一种基于耦合神经网络的地下油水渗流代理模型制造技术

本发明专利技术属于油田开发与科学机器学习技术的交叉领域，具体提供一种基于耦合神经网络的地下油水渗流代理模型。所述基于耦合神经网络的地下油水渗流代理模型通过构建、筛选不同耦合形式的神经网络结构，充分考虑了水相与油相的耦合、压力与含水饱和度的相互耦合，提高了地下油水渗流代理模型的适应能力及预测精度。地下油水渗流代理模型的适应能力及预测精度。地下油水渗流代理模型的适应能力及预测精度。

【技术实现步骤摘要】
一种基于耦合神经网络的地下油水渗流代理模型


[0001]本专利技术属于油田开发与科学机器学习技术的交叉领域，特别是涉及一种基于耦合神经网络的地下油水渗流代理模型。

技术介绍

[0002]多孔介质中的油水渗流是油藏工程中最常见的两相流，通常需要对其运动过程进行精确的模拟，同时考虑地球物理、油藏管理和数据解释等一系列因素，才能定量地描述和评价油藏。由于储层的不可观测性和复杂性，无法获得足够多的实测数据，这就导致了对非均质参数场的描述存在诸多不确定性。因此，预测多孔介质中两相流本质上是一个不确定性量化的过程。蒙特卡罗方法是解决不确定性量化问题的常用方法，研究表明，通常需要模拟器进行大量的正向运算才能对不确定性区间进行较为完整的数据覆盖。在实际应用中，油藏模拟是油田描述油藏内部动态过程的一个经典手段。随着油田区块尺度的增大，油藏模型变得庞大而复杂，而每次模拟都需要重新求解偏微分方程，这大大增加了油藏数值模拟软件的计算负担。
[0003]近年来，人工智能技术发展地越来越快，深度学习作为其中一大热门方向，在石油领域的应用也越来越多。深度学习模型一般本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于耦合神经网络的地下油水渗流代理模型，其特征在于，所述代理模型的构建过程包括以下步骤：步骤S1：通过KL展开式构建随机渗透率场，并在此基础上建立水驱油模型，通过数值模拟软件UNCONG收集样本数据；对样本数据进行归一化处理，得到归一化后的压力场数据和含水饱和度场数据；步骤S2：根据地下油水两相渗流控制方程公式耦合的特点构建四种不同耦合形式的神经网络结构，并通过步骤S1获得的压力场数据和含水饱和度场数据对上述四种不同耦合形式的神经网络进行纯数据驱动，进而根据结果进行筛分，得到优选的神经网络；利用控制变量法实现对优选的神经网络进行超参数调整，进而得到基于耦合的全连接神经网络；步骤S3：将理论融入到训练的损失函数中，最终得到基于耦合神经网络的地下油水渗流代理模型：针对一注一采条件，所述步骤S3采用自动微分技术，将以微分方程形式存在的理论融入到训练的损失函数中，用以辅助训练步骤S2中得到的基于耦合的全连接神经网络；针对一注多采条件，所述步骤S3中，根据多采油井结构特征，利用步骤S2得到的耦合神经网络结构，建立耦合的卷积神经网络；随后对耦合的卷积神经网络加入有限差分形式的理论指导进行训练，并添加流体流动方向的软约束；所述一注多采是指采油井数量大于2。2.根据权利要求1所述的基于耦合神经网络的地下油水渗流代理模型，其特征在于，所述步骤S1具体为：步骤S1.1：根据KL展开式，将一个随机分布的渗透率场表示为：(2)式中，k(x，y)为渗透率场，为渗透率场的均值，λ
i
和f
i
（x,y）分别是协方差的特征值和特征函数，为均值为0、方差为1的正交高斯随机变量，i为展开的项数，n为KL展开式中截断的项数，其中n=20，以保持渗透率场80%的能量；步骤S1.2：建立水驱油模型：构建一定大小的渗透率场，并将其划分为若干个大小相同的网格；其中，所述渗透率场的边界条件为四个无流边界，并遵循纽曼边界条件；所述水驱油模型中，包括一口注水井和一口采油井，其坐标分别位于(m1，n1)和(m2，n2)；收集样本数据：根据公式（2）生成若干个渗透率场，并用油藏模拟软件UNCONG进行计算，得到相应的压力场数据和含水饱和度场数据；其中，所述通过渗透率场得到的压力场数据和含水饱和度场数据包括：用作提供带标签的训练集、用作提供无标签的训练集以及用作基于耦合神经网络的地下油水渗流代理模型的预测集。3.根据权利要求2所述的基于耦合神经网络的地下油水渗流代理模型，其特征在于，所述步骤S2具体为：步骤S2.1：根据地下油水两相渗流控制方程耦合的特点构建不同耦合形式的神经网络结构，并通过纯数据驱动方式进行筛选：
所述地下油水两相渗流的控制方程为：（3）式中，k为渗透率场，k
ro
和k
rw
分别为油相和水相的相对渗透率；P
o
和P
w
分别为油相和水相的压力，P
C
为毛细管压力；μ
o
和μ
w
分别为油相和水相的粘度；Q
o
和Q
w
分别为原汇项中油相和水相的流量；ρ
o
和ρ
w
分别为油相和水相的密度；S
o
和S
w
分别为油相和水相的饱和度；x，y为定义域空间坐标，t为时间坐标，为油藏孔隙度；所述不同耦合形式的神经网络结构分别为：样式1：一个集成的网络对应两个网络输出；样式2：两个独立的网络对应两个网络输出；样式3：先集成网络后分裂为两个独立的网络；样式4：先两个独立的网络后合并成一个集成的网络；所述纯数据驱动方式筛分方法为：输入层包括空间点、时间点以及渗透率场参数，输出层包含压力和含水饱和度，采用相对L2和R2的平均误差作为评估指标，定量评价所述不同耦合形式的神经网络结构的性能，筛选得到准确性以及训练速度最佳的神经网络结构；步骤S2.2：通过对步骤S2.1得到的神经网络进行超参数的控制变量，优化得到基于耦合的全连接神经网络。4.根据权利要求3所述的基于耦合神经网络的地下油水渗流代理模型，其特征在于，针对一注一采条件下的基于耦合神经网络的地下油水渗流代理模型，所述步骤S3具体为：从步骤S1.2得到的带标签的训练集中选择1/3~1/2的观测数据作为标签数据错配，融入控制方程及其他理论来指导模型训练；在训练过程中，从步骤S1.2得到的无标签的训练集中随机选取了1/3~1/2数据作为配点来计算其对应的理论指导残差，用以作为理论指导训练损失；当损失函数小于10
‑5，或者训练完成1500个epoch时结束训练，最终得到一注一采条件下基于耦合神经网络的地下油水渗流代理模型。5.根据权利要求4所述的基于耦合神经网络的地下油水渗流代理模型，其特征在于，针对一注一采条件下的基于耦合神经网络的地下油水渗流代理模型，所述步骤S3中以自动微分形式的理论指导融入损失函数的方法为：根据公式（3）将控制方程转化为函数的残差，即：
（5）其中，f
l
为控制方程残差，l为液体相，w为水相，o为油相，和为耦合网络中的...

【专利技术属性】
技术研发人员：李健，何天浩，张东晓，
申请(专利权)人：中国石油大学华东，
类型：发明
国别省市：