智能代理在油藏建模中的应用

发布时间：2025-06-24 04:22

　　 利用人工智能和机器学习技术,采用人工神经网络开发并验证了用于油藏模拟历史拟合、敏感性分析和不确定性评估的智能代理模型,将其应用于油藏模拟的两个案例中。第1个案例研究了代理模型在油藏模型历史拟合中的应用,输出结果预测了井的产量;第2个案例研究了基于人工神经网络的代理模型在CO₂提高采收率油藏快速建模中的应用,目标为预测油藏压力和相饱和度在注入期间以及注入后的分布,预测效果均良好。相比基础数值模拟模型,智能代理模型运行单次模拟只需几秒钟,总节省98.9%的运算时间。智能代理模型在运算速度、消耗时间以及成本等方面都有巨大的优势。此外,智能代理模型与基础油藏模型模拟结果非常接近。图19参30

【文章页数】：11 页

【部分图文】：

图2 模型训练和测试误差的比较

在机器学习模型和代理模型开发过程中必须避免过度拟合，虽然过度拟合模型在数据库训练中表现良好，但不具有普适性，在处理未知数据集时效果不一定好。通常通过以下2种方法来避免过度拟合：(1)训练阶段监控训练集和测试集的误差趋势，图2描述了如何在训练中选择合适的模型；(2)对模型进行盲验证....

图3 PUNQ-S3模型的顶部构造[16]

以基础油藏模型PUNQ-S3[18]为基准进行数值模拟，以提取数据信息。根据井点的属性参数和地质描述，采用拉丁超立方体实验设计方法设计11次不同的油藏模拟，关于这些模拟方案的详细讨论见文献[15]。利用10次模拟对神经网络进行训练，利用第11次模拟对训练后的代理模型进行盲验证。图....

图4 PUNQ-S3油藏模型孔隙度和渗透率分布图

图3PUNQ-S3模型的顶部构造[16]从数值模拟结果中提取不同类型的数据，形成时空数据库，这个数据库包含用于训练神经网络的输入输出数据，输入数据包括井位经度和纬度、顶深、孔隙度、水平渗透率、垂直渗透率、厚度、产油量、前一个时间步的输出，输出数据包括井底压力、产气量和产水量。为....

图5 PUNQ-S3油藏模型的细分

从数值模拟结果中提取不同类型的数据，形成时空数据库，这个数据库包含用于训练神经网络的输入输出数据，输入数据包括井位经度和纬度、顶深、孔隙度、水平渗透率、垂直渗透率、厚度、产油量、前一个时间步的输出，输出数据包括井底压力、产气量和产水量。为了降低问题的复杂性并简化训练神经网络的数据....

本文编号：4052480