一种图压缩与多半径双信赖域油藏生产优化方法

摘要: 本发明涉及油藏数值模拟领域,具体涉及一种图压缩与多半径双信赖域油藏生产优化方法。背景技术:1、油藏生产优化通常需要在给定地质模型、流体模型、井网部署和生产周期的...
一种图压缩与多半径双信赖域油藏生产优化方法

本发明涉及油藏数值模拟领域,具体涉及一种图压缩与多半径双信赖域油藏生产优化方法。

背景技术:

1、油藏生产优化通常需要在给定地质模型、流体模型、井网部署和生产周期的条件下,确定生产井与注入井的分阶段控制方案,以提高累积产油量、最终采收率或项目净现值,同时满足井底流压、单井注入/产液能力、含水率以及地面处理能力等运行约束。一个生产方案可同时包含井启停状态等二进制变量、启停时刻或控制阶段等整数变量、注入量、产液量和井底流压设定值等连续变量、定液量或定井底流压等井控制模式类别变量,以及井序或措施实施顺序等排列变量。

2、油藏生产变量之间还存在显著的条件依赖关系。例如,仅当井处于开启状态时,该井的控制模式及相应控制量才参与数值模拟;当选择定井底流压控制时,井底流压设定值处于激活状态,而与定液量或定注入量控制对应的变量处于失活状态。由此形成的搜索空间同时包含离散状态跳变、连续控制量调整、控制模式切换和条件变量激活,采用单一距离度量或统一变异尺度难以准确表征不同生产方案之间的实际差异。

3、候选生产方案的目标值和约束值通常需要通过油藏数值模拟获得。数值模拟器需要在离散网格和多个生产时间步上求解多相渗流方程及井筒控制响应,单次高保真模拟往往需要较长计算时间并占用较多计算资源;随着井数、控制阶段数或地质模型规模增加,可承受的高保真模拟调用次数将受到严格限制。若直接采用依赖大量函数评价的常规进化算法,有限的模拟预算容易被消耗在重复方案或信息增量较低的候选方案上。

4、不同井控制变量通过压力传播和流体运移形成非均匀且随生产状态变化的动态耦合关系。固定井组难以充分利用优化过程中逐步积累的数值模拟数据,而仅依赖井距、流线或工程经验预设井间关系,又可能受到先验偏差影响。采用单一信赖域半径时,局部控制量精细调整与较大范围生产制度切换之间容易失衡;仅依据单一代理采集值选择候选,还可能导致多个高保真模拟方案在决策空间中过度聚集。

5、因此,现需要一种能够将条件混合变量修复、评价档案驱动的井控制变量交互图学习、变量图压缩、多半径分组或坐标混合候选生成、离散与数值双信赖域投影、代理模型分层筛选以及高保真油藏数值模拟反馈更新有机结合,并输出可供油藏工程人员复核及后续数值模拟验证的最优可行生产控制方案的图压缩与多半径双信赖域油藏生产优化方法。

技术实现思路

1、本发明的主要目的在于提供一种图压缩与多半径双信赖域油藏生产优化方法,以解决现有技术中仅依赖单一代理模型进行全局搜索,忽略离散与连续变量的差异化约束,采用固定步长或单一粒度的枚举方式,导致局部细节与全局趋势难以兼顾的问题。

2、为实现上述目的,本发明提供了一种图压缩与多半径双信赖域油藏生产优化方法,具体包括如下步骤:

3、s1,获取待优化油藏的生产系统的条件混合变量模式、油藏数值模拟高保真评价接口、高保真评价预算以及先验交互图,根据条件混合变量模式,对待优化油藏的生产决策向量依次进行归一化编码和可行表示修复。

