[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

说明书

本发明公开了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，属于油藏工程技术领域，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：采集三维地下油藏数据；构建3D卷积傅里叶神经网络，结合LSTM同时考虑时间和空间信息；设置卷积傅里叶网络模型的超参数，训练3D卷积傅里叶网络模型；评估3D卷积傅里叶神经网络的性能；训练完成后，输出测试指标良好的3D卷积傅里叶网络模型。本发明实现了三维油藏模型的高精度快速预测，很好的针对三维油藏的时空性和物理系统的特点，更符合现场实际需求。

技术领域

本发明属于油藏工程技术领域，具体涉及一种基于3D卷积傅里叶神经网络模型的三维地下油藏剩余油饱和度或压力的生产动态预测方法。

背景技术

对多孔介质中的多相流进行数值模拟对许多地质科学应用来说是至关重要。在油藏工程领域，油水两相偏微分方程可以准确描述地下流动系统，模拟地下流动需要进行大量的偏微分方程求解计算，这也是数值模拟技术的基础。传统的数值模拟基于数值计算方法如有限元法，有限差分法等对偏微分方程进行求解。油藏数值模拟可以准确的计算出未来油藏的压力、饱和度、产量等等油藏状态用于生产开发动态评价。而真实的三维油藏模型网格数多，模型大且边界复杂，求解往往需要耗费大量时间和计算资源。

随着信息化的深入和硬件水平的不断发展，深度学习等人工智能方法在图像识别、目标检测等场景得到了广泛的应用。而在油藏工程领域，数据驱动的机器学习方法通过构建神经网络代理模型，为传统的模拟器提供了更快的替代方案。机器学习代理模型与数值模拟数据的映射，为传统的模拟器提供了更快速的选择，可以有效的节约预测时间。目前流行的代理模型方法大多针对于二维油藏，对于一个三维的复杂的地质模型，网格数更多，同时要考虑到重力影响，以及油井穿透多个区域。所以三维油藏预测比二维油藏更具有挑战性，更具有实用价值。现有的一些应用于三维模型的方法只考虑图像之间的局部信息，不能考虑到物理信息和时空特征，存在在精度低，泛化性能差，训练时间慢等条件限制。

发明内容

针对当前使用油藏数值模拟进行剩余油饱和度或压力预测时间过长，普通机器学习代理模型不能有效的预测三维复杂油藏等问题，本发明提出了一种基于卷积傅里叶神经网络模型三维油藏剩余油饱和度或压力的生产动态预测方法，同时考虑到三维油藏的时空性和物理信息和重力因素的影响，有效提高预测精度，适应不同的油藏条件，节省计算时间。

本发明的技术方案如下：

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，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；

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；

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。

进一步地，步骤1的具体过程如下：