一种基于时间和空间双重维度的历史拟合预测方法与流程

1.本发明涉及人工智能与机器学习技术领域，更具体地说涉及一种基于时间和空间双重维度的历史拟合预测方法。


背景技术：

2.油藏历史拟合是基于初步的地质模型，使用动态监测数据如生产曲线等来调整渗透率、相对渗透率等模型参数，使得数值模拟结果匹配油藏生产历史以及建立的地质模型近似真实油藏模型的过程。历史拟合是进行后续油藏生产措施优化的基础，在油田开发中具有重要作用。历史拟合是一个计算昂贵问题，因为历史拟合过程中需要多次运行油藏数值模拟器来进行前向计算。对于复杂的油藏，油藏模型网格变量高达数百万甚至数千万，一次数值模拟需要花费数小时甚至几天的时间，而历史拟合过程需要运行多次模拟，所以此过程需要耗费大量时间。
3.近年来，随着大数据与人工智能行业的飞速发展，石油行业的智能化建设亦在稳步前进，大量油田生产数据的积累为油藏生产预测提供了新思路。采用神经网络代理模型来替代油藏数值模拟器是一种能够有效节约预测时间、提高预测速度的机器学习方法，成为国内外的研究热点。代理模型的主要功能是寻找地质参数如渗透率参数与模型动态响应如饱和度分布变化产量变化等的内在函数，从输入数据中提取特征然后建立模型输入数据与输出数据之间的映射关系。
4.现有的油藏生产代理模型仅可以考虑空间型数据，如渗透率场、不规则边界、有效网格等随空间变化的参数，处理方法是将其视为图像，具体数值表示为图像上的像素值，进而采取图像到图像的回归方法进行处理。而流体参数如相对渗透率、粘度、重力等不随空间变化的参数无法采用上述方法处理。