4、s2,将归一化决策向量、目标评价值和约束评价值写入评价档案,根据评价档案确定最优可行油藏生产决策向量,并以最优可行油藏生产决策向量为中心建立双信赖域。

5、s3,建立学习交互图,将学习交互图与先验交互图进行加权融合得到变量交互图,对变量交互图进行谱嵌入和聚类,获得变量分组。

6、s4,将分组混合变异候选与单坐标探测候选投影至尺度化双信赖域,并依据条件激活规则、变量类型和变量取值域进行可行表示修复,形成候选池。

7、s5,根据目标预测均值和目标预测不确定性计算采集值,并从候选池中分层选择开发候选、不确定性候选和档案远距候选。

8、s6,根据预测改进量和实际改进量计算改进比,依据改进比、实际改进量以及试验候选实际改变的变量类型,分别更新离散半径和数值半径,并在试验候选被接受时更新双信赖域中心。

9、s7,在高保真评价预算尚未耗尽时,基于更新后的评价档案重复执行步骤s3至s6;在高保真评价预算耗尽时,从评价档案中输出最优可行油藏生产决策向量、最优可行油藏生产决策向量的目标评价值和约束评价值,并将最优可行油藏生产决策向量解码为分井、分控制阶段的油藏生产控制方案。

10、进一步地,步骤s1具体包括如下步骤:

11、s1.1,获取待优化油藏生产系统的条件混合变量模式、油藏数值模拟高保真评价接口、高保真评价预算以及先验交互图;

12、待优化油藏的生产系统的混合变量决策向量为:

13、;

14、其中,、、、和分别表示二进制变量子向量、整数变量子向量、连续变量子向量、类别变量子向量和排列变量子向量。

15、s1.2,将生产井与注入井的分阶段控制方案编码为条件混合变量决策向量。

16、s1.3,对于下界为、上界为的整数变量或连续变量,采用下式进行归一化:

17、;

18、其中,为混合变量决策向量中第个变量在生产变量空间中的当前值;为归一化后的当前值。

19、s1.4,完成所有修复后,再次归一化修复后的油藏生产变量。

20、进一步地,步骤s2具体包括如下步骤:

21、s2.1,在条件混合变量模式限定的搜索空间内生成个初始设计。

22、s2.2,每个初始设计均先执行可行表示修复,再调用油藏数值模拟高保真评价接口,每次调用均新增且仅新增一条评价档案的记录,根据评价档案确定最优可行油藏生产决策向量。

23、s2.3,以最优可行油藏生产决策向量为中心建立双信赖域,双信赖域包括离散半径和数值半径。

24、进一步地,步骤s3具体包括如下步骤:

25、s3.1,将评价档案中的归一化决策矩阵记为,其中,为截至第次迭代时评价档案包含的高保真评价记录数;为条件混合变量决策向量的维数;将目标损失的列向量记为,先对的各列中心化并按标准差缩放,得到标准化矩阵,在后附加常数列得到设计矩阵,通过带岭项的线性求解获得加性模型预测值和未被各变量加性主效应解释的目标残差,具体计算公式如下:

26、;

27、;

28、其中,为转置;,为岭正则系数;为单位矩阵。

29、s3.2,根据变量对的中心化乘积特征与目标残差之间的归一化相关强度计算交互强度:

30、;

31、;

32、其中,为第个变量与第个变量的逐元素乘积特征向量,;为各元素的算术平均值;为元素均为1的列向量,;和分别表示评价档案中第个变量和第个变量标准化后的列向量;表示逐元素乘积;表示l2范数;表示取绝对值。

33、进一步地,步骤s3还包括:

34、s3.3,将写入对称邻接矩阵,主对角线设为0,并按矩阵最大元素归一化得到学习交互图。

35、s3.4,将学习交互图与先验交互图进行加权融合,具体融合公式如下:

36、;

37、其中,为先验交互图;为第次更新获得的学习交互图;,表示先验交互图权重;为融合后的变量交互图;没有先验交互图时,令为零矩阵且令。

38、s3.5,令为的度矩阵,计算归一化邻接矩阵:

39、。

40、s3.6,对归一化邻接矩阵进行特征分解,选取前个最大特征值对应的特征向量构成谱嵌入,并对谱嵌入的行向量进行单位范数归一化,再通过确定性聚类获得分组标签,当无正权重边时,按变量索引对取模,形成退化分组。

