(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202111486219.3 (22)申请日 2021.12.07 (71)申请人 中国海洋石油集团有限公司 地址 100010 北京市东城区朝阳门北 大街 25号 申请人 中海油能源发展股份有限公司 (72)发明人 姚为英　冯高城　尹彦君　任宜伟　 张海勇　孟培伟　张凯　严侠　 王晓雅　 (74)专利代理 机构 天津创智天诚知识产权代理 事务所(普通 合伙) 12214 专利代理师 陈昌娟 (51)Int.Cl. G06F 30/23(2020.01) G06N 3/04(2006.01)G06N 3/08(2006.01) G06Q 10/04(2012.01) G06F 111/10(2020.01) G06F 113/08(2020.01) G06F 119/12(2020.01) G06F 119/14(2020.01) (54)发明名称 一种基于时间和空间双重维度的历史拟合 预测方法 (57)摘要 本发明提供一种基于时间和空间双重维度 的历史拟合预测方法， 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； 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； 在训练集中训练构建的 神经网络模 型； 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； 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。 本发明大幅缩短油藏生 产预测时间。 权利要求书3页 说明书6页 附图5页 CN 114462262 A 2022.05.10 CN 114462262 A 1.一种基于时间和 空间双重维度的历史拟合预测方法， 其特征在于： 按照下述步骤进 行： 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； 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； 步骤3， 在训练集中训练构建的神经网络模型； 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； 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。 2.根据权利要求1所述的一种基于时间和空间双重维度的历史拟合预测方法， 其特征 在于： 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。 3.根据权利要求1所述的一种基于时间和空间双重维度的历史拟合预测方法， 其特征 在于： 步骤2的具体方法： 步骤2.1， 建立输入与输出之间的映射关系： y＝f(x, θ ) 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； 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。 4.根据权利要求1所述的一种基于时间和空间双重维度的历史拟合预测方法， 其特征 在于： 步骤3的具体方法： 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； 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：权　利　要　求　书 1/3 页 2 CN 114462262 A 2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； 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。 5.根据权利要求1所述的一种基于时间和空间双重维度的历史拟合预测方法， 其特征 在于： 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： 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： 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。 6.根据权利要求1所述的一种基于时间和空间双重维度的历史拟合预测方法， 其特征 在于： 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： 其中， ki为第i个网格的绝对 渗透率， kr, α为第i个网格处水 或油的相对 渗透率， Sw,i为第i 个网格处的含水饱和度值， Δz是网格宽度， Pi与Pwell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， μα是 水或油的粘度。 7.根据权利要求6所述的一种基于时间和空间双重维度的历史拟合预测方法， 其特征 在于： 计算 公式的校正方法： 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： 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， 其具体数值权　利　要　求　书 2/3 页 3 CN 114462262 A 3