一种蒸汽驱油藏温度场的预测方法及系统技术方案

本发明专利技术公开了一种蒸汽驱油藏温度场的预测方法及系统，方法包括：S100、基于深度卷积生成对抗神经网络，建立渗透率与温度分布之间的动态映射关系，构建并训练根据渗透率快速预测油藏温度动态分布的代理模型；S200、将渗透率分布图输入训练好的代理模型，预测蒸汽驱油藏的温度分布。本发明专利技术基于深度卷积生成对抗神经网络建立渗透率与温度分布之间的动态映射关系，进而构建根据渗透率快速预测油藏温度动态分布的代理模型，通过输入渗透率分布图，可以快速、准确地预测蒸汽驱油藏的温度分布。准确地预测蒸汽驱油藏的温度分布。准确地预测蒸汽驱油藏的温度分布。

【技术实现步骤摘要】
一种蒸汽驱油藏温度场的预测方法及系统


[0001]本专利技术涉及蒸汽驱油藏温度场的预测，具体涉及一种蒸汽驱油藏温度场的预测方法及系统。

技术介绍

[0002]蒸汽驱是稠油开发中最为有效且成熟的方法之一，目前对于其驱替机理和相关技术工艺上的研究已经相当充分，然而对其快速动态预测模型的研究还不是很完善。陈月明在前人研究的基础上建立了蒸汽驱动态预测解析解模型，将油藏分为原始含油区、原油富集区、热流区和蒸汽区等。随后众多学者在前人研究基础上，提出了多种蒸汽驱动态预测理论模型，虽然各种方法都有其优点但也各有其局限性，难以快速、准确地预测蒸汽驱油藏的温度分布。

