[发明专利]基于深度自编码器的自动历史拟合优势通道参数预测方法

权利要求书

1.一种基于深度自编码器的自动历史拟合优势通道参数预测方法，包括以下步骤：

S1、使用直线表征油藏中的优势通道，建立油藏优势通道数值模拟模型

S2、结合优势通道油藏的先验信息，使用不同的分布函数生成学习样本库

S3、结合神经网络逐层训练及微调方法训练深度自编码器

S4、基于深度自编码器的编码解码属性将先验样本数据进行降维重构

S5、根据贝叶斯理论建立优势通道油藏历史拟合目标函数

S6、使用多数据同化集合平滑算法ES-MDA更新参数并最小化目标函数。

2.根据权利要求1所述的基于深度自编码器的自动历史拟合优势通道参数预测方法，其特征在于：S1具体方法如下：

第一步，根据油藏中优势通道的特征，使用直线的长度，角度，中点参数表征优势通道，进而根据优势通道的这些参数计算出每个优势通道的端点；优势通道端点的计算公式为：

式中，x_mid，y_mid为优势通道的中点坐标，L为优势通道的长度，θ为优势通道的角度，x₁，y₁，x₂，y₂为优势通道端点坐标；

第二步，建立嵌入式离散裂缝网络模型EDFM，将优势通道的端点坐标代入模型进行模拟，进而得到模拟生产数据。

3.根据权利要求2所述的基于深度自编码器的自动历史拟合优势通道参数预测方法，其特征在于：S2具体方法如下：

第一步，设置训练样本数量、大优势通道数量及小优势通道数量；

第二步，设置大优势通道参数，首先确定大优势通道的数量N_l，然后结合大优势通道角度、长度和中点参数的范围，根据随机均匀分布函数生成大优势通道参数样本；

第三步，设置小优势通道参数；首先确定小优势通道数量N_s，然后将整个区域平均划分成4个小区域，通过产生4个随机数ri，来确定每个区域小优势通道的数量n_i；

n_i＝N_s·d_i (3)

小优势通道的长度使用对数正太分布函数生成，角度使用正态分布函数生成，中点位置在区域内随机生成。

4.根据权利要求3所述的基于深度自编码器的自动历史拟合优势通道参数预测方法，其特征在于：S3具体方法如下：

第一步，自编码器类型为稀疏自编码器，设深度自编码器的隐层数量为n_a，设置反映稀疏特征的参数λ，β和ρ；

第二步，进行自编码器的逐层训练，先训练第一个自编码器，将自编码器的隐层数据作为第二个自编码器的输入，继续训练下一个自编码器，直至所有自编码器都训练完成；

第三步，逐层训练结束后，堆叠所有自编码器，形成深度自编码器，最后进行微调，即使用样本数据训练堆叠形成的深度自编码器。

5.根据权利要求4所述的基于深度自编码器的自动历史拟合优势通道参数预测方法，其特征在于：S4具体方法如下：

第一步，将样本数据输入到训练好的深度自编码器中，经编码后得到隐层数据，隐层数据即为降维后的数据；

第二步，使用深度自编码器解码隐层数据，得到重构样本数据；将降维后的数据作为反演参数，可以大大减少运算耗费。

6.根据权利要求5所述的基于深度自编码器的自动历史拟合优势通道参数预测方法，其特征在于：S5具体方法如下：

基于贝叶斯理论，历史拟合的后验概率及目标函数可表示为：

P(m|d)∝exp[-O(m)] (5)

其中，P(m|d)为后验概率，O(m)为历史拟合的目标函数；d_obs为历史生产数据；g(m)为油藏数值模拟数据；m为模型参数；C_D为观测数据的协方差；m_pr为先验模型参数；C_M为先验模型参数的协方差。

7.根据权利要求6所述的基于深度自编码器的自动历史拟合优势通道参数预测方法，其特征在于：S6具体方法如下：

第一步，设置集合数量和最大迭代次数；

第二步，对模型参数进行迭代更新；多数据同化集合平滑算法ES-MDA更新规则为：

其中，n表示第n次迭代，j表示集合中的第j个，a表示分析，f表示数值模拟；表示更新后的参数；表示上一次的参数；为模型参数与模拟数据间的协方差矩阵；为模拟数据的协方差矩阵；为观测数据的协方差矩阵；d_obs为观测数据；z_d为高斯分布函数；α_i为一个系数；

第三步，通过多数据同化集合平滑算法ES-MDA不断迭代更新，使得目标函数值不断下降，当迭代次数达到最大迭代次数时，目标函数值最小时的模型即为历史拟合的最终模型。