[发明专利]一种基于生成对抗网络的剩余油预测方法

权利要求书

1.一种基于生成对抗网络的剩余油预测方法，其特征在于，依次包括如下步骤：

S1、进行数据的采集，包括静态渗透率场数据和对应的不同时段的饱和度场数据，形成数据集；

S2、将步骤1采集好的数据集划分为训练集和验证集，并对训练集和验证集的数据进行归一化预处理，使用归一化预处理后的训练集对生成对抗网络模型进行训练；

S3、使用验证集对步骤2训练好的生成对抗网络模型的预测性能进行评估，挑选最佳生成对抗网络模型并保存；

S4、使用保存下来的最佳生成对抗网络模型来进行剩余油预测；

步骤2所述的生成对抗网络使用的是pix2pix的生成对抗网络结构，其对抗损失和L1损失函数分别如式(1)、(2)：

L_GAN(G,D)＝E_x，y[logD(x，y)]+E_x[log(1-D(x，G(x)))]    (1)

L_L1(G)＝E_x，y[||y-G(x)||₁]    (2)

总的训练损失函数为式(3)：

其中G和D分别代表生成器网络和判别器网络，x和y分别代表真实的渗透率场和饱和度场数据，G(x)指的是渗透率场x经过生成器G后生成的饱和度场，D(x，y)指的是判别器判断输入的饱和度场数据y是属于输入渗透率场数据x所对应的真实饱和度场数据的概率，D(x，G(x))指的是判别器判断由渗透率场x经过生成器网络生成的饱和度场数据G(x)属于x对应的真实饱和度场的概率，E_x，y[]表示均值，λ是个常系数；

步骤2所述生成对抗网络还加入了注意力机制模块，所述注意力机制模块采用的是CBAM注意力模块，在生成对抗网络中加入注意力机制模块的方法为：将注意力机制模块加入在生成器的第一层卷积层之后，从而建立起一个基于注意力机制的生成对抗网络模型。

2.根据权利要求1所述的基于生成对抗网络的剩余油预测方法，其特征在于，步骤1进行数据采集的方法依次包括以下步骤：

S11、静态渗透率场数据使用油藏河道相的渗透率场数据，将5500×32×32的河道相的渗透率场数据输入eclipse油藏数值模拟软件，并设置时间步分别为30、60、90、120、150、180天，

S12、运行eclipse油藏数值模拟软件获取到5500×32×32×6的饱和度场数据，即每一个原河道相的渗透率场数据对应6个饱和度场数据。

3.根据权利要求2所述的基于生成对抗网络的剩余油预测方法，其特征在于：所述训练集和验证集的比例为10：1，训练集包含5000个渗透率场数据和对应的饱和度场数据，验证集包含500个渗透率场数据和对应的饱和度场数据。

4.根据权利要求1所述的基于生成对抗网络的剩余油预测方法，其特征在于，使用验证集对步骤2训练好的生成对抗网络模型的预测性能进行评估，挑选最佳生成对抗网络模型并保存的方法为：使用当前的生成对抗网络模型对验证集进行预测，保留预测的饱和度场数据，对预测的饱和度场数据和真实的饱和度场数据进行了R²分数的计算，然后将其分数与先前生成对抗网络模型的得分进行比较，选取得分较高者进行保存，待迭代训练完成后，保存下来的模型即为在验证集上预测性能最佳的生成对抗网络模型。