技术实现思路

[0003]针对现有技术中存在的缺陷，本专利技术的目的在于提供一种蒸汽驱油藏温度场的预测方法及系统，可以快速、准确地预测蒸汽驱油藏的温度分布。
[0004]为实现上述目的，本专利技术采用的技术方案如下：
[0005]一种蒸汽驱油藏温度场的预测方法，包括：
[0006]S100、基于深度卷积生成对抗神经网络，建立渗透率与温度分布之间的动态映射关系，构建并训练根据渗透率快速预测油藏温度动态分布的代理模型；
[0007]S200、将渗透率分布图输入训练好的代理模型，预测蒸汽驱油藏的温度分布。
[0008]进一步，如上所述的预测方法，所述代理模型由生成器和鉴别器两个不同的模型组成，生成器用于制造和真实的训练集相似的伪造图片，鉴别器用于接受图像并输出该图像是真实的训练集中的真实图片还是生成器生成的伪造图片；在整个训练过程中，生成器通过不断地生成更好的伪造图片来尝试骗过鉴别器，而鉴别器则不断努力地成为更好的分类器去能准确地去区分真实图片和伪造图片，最终训练的平衡点是当生成器生成的伪造图片看起来像直接来自训练集数据，而鉴别器总是输出生成器所生成的图片为伪造图片的概率为50％左右；
[0009]定义x为图片数据，D(x)表示鉴别器网络，当x来自于生成器时D(x)越低，当x来自训练集数据时D(x)越高，G(z)表示生成器网络，代表输入图像与输出图像的映射关系，D(G(z))表示生成器生成的伪造图片被鉴别器判别为真的概率，其中，鉴别器的目的是最大程度地提高分辨真实图片与伪造图片的准确性，用logD(x)表示，生成器的目的是最小化判别它所生成的图片为假的可能性，用log(1
‑
D(G(x)))表示；
[0010]生成器和鉴别器的损失函数为：
[0011][0012]其中，E(*)代表分布函数的期望值；pdata指真实数据的分布；pz指在低维的噪音
分布；z代表噪音分布；
[0013]通过不断地迭代计算去提高生成器和鉴别器的精度。
[0014]进一步，如上所述的预测方法，所述代理模型的构建过程包括：
[0015]构建生成器：使用深度卷积网络构建生成器，通过输入高维参数，经过一系列卷积操作，包括卷积、偏置、归一化、激活操作，形成中间参数特征图像，再通过一系列的反卷积操作进行上采样，形成高维映射后的图像，其中，输出层使用双曲正切函数作为激活函数来恢复连续值，并生成具有与输入图像大小相同的输出图像；
[0016]构建鉴别器：使用卷积神经网络构建鉴别器，跨步卷积的卷积核为4，步长为2，补0设置为1，通过一系列的Conv2d，BatchNorm2d和Relu函数对输入图片进行处理，其中，Relu函数用于过滤负值，设置所有负值均为零。
[0017]进一步，如上所述的预测方法，所述代理模型的训练过程包括：更新鉴别器和更新生成器两个部分；
[0018]训练鉴别器：第一步，从真实的训练集中获取一批样本，向前传递到鉴别器中并计算损失率logD(x)，然后在向后传递计算梯度；第二步，让生成器生成一批伪数据，同样将伪数据导入鉴别器并计算损失率log(1
‑
D(G(z)))，向后传递计算梯度；通过上述两步对鉴别器进行优化；
[0019]训练生成器：将第一次生成器输出的伪数据输入鉴别器进行分类，然后用真假的标签去计算生成器的损失以及梯度，最后通过Adam优化器去更新生成器中的参数；最终理想的情况是D(x)从接近1开始，然后在生成器变得更好的过程中不断收敛到0.5；而D(G(z)))在一次训练中会产生两个数据，第一个在鉴别器更新之前，第二个在鉴别器更新之后，前后数据都应该从0开始不断收敛到0.5，D(G(z)))的值代表图片的真假程度，越趋近于0图片越假，越趋近于1图片越真。
[0020]进一步，如上所述的预测方法，所述代理模型的渗透率利用克里金插值生成渗透率场。
[0021]一种蒸汽驱油藏温度场的预测系统，包括：
[0022]构建模块，用于基于深度卷积生成对抗神经网络，建立渗透率与温度分布之间的动态映射关系，构建并训练根据渗透率快速预测油藏温度动态分布的代理模型；
[0023]预测模块，用于将渗透率分布图输入训练好的代理模型，预测蒸汽驱油藏的温度分布。
[0024]进一步，如上所述的预测系统，所述代理模型由生成器和鉴别器两个不同的模型组成，生成器用于制造和真实的训练集相似的伪造图片，鉴别器用于接受图像并输出该图像是真实的训练集中的真实图片还是生成器生成的伪造图片；在整个训练过程中，生成器通过不断地生成更好的伪造图片来尝试骗过鉴别器，而鉴别器则不断努力地成为更好的分类器去能准确地去区分真实图片和伪造图片，最终训练的平衡点是当生成器生成的伪造图片看起来像直接来自训练集数据，而鉴别器总是输出生成器所生成的图片为伪造图片的概率为50％左右；
[0025]定义x为图片数据，D(x)表示鉴别器网络，当x来自于生成器时D(x)越低，当x来自训练集数据时D(x)越高，G(z)表示生成器网络，代表输入图像与输出图像的映射关系，D(G(z))表示生成器生成的伪造图片被鉴别器判别为真的概率，其中，鉴别器的目的是最大程
