基于条件生成式对抗网络的MMP预测方法及装置制造方法及图纸

本发明专利技术实施例公开了一种基于条件生成式对抗网络的MMP预测方法及装置，该方法包括：获取目标油藏的MMP影响因素数据；将所述MMP影响因素数据输入到预先训练出的生成器中，得到所述预先训练出的生成器输出的所述目标油藏的MMP预测值，其中，所述生成器为根据训练样本集进行多次迭代训练得到的，所述训练样本集中的每个训练样本包含：油藏的MMP值以及油藏的MMP影响因素数据。本发明专利技术实现了准确、高效的对油藏的MMP进行预测的有益效果。藏的MMP进行预测的有益效果。藏的MMP进行预测的有益效果。

【技术实现步骤摘要】
基于条件生成式对抗网络的MMP预测方法及装置


[0001]本专利技术涉及油藏开发
，具体而言，涉及一种基于条件生成式对抗网络的MMP预测方法及装置。

技术介绍

[0002]CO2混相驱是低渗透油藏CO2‑
EOR中应用最广泛、采收率最高的一种驱油方式。向油藏注入CO2驱油过程中，岩层中会发生气、油、水三相的交互作用。产生相间组分转移、相变及其它复杂的相行为。混相驱的基本机理是驱替剂(CO2注入气)和被驱剂(原油)在油藏条件下形成稳定的混相带前缘，该前缘为单一相，它的移动能有效推动原油向前流动并最终到达生产井。由于混相，油气界面消失，使多孔介质中的界面张力降至零，因此理论上可使微观驱替效率达到100％。
[0003]CO2与油藏原油间的最小混相压力(MMP)是CO2驱替过程中的关键参数之一，是区分CO2混相驱和非混相驱的界限。准确确定CO2与原油的最小混相压力对于提高CO2混相驱替效率、降低操作成本、产生社会经济效益来说都是非常重要的。
[0004]现有技术确定MMP通常采用实验测量的方法，这种方法测量虽然可以保证准本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于条件生成式对抗网络的MMP预测方法，其特征在于，包括：获取目标油藏的MMP影响因素数据；将所述MMP影响因素数据输入到预先训练出的生成器中，得到所述预先训练出的生成器输出的所述目标油藏的MMP预测值，其中，所述生成器为根据训练样本集进行多次迭代训练得到的，所述训练样本集中的每个训练样本包含：油藏的MMP值以及油藏的MMP影响因素数据。2.根据权利要求1所述的基于条件生成式对抗网络的MMP预测方法，其特征在于，还包括：获取所述训练样本集；根据所述训练样本集进行H1次迭代训练，得到所述预先训练出的生成器，其中，每一次迭代训练分为多个批次的训练，在进行每一个批次的训练时，先从所述训练样本集中选取H2个训练样本，然后基于选取的训练样本对判别器的网络权重进行训练，最后基于选取的训练样本在由判别器和生成器组成的组合模型中对生成器的网络权重进行训练，H1和H2均为正整数。3.根据权利要求2所述的基于条件生成式对抗网络的MMP预测方法，其特征在于，所述训练样本由第一数据和第二数据组成，所述第一数据为油藏的MMP影响因素数据，所述第二数据为油藏的MMP值；所述基于选取的训练样本对判别器的网络权重进行训练，具体包括：分别针对将每个选取的训练样本，将生成器根据训练样本的第一数据输出的MMP预测值与该训练样本的第一数据进行组合，得到组合数据，并将该组合数据的标签设置为0；将每个选取的训练样本的标签设置为1；将设置完标签后的组合数据以及设置完标签后的训练样本输入到判别器中，对判别器的网络权重进行训练。4.根据权利要求3所述的基于条件生成式对抗网络的MMP预测方法，其特征在于，所述基于选取的训练样本在由判别器和生成器组成的组合模型中对生成器的网络权重进行训练，具体包括：分别针对每个选取的训练样本，将训练样本的第一数据输入到生成器中，得到生成器输出的该训练样本对应的MMP预测值；分别针对将每个选取的训练样本，将训练样本的第一数据与训练样本对应的MMP预测值进行组合，得到组合数据，并将该组合数据的标签设置为1；将设置完标签后的组合数据输入到判别器中，得到判别器输出的该组合数据为真实数据的概率。5.根据权利要求2所述的基于条件生成式对抗网络...

【专利技术属性】
技术研发人员：蒋丽丽，田冷，黄灿，王恒力，顾岱鸿，王嘉新，柴晓龙，王泽川，
申请(专利权)人：中国石油大学北京，
类型：发明
国别省市：