得到渗透率场集合进行降维聚类，再对各渗透率场进行聚类选取代表渗透率场建立代表油藏数值模拟模型，从而综合考虑了油藏中渗透率场可能出现的所有情况，并对各渗透率场进行注采优化，既降低了油藏开发方案的开发风险，还避免了油藏开发方案制定过程中的冗余计算。
同时，为了提升离线优化中代理模型的准确率，构建高精度机器学***衡了机器学习离线代理模型生产优化方法的勘探与开发性能，提高机器学习离线代理模型生产优化方法所确定油藏最佳开发方案的精度的同时提升了优化计算的寻优速度，实现了渗透率不确定性油藏所适用低风险高效注采优化方***获取，为指导复杂储层开发方案的制定提供了依据，具有极高的推广应用价值。
附图说明
图1为本发明一种降低开发风险的机器学习离线代理模型生产优化方法的流程图。
图2为本发明方法中确定最优注采制度的流程图。
图3为迭代优化过程中加权平均净现值随着迭代次数的变化曲线。
图4为采用本发明方法和单代理方法所确定最优注采方案的累计产油量加权平均值变化图。
图5为采用本发明方法和单代理方法所确定最优注采方案的累计产水量加权平均值变化图。
图6为采用本发明方法和单代理方法所确定最优注采方案的累计注水量加权平均值变化图。
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：
本发明提出了一种降低开发风险的机器学习离线代理模型生产优化方法，如图1所示，本实施例中研究区块采用注水开发模式，研究区块内设置有4口注水井和9口生产井，利用本发明方法确定研究区块的最佳开发方案，具体包括以下步骤：
步骤1，选取研究区，获取研究区的注水开发模式，对研究区进行网格划分，研究区在轴方向上划分为60个网格、在/>轴方向上划分为60个的网格，网格尺寸为/>，对研究区历史拟合得到渗透率场可能分布的100种情况，形成渗透率场集合，将渗透率场集合中各渗透率场所对应的渗透率场参数输入至油藏数值模拟器Eclipse中，建立多个除渗透率场不同外、其余参数均相同的油藏数值模拟模型。
步骤2，针对渗透率场集合，利用主成分分析方法提取渗透率场集合中各渗透率场的主要特征后，基于K-Means方法结合所提取的主要特征对渗透率场集合中的各渗透率场进行聚类，并随机从每类渗透率场中选取一个渗透率场作为代表渗透率场，将各渗透率场所对应的油藏作为代表油藏，形成代表油藏集合，并针对代表油藏集合内的各油藏建立油藏数值模拟模型，建立代表油藏数值模拟模型集合，具体包括以下步骤：
步骤2.1，将渗透率场集合内的100个二维渗透率场展开得到一维向量，基于各一维向量构建渗透率场矩阵，其中，渗透率场矩阵的大小为。
步骤2.2，基于主成分分析方法对渗透率场矩阵进行降维处理，将高维的渗透率场压缩为低维变量，得到降维后的渗透率场特征矩阵，如公式（1）所示：
（1）
式中，为渗透率场均值，/>为特征矩阵，/>为降维后的渗透率场特征矩阵，/>为原渗透率场矩阵。
步骤2.3，基于K-Means方法对降维后的渗透率场矩阵进行聚类，随机选取五个特征向量作为聚类中心，得到五个类的中心向量，分别计算其他特征向量到各类中心向量的欧式距离，将其他特征向量就近划分到欧式距离最近的类中，聚类过程中随时更新各类的中心向量并判断各类的中心向量是否发生改变；若各类的中心向量发生改变，则重新计算其他特征向量与各类中心向量之间的欧式距离，直至各类的中心向量不再发生变化；若各类的中心向量未发生改变，则停止更新各类的中心向量并输出聚类结果。
步骤2.4，根据降维后渗透率场矩阵的特征相似度，将渗透率场集合中的渗透率场分为五类，得到五个渗透率场子集，从每个渗透率场子集中随机选取一个渗透率场作为代表渗透率场，将各渗透率场所对应的油藏作为代表油藏，形成代表油藏集合，并针对代表油藏集合内的各油藏建立油藏数值模拟模型，建立代表油藏数值模拟模型集合。
步骤3，以代表油藏的加权平均净现值作为目标函数，结合注采制度的边界约束条件，建立渗透率场不确定性油藏注采优化模型，如公式（2）所示：
（2）
其中，
（3）
