【技术实现步骤摘要】
本专利技术属于油气田开发工程领域，具体涉及基于混合神经网络的二氧化碳驱油和埋存动态预测方法。
技术介绍
1、长期的水驱开发导致陆上油田的地下流体分布复杂，而注采矛盾也使得大量的原油被困在地下无法开采。co2驱可以有效动用水驱后剩余油，同时为大量的co2提供安全稳定的储存场所。如何准确地预测驱油、埋存的开发动态并明确co2在地下的分布规律是co2驱油埋存一体化开发的关键。
2、co2驱生产动态的预测取决于油田本身的地质条件、流体条件以及开发工艺技术水平等因素。近年来所用最多的生产动态预测方法是油藏数值模拟。该方法通过对不同提高采收率技术的开发效果进行定量评价，从而从技术及经济角度来量化评价油田生产动态，为油藏工程师提供合理的开发建议。油藏数值模拟方法的亮点有很多：复现地下复杂渗流过程、具有较强的可操作性、量化油田开发效果等。目前有很多成熟的商业数值模拟软件，例如eclipse、cmg等，其功能完备，操作人性化，适合大多数常规油藏的模拟计算。但该技术也有部分局限性，上手较困难、组分模拟费时费力、对复杂油藏适用性较差等，针对油田生产动态的预测往往成本较高。
3、近年来，基于统计学与机器学习的油田生产动态预测方法在国内外的发展十分迅速。基于随机森林、支持向量机等机器学习方法的油田生产动态预测模型可对短期内的油田生产动态做出快速响应，但是每种统计学、机器学习方法都有其特定的适用环境，且co2驱生产动态预测是一个多变量、高维度的回归问题，传统的统计学及机器学习方法逐渐展现出弊端。
技术实现
1、为了解决上述问题，本专利技术提出了一种基于混合神经网络的二氧化碳驱油和埋存动态预测方法，结合高维数据参数化方法和深度学习方法，实现地质、工程不确定性下co2驱油埋存一体化开发动态的快速响应。
2、本专利技术的技术方案如下：
3、一种基于混合神经网络的二氧化碳驱油和埋存动态预测方法，包括如下步骤：
4、步骤1、根据地质及工程不确定性信息建立co2驱油和埋存时空序列样本集；
5、步骤2、利用主成分分析和离散余弦变换耦合的参数化方法对时空序列样本集进行降维处理；
6、步骤3、耦合resnet和双层堆叠bilstm建立st-resnet混合神经网络模型；
7、步骤4、对st-resnet混合神经网络模型进行训练；
8、步骤5、实时采集目标油藏的渗透率场、井位分布以及不同月度数据下每口注气井日注气量、每口生产井井底流压，并输入到训练完成的st-resnet混合神经网络模型中，进行当前地质及工程不确定条件下的日产油量、日存气量和co2饱和度等值线分布的动态预测。
9、进一步地，步骤1中，时空序列样本集包括输入参数和输出参数，输入参数包括渗透率场、井位分布、每口注入井日注气量、每口生产井井底流压，输出参数包括日产油量、日存气量、co2饱和度等值线分布。
10、进一步地，步骤2的具体过程为：
11、步骤2.1、利用主成分分析方法对先验模型的储层非均质性进行提取和降维；
12、步骤2.2、采用离散余弦变换方法对先验模型属性场进行降维；
13、步骤2.3、将采用主成分分析方法降维后的属性场和经过离散余弦变换降维后的属性场进行结合，得到的特征提取场。
14、进一步地，步骤2.1的具体过程为：
15、步骤2.1.1、通过地质统计方法生成个地质属性样本，计算地质属性样本的均值：
16、 (1)；
17、其中，为地质属性样本的均值；为第个地质属性样本的地质参数向量；
18、步骤2.1.2、构造中心化参数矩阵：
19、 (2)；
20、其中，为第个地质属性样本的地质参数向量；
21、步骤2.1.3、地质属性样本协方差矩阵的经验估计为，用公式（3）对进行奇异值分解：
22、 (3)；
23、其中，、、均为对角阵，对角阵元素为奇异值；为转置符号；
24、步骤2.1.4、计算累计贡献率：
25、 (4)；
26、其中，为第个地质属性样本的对角阵的对角阵元素；为地质属性样本模型网格的数量；为奇异值个数，个奇异值对应前列向量；
27、步骤2.1.5、截取的前列向量来代替原数据集，计算参数化后原向量的对应向量：
28、 (5)；
29、其中，为的第个列分量，表示主成分分析方法处理后的属性场；表示参数化后形成地质属性样本组成的原数据集的第个列分量；为的前列向量的转置矩阵，列对应维；
30、步骤2.1.6、计算降维后地质模型参数，公式为：
31、 (6)；
32、其中，为采用主成分分析方法降维后的属性场；为参数化后形成地质属性样本组成的原数据集的第个列分量，为列分量总数。
33、进一步地，步骤2.2的具体过程为：
34、步骤2.2.1、对油藏属性场进行离散余弦变换，计算属性场离散余弦变换后的离散余弦变换系数矩阵：
35、 (7)；
36、其中，、分别为x、y方向的离散余弦变换矩阵，定义如下：
37、 (8)；
38、 (9)；
39、其中，、分别为属性场在x、y方向的网格索引；、分别为属性场在x、y方向的网格总数；
40、步骤2.2.2、选取区域的离散余弦变换系数进行逆变换，则变为维矩阵，保持不变，则经过离散余弦变换降维后的属性场为：
41、 (10)；
42、所述步骤2.3中，特征提取场为：
43、(11)；
44、其中，表示矩阵相加操作。
45、进一步地，步骤3中，resnet为卷积神经网络变体，为具有残差结构的深层网络；深层网络的残差结构的基本单元是残差块，每个残差块表示为：
46、 (12)；
47、 (13)；
48、其中，为残差块处理过程的中间变量；和分别为残差块的输入和输出；为残差函数，为每个残差块输入进行加权，权重为；为relu激活函数；
49、计算浅层残差块到深层残差块的学习特征：
50、 (14)；
51、其中，为经过深层残差块处理后的输出；为第个残差块的输入；为第个残差块的权重。
52、进一步地，步骤3中，双层堆叠bilstm由两个相同的bilstm大层堆叠而成，每个bilstm大层包含4个串联的bilstm小单元；bilstm为双向长短期记忆网络；
53、第一个bilstm大层中第1个bilstm单元的计算公式为：
54、(15)；
55、 (16)；
56、(17)；
57、第一个bilstm大层中第2或第3或第4个bilstm单元的计算公式为：
58、(18)；本文档来自技高网...
