(19)中华 人民共和国 国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202111603079.3 (22)申请日 2021.12.24 (71)申请人 山东大学 地址 250100 山东省济南市山大南路27号 (72)发明人 张钊　 (74)专利代理 机构 青岛博展利华知识产权代理 事务所(普通 合伙) 37287 代理人 渠衍飞 (51)Int.Cl. G06Q 10/04(2012.01) G06N 3/04(2006.01) G06N 3/08(2006.01) G06F 30/23(2020.01) G06F 30/27(2020.01) G06Q 50/02(2012.01)G06F 111/10(2020.01) (54)发明名称 基于深度学习的瞬态油藏代理模型的构建 及油藏预测方法 (57)摘要 本发明公开了基于深度学习的瞬态油藏代 理模型的构建及油藏预测方法， 涉及石油工程领 域， 步骤如下： S1、 对井点数据进行处理得到若干 个无标签样 本模型， 若干个无标签样本模型组成 无标签样本模型集合； S2、 时间维度离散化， 将无 标签样本模型集合输入到卷积神经网络中进行 训练， 卷积神经网络集合作为深层卷积神经网 络， 用于构建瞬态油藏模拟的代理模型， 选取出 各时间步对应的残差最小化的网络组成优化卷 积神经网络集合， 构成瞬态油藏模拟的代理模 型。 本发明通过建立物理信息深度卷积神经网络 算法， 可以不依赖标签数据训练得到油藏代理模 型， 从而快速预测油藏数值模拟结果， 显著提高 计算效率。 权利要求书1页 说明书4页 附图3页 CN 114282725 A 2022.04.05 CN 114282725 A 1.基于深度学习的瞬态油藏代理模型的构建方法， 其特 征在于， 包括以下步骤： S1、 对井点数据进行处理得到若干个无标签样本模型， 若干个无标签样本模型组成无 标签样本模型集 合； S2、 时间维度离散化， 将无标签样本模型集合输入到卷积神经网络 中进行训练， 卷积神 经网络集合作为深层卷积神经网络， 用于构建瞬态油藏模拟的代理模型， 选取出各时间步 对应的残差最小化的网络组成优化卷积神经网络集 合， 构成瞬态油藏模拟的代理模型。 2.根据权利要求1所述的基于深度学习的瞬态油藏代理模型的构建方法， 其特征在于， S1中所述的处理过程为： 基于同一井点数据利用随机模拟方法随机 建立若干个各不相同的 无标签样本模型， 随机模拟方法为序贯高斯模拟、 直接序贯模拟、 序贯高斯协模拟和直接序 贯协模拟其中的一种。 3.根据权利要求1所述的基于深度学习的瞬态油藏代理模型的构建方法， 其特征在于， 所述S2中包括： S2.1、 基于向后欧拉方法将时间维度离散化， 将无标签样本模型集合输入到卷积神经 网络得到 输出； S2.2、 将输出代入到对应时间步的控制方程中计算 其残差； S2.3、 利用Adam算法优化网络参数使得残差降低， 得到使得残差最小化的网络， 并得到 对应时间步的流场； S2.4、 对后续时间步重复S2.1～S2.3， 每个时间步的控制 方程残差计算需基于上一个 时间步的流场； S2.5、 选取每个时间步中使得残差最小化的优化网络为对应时间步的代理模型， 代理 模型中的优化卷积神经网络与时间步一一对应， 所有时间步的优化卷积神经网络作为用于 构建瞬态油藏模拟的代理模型。 4.根据权利要求3所述的基于深度学习的瞬态油藏代理模型的构建方法， 其特征在于， 所述S2.2中的残差计算是利用有限体积法和隐式时间积分。 5.根据权利要求3所述的基于深度学习的瞬态油藏代理模型的构建方法， 其特征在于， 所述S2.5中的深层卷积神经网络的构建是将不同时间步的卷积神经网络之间通过损失函 数相互关联。 6.根据权利要求5所述的基于深度学习的瞬态油藏代理模型的构建方法， 其特征在于， 损失函数采用将空间维度基于有限体积法离 散化用于计算控制方程残差的近似解。 7.基于深度学习的瞬态油藏代 理模型的油藏预测方法， 其特征在于， 利用权利要求1 ‑6 任一项所构建的油藏代理模型预测同一油藏任意时刻的瞬态油藏分布， 将基于同一井点数 据获取的若干个新无标签样本模型输入任一时间步时刻的卷积神经网络中， 得到对应时间 步时刻的流场。权　利　要　求　书 1/1 页 2 CN 114282725 A 2基于深度学习的瞬态油藏代理模型的构建及油藏预测方 法 技术领域 [0001]本发明涉及石油工程领域， 具体为基于深度学习的瞬态油藏代理模型的构建及油 藏预测方法。 背景技术 [0002]油藏动态预测技术可以分析油藏动态变化， 预测未来的变化趋势， 以及时进行开 发调整， 油藏动态预测技术中的油藏数值模拟法的原理是运用偏微分方程组描述油藏的开 采状态， 通过计算机数值 求解得到开发指标变化， 是当前最常用的油藏预测方法。 [0003]考虑到数值模拟 方法建模工作量大及计算效率低的问题， 目前已有不少利用人工 智能、 神经网络来预测油藏的方法， 如现有技术CN113052371A 中所公开的基于深度卷积神 经网络的剩余油分布预测方法， 该预测方法需要 借助油藏数值模拟技术建立网络模型训练 所需的数据集， 基于数据集的部分数据训练得到深度全卷积编码解码神经网络预测模型， 之后基于数据集的剩余部分数据利用深度全卷积编码解码神经网络实现剩余油分布的直 接预测。 该预测方法在训练得到代理模型和油藏预测过程中均需要使用经常规数值模拟后 得到的标签数据， 可见， 现有构建代理模型的神经网络算法依赖于大量标签数据， 而标签数 据的获取需依赖常规数值模拟， 耗时较高， 而且利用全连接神经网络拟合二维问题的效率 低。 因此， 需要优化用于构建油藏代理模型的方法。 发明内容 [0004]本发明的目的是为了解决现有油藏数值模拟代理模型算法依赖大量标签数据的 问题， 通过建立物理信息深度卷积神经网络算法， 可以不依赖标签数据训练得到代理模型， 从而快速预测油藏数值模拟结果。 [0005]为实现以上目的， 本发明通过以下技 术方案予以实现： [0006]基于深度学习的瞬态油藏代理模型的构建方法， 包括以下步骤： [0007]S1、 对井点数据进行处理得到若干个无标签样本模型， 若干个无标签样本模型组 成无标签样本模型集 合； [0008]S2、 时间维度离散化， 将无标签样本模型集合输入到卷积神经网络中进行训练， 每 个卷积神经网络对应一个时间步， 卷积神经网络集合作为深层卷积神经网络， 用于构建瞬 态油藏模拟的代理模型， 选取出各时间步对应的残差最小化的网络组成优化卷积神经网络 集合， 构成瞬态油藏模拟的代理模型。 [0009]优选的， S1中所述的处理过程为： 基于同一井点数据利用随机模拟方法随机建立 若干个各不相同的无标签样本模型， 随机模拟方法为序贯高斯模拟、 直接序贯模拟、 序贯高 斯协模拟和直接序贯协模拟其中的一种。 [0010]优选的， 所述S2中包括： [0011]S2.1、 基于向后欧拉方法将时间维度离散化， 将无标签样本模型集合输入到卷积 神经网络得到 输出；说　明　书 1/4 页 3 CN 114282725 A 3