式中，为最大值求取函数， />为注采优化目标函数， />为注采制度，/>为油藏数值模拟器所计算储层特征信息的状态变量，/>为实数域，/>为注采制度的维度，/>，/>为油藏中待优化井的数量，/>为时间步的总数，/>为注采制度的下边界，/>为注采制度的上边界；/>为时间步的序号；/>为第/>个时间步的时长，单位为天；/>为代表油藏集合中渗透率场的序号，/>为代表油藏集合中油藏的总数；/>为第/>个油藏代表渗透率场在计算加权平均净现值的权重，/>，/>为第/>个油藏代表渗透率场所在分类的总个数，/>为渗透率场集合内二维渗透率场的总个数；/>为折现率；/>为生产井的序号，/>为目标油藏中生产井的总数；/>为注入井的序号，/>为目标油藏中的注入井的总数；/>为第/>个油藏代表渗透场在第/>个时间步时序号为/>的生产井所对应的日产油量，单位为STB/D；/>为第/>个油藏代表渗透场在第/>个时间步时序号为/>的注入井所对应的日产水量，单位为STB/D；为第/>个油藏代表渗透场在第/>个时间步时序号为/>的注入井所对应的日注水量，单位为STB/D；/>为单位体积产油收入，单位为USD/STB；/>为单位体积处理产水成本，单位为USD/STB；/>为单位体积注水成本，单位为USD/STB。
本实施例中，本实施例中待优化注采井的数量为13，待优化的注采制度为9口生产井的采液量与4口注水井的注水量，注采优化目标函数/>为加权平均净现值。本实施例中，时间步的总数/>设置为10，相邻时间步之间的间隔设置为180天，生产周期为1800天，单位体积产油收入/>设置为20，单位体积处理产水成本/>设置为3，单位体积注水成本/>设置为1，折现率/>设置为0。根据本实施例中待优化注采井的数量，确定注采制度的维度/>设置为130，其中，对于需要优化的4口注水井的注采制度下边界设置为145m3，上边界设置为290m3；9口生产井的注采制度下边界设置为0 m3，上边界设置为70m3。
步骤4，基于拉丁超立方采样方法在注采制度的边界约束条件所限制的注采优化范围内进行采样，获取注采制度样本并利用数值模拟器计算各注采制度样本的加权平均净现值，构建数据库，并在数据库/>中选取样本数据建立初始种群，获取初始种群中最优个体所对应的最优注采制度Xb及加权平均净现值/>，具体包括以下步骤：
步骤4.1，基于拉丁超立方采样方法在注采制度的边界约束条件所限制的注采优化范围内采集注采制度样本，构建注采制度样本集，/>，其中，/>为序号，/>为样本总数，/>为第/>个注采制度；本例中样本总数设置为1000。
步骤4.2，将注采制度样本集中的注采制度样本分别输入至油藏数值模拟器中，利用油藏数值模拟器计算得到各注采制度样本所对应的加权平均净现值，构建加权平均净现值数据集/>，/>，/>为第/>个注采制度/>的加权平均净现值。
步骤4.3，基于注采制度样本集和加权平均净现值数据集/>构建数据库/>，所述数据库中包括多个样本数据；
所述数据库，其中，/>为数据库/>中的第/>个样本数据。
步骤4.4，按照加权平均净现值由高到低的顺序对数据库中的样本数据进行排序，利用前N个样本数据组建初始种群，获取初始种群中的最优个体，确定最优注采制度Xb及所对应的净现值/>，本例中初始种群的大小N设置为100。
步骤5，基于Bagging套袋抽样方法将数据库中的样本数据分为T个训练集，分别针对各训练集建立径向基函数代理模型，得到T个径向基函数代理模型，具体包括以下步骤：
步骤5.1，基于Bagging套袋抽样方法，通过多次从数据库中有放回抽样选取多个样本数据，随机构建训练集，生成T个训练集，本实施例中训练集的个数T设置为100。
步骤5.2，针对各训练集建立用于预测注采制度所对应加权平均净现值的径向基函数代理模型，得到T个径向基函数代理模型；
所述径向基函数代理模型如公式（4）所示：
（4）
式中，为径向基函数代理模型对注采制度/>的预测值；/>为序号，/>为第/>个样本数据的权重，/>为第/>个注采制度，/>为欧式范数，/>为基函数，/>为初始样本中的个体总数。
步骤6，设置最大迭代次数maxFEs为500次，将迭代次数Fes初始化为0，基于克里金代理模型和径向基函数代理模型，结合初始种群，进入步骤8进行迭代优化，如图2所示。
步骤7，判断迭代次数Fes是否大于最大迭代次数maxFEs，若迭代次数Fes大于最大迭代次数维maxFEs，则进入步骤10，否则，则继续判断迭代次数Fes是否大于最大迭代次数维maxFEs的一半且迭代次数Fes是否为偶数；若迭代次数Fes大于最大迭代次数维maxFEs的一半且迭代次数Fes为偶数，则进入步骤9中，否则，则进入步骤8。
步骤8，确定迭代目标函数，对初始种群进行交叉变异形成多组子代种群，利用迭代目标函数对子代种群进行筛选，更新初始种群、迭代次数和最优注采制度后，返回步骤7，具体包括以下步骤：