技术实现要素：

5.本发明克服了现有技术中的不足，现有的油藏生产代理模型仅能够考虑空间型数据，对于随空间变化的参数无法采用油藏生产代理模型，且传统的油藏数值模拟生产预测存在涉及网格多、计算量大、耗时长的缺点，提供了一种基于时间和空间双重维度的历史拟合预测方法，本发明基于时间和空间双重维度的自动历史拟合生产预测方法，能够改进现有的代理模型的性能，在油藏生产预测与历史拟合任务中充分提高计算速度，节省计算时间。
6.本发明的目的通过下述技术方案予以实现。
7.一种基于时间和空间双重维度的历史拟合预测方法，按照下述步骤进行：
8.步骤1，使用数值模拟器构建样本库：样本的输入数据为渗透率场图像与相对渗透率向量，输出数据为多个时间步的饱和度场图像与压力场图像，将样本库以3：1的比例划分训练集与测试集；
9.步骤2，构建基于深度卷积编码器解码器神经网络的代理模型，考虑时间与空间双
重维度，捕获输入数据与输出数据之间复杂的非线性映射关系；
10.步骤3，在训练集中训练构建的神经网络模型；
11.步骤4，在测试样本集中使用均方根误差rmse和决定系数r2评估训练好的代理模型的性能；
12.步骤5，通过在神经网络模型的损失函数上对井点处加约束的方法优化上述代理模型，进而使用peaceman模型由预测得到的井点处的压力值与饱和度值计算油井产量。
13.步骤1的具体方法：使用开源包sgems生成渗透率场图像，使用幂律模型生成数量相等的相对渗透率向量，利用数值模拟器计算油藏油水两相流动方程，计算原理是有限元与有限体积原理，由此输入数据——渗透率场图像及其对应的相对渗透率向量，计算得到对应的多个时间步的饱和度场图像及压力场图像，将计算得到的数据作为模型标签，并将此输入输出数据对按照3：1的比例划分训练数据集与测试数据集。
14.步骤2的具体方法：
15.步骤2.1，建立输入与输出之间的映射关系：y＝f(x,θ)
16.其中：y代表输出数据——多个时间步的饱和度场和压力场图像，x代表输入数据——渗透率场图像及相对渗透率场向量，nc表示通道数量，控制上述油水流动系统的方程是在规则网格中求解的，nh与nw表示空间域的高度与宽度，即每个样本图像横向与纵向的网格数量，θ表示模型参数，包括卷积核权重、缩放平移参数等；
17.步骤2.2，设计深度卷积编码器解码器的神经网络模型以捕获上述映射关系：网络选择密集连接卷积神经网络(densenet)，其被证明由于具有级联特征结构，而可以有效缓解梯度消失问题，神经网络模型计算步骤如下：首先将输入数据输入到编码器网络的卷积层(conv)中，每个卷积核按照从左到右由上到下的滑动方式对图像进行卷积操作，以提取输入特征，提取出来的特征图进而进入由多个密集块与下采样连接层组成的编码网络中进一步提取特征，特征提取完成后，特征图进入由多个密集块及上采样连接层组成的解码器网络中，逐步复原特征图像，解码网络中的最后一层直接输出重构图像。
18.步骤3的具体方法：
19.步骤3.1，针对训练数据集中所有样本，输入数据由神经网络进行前向计算，得到神经网络模型的计算输出；
20.步骤3.2，使用正则化mse函数进行神经网络模型计算结果与数值模拟计算结果之间的误差比较，mse损失函数值为：
[0021][0022]
其中，n为训练集样本总数，yi与分别为第i个网格中数值模拟器的计算结果和神经网络模型的计算结果；
[0023]
步骤3.3，根据步骤2计算得到的mse误差采用反向传播与梯度下降算法进行网络模型的迭代权值更新，直至达到我们预先设定的训练次数或误差小于我们的期望值时，权值的迭代更新停止，保存训练完成的神经网络模型。
[0024]
步骤4的具体方法：使用测试集验证训练完成的神经网络模型的性能，均方根误差rmse损失值与决定系数r2被用于评估其性能表现，具体计算公式为：
[0025][0026]
其中，n为训练集样本总数，yi与分别为第i个网格中数值模拟器的计算结果和神经网络模型的计算结果，rmse被用于衡量两个图像之间的l2距离，值越接近0，两图像相似度越高，决定系数则是衡量两个变量线性相关关系的重要指标：
[0027][0028]
其中，n为训练集样本总数，yi与分别为第i个网格中数值模拟器的多个时间步的计算结果和神经网络模型的计算结果，其值越接近1，两变量间线性相关性越好。
[0029]
步骤5的具体方法：根据神经网络模型计算得到的井点处的饱和度值与压力值计算生产井产量，计算依据为peaceman模型，计算公式如下：
[0030][0031]
其中，ki为第i个网格的绝对渗透率，k
r,α
为第i个网格处水或油的相对渗透率，s
w,i
为第i个网格处的含水饱和度值，δz是网格宽度，pi与p
well
分别是第i个网格处压力与井眼压力，δx与δy是模型网格在x与y两个方向上宽度，rw是井眼半径，μ
α
是水或油的粘度。
[0032]
为了得到更加精确的产量计算结果，我们提出一种校正方法，即在神经网络模型损失函数的基础上加上井眼处的约束，修正之后的损失函数公式如下：
[0033][0034]
其中，n为训练集样本总数，m为模型中井的数量，yi与分别为第i个网格中数值模拟器的多个时间步的计算结果和神经网络模型的计算结果，w为约束相的权重系数，其具体数值通过网格搜索方法得到。
[0035]
本发明的有益效果为：本发明通过构建油水两相流动物理问题的代理模型能够实现渗透率场与相对渗透率向量到多个时间步的饱和度与压力场的映射，进而可以计算生产井产量；与基于有限元或有限体积原理的传统油藏数值模拟方法相比，该方法能够以相似的精度以及大大提高的速度实现油藏生产预测，进而为油藏历史拟合过程节省大量时间；与现有代理模型方法相比，该方法能够将更多的地质参数纳入考虑，与油藏实际更加吻合，且考虑的输入参数越多，参数键约束关系越多，代理模型预测结果越精确。
附图说明
[0036]
图1是本发明的流程示意图；
[0037]
图2是深度卷积编码器解码器网络结构示意图；
[0038]
图3是密集块结构图；
[0039]
图4是密集块的中间层结构图；
[0040]
图5是连接层结构图；
[0041]
图6是饱和度真实场、预测场和误差对比图；
[0042]
图7是压力真实场、预测场和误差对比图；
[0043]
图8是生产井真实产量、代理模型预测产量和校正后的代理模型产量对比图；
[0044]
图9是均方误差效果图；
[0045]