41、进一步地,步骤s4具体包括如下步骤:

42、s4.1,设半径尺度集合为,其中,为第个半径尺度,第次候选调用使用:

43、;

44、其中,为第个半径尺度;表示半径尺度集合中半径尺度的数量;为取余运算。

45、s4.2,构造尺度化离散半径和尺度化数值半径,为第次迭代时离散信赖域的半径大小;为第次迭代时数值信赖域的半径大小;按照候选生成次序循环采用各半径尺度。

46、s4.3,随机选择一个变量分组,从当前种群中选择父向量和两个不同参考向量和,对于选中的分组内的整数变量或连续变量,构造变异值:

47、;

48、其中,表示指向当前最优向量的权重;表示种群差分权重;为当前最优可行方案中第个变量的值;为参考向量中第个变量的值;为参考向量中第个变量的值。

49、进一步地,步骤s4还包括:

50、s4.4,设置坐标候选比例和确定性配额累计器,每次候选调用将加入确定性配额累计器;当累计值达到1时生成一个单坐标探测候选并将累计值减1,否则生成分组混合变异候选。

51、s4.5,将生成的分组混合变异候选和单坐标探测候选记为投影前候选,将投影到尺度化后的双信赖域,并将投影结果记为,对于离散变量集合,比较投影前候选状态与尺度化双信赖域中心状态,对每个拟发生状态变化的离散变量计算状态变化代价:

52、;

53、其中,为基础变化代价,;为变量置信度;

54、按照从小到大排序,依次保留累计状态变化代价不超过的状态变化,将未被保留的离散变量恢复为中心状态,投影后的离散状态满足:

55、;

56、其中,表示归一化坐标在第个离散变量上对应的离散状态函数;为第次迭代时双信赖域中心的归一化决策向量;为示性函数。

57、s4.6,对于数值变量集合,当时,按照下式进行数值信赖域投影:

58、;

59、其中,为数值投影前候选在数值变量集合上的归一化子向量;为数值投影后的归一化子向量;为第次迭代时双信赖域中心在数值变量集合上的归一化子向量。

60、s4.7,依据条件激活规则、变量类型和变量取值域对投影后的分组混合变异候选和单坐标探测候选再次进行可行表示修复,形成固定数量的候选池。

61、进一步地,步骤s5具体包括如下步骤:

62、s5.1,以评价档案的归一化决策矩阵为输入,以目标损失为输出,通过自助抽样构造高斯径向基函数模型,第个高斯径向基函数模型使用从评价档案有放回抽取的样本索引训练;各高斯径向基函数模型预测的平均值构成目标预测均值,高斯径向基函数模型间的标准差构成第一不确定性分量;

63、当存在简化网格模型、粗时间步模型或其他低保真评价模型时,以高保真目标损失与低保真目标损失之差作为目标残差高斯径向基函数集成模型的训练输出,高保真评价的精度大于低保真评价,计算目标预测均值,具体公式如下:

64、;

65、其中,为从候选池中取出并经筛选得到的归一化候选;为解码并修复后得到的生产决策向量;为低保真目标损失函数;为目标残差高斯径向基函数集成模型输出的预测残差函数;为目标预测均值函数;

66、当无低保真模型时,直接用高保真目标损失训练目标高斯径向基函数集成模型。

67、s5.2,计算归一化候选到评价档案的最近距离,将按档案样本间的距离归一化后构成第二不确定性分量,目标预测不确定性写为:

68、;

69、其中,为高斯径向基函数模型的预测标准差函数;为目标训练值尺度;为档案样本间距离尺度;为距离不确定性系数;为目标预测不确定性函数;

70、每个约束使用相同方式训练独立的约束高斯径向基函数集成模型,得到第个约束的约束预测均值和第个约束的约束预测不确定性。

71、s5.3,计算采集值:

72、;