步骤8.1，利用T个径向基函数代理模型分别计算初始种群中最优个体所对应注采制度的预测值，并按照预测值由大到小的顺序对径向基函数代理模型排序后两两一组对各径向基函数代理模型进行分组。
步骤8.2，从各组内选取一个径向基函数代理模型建立目标代理模型集合，目标代理模型集合中含有个径向基函数代理模型，计算目标代理模型集合中所有径向基函数代理模型预测值的均值并作为迭代目标函数，如公式（5）所示：
（5）
式中，为基于径向基函数代理模型所确定的迭代目标函数，/>为目标代理模型集合中第/>个径向基函数代理模型计算的注采制度/>的预测值。
步骤8.3，随机生成G组由变异因子F和交叉因子CR组成的超参数数据，形成超参数集合，/>，其中，/>为超参数集合/>中的第/>组超参数数据，/>为第/>组超参数数据中的变异因子，/>为第/>组超参数数据中的交叉因子。
步骤8.4，利用超参数集合中的各超参数数据分别对初始种群进行交叉变异，生成G个子代种群，/>}，其中，/>为利用超参数集合/>中第/>组超参数数据控制生成的第/>个子代种群，本实施例中子代种群个数G设置为10。
所述交叉变异过程为：
（6）
（7）
式中，为第/>个子代种群中第/>个子代个体所对应注采制度的变异向量，/>为第/>个子代种群中第/>个子代个体所对应变异向量的第/>维；/>、/>、/>为从初始种群中选取的三个互不相同的子代个体所对应的注采制度；/>为交叉变异所获取子代种群/>中第/>个子代个体所对应注采制度的第/>维；/>为随机矩阵中第/>个随机向量的第/>维；/>为随机选择的索引；/>为初始种群中第/>个注采制度/>的第/>维。
步骤8.5，利用迭代目标函数分别计算10个子代种群中各子代个体所对应注采制度的预测值。
步骤8.6，将子代种群中各子代个体所对应注采制度的预测值与初始种群中最优注采制度所对应的加权平均净现值进行对比，当子代种群中子代个体所对应注采制度的预测值大于初始种群中对应个体所对应注采制度的加权平均净现值时，利用子代种群中的子代个体替换初始种群中的个体，更新初始种群。
步骤8.7，确定更新后初始种群中的最优个体，获取最优个体所对应的最优注采制度Xb及加权平均净现值，更新最优注采制度Xb和迭代次数，返回步骤7中。
步骤9，构建克里金代理模型以及与初代种群相同的种群Plocal，利用克里金代理模型/>对种群Plocal多次进行差分进化处理更新种群Plocal，配合迭代目标函数搜寻更新后初始种群中的最优个体，更新初始种群和迭代次数后，返回步骤7，具体包括以下步骤：
步骤9.1，分别计算初始种群中最优个体与数据库中各样本数据之间的欧式距离，并按照欧氏距离由小到大的顺序对数据库/>中样本数据进行排序，选取序列中的前250个样本数据，构建克里金代理模型/>，如公式（8）所示：
（8）
式中，为克里金代理模型/>对注采制度/>的预测值，/>为样本数据的平均常数，/>为具有零均值的自相关误差项。
步骤9.2，构建与初始种群完全相同的种群Plocal，对种群Plocal进行差分进化处理产生子代种群，/>，其中，/>为子代种群/>中的第/>个子代个体；
所述差分进化处理过程为：
（9）
（10）
式中，为子代种群/>中第/>个个体所对应注采制度的变异向量，/>为子代种群/>中第/>个个体所对应变异向量的第/>维；/>为变异因子，取值范围为[0.4,1]；/>、/>、/>为种群Plocal中三个互不相同的个体所对应的注采制度；/>为子代种群/>中第/>个子代个体所对应注采制度的第/>维；/>为随机矩阵中第/>个随机向量的第/>维；/>为常数，介于0到1之间；/>为随机选择的索引。
步骤9.3，根据预设的差分进化处理次数对种群Plocal多次进行差分进化处理，每次差分进化处理过程中，利用克里金代理模型分别计算子代种群/>中各子代个体所对应注采制度的预测值，当子代种群/>中子代个体所对应注采制度的预测值小于种群Plocal中相对应个体所对应注采制度的加权平均净现值时，利用子代种群/>中的子代个体替换种群Plocal中的个体，更新种群Plocal。/>
步骤9.4，利用迭代目标函数搜寻差分进化处理后的种群Plocal，确定差分进化处理后种群Plocal中的最优个体，利用迭代目标函数计算最优个体/>所对应注采制度的预测值，并与初始种群中最优个体所对应最优注采制度Xb的加权平均净现值/>进行比较；若种群Plocal中最优个体/>所对应注采制度的预测值小于初始种群中最优个体所对应最优注采制度Xb的加权平均净现值/>，则利用种群Plocal中的最优个体/>替换初始种群中的最优个体，更新初始种群和迭代次数后，返回步骤7，否则，则直接更新迭代次数，返回步骤7。
