[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

说明书

本发明涉及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。与现有技术相比，本发明实现了对具有尺度不同的优势通道的油藏模型进行反演，给实际具有大规模优势通道的油藏自动历史拟合提供参考。

技术领域

本发明属于油气田开发领域，具体地说，涉及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。

背景技术

实际油藏中存在大量的裂缝和高渗通道，极大影响了地层中流体的运动。具有优势通道的油藏，岩相变化大，非均质性强，油藏的强非均质性对油田开发带来很多问题，如水窜，水锥等现象。油藏内部优势通道的状态和分布也有极大的不确定性，因此，提高对强非均质优势通道性油藏的认识至关重要。目前常规的具有优势通道的油藏反演是利用人工完成的，反演时间长，对人为经验依赖性大，不利于现场实际应用。具有优势通道的油藏参数数量巨大，而常规的反演只能对少量参数进行反演，难以表征真实的油藏模型。近年来有学者将辅助历史拟合的方法用于反演油藏模型，但是应用于具有大量参数的强非均质的油藏反演尚未有报道。

由于优势通道大小分布的随机性，建立准确有效的流动数学模型是很困难的。自19世纪60年代，已经提出了多种流动数学模型。最常用的模型是双重孔隙介质模型，优势通道性岩体同时存在两个独立的系统，基岩系统和裂缝系统，其中裂缝系统为主要的流动通道，然而双重介质模型简化实际的裂缝形态，很难对实际的裂缝性油藏进行数值模拟。离散裂缝网络模型(DFM)明确考虑了裂缝对流体流动的影响，通过非结构化网格对裂缝所在位置进行描述，然而非结构化网格的建立具有一点的难度，运算耗费相对较大。嵌入式离散裂缝网络模型(EDFM)，在嵌入式离散裂缝网络模型中，裂缝网格独立于基质网格，通过结构化网格对优势通道位置进行描述，计算耗费较小。目前，嵌入式离散裂缝网络模型有了很广泛的应用。

从20世纪60年代以来，出现了各种自动历史拟合方法，随着数字计算技术和现代优化算法的发展，一定程度上提高了历史拟合的精度和工作效率，自动历史拟合的方法在得到了进一步的发展。集合卡尔曼滤波(EnKF)是一种根据预测响应数据和观测数据，通过更新迭代计算，反求模型的静态参数和系统动态参数的方法。集合卡尔曼滤波在很多领域都有广泛的应用。集合平滑(ES)算法，不考虑模型的系统的状态变量，因此更适合油藏历史拟合问题，然而集合平滑算法在全局更新时同步吸收所有的数据，可能会造成数据不匹配情况。多数据同化集合平滑方法(ES-MDA)，在集合平滑算法的基础上，通过多次数据同化吸收，进而反演模型参数。在历史拟合中，多数据同化集合平滑的方法在提升历史数据拟合精度的同时，显著减少了计算耗费。

自编码器是一种数据压缩重构方法，基于神经网络神经元的结构，对大量样本进行训练学习，自编码器可以提取数据的特征，进而对数据进行降维。随着多层感知器的发展，以及国内外学者的不断研究，具有多层结构的深度自编码器在数据降维上体现出了优越性。然而目前深度自编码器还未应用于具有优势通道的油藏反演预测研究当中。

因此，需要提供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。

发明内容

针对上述问题，本发明提供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，该方法使用油藏优势通道参数先验信息生成样本，使用深度自编码器进行训练，将数据压缩降维，可以实现大规模油藏优势通道参数的反演。

为实现上述目的，本发明采用下述方案：

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