[发明专利]基于深度学习降维重构的强非均质油藏历史拟合方法

权利要求书

1.一种基于深度学习降维重构的强非均质油藏历史拟合方法，其特征在于，包括以下步骤：

步骤一、构建初始油藏模型，使用奇异值分解(SVD)方法计算地质特征的本征维数

步骤二、训练变分自编码模型(DCVAE)，使用解码器进行降维参数化表征

步骤三、集合光滑多次数据同化(ES-MDA)方法迭代同化数据更新潜变量，变分自编码模型解码器重构油藏模型并进行数值模拟

步骤四、多次迭代求解，输出最终拟合模型。

2.根据权利要求1-1所述的基于深度学习降维重构的强非均质油藏历史拟合方法，其特征在于，步骤一具体方法如下：

S1.1：构建初始油藏模型

将油藏开发生产动态响应d_obs和油藏模型参数m看作是油藏系统的输入与输出：

d_obs＝g(m)+ε (1)

其中g(·)表示油藏系统的数值模型或油藏数值模拟器，ε表示生产动态响应的观测误差，使用贝叶斯概率推理方法建立油藏模型参数估计数学模型：

其中，p(m)称为先验概率，表示模型参数的已知信息；p(d_obs|m)称为似然函数，用于量化观测数据与估计模型参数进行数值模拟预测之间的拟合误差；p(m|d_obs)即后验概率，表示在已知观测数据d_obs的情形下模型参数m的概率分布；

根据油藏的静态观测数据，使用随机地质统计建模方法可以建立大量的随机初始油藏模型m_i(i＝1，2，...，N_e)，结合高斯概率模型建立油藏模型参数的先验概率表达：

假设观测误差ε服从高斯分布，即ε～N(0，C_D)，根据式(1)可以推得似然函数：

结合式(2)、(3)、(4)可得到油藏模型参数的后验概率表达：

S1.2：奇异值分解方法(SVD)计算地质特征的本征维数

将M×N维油藏模型参数矩阵A分解为U_M×M、∑_M×N和V_N×N三个矩阵：

A＝U∑V^T (6)

其中矩阵∑是一个对角矩阵，对角线元素的值σ_i称为奇异值，且奇异值具有沿着对角线逐渐减小的性质，计算奇异值所能保留矩阵A的信息贡献率确定矩阵的本征维数：

该方法适用于小样本情形，大量样本情形时由于样本数量增加导致次要奇异值部分被高估，无法真实反映奇异值的信息保留贡献率

λ_i＝|σ_i+1-σ_i|，i＝1，...，k-1 (8)

定义λ_i为奇异值差分谱，通过差分操作，有效消除次要奇异值干扰，计算相应的信息保留贡献率确定本征维数。

3.根据权利要求1-2所述的基于深度学习降维重构的强非均质油藏历史拟合方法，其特征在于，步骤二过程如下：

S2.1：训练变分自编码模型(DCVAF)

变分自编码模型从变分方法进行推导得到假设数据边际似然p(x)的变分下界：

变分自编码模型采用随机梯度技术以及自编码神经网络结构进行优化求解，对式(10)进行随机梯度变分贝叶斯估计：

其中右侧KL散度作为正则项，第二项是负重构误差的期望，用过初始油藏模型数据训练变分自编码模型；

S2.2使用解码器进行降维参数化表征：

使用变分自编码模型的解码器对油藏模型进行降维参数化表征，编码器作为q_φ(z|x)，解码器作为p_θ(x|z)，通过对数据集进行训练即可获得合适的模型参数θ和φ。