步骤10，结束迭代优化，输出最佳开发方案和加权平均净现值。
为了验证本发明方法所确定最佳开发方案的效果，分别利用以传统径向基函数辅助差分进化算法寻优的离线单代理方法和本发明方法进行优化确定研究区块的最优注采制度，即研究区块的最佳开发方案，得到迭代优化过程中加权平均净现值随着迭代次数的变化曲线，如图3所示。由图3可知，本发明方法所获取的最佳开发方案相比于单代理方法所获取最佳开发方案的经济效益更高。
分别对比采用本发明方法和单代理方法所确定最优注采方案的累计产油量加权平均值、累计产水量加权平均值和累计注水量加权平均值，其中，图4为采用本发明方法和单代理方法所确定最优注采方案的累计产油量加权平均值变化图，图5为采用本发明方法和单代理方法所确定最优注采方案的累计产水量加权平均值变化图，图6为采用本发明方法和单代理方法所确定最优注采方案的累计注水量加权平均值变化图，其中，累计产油量为收益项、累计产水量和累计注水量均为成本项。通过分析图4~图6可得，采用本发明方法所确定的最佳开发方案既能提高累计产油量，还能同时降低累计产水和累计注水方面的投资成本，具有更高的经济效益。
当然，以上说明仅仅为本发明的较佳实施例，本发明并不限于列举上述实施例，应当说明的是，任何熟悉本领域的技术人员在本说明书的教导下，所做出的所有等同替代、明显变形形式，均落在本说明书的实质范围之内，理应受到本发明的保护。
Claims (6)
1.一种降低开发风险的机器学习离线代理模型生产优化方法，其特征在于，包括如下步骤：
步骤1，获取研究区的注水开发模式，历史拟合得到由多个渗透率场组成的渗透率场集合，将各渗透率场输入至油藏数值模拟器中，建立多个油藏数值模拟模型；
步骤2，利用主成分分析方法提取各渗透率场的主要特征后，基于K-Means方法结合所提取的主要特征对各渗透率场进行聚类，随机从每类渗透率场中选取代表渗透率场获取代表油藏，建立代表油藏数值模拟模型集合；
步骤3，以代表油藏的加权平均净现值作为目标函数，建立渗透率场不确定性油藏注采优化模型；
步骤4，基于拉丁超立方采样方法在注采制度的边界约束条件所限制的注采优化范围内采样，构建数据库和初始种群，获取初始种群中最优个体所对应的最优注采制度Xb及加权平均净现值/>；
步骤5，基于Bagging套袋抽样方法，利用数据库中的样本数据建立T个径向基函数代理模型；
步骤6，设置最大迭代次数maxFEs并将迭代次数Fes初始化为0，开始进行迭代优化；
步骤7，判断迭代次数Fes是否大于最大迭代次数maxFEs，若迭代次数Fes大于最大迭代次数维maxFEs，则进入步骤10，否则，则继续判断迭代次数Fes是否大于最大迭代次数维maxFEs的一半且迭代次数Fes是否为偶数；若迭代次数Fes大于最大迭代次数维maxFEs的一半且迭代次数Fes为偶数，则进入步骤9中，否则，则进入步骤8；
步骤8，确定迭代目标函数，对初始种群进行交叉变异形成多组子代种群，利用迭代目标函数对子代种群进行筛选，更新初始种群、迭代次数和最优注采制度后，返回步骤7；
步骤9，构建克里金代理模型以及与初代种群相同的种群Plocal，利用克里金代理模型/>对种群Plocal多次进行差分进化处理更新种群Plocal，配合迭代目标函数搜寻更新后初始种群中的最优个体，更新初始种群和迭代次数后，返回步骤7；
步骤10，结束迭代优化，输出最佳开发方案和加权平均净现值；
所述步骤3中，以代表油藏的加权平均净现值作为目标函数，结合注采制度的边界约束条件，建立渗透率场不确定性油藏注采优化模型，如公式（2）所示：
（2）
其中，
（3）
