[发明专利]一种基于生成对抗网络的剩余油预测方法

说明书

本发明提供了一种基于生成对抗网络的剩余油预测方法，所述方法为进行数据的采集，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；将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；使用验证集对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；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。通过本方法搭建剩余油预测生成对抗网络模型，只需要把渗透率场数据输入模型，并且设置时间步，即可自动计算出剩余饱和度场分布，系统响应快，计算精度高。

技术领域

本发明属于地下石油剩余油预测技术领域，具体涉及一种基于注意力机制下深度生成对抗网络的剩余油预测方法。

背景技术

随着计算机算力的不断提高和深度学习算法的不断完善，深度学习的技术开始在各种领域和实际场景中得到应用。剩余油预测技术是根据油井下的静态地质参数(渗透率场)来进行油藏饱和度场的预测过程，通过对地下油藏饱和度场的准确把握，便可以分析地下剩余石油的储藏和分布情况。剩余油的分布规律是油藏开发者长期关心的问题，得到地下油藏中剩余油的分布情况意味着明确了油藏开发的调整方向，为各种调整措施提供了依据，因此，剩余油预测技术是贯穿了整个油田开发过程的。

传统的剩余油预测通常通过油藏数值模拟的方法来获取饱和度场，需要对油藏模型进行数学建模，并要求大量的除渗透率场外的动态与静态物理参数来进行计算，然而在实际过程中，这些参数的获取通常比较困难，并且带有系统和偶然误差，会影响饱和度场预测的精度。

发明内容

本发明提供了一种基于生成对抗网络的剩余油预测方法，克服传统通过油藏数值模拟的方法来获取饱和度场，预测不精确的问题。

本发明提供的一种基于生成对抗网络的剩余油预测方法，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。

优选的，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。

优选的，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。

优选的，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_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)：