图10是相关系数效果图。
具体实施方式
[0046]
下面通过具体的实施例对本发明的技术方案作进一步的说明。
[0047]
实施例：
[0048]
参照图1，基于时间和空间双重维度的历史拟合预测方法，包括以下步骤：
[0049]
步骤一、使用数值模拟器构建样本库。样本的输入数据为渗透率场图像与相对渗透率向量，输出数据为多个时间步的饱和度场图像与压力场图像。将样本库以3：1的比例划分训练集与测试集。具体方法如下：
[0050]
使用开源包sgems生成渗透率场图像，使用幂律模型生成数量相等的相对渗透率向量。利用数值模拟器计算油藏油水两相流动方程，计算原理是有限元与有限体积原理。由此输入数据——渗透率场图像及其对应的相对渗透率向量，计算得到对应的饱和度场图像及压力场图像，将计算得到的数据作为模型标签。并将此输入输出数据对按照3：1的比例划分训练数据集与测试数据集。
[0051]
步骤二、构建基于深度卷积编码器解码器神经网络的代理模型，考虑时间与空间维度，捕获输入数据与输出数据之间复杂的非线性映射关系。具体方法如下：
[0052]
步骤2.1、建立输入与输出之间的映射关系。
[0053]
y＝f(x,θ)
[0054]
其中y代表输出数据——饱和度场和压力场图像，x代表输入数据——渗透率场图像及相对渗透率场向量，
nc
表示通道数量，控制上述油水流动系统的方程是在规则网格中求解的，nh与nw表示空间域的高度与宽度，即每个样本图像横向与纵向的网格数量，θ表示模型参数，包括卷积核权重、缩放平移参数等。
[0055]
步骤2.2、设计深度卷积编码器解码器的神经网络模型以捕获上述映射关系。网络选择密集连接卷积神经网络(densenet)，如图2所示，其被证明由于具有级联特征结构，而可以有效缓解梯度消失问题。神经网络模型计算步骤如下：首先将输入数据输入到编码器网络的卷积层(conv)中，每个卷积核按照从左到右由上到下的滑动方式对图像进行卷积操作，以提取输入特征。提取出来的特征图进而进入由多个如图3、图4所示的密集块与图5所示的下采样连接层组成的编码网络中进一步提取特征。特征提取完成后，特征图进入由多个密集块及上采样连接层组成的解码器网络中，逐步复原特征图像。解码网络中的最后一层直接输出重构图像。
[0056]
步骤三、在训练集中训练构建的神经网络模型。具体方法如下：
[0057]
步骤3.1、针对训练数据集中所有样本，输入数据由神经网络进行前向计算，得到神经网络模型的计算输出。
[0058]
步骤3.2、使用正则化mse函数进行神经网络模型计算结果与数值模拟计算结果之间的误差比较，mse损失函数值为：
[0059][0060]
其中，n为训练集样本总数，yi与分别为第i个网格中数值模拟器的计算结果和神经网络模型的计算结果。
[0061]
步骤3.3、根据步骤二计算得到的mse误差采用反向传播与梯度下降算法进行网络模型的迭代权值更新，直至达到我们预先设定的训练次数或误差小于我们的期望值时，权值的迭代更新停止。保存训练完成的神经网络模型。
[0062]
步骤四、在测试样本集中使用均方根误差rmse和决定系数r2评估训练好的代理模型的性能。具体方法如下：
[0063]
使用测试集验证训练完成的神经网络模型的性能。均方根误差rmse损失值与决定系数r2被用于评估其性能表现。具体计算公式为：
[0064][0065]
其中，n为训练集样本总数，yi与分别为第i个网格中数值模拟器的计算结果和神经网络模型的计算结果。rmse被用于衡量两个图像之间的l2距离，值越接近0，两图像相似度越高。决定系数则是衡量两个变量线性相关关系的重要指标。
[0066][0067]
其中，n为训练集样本总数，yi与分别为第i个网格中数值模拟器的计算结果和神经网络模型的计算结果。其值越接近1，两变量间线性相关性越好。
[0068]
步骤五、通过在神经网络模型的损失函数上对井点处加约束的方法优化上述代理模型，进而使用peaceman模型由预测得到的井点处的压力值与饱和度值计算油井产量。具体方法如下：
[0069]
根据神经网络模型计算得到的井点处的饱和度值与压力值计算生产井产量，计算依据为peaceman模型，计算公式如下：
[0070][0071]
其中，ki为第i个网格的绝对渗透率，k
r,α
为第i个网格处水或油的相对渗透率，s
w,i
为第i个网格处的含水饱和度值，δz是网格宽度，pi与p
well
分别是第i个网格处压力与井眼压力，δx与δy是模型网格在x与y两个方向上宽度，rw是井眼半径，μ
α
是水或油的粘度。
[0072]
为了得到更加精确的产量计算结果，我们提出一种校正方法，即在神经网络模型损失函数的基础上加上井眼处的约束，修正之后的损失函数公式如下：
[0073][0074]
其中，n为训练集样本总数，m为模型中井的数量，yi与分别为第i个网格中数值模拟器的计算结果和神经网络模型的计算结果，w为约束相的权重系数，其具体数值通过网格搜索方法得到。
[0075]
本发明的优点可通过以下实验进一步说明：
[0076]
1、实验条件
[0077]
油田区块有5口井，其中1口注水井，4口生产井，井位布局采用反五点法模式，井均采用全射开方式开采。本实验采用定压开采，井底流压被固定。渗透率场大小为60
×
60，相对渗透率维度为6。本次实验共生成2000个样本，其中1500个样本用于训练，500个样本用于测试。本实例通过训练深度卷积编码器解码器神经网络代理模型，输出15个时间步、每个时间步为360天、60
×
60的饱和度场与压力场图像。
[0078]
2、实验结果
[0079]
输出结果均选择15个时间步中的5个绘图显示。图6为某测试集样本的饱和度场的数值模拟计算结果与代理模型预测结果对比图，该样本为在测试集中随机抽取得到；图7为该样本的饱和度场的数值模拟计算结果与代理模型预测结果对比图；图8为该样本的生产井真实产量、代理模型预测产量、校正后的代理模型产量对比图；图9为全部测试集的均方误差效果图；图10为全部测试集的相关系数效果图。从图中可以观察到，误差随迭代训练逐步稳定并达到较低的水平，决定系数亦随迭代次数的增加逐渐增加至恒定数值。
[0080]
以上对本发明做了示例性的描述，应该说明的是，在不脱离本发明的核心的情况下，任何简单的变形、修改或者其他本领域技术人员能够不花费创造性劳动的等同替换均落入本发明的保护范围。