式中，为最大值求取函数， />为注采优化目标函数， />为注采制度，/>为油藏数值模拟器所计算储层特征信息的状态变量，/>为实数域，/>为注采制度的维度，/>，/>为油藏中待优化井的数量，/>为时间步的总数，/>为注采制度的下边界，/>为注采制度的上边界；/>为时间步的序号；/>为第/>个时间步的时长，单位为天；/>为代表油藏集合中渗透率场的序号，/>为代表油藏集合中油藏的总数；/>为第/>个油藏代表渗透率场在计算加权平均净现值的权重，/>，/>为第/>个油藏代表渗透率场所在分类的总个数，/>为渗透率场集合内二维渗透率场的总个数；/>为折现率；/>为生产井的序号，/>为目标油藏中生产井的总数；/>为注入井的序号，/>为目标油藏中的注入井的总数；/>为第/>个油藏代表渗透场在第/>个时间步时序号为/>的生产井所对应的日产油量，单位为STB/D；/>为第/>个油藏代表渗透场在第/>个时间步时序号为/>的注入井所对应的日产水量，单位为STB/D；为第/>个油藏代表渗透场在第/>个时间步时序号为/>的注入井所对应的日注水量，单位为STB/D；/>为单位体积产油收入，单位为USD/STB；/>为单位体积处理产水成本，单位为USD/STB；/>为单位体积注水成本，单位为USD/STB。
2.根据权利要求1所述的降低开发风险的机器学习离线代理模型生产优化方法，其特征在于，所述步骤2中，具体包括以下步骤：
步骤2.1，对研究区历史拟合得到渗透率场集合，将渗透率场集合内的个二维渗透率场展开得到一维向量，基于各一维向量构建渗透率场矩阵/>，其中，渗透率场矩阵的大小为，/>为二维渗透率场的数量，/>为一维向量的长度，/>，/>为油藏数值模拟模型在/>轴方向上的网格数量，/>为油藏数值模拟模型在/>轴方向上的网格数量；
步骤2.2，基于主成分分析方法对渗透率场矩阵进行降维处理，将高维的渗透率场压缩为低维变量，如公式（1）所示：
（1）
式中，为渗透率场均值，/>为特征矩阵，/>为降维后的渗透率场特征矩阵，/>为原渗透率场矩阵；
步骤2.3，基于K-Means方法对降维后的渗透率场矩阵进行聚类，随机选取个特征向量作为聚类中心，得到/>个类的中心向量，分别计算其他特征向量到各类中心向量的欧式距离，将其他特征向量就近划分到欧式距离最近的类中，聚类过程中随时更新各类的中心向量并判断各类的中心向量是否发生改变；若各类的中心向量发生改变，则重新计算其他特征向量与各类中心向量之间的欧式距离，直至各类的中心向量不再发生变化；若各类的中心向量未发生改变，则停止更新各类的中心向量并输出聚类结果；
步骤2.4，根据降维后渗透率场矩阵的特征相似度，将渗透率场集合中的渗透率场分为W类，得到W个渗透率场子集，从每个渗透率场子集中随机选取一个渗透率场作为代表渗透率场，将各渗透率场所对应的油藏作为代表油藏，形成代表油藏集合，并针对代表油藏集合内的各油藏建立油藏数值模拟模型，建立代表油藏数值模拟模型集合。
3.根据权利要求1所述的降低开发风险的机器学习离线代理模型生产优化方法，其特征在于，所述步骤4中，具体包括以下步骤：
步骤4.1，基于拉丁超立方采样方法在注采制度的边界约束条件所限制的注采优化范围内采集注采制度样本，构建注采制度样本集，/>，其中，/>为序号，/>为样本总数，/>为第/>个注采制度；
步骤4.2，将注采制度样本集中的注采制度样本分别输入至油藏数值模拟器中，利用油藏数值模拟器计算得到各注采制度样本所对应的加权平均净现值，构建加权平均净现值数据集/>，/>，/>为第/>个注采制度/>的加权平均净现值；
步骤4.3，基于注采制度样本集和加权平均净现值数据集/>构建数据库/>，所述数据库中包括多个样本数据；
所述数据库，其中，/>为数据库/>中的第/>个样本数据；
步骤4.4，按照加权平均净现值由高到低的顺序对数据库中的样本数据进行排序，利用前N个样本数据组建初始种群，获取初始种群中的最优个体所对应的注采制度，得到最优注采制度Xb及加权平均净现值/>。
4.根据权利要求1所述的降低开发风险的机器学习离线代理模型生产优化方法，其特征在于，所述步骤5中，具体包括以下步骤：
步骤5.1，基于Bagging套袋抽样方法，通过多次从数据库中有放回抽样选取多个样本数据，随机构建训练集，生成T个训练集；
步骤5.2，针对各训练集建立用于预测注采制度所对应加权平均净现值的径向基函数代理模型，得到T个径向基函数代理模型；
所述径向基函数代理模型如公式（4）所示：
（4）
式中，为径向基函数代理模型对注采制度/>的预测值；/>为序号，/>为第/>个样本数据的权重，/>为第/>个注采制度，/>为欧式范数，/>为基函数，/>为初始样本中的个体总数。
5.根据权利要求1所述的降低开发风险的机器学习离线代理模型生产优化方法，其特征在于，所述步骤8中，具体包括以下步骤：
步骤8.1，利用T个径向基函数代理模型分别计算初始种群中最优个体所对应注采制度的预测值，并按照预测值由大到小的顺序对径向基函数代理模型排序后两两一组对各径向基函数代理模型进行分组；
