利用人工智能和機(jī)器學(xué)習(xí)技術(shù),采用人工神經(jīng)網(wǎng)絡(luò)開(kāi)發(fā)并驗(yàn)證了用于油藏模擬歷史擬合、敏感性分析和不確定性評(píng)估的智能代理模型,將其應(yīng)用于油藏模擬的兩個(gè)案例中。第1個(gè)案例研究了代理模型在油藏模型歷史擬合中的應(yīng)用,輸出結(jié)果預(yù)測(cè)了井的產(chǎn)量;第2個(gè)案例研究了基于人工神經(jīng)網(wǎng)絡(luò)的代理模型在CO₂提高采收率油藏快速建模中的應(yīng)用,目標(biāo)為預(yù)測(cè)油藏壓力和相飽和度在注入期間以及注入后的分布,預(yù)測(cè)效果均良好。相比基礎(chǔ)數(shù)值模擬模型,智能代理模型運(yùn)行單次模擬只需幾秒鐘,總節(jié)省98.9%的運(yùn)算時(shí)間。智能代理模型在運(yùn)算速度、消耗時(shí)間以及成本等方面都有巨大的優(yōu)勢(shì)。此外,智能代理模型與基礎(chǔ)油藏模型模擬結(jié)果非常接近。圖19參30

【文章頁(yè)數(shù)】：11 頁(yè)

【部分圖文】：

圖2 模型訓(xùn)練和測(cè)試誤差的比較

在機(jī)器學(xué)習(xí)模型和代理模型開(kāi)發(fā)過(guò)程中必須避免過(guò)度擬合，雖然過(guò)度擬合模型在數(shù)據(jù)庫(kù)訓(xùn)練中表現(xiàn)良好，但不具有普適性，在處理未知數(shù)據(jù)集時(shí)效果不一定好。通常通過(guò)以下2種方法來(lái)避免過(guò)度擬合：(1)訓(xùn)練階段監(jiān)控訓(xùn)練集和測(cè)試集的誤差趨勢(shì)，圖2描述了如何在訓(xùn)練中選擇合適的模型；(2)對(duì)模型進(jìn)行盲驗(yàn)證....

圖3 PUNQ-S3模型的頂部構(gòu)造[16]

以基礎(chǔ)油藏模型PUNQ-S3[18]為基準(zhǔn)進(jìn)行數(shù)值模擬，以提取數(shù)據(jù)信息。根據(jù)井點(diǎn)的屬性參數(shù)和地質(zhì)描述，采用拉丁超立方體實(shí)驗(yàn)設(shè)計(jì)方法設(shè)計(jì)11次不同的油藏模擬，關(guān)于這些模擬方案的詳細(xì)討論見(jiàn)文獻(xiàn)[15]。利用10次模擬對(duì)神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，利用第11次模擬對(duì)訓(xùn)練后的代理模型進(jìn)行盲驗(yàn)證。圖....

圖4 PUNQ-S3油藏模型孔隙度和滲透率分布圖

圖3PUNQ-S3模型的頂部構(gòu)造[16]從數(shù)值模擬結(jié)果中提取不同類(lèi)型的數(shù)據(jù)，形成時(shí)空數(shù)據(jù)庫(kù)，這個(gè)數(shù)據(jù)庫(kù)包含用于訓(xùn)練神經(jīng)網(wǎng)絡(luò)的輸入輸出數(shù)據(jù)，輸入數(shù)據(jù)包括井位經(jīng)度和緯度、頂深、孔隙度、水平滲透率、垂直滲透率、厚度、產(chǎn)油量、前一個(gè)時(shí)間步的輸出，輸出數(shù)據(jù)包括井底壓力、產(chǎn)氣量和產(chǎn)水量。為....

圖5 PUNQ-S3油藏模型的細(xì)分

從數(shù)值模擬結(jié)果中提取不同類(lèi)型的數(shù)據(jù)，形成時(shí)空數(shù)據(jù)庫(kù)，這個(gè)數(shù)據(jù)庫(kù)包含用于訓(xùn)練神經(jīng)網(wǎng)絡(luò)的輸入輸出數(shù)據(jù)，輸入數(shù)據(jù)包括井位經(jīng)度和緯度、頂深、孔隙度、水平滲透率、垂直滲透率、厚度、產(chǎn)油量、前一個(gè)時(shí)間步的輸出，輸出數(shù)據(jù)包括井底壓力、產(chǎn)氣量和產(chǎn)水量。為了降低問(wèn)題的復(fù)雜性并簡(jiǎn)化訓(xùn)練神經(jīng)網(wǎng)絡(luò)的數(shù)據(jù)....

本文編號(hào)：4052480