一种融合递归潜空间更新与代理模型精修的深度学习辅助油藏历史拟合方法

摘要: 本发明涉及人工智能与油藏工程,尤其涉及一种融合递归潜空间更新与代理模型精修的深度学习辅助油藏历史拟合方法。背景技术:1、油藏历史拟合通常利用生产井产油速率(wo...
一种融合递归潜空间更新与代理模型精修的深度学习辅助油藏历史拟合方法

本发明涉及人工智能与油藏工程,尤其涉及一种融合递归潜空间更新与代理模型精修的深度学习辅助油藏历史拟合方法。

背景技术:

1、油藏历史拟合通常利用生产井产油速率(wopr)、产水速率(wwpr)等动态观测资料,对不确定的储层地质参数进行约束。由于网格尺度待估参数的数量通常远大于独立生产观测信息,同时渗透率场与井响应之间存在显著的非线性关系,不同渗透率分布可能在有限观测期内产生相近的生产动态。因此,历史拟合本质上是一个高维、非线性且具有明显多解性的反问题。

2、自动历史拟合方法主要包括梯度优化方法和集合数据同化方法。其中,集合平滑多次数据同化方法(es-mda)在油藏历史拟合中得到了广泛应用。为降低待更新参数的维数,现有研究进一步采用离散余弦变换、主成分分析(pca)、卷积自编码器、生成对抗网络以及扩散模型等方法,将高维地质模型映射至低维空间,再结合集合平滑或优化算法进行参数更新。这类低维地质参数化方法在保持通道连续性、描述非高斯相带以及大型地质模型更新等方面取得了较多进展。但是,低维参数化只是减少了搜索空间,并没有消除历史拟合问题的多解性;无论是在原始网格空间还是潜空间中进行更新,传统方法通常仍需反复调用多相流数值模拟器,因此大量正演计算依然是集合更新和样本级优化中的主要计算瓶颈。

3、深度学习代理模型为降低正演计算成本提供了一种有效途径,也逐渐被直接用于历史拟合和地下参数反演。直接反演网络能够快速给出与观测数据相关的地质估计,但一次性前向预测本身并不会显式利用当前候选地质模型产生的生产动态与真实观测之间的残差,因此样本级预测误差无法进一步反馈修正。相反,通过可微正演代理直接优化地质潜变量,可以显著降低每个测试样本的生产动态失配,但这类方法通常依赖初始潜变量,并需要进行较多的样本级迭代计算。总体而言,现有研究更多关注直接逆映射、生成式地质参数化,或将低维地质变量与集合数据同化方法结合,而对于如何在最终优化之前,利用生产动态残差学习连续的地质参数修正规律,仍缺少较系统的研究。换言之,快速的数据驱动反演和基于残差的局部优化之间仍存在一定方法空缺:前者缺少多次正演响应反馈,后者则没有充分利用训练数据中可学习的生产失配—地质参数更新关系。

技术实现思路

1、本发明的目的是解决上述现有技术存在的问题。

2、为实现以上目的,本发明提供了一种融合递归潜空间更新与代理模型精修的深度学习辅助油藏历史拟合方法,包括以下步骤:

3、s1、构建conv-stem transolver正演代理模型:以完整归一化对数渗透率场为输入,结合空间坐标、井位与完井确定性条件,经卷积空间编码模块提取储层局部空间特征并生成空间标记;通过physics-attention机制将空间标记软聚合为切片标记,在切片空间完成跨区域注意力交互后映射回原空间标记;基于井条件特征与空间特征进行井-空间交叉注意力提取与各井响应相关的空间信息,结合时间编码生成井-时间动态特征;采用低秩主体与井时残差联合的方式重建多井产油速率和产水速率的标准化生产响应;

4、s2、训练正演代理模型并冻结网络参数:使用训练集完成正演代理模型训练后,冻结正演代理模型的全部网络参数,保留生产响应关于地质潜变量的计算梯度;

5、s3、建立logk-pca地质潜空间参数化:基于训练集的对数渗透率场构建主成分分析参数化体系,确定训练均值、主成分基矩阵与主成分得分标准差矩阵,将完整对数渗透率场映射为标准化地质潜变量,并确定对应的解码算子;所述logk-pca地质潜空间与正演代理模型内部的生产响应低秩表示空间相互独立;