步骤8.2，从各组内选取一个径向基函数代理模型建立目标代理模型集合，目标代理模型集合中含有个径向基函数代理模型，计算目标代理模型集合中所有径向基函数代理模型预测值的均值并作为迭代目标函数，如公式（5）所示：
（5）
式中，为基于径向基函数代理模型所确定的迭代目标函数，/>为目标代理模型集合中第/>个径向基函数代理模型计算的注采制度/>的预测值；
步骤8.3，随机生成G组由变异因子F和交叉因子CR组成的超参数数据，形成超参数集合，/>，其中，/>为超参数集合/>中的第/>组超参数数据，/>为第/>组超参数数据中的变异因子，/>为第/>组超参数数据中的交叉因子；
步骤8.4，利用超参数集合中的各超参数数据分别对初始种群进行交叉变异，生成G个子代种群，/>}，其中，/>为利用超参数集合/>中第/>组超参数数据控制生成的第/>个子代种群；
所述交叉变异过程为：
（6）
（7）
式中，为第/>个子代种群中第/>个子代个体所对应注采制度的变异向量，/>为第/>个子代种群中第/>个子代个体所对应变异向量的第/>维；/>、/>、/>为从初始种群中选取的三个互不相同的子代个体所对应的注采制度；/>为交叉变异所获取子代种群/>中第/>个子代个体所对应注采制度的第/>维；/>为随机矩阵中第/>个随机向量的第/>维；/>为随机选择的索引；/>为初始种群中第/>个注采制度/>的第/>维；
步骤8.5，利用迭代目标函数分别计算G个子代种群中各子代个体所对应注采制度的预测值；
步骤8.6，按照子代种群编号顺序，逐个将G个子代种群中各子代个体所对应注采制度的预测值与初始种群中对应注采制度所对应的加权平均净现值进行对比，当子代种群中子代个体所对应注采制度的预测值大于初始种群中对应个体所对应注采制度的加权平均净现值时，利用子代种群中的子代个体替换初始种群中的个体，更新初始种群；
步骤8.7，确定更新后初始种群中的最优个体，获取最优个体所对应的最优注采制度Xb及加权平均净现值，更新最优注采制度Xb和迭代次数，返回步骤7中。
6.根据权利要求5所述的降低开发风险的机器学习离线代理模型生产优化方法，其特征在于，所述步骤9中，具体包括以下步骤：
步骤9.1，分别计算初始种群中最优个体与数据库中各样本数据之间的欧式距离，并按照欧氏距离由小到大的顺序对数据库/>中样本数据进行排序，选取序列中的前A个样本数据，构建克里金代理模型/>，如公式（8）所示：
（8）
式中，为克里金代理模型/>对注采制度/>的预测值，/>为样本数据的平均常数，/>为具有零均值的自相关误差项；
步骤9.2，构建与初始种群完全相同的种群Plocal，对种群Plocal进行差分进化处理产生子代种群，/>，其中，/>为子代种群/>中的第/>个子代个体；
所述差分进化处理过程为：
（9）
（10）
式中，为子代种群/>中第/>个个体所对应注采制度的变异向量，/>为子代种群/>中第/>个个体所对应变异向量的第/>维；/>为变异因子，取值范围为[0.4,1]；/>、/>、/>为种群Plocal中三个互不相同的个体所对应的注采制度；/>为子代种群/>中第/>个子代个体所对应注采制度的第/>维；/>为随机矩阵中第/>个随机向量的第/>维；/>为常数，介于0到1之间；/>为随机选择的索引；
步骤9.3，根据预设的差分进化处理次数对种群Plocal多次进行差分进化处理，每次差分进化处理过程中，利用克里金代理模型分别计算子代种群/>中各子代个体所对应注采制度的预测值，当子代种群/>中子代个体所对应注采制度的预测值小于种群Plocal中相对应个体所对应注采制度的加权平均净现值时，利用子代种群/>中的子代个体替换种群Plocal中的个体，更新种群Plocal；
步骤9.4，利用迭代目标函数搜寻差分进化处理后的种群Plocal，确定差分进化处理后种群Plocal中的最优个体，利用迭代目标函数计算最优个体/>所对应注采制度的预测值，并与初始种群中最优个体所对应最优注采制度Xb的加权平均净现值/>进行比较；若种群Plocal中最优个体/>所对应注采制度的预测值小于初始种群中最优个体所对应最优注采制度Xb的加权平均净现值/>，则利用种群Plocal中的最优个体/>替换初始种群中的最优个体，更新初始种群和迭代次数后，返回步骤7，否则，则直接更新迭代次数，返回步骤7。