[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

说明书

本发明属于石油工程领域，具体地，涉及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，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、多次迭代输出模型。相对于现有技术，本发明的有益效果如下：通过深度变分自编码模型、奇异值分解方法的结合可将高维地质特征如渗透率映射到低维连续高斯空间进行重参数化表征，结合ES‑MDA方法吸收生产历史实现复杂大规模油藏自动历史拟合高效求解。

技术领域

本发明属于石油工程领域，具体地，涉及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。

背景技术

油气储层精细建模对于指导油气资源高效开发具有重要意义，自动历史拟合技术依据油气田开发生产动态对测井、岩心等静态数据建立的随机油藏模型进行动态反演调整是目前油藏精细建模的唯一有效手段。尽管在过去数十年中发展了许多高效的自动历史拟合求解方法，但根据动态数据反演调整储层模型仍然是一项艰巨的任务，尤其是针对大规模复杂油藏建立高效的自动历史拟合方法依旧存在许多挑战。

历史拟合方法就是将已知的底层静态参数用来计算油藏开发过程中主要动态指标变化的历史。近年来提出了各种自动历史拟合方法，力求用最优化技术以及人工智能方法来得到最好的参数组合，加快历史拟合的速度并达到更高的精度。但目前自动历史拟合方法还处在探索和研究阶段，还没有得到广泛的实际应用。

发明内容

为克服现有技术存在的缺陷，本发明的目的在于提供一种基于深度学习深度变分自编码模型-奇异值分解(DCVAE-SVD)降维重构方法的强非均质性油藏历史拟合方法；利用深度变分自编码模型、奇异值分解对复杂地质特征进行特征提取及降维分解，特征压缩的同时保留了足够的信息实现保持与复杂地质特征一致的油藏模型重构，结合降维后的低维空间连续特征与数据光滑多次数据同化方法进行自动历史拟合，解决了数据同化方法对复杂离散特征难以有效应用的问题。

为实现上述目的，本发明所采取的技术方案如下：

基于深度学习降维重构的强非均质油藏历史拟合方法，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。

相对于现有技术，本发明的有益效果如下：通过深度变分自编码模型、奇异值分解方法的结合可将高维地质特征如渗透率映射到低维连续高斯空间进行重参数化表征，结合集合光滑多次数据同化(ES-MDA)方法吸收生产历史实现复杂大规模油藏自动历史拟合高效求解。

附图说明

图1是基于深度学习降维重构的强非均质油藏历史拟合方法流程图；

图2A是河流相油藏算例真实油藏模型集合图；

图2B是河流相油藏算例随机初始油藏模型集合图；

图3A是随机初始油藏模型集合SVD计算奇异值图；

图3B是随机初始油藏模型集合SVD计算奇异值信息保留贡献率图；

图3C是随机初始油藏模型集合SVD计算奇异值信息保留贡献率图；

图4是不同潜变量维数对应的变分自编码模型重构渗透率场与参考样本对比图；