度地提高分辨真实图片与伪造图片的准确性，用logD(x)表示，生成器的目的是最小化判别它所生成的图片为假的可能性，用log(1
‑
D(G(x)))表示；
[0026]生成器和鉴别器的损失函数为：
[0027][0028]其中，E(*)代表分布函数的期望值；pdata指真实数据的分布；pz指在低维的噪音分布；z代表噪音分布；
[0029]通过不断地迭代计算去提高生成器和鉴别器的精度。
[0030]进一步，如上所述的预测系统，所述代理模型的构建过程包括：
[0031]构建生成器：使用深度卷积网络构建生成器，通过输入高维参数，经过一系列卷积操作，包括卷积、偏置、归一化、激活操作，形成中间参数特征图像，再通过一系列的反卷积操作进行上采样，形成高维映射后的图像，其中，输出层使用双曲正切函数作为激活函数来恢复连续值，并生成具有与输入图像大小相同的输出图像；
[0032]构建鉴别器：使用卷积神经网络构建鉴别器，跨步卷积的卷积核为4，步长为2，补0设置为1，通过一系列的Conv2本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种蒸汽驱油藏温度场的预测方法，其特征在于，包括：S100、基于深度卷积生成对抗神经网络，建立渗透率与温度分布之间的动态映射关系，构建并训练根据渗透率快速预测油藏温度动态分布的代理模型；S200、将渗透率分布图输入训练好的代理模型，预测蒸汽驱油藏的温度分布。2.根据权利要求1所述的预测方法，其特征在于，所述代理模型由生成器和鉴别器两个不同的模型组成，生成器用于制造和真实的训练集相似的伪造图片，鉴别器用于接受图像并输出该图像是真实的训练集中的真实图片还是生成器生成的伪造图片；在整个训练过程中，生成器通过不断地生成更好的伪造图片来尝试骗过鉴别器，而鉴别器则不断努力地成为更好的分类器去能准确地去区分真实图片和伪造图片，最终训练的平衡点是当生成器生成的伪造图片看起来像直接来自训练集数据，而鉴别器总是输出生成器所生成的图片为伪造图片的概率为50％左右；定义x为图片数据，D(x)表示鉴别器网络，当x来自于生成器时D(x)越低，当x来自训练集数据时D(x)越高，G(z)表示生成器网络，代表输入图像与输出图像的映射关系，D(G(z))表示生成器生成的伪造图片被鉴别器判别为真的概率，其中，鉴别器的目的是最大程度地提高分辨真实图片与伪造图片的准确性，用logD(x)表示，生成器的目的是最小化判别它所生成的图片为假的可能性，用log(1
‑
D(G(x)))表示；生成器和鉴别器的损失函数为：其中，E(*)代表分布函数的期望值；p
data
指真实数据的分布；p
z
指在低维的噪音分布；z代表噪音分布；通过不断地迭代计算去提高生成器和鉴别器的精度。3.根据权利要求2所述的预测方法，其特征在于，所述代理模型的构建过程包括：构建生成器：使用深度卷积网络构建生成器，通过输入高维参数，经过一系列卷积操作，包括卷积、偏置、归一化、激活操作，形成中间参数特征图像，再通过一系列的反卷积操作进行上采样，形成高维映射后的图像，其中，输出层使用双曲正切函数作为激活函数来恢复连续值，并生成具有与输入图像大小相同的输出图像；构建鉴别器：使用卷积神经网络构建鉴别器，跨步卷积的卷积核为4，步长为2，补0设置为1，通过一系列的Conv2d，BatchNorm2d和Relu函数对输入图片进行处理，其中，Relu函数用于过滤负值，设置所有负值均为零。4.根据权利要求3所述的预测方法，其特征在于，所述代理模型的训练过程包括：更新鉴别器和更新生成器两个部分；训练鉴别器：第一步，从真实的训练集中获取一批样本，向前传递到鉴别器中并计算损失率logD(x)，然后在向后传递计算梯度；第二步，让生成器生成一批伪数据，同样将伪数据导入鉴别器并计算损失率log(1
‑
D(G(z)))，向后传递计算梯度；通过上述两步对鉴别器进行优化；训练生成器：将第一次生成器输出的伪数据输入鉴别器进行分类，然后用真假的标签去计算生成器的损失以及梯度，最后通过Adam优化器去更新生成器中的参数；最终理想的情况是D(x)从接近1开始，然后在生成器变得更好的过程中不断收敛到0.5；而D(G(z)))在
一次训练中会产生两个数据，第一个在鉴别器更新之前，第二个在鉴别器更新之后，前后数据都应该从0开始不断收敛到0.5，D(G(z)))的值代表图片的真假程度，越趋近于0图片越假，越趋近于1图片越真。5.根据权利要求1
‑
4任一项所述的预测方法，其特征在于，所述代理模型的渗透率利用克里金...

【专利技术属性】
技术研发人员：赵辉，宫汝祥，饶翔，刘英宪，孙永涛，王正，彭晓寅，王飞，刘东，李敬松，黄子俊，孙玉豹，杨浩，
申请(专利权)人：长江大学，
类型：发明
国别省市：