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311490309.9A CN117236195B (zh) | 2023-11-10 | 2023-11-10 | 一种降低开发风险的机器学习离线代理模型生产优化方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311490309.9A CN117236195B (zh) | 2023-11-10 | 2023-11-10 | 一种降低开发风险的机器学习离线代理模型生产优化方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117236195A CN117236195A (zh) | 2023-12-15 |
| CN117236195B true CN117236195B (zh) | 2024-02-02 |
Family
ID=89082858
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311490309.9A Active CN117236195B (zh) | 2023-11-10 | 2023-11-10 | 一种降低开发风险的机器学习离线代理模型生产优化方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117236195B (zh) |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107145278A (zh) * | 2016-03-01 | 2017-09-08 | 阿里巴巴集团控股有限公司 | 基于移动终端的设备控制方法、装置和移动终端 |
| CN108781235A (zh) * | 2017-06-13 | 2018-11-09 | 华为技术有限公司 | 一种显示方法及装置 |
| CN111625922A (zh) * | 2020-04-15 | 2020-09-04 | 中国石油大学(华东) | 一种基于机器学习代理模型的大规模油藏注采优化方法 |
| CN111861129A (zh) * | 2020-06-22 | 2020-10-30 | 中国石油大学(华东) | 一种基于多尺度油藏模型的多保真注采优化方法 |
| CN111861774A (zh) * | 2020-06-22 | 2020-10-30 | 中国石油大学(华东) | 一种基于并行代理模型的油藏生产机器学习方法 |
| CN116205164A (zh) * | 2023-04-27 | 2023-06-02 | 中国石油大学(华东) | 一种基于自适应基函数选择的多代理注采优化方法 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114896903A (zh) * | 2022-05-07 | 2022-08-12 | 北京科技大学 | 一种基于强制学习的油田生产***决策优化方法 |
-
2023
- 2023-11-10 CN CN202311490309.9A patent/CN117236195B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107145278A (zh) * | 2016-03-01 | 2017-09-08 | 阿里巴巴集团控股有限公司 | 基于移动终端的设备控制方法、装置和移动终端 |
| CN108781235A (zh) * | 2017-06-13 | 2018-11-09 | 华为技术有限公司 | 一种显示方法及装置 |
| CN111625922A (zh) * | 2020-04-15 | 2020-09-04 | 中国石油大学(华东) | 一种基于机器学习代理模型的大规模油藏注采优化方法 |
| CN111861129A (zh) * | 2020-06-22 | 2020-10-30 | 中国石油大学(华东) | 一种基于多尺度油藏模型的多保真注采优化方法 |
| CN111861774A (zh) * | 2020-06-22 | 2020-10-30 | 中国石油大学(华东) | 一种基于并行代理模型的油藏生产机器学习方法 |
| CN116205164A (zh) * | 2023-04-27 | 2023-06-02 | 中国石油大学(华东) | 一种基于自适应基函数选择的多代理注采优化方法 |
