一种基于深度学习的油藏高效数值计算优化方法及系统技术方案

本发明专利技术公开了基于深度学习的油藏高效数值计算优化方法及系统，方法包括：确定节点暂态频率变化率指标；构建分区电网预想故障集；获取分区电网内各节点暂态频率变化率最大值集合；根据系统当前的故障防御体系确定频率安全约束边界，并以安全约束获取临界惯量；依据临界惯量获得各分区电网临界动能，计算各分区电网传统同步机组开机约束，获得分区电网内新能源最大可接入功率值。本发明专利技术结合频率安全约束要求，评估系统临界惯量及动能水平，从而获得频率安全约束下的分区内常规机组最小开机约束及新能有最大可接入量，考虑频率时空分布特性，评估网内临界惯量水平及估算新能源最大可接入量提供技术支撑，有助于改善系统频率特性，提升电网安全稳定水平。提升电网安全稳定水平。提升电网安全稳定水平。

【技术实现步骤摘要】
一种基于深度学习的油藏高效数值计算优化方法及系统


[0001]本专利技术涉及深度学习
，尤其涉及一种基于深度学习的油藏高效数值计算优化方法及系统。

技术介绍

[0002]近年来，以深度学习为代表的人工智能技术取得突破性进展，并成功应用于很多领域。深度学习方法能够从大量历史数据中有效挖掘学习隐含的统计规律，进而对未来做预测。
[0003]数值模拟是定量描述油藏中多相流体流动规律不可或缺的手段，在油田开发中有广泛而重要的应用。常规数值模拟计算方法需要大量空间/时间离散单元和矩阵迭代计算，计算花费高、效率低。因此，在保持模拟精度和可信度的同时大幅度减少油藏数值模拟的计算花费、提高模拟效率，是油田开发领域亟需解决的一个关键问题。

技术实现思路

[0004]本部分的目的在于概述本专利技术的实施例的一些方面以及简要介绍一些较佳实施例。在本部分以及本申请的说明书摘要和专利技术名称中可能会做些简化或省略以避免使本部分、说明书摘要和专利技术名称的目的模糊，而这种简化或省略不能用于限制本专利技术的范围。
[0005]鉴于上述现本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于深度学习的油藏高效数值计算优化方法，其特征在于，包括：获取油藏常规数值，依据所述油藏常规数值建立油藏数值模型，进行数值模拟计算，获得计算数据体并对所述数据体进行预处理；依据预处理后的数据体，制备表征网格尺度数值计算过程的数据集；基于符合所述数据集特性的深度神经网络进行油藏高效数值计算，其中，包括对用于学习网格尺度数值计算过程的深度神经网络架构进行设计，以及，所述深度神经网络超参数优化。2.如权利要求1所述的基于深度学习的油藏高效数值计算优化方法，其特征在于，所述数据体包括，孔隙体积分布、饱和度分布渗透率分布、有效网格分布、净毛比分布、油和水的流速分布、油水井的位置分布和压力分布。3.如权利要求1或2所述的基于深度学习的油藏高效数值计算优化方法，其特征在于，所述预处理包括，以网格为基本单位对各时间步上的控制参数、状态参数及中间参数进行整理，所述整理包括，读取所述数据体，获取网格的数量、位置、尺寸；遍历每个时间步，读取控制参数、状态参数及中间参数的数值，按照网格的索引存储在相应的数组或矩阵中；将每个网格的参数依据相应格式输出存储。4.如权利要求3所述的基于深度学习的油藏高效数值计算优化方法，其特征在于，制备表征网格尺度数值计算过程的数据集，包括，设计数据集合形式，表示为，其中，代表t时刻N
×
N范围内网格的状态参数，c
(N
×
N)
代表N
×
N范围内网格的控制参数，s
(N
×
N)
代表N
×
N范围内网格的静态参数，Δt为时间步长，代表t+Δt时刻单个网格的状态参数；还包括，所述深度神经网络中的输入指标中的状态参数取网格周围N
×
N范围的数据，输出指标中状态参数仅包含该网格的数据。5.如权利要求4所述的基于深度学习的油藏高效数值计算优化方法，其特征在于，所述符合数据集特性的深度神经网络，包括，能读取多通道的3维数据的神经网络。6.如...

【专利技术属性】
技术研发人员：王相，丁阳阳，芮城，陈林，邵志伟，
申请(专利权)人：常州大学，
类型：发明
国别省市：