6、s4、生产残差驱动的递归潜空间更新:通过双向gru初始化器对历史段标准化生产响应序列进行编码,生成初始地质潜变量;依次遍历各时间窗口:将当前地质潜变量经解码算子恢复为完整对数渗透率场,输入冻结的正演代理模型,得到当前窗口对应的标准化预测生产响应;计算当前窗口内观测生产响应与标准化预测生产响应的标准化生产残差;将当前地质潜变量、标准化生产残差、归一化循环位置、已处理观测比例与上一时刻循环状态共同输入grucell,更新得到当前循环状态;基于当前循环状态与当前地质潜变量生成有界潜变量增量,叠加后得到下一窗口的地质潜变量;遍历全部时间窗口后,得到递归最终潜变量;

7、s5、地质锚定的潜空间精修:以递归最终潜变量为地质锚点,构建包含历史响应误差项、递归锚定项与潜变量先验项的目标函数;以递归最终潜变量为迭代起点,在冻结的正演代理模型上对地质潜变量进行短程迭代精修,每步迭代后对潜变量进行数值范围截断;选取迭代轨迹中目标函数值最小的潜变量作为最优潜变量,经解码算子恢复为与历史生产动态匹配的完整对数渗透率场,并由同一冻结正演代理模型计算历史段和预测段生产动态。

8、进一步的,步骤s1中,所述卷积空间编码模块采用与油藏模型维度对应的二维或三维卷积结构,由卷积层、组归一化层、gelu激活层及残差块组成,生成空间标记时叠加坐标编码;

9、所述physics-attention机制具体包括:通过可学习投影将输入空间标记映射为软分配矩阵,经softmax归一化后,对空间标记进行加权聚合得到切片特征;在切片特征空间内执行多头自注意力计算,得到更新后的切片特征;通过软分配矩阵将更新后的切片特征映射回原空间标记维度,经残差连接与前馈网络得到最终空间特征。

10、进一步的,步骤s1中,低秩主体与井时残差联合重建具体为:以训练集生产响应统计得到的低秩基与全局响应系数的乘积作为低秩主体,以井-时间动态特征经输出层映射得到的结果作为井时残差,低秩主体与井时残差联合得到标准化生产响应。

11、进一步的,步骤s2中,正演代理模型的训练损失函数由均方误差项、smooth-l1误差项与相邻时间步变化约束项加权组成;训练采用adamw优化器。

12、进一步的,步骤s4中,所述标准化生产残差在最后一个时间窗口长度不足时进行零填充处理;所述有界潜变量增量通过有界激活函数映射至预设增量范围内。

13、进一步的,步骤s4中,双向gru初始化器、grucell 与潜变量增量网络采用联合训练的方式,训练损失函数由最终状态误差项、初始化误差项、递归路径误差项、历史响应一致性项与潜变量先验项加权组成;训练过程采用混合起点增强更新器,分别从双向gru初始化、零潜变量、训练集随机潜变量开始递归更新。

14、进一步的,步骤s5中,所述目标函数具体为:

15、;

16、其中,为历史响应误差项,为历史段观测生产响应与预测生产响应的均方误差;为递归锚定项,为当前潜变量与递归最终潜变量的均方误差;为潜变量先验项,为当前潜变量的二范数平方惩罚;为锚定项权重系数,为先验项权重系数。

17、进一步的,步骤s5中,对地质潜变量进行短程迭代精修采用adam 优化器,迭代步数为90步,初始学习率为0.03,锚定项权重系数取值为0.01,先验项权重系数取值为0.001;每步迭代后将地质潜变量截断至[-5,5]区间。

18、进一步的,将油藏生产周期的前50%时间步划分为历史段,用于地质参数反演;后50%时间步划分为预测段,仅用于反演结果的外推能力评价,不参与参数更新。本发明采用上述一种融合递归潜空间更新与代理模型精修的深度学习辅助油藏历史拟合方法,有益效果如下:

19、(1)本发明构建了以conv-stem transolver为核心的正演代理模型,并采用完整归一化logk场作为主要输入,通过卷积空间编码、physics-attention、井条件查询及“低秩主体—井时残差”联合解码,实现了多井wopr和wwpr的快速预测;

20、(2)本发明提出递归潜空间更新与代理模型精修相结合的历史拟合策略。通过将历史生产动态划分为连续时间窗口,根据冻结正演代理返回的生产残差递归修正地质潜变量,并以递归结果作为地质锚点进行短程潜空间精修,实现了生产动态约束与地质先验约束的协同优化;