Non-Patent Citations (2)
| Title |
|---|
| Zhao M, Zhang K, Chen G等.A classification-based surrogateassisted multiobjective evolutionary algorithm for production optimization under geological uncertainty.《SPE Journal,》.2020,2450-2469. * |
| 基于主成分分析和代理模型的油藏生产注采优化方法;张凯;陈国栋;薛小明;张黎明;孙海;姚传进;;中国石油大学学报(自然科学版)(第03期);10042-10049 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117236195A (zh) | 2023-12-15 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111898689B (zh) | 一种基于神经网络架构搜索的图像分类方法 | |
| CN109472321B (zh) | 一种面向时间序列型地表水质大数据的预测与评估模型构建方法 | |
| CN115906675B (zh) | 基于时序多目标预测模型的井位及注采参数联合优化方法 | |
| CN108647226B (zh) | 一种基于变分自动编码器的混合推荐方法 | |
| CN108985380B (zh) | 一种基于聚类集成的转辙机故障识别方法 | |
| CN109685653A (zh) | 一种融合深度信念网络和孤立森林算法的信贷风险监测的方法 | |
| CN116205164B (zh) | 一种基于自适应基函数选择的多代理注采优化方法 | |
| CN110807544A (zh) | 一种基于机器学习的油田剩余油饱和度分布的预测方法 | |
| CN115375031A (zh) | 一种产油量预测模型建立方法、产能预测方法及存储介质 | |
| CN114528949A (zh) | 一种基于参数优化的电能计量异常数据的识别与补偿方法 | |
| CN104732067A (zh) | 一种面向流程对象的工业过程建模预测方法 | |
| CN116680548A (zh) | 一种针对多源观测数据的时间序列干旱因果分析方法 | |
| CN116542429A (zh) | 一种融合时空特征的油藏生产指标机器学习预测方法 | |
| CN113515891B (zh) | 一种乳化***质量预测和优化方法 | |
| CN116882323B (zh) | 一种考虑时序性及细分任务的自适应代理策略优化方法 | |
| CN113656707A (zh) | 一种理财产品推荐方法、***、存储介质及设备 | |
| CN117236195B (zh) | 一种降低开发风险的机器学习离线代理模型生产优化方法 | |
| CN113095501A (zh) | 一种基于深度强化学***衡分类决策树生成方法 | |
| CN116720743A (zh) | 基于数据聚类和机器学习的碳排放测算方法 | |
| CN113837096B (zh) | 一种基于ga随机森林的滚动轴承故障诊断方法 | |
| CN116108963A (zh) | 一种基于集成学习模块的电力碳排放预测方法及设备 | |
| CN115510752A (zh) | 一种基于数据驱动的侧钻井井位优选方法及装置 | |
| CN114862007A (zh) | 一种面向碳酸盐岩气井的短周期产气量预测方法及*** | |
| CN114004170A (zh) | 基于有限测点的叶栅流场的重构方法 | |
| Munsarif et al. | Improving convolutional neural network based on hyperparameter optimization using variable length genetic algorithm for english digit handwritten recognition |
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 |