[发明专利]基于卷积傅里叶神经网络的三维地下油藏动态预测方法

权利要求书

1.一种基于卷积傅里叶神经网络的三维地下油藏动态预测方法，其特征在于，利用构建的3D卷积傅里叶神经网络模型对三维地下油藏剩余油饱和度或压力进行动态预测，具体包括以下步骤：

步骤1、采集三维地下油藏数据，利用SGeMS地质统计工具生成符合地质特征的三维渗透率场，利用数值模拟器求解出不同渗透率对应的一段时间内的饱和度或压力作为样本库，按比例划分数据集，渗透率作为输入，饱和度或压力作为输出；具体过程如下：

步骤1.1、采集三维地下油藏数据，使用SGeMS地质统计模型生成三维渗透率场，网格尺寸为40×40×20，生成2000个渗透率样本；

步骤1.2、利用数值模拟器使用有限元方法计算三维油藏系统的油水两相流动方程得到所有网格块中的饱和度或压力结果；油藏地下油水流动系统是三维的，需要考虑重力效应，由质量守恒方程（1）和相达西速度方程（2）构成；

质量守恒方程表达式如（1），

（1）

其中，表示梯度算子；j表示不同的相，包括油水两相，o表示油，w表示水；表示相的密度；v_j表示相达西速度；表示源/汇项，上标l表示井处的参数；表示孔隙度；S_j表示相的饱和度；t表示时间；

相达西速度方程的表达式如（2），

（2）

其中，k_rj表示相的相对渗透率，表示绝对渗透率向量，表示相的粘度，p_j表示相的压力，g表示重力，z表示深度；

步骤1.3、按照8：2的比例分割数据集和测试集；输入数据渗透率为(n,nx,ny,nz,1)的张量，输出数据饱和度或压力为(n,nx,ny,nz,1,T)的张量，n是样本数，nx为横向网格数，ny为纵向网格数，nz为深度方向的网格数，T为时间步数量；

步骤2、构建3D卷积傅里叶神经网络，将3D卷积和傅里叶变换相结合，利用3D卷积算子提取图像局部信息，利用傅里叶变换提取物理信息近似微分算子，在网络中添加重力约束；利用编码解码网络实现渗透率到油藏状态的映射，结合LSTM同时考虑时间和空间信息；具体过程如下：

3D卷积傅里叶神经网络，包含编码网络和解码网络两个部分，考虑到时间序列影响增加了处理时间的循环神经模块；输入参数是已知观测值渗透率场，输出参数是未来一段时间的饱和度或压力；

编码网络结构包含M个3D卷积傅里叶层，每一个卷积傅里叶层结构如下，

（3）

（4）

其中，x是最初输入参数，W是权重，是激活函数，使用Relu激活；v_N+1(x)是卷积傅里叶模块N+1层的输出结果，v_N(x)是N层的输出结果；积是三维傅里叶积分算子，用以提取物理信息；是快速傅里叶变换，是傅里叶逆变换，C是截断超过最大阈值的傅里叶级数的操作，傅里叶变换操作能通过傅里叶级数即一系列正余弦曲线去近似数据所符合的物理规律；Conv3D是3D卷积结果，用以提取局部信息，每一层的卷积核大小和步幅会进行调整，卷积核的大小均为3×3×3，卷积步幅有1×1×1和2×2×2两种；因为傅里叶变换是无限维度映射的，使用傅里叶提取的结果需要与卷积结果维度一致，相加之后不会改变原来维度，再经过五层傅里叶层，得到的最终结果进入解码网络；

解码网络结构由反卷积层构成，解码网络的部分层的输入由编码网络对应的输出矩阵和当前输入复制拼接而成，目的是保存更多信息防止卷积过程中出现的特征丢失；解码网络是将中间结果解码到原数据空间的过程，得到的结果为某一时间步的压力值或饱和度；

考虑到时间序列的影响，将多个时间步的输入经过解码网络的中间结果通过LSTM结构，结合时间序列信息，经过LSTM处理后对每个特征图用对应的解码网络得到每一个时间步的输出结果；

LSTM在t时刻的输入有三个：细胞状态C_t-1，隐层状态h_t-1，当前输入特征x_t；

C_t承载着空间时间信息，计算公式如下，

(5)

其中，f_t代表遗忘门，控制丢弃细胞状态C_t-1中的某些信息；代表新的候选细胞状态，i_t代表更新门，选择保留候选细胞状态中的某些信息；

隐层输出结果h_t由输出门o_t和上一步计算出的C_t经过tanh激活函数计算得出，如下，

(6)

遗忘门f_t，更新门i_t，输出门o_t，以及新的候选细胞状态计算公式分别如下，每种门有各自对应的权重和偏置，LSTM中的是sigmoid激活函数，激活结果在（0，1）之间，tanh激活结果在（-1，1）之间；

(7)

(8)

(9)

(10)

其中，W_f、W_i、W_o和W_c分别为遗忘门、更新门、输出门和新的候选细胞状态对应的权重；b_f、b_i、b_o和b_c分别为遗忘门、更新门、输出门和新的候选细胞状态对应的偏置；

输入渗透率场经过卷积傅里叶编码层得到隐层变量，再经过LSTM结构和解码网络得到同时包含时间信息和空间信息的饱和度或压力的预测结果；

步骤3、设置卷积傅里叶网络模型的超参数，在训练集下训练3D卷积傅里叶网络模型；

步骤4、使用测试集评估3D卷积傅里叶神经网络的性能，计算RMSE和量化饱和度或压力的相对误差；

步骤5、训练完成后，输出测试指标良好的3D卷积傅里叶网络模型；基于油藏安装的监测设备实时采集三维地下油藏数据，利用地质统计工具在线生成三维油藏的渗透率场，然后利用3D卷积傅里叶网络模型在线预测该油藏未来一段时间内油藏饱和度或压力场分布，通过压力和饱和度可以进一步计算产量，为制定生产策略提供直观的参考。