73、其中,为不确定性系数;为正约束惩罚系数;为取最大值;为约束预测均值函数;为约束预测不确定性函数;为约束总数。

74、s5.4,设每次迭代允许执行次高保真评价,先按采集值从小到大选择个开发候选,再选择尚未入选且目标预测不确定性最大的候选,随后选择尚未入选且到评价档案最近距离最大的候选;如仍未达到,继续按采集值从小到大顺序补足,形成开发候选、不确定性候选和档案远距候选三类信息角色。

75、进一步地,步骤s6具体包括如下步骤:

76、s6.1,将s5.4得到的三类信息角色从归一化空间转换至油藏生产变量空间并再次执行可行表示修复,将经可行表示修复后提交给油藏数值模拟高保真评价接口的混合变量决策向量、混合变量决策向量的归一化决策向量、高保真目标损失、高保真约束评价向量、迭代编号和候选来源写入评价档案。

77、s6.2对于最小化问题,档案记录的惩罚择优值定义为:

78、;

79、;

80、其中,为决策向量的高保真总约束违反量;为第个高保真约束函数;为惩罚择优值函数。

81、s6.3,以评价前最优记录的惩罚择优值为,以本代高保真候选中惩罚择优值最小的记录为试验记录,最小的惩罚择优值为;实际改进量为:

82、;

83、利用评价前的目标高斯径向基函数集成模型或目标残差高斯径向基函数集成模型,以及各约束高斯径向基函数集成模型,分别预测双信赖域中心和试验候选的惩罚择优值,获得预测改进量,当时,计算改进比,具体计算公式如下:

84、;

85、其中,为第次迭代的改进比;当且时,将设为1;当且时,将设为0。

86、进一步地,步骤s6还包括:

87、s6.4,当且时,为第一阈值,若改变离散变量,则将乘以扩张系数并截断至离散半径上限;若改变数值变量,则将乘以扩张系数并截断至数值半径上限;

88、当或时,为第二阈值,仅对实际发生对应类型变化的半径类型乘以收缩系数,并分别截断至离散半径和数值半径下限,当时,使用试验候选更新双信赖域中心,并保留更新后的评价档案、离散半径和数值半径供下一次迭代使用;

89、评价档案在第次迭代时记为:

90、;

91、其中,为第条评价记录中经可行表示修复后提交给油藏数值模拟高保真评价接口的油藏生产决策向量;为在内的归一化编码;为第条评价记录的高保真目标损失;为产生记录的迭代编号;表示初始设计、代理选择或全局探索记录的来源;为第条评价记录的高保真约束评价向量;和满足:

92、;

93、;

94、其中,为第个高保真约束函数;为高保真目标损失函数。

95、本发明具有如下有益效果:

96、本发明通过条件激活判定、默认值回填和排列唯一性修复,将无效编码转换为可由油藏数值模拟接口直接接收的规范化油藏生产决策向量,减少同一油藏生产方案对应多个等价编码所造成的重复高保真评价。

97、本发明通过评价档案目标残差驱动的变量交互图学习和图压缩,将当前档案中表现出耦合关系的井控制变量组织为协同变化单元,使候选生成具有明确的数据依据,并可在新增高保真评价后重新计算变量分组,以适应生产状态变化引起的动态耦合关系。

98、本发明在不增加每代固定候选数量的情况下,对多个信赖域尺度进行循环分配,并把分组混合变异与确定性单坐标探测组合起来,使同一候选池同时包含不同邻域尺度和不同改变粒度的候选。

99、本发明通过离散信赖域和数值信赖域分别实施投影,避免采用同一种距离同时度量井启停、控制模式等离散状态变化与注采控制量等连续数值变化;再根据候选实际改变的变量类型选择性地更新对应半径,使反馈更新与候选所执行的变量操作相对应。

100、本发明通过采集值开发、不确定性探索和档案远距探索的分层候选选择,把有限高保真评价分配给不同信息角色;通过高保真评价反馈更新代理模型、评价档案和双信赖域,形成可在严格预算下终止的闭环计算过程。