【技术保护点】
1.一种基于混合神经网络的二氧化碳驱油和埋存动态预测方法，其特征在于，包括如下步骤：
2.根据权利要求1所述基于混合神经网络的二氧化碳驱油和埋存动态预测方法，其特征在于，所述步骤1中，时空序列样本集包括输入参数和输出参数，输入参数包括渗透率场、井位分布、每口注入井日注气量、每口生产井井底流压，输出参数包括日产油量、日存气量、CO2饱和度等值线分布。
3.根据权利要求1所述基于混合神经网络的二氧化碳驱油和埋存动态预测方法，其特征在于，所述步骤2的具体过程为：
4.根据权利要求3所述基于混合神经网络的二氧化碳驱油和埋存动态预测方法，其特征在于，所述步骤2.1的具体过程为：
5.根据权利要求4所述基于混合神经网络的二氧化碳驱油和埋存动态预测方法，其特征在于，所述步骤2.2的具体过程为：
6.根据权利要求5所述基于混合神经网络的二氧化碳驱油和埋存动态预测方法，其特征在于，所述步骤3中，ResNet为卷积神经网络变体，为具有残差结构的深层网络；深层网络的残差结构的基本单元是残差块，每个残差块表示为：
7.根据权利要求6
8.根据权利要求7所述基于混合神经网络的二氧化碳驱油和埋存动态预测方法，其特征在于，第二个BiLSTM大层中第1个BiLSTM单元的计算公式为：
9.根据权利要求8所述基于混合神经网络的二氧化碳驱油和埋存动态预测方法，其特征在于，所述步骤3中，ST-ResNet混合神经网络包括依次连接的输入层、卷积层和最大池化层、ResNet层、第1全连接层、双层堆叠BiLSTM、第2全连接层；ResNet层包括四个相同ResNet残差块：第1ResNet残差块、第2ResNet残差块、第3ResNet残差块、第4ResNet残差块；
10.根据权利要求9所述基于混合神经网络的二氧化碳驱油和埋存动态预测方法，其特征在于，所述步骤4中，使用两个损失函数来对模型的训练过程进行监测和评估；第一个是嵌入模型内部的损失函数，使用均方误差来进行评价；第二个损失函数是模拟过程平均误差，公式定义如下：
...【技术特征摘要】
1.一种基于混合神经网络的二氧化碳驱油和埋存动态预测方法，其特征在于，包括如下步骤：
2.根据权利要求1所述基于混合神经网络的二氧化碳驱油和埋存动态预测方法，其特征在于，所述步骤1中，时空序列样本集包括输入参数和输出参数，输入参数包括渗透率场、井位分布、每口注入井日注气量、每口生产井井底流压，输出参数包括日产油量、日存气量、co2饱和度等值线分布。
3.根据权利要求1所述基于混合神经网络的二氧化碳驱油和埋存动态预测方法，其特征在于，所述步骤2的具体过程为：
4.根据权利要求3所述基于混合神经网络的二氧化碳驱油和埋存动态预测方法，其特征在于，所述步骤2.1的具体过程为：
5.根据权利要求4所述基于混合神经网络的二氧化碳驱油和埋存动态预测方法，其特征在于，所述步骤2.2的具体过程为：
6.根据权利要求5所述基于混合神经网络的二氧化碳驱油和埋存动态预测方法，其特征在于，所述步骤3中，resnet为卷积神经网络变体，为具有残差结构的深层网络；深层网络的残差结构的基本单元是残差块，每个残差块表示为：
7.根据权利要求6所述基于混合神经网络的二氧...
【专利技术属性】
技术研发人员：王文东，庄新宇，苏玉亮，李蕾，郝永卯，李苑，
申请(专利权)人：中国石油大学华东，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。