【技术实现步骤摘要】
本专利技术涉及人工智能预测和油田开发，特别涉及一种基于物理约束神经网络的剩余油分布预测方法和装置。
技术介绍
1、注水开发是二次采油中最常见的技术之一，它通过向油层注水来增加地层压力，以此提升采油效率。然而，经过多年开采的油田已经进入了高含水阶段，平均含水率较高，甚至可能超过了90%，导致水驱效果下降和无效水循环加剧，使得注水提油的成效不佳。另外，油田中剩余油的分布非常复杂，通常呈现为广泛分散与局部集中相结合的模式。准确掌握油田内剩余油的分布对于剩余油深入挖潜和提升水驱采收效率至关重要，因而开发出一种能快速准确预测油藏剩余油分布的方法，是实现油田高效开采的关键因素之一。
2、目前，数值模拟是预测油藏剩余油分布的主流方法，但是这种方法在建模和计算效率上存在挑战，特别是对于整个油田或大区块的模拟，可能需要数天甚至更长时间来完成一次模拟，难以适应生产历史拟合和开发调整的需求。
3、最近，随着大量油田实际生产数据的积累和神经网络代理模型的开发，为自动化历史拟合提供了新的途径。代理模型旨在替代传统的数值模拟器，它通过分析地质参数（如渗透率）与模型动态反应（如饱和度变化）之间的关系，从输入数据中提取特征，并建立输入与输出数据之间的映射。代理模型能显著缩短预测时间和提升处理速度，然而，其计算精度却一般。迫切需要一种更加快速且精确的剩余油分布预测方法，实现剩余油分布的高精度预测。
技术实现思路
1、为了丰富工艺路线，增加选择空间，本专利技术实施例提供一种基于物理约束神经网络
2、第一方面，本专利技术实施例提供一种基于物理约束神经网络的剩余油分布预测方法，包括：
3、将目标区块的储层物性数据、注水开发方案数据和时间步长输入剩余油分布时序预测模型，根据模型的输出结果得到剩余油分布时序数据，所述剩余油分布时序预测模型通过下述方式预先建立：
4、基于所述目标区块的地质模型，通过数值模拟获取不同储层物性图像下的注水开发方案和剩余油分布图像的时序数据，针对相同的注水开发方案的时序数据和储层物性图像，将储层物性图像与对应的剩余油分布图像的时序数据一一拼接，得到拼接后的时序图像，结合该注水开发方案的时序数据得到新的时序数据，作为一个样本，得到样本集；
5、将所述样本集输入选定神经网络，所述神经网络在预测网络的基础上嵌入数据处理网络，所述数据处理网络包含物理条件卷积计算层、图像卷积计算层和数据融合层，利用所述物理条件卷积计算层对样本中的注水开发方案的时序数据进行特征提取和上采样，得到注水开发方案卷积特征，利用所述图像卷积计算层对拼接后的时序图像进行特征提取，得到图像卷积特征，通过所述数据融合层得到注水开发方案卷积特征和图像卷积特征的融合特征，利用所述数据处理网络的输出数据对所述预测网络进行训练，得到剩余油分布时序预测模型。
6、第二方面，本专利技术实施例提供一种基于物理约束神经网络的剩余油分布预测模型建立方法，包括：
7、基于目标区块的地质模型，通过数值模拟获取不同储层物性图像下的注水开发方案和剩余油分布图像的时序数据；
8、针对相同的注水开发方案的时序数据和储层物性图像，将储层物性图像与对应的剩余油分布图像的时序数据一一拼接，得到拼接后的时序图像，结合该注水开发方案的时序数据得到新的时序数据，作为一个样本，得到样本集；
9、将所述样本集输入选定神经网络，所述神经网络在预测网络的基础上嵌入数据处理网络，所述数据处理网络包含物理条件卷积计算层、图像卷积计算层和数据融合层，利用所述物理条件卷积计算层对样本中的注水开发方案的时序数据进行特征提取和上采样，得到注水开发方案卷积特征，利用所述图像卷积计算层对拼接后的时序图像进行特征提取，得到图像卷积特征，通过所述数据融合层得到注水开发方案卷积特征和图像卷积特征的融合特征；
10、利用所述数据处理网络的输出数据对所述预测网络进行训练，得到剩余油分布时序预测模型。
11、第三方面，本专利技术实施例提供一种基于物理约束神经网络的剩余油分布预测装置，所述装置包括：存储器和处理器；所述存储器用于基于物理约束神经网络的剩余油分布预测的程序，所述处理器用于读取执行所述程序，执行上述基于物理约束神经网络的剩余油分布预测方法。
12、第四方面，本专利技术实施例提供一种基于物理约束神经网络的剩余油分布预测模型建立装置，所述装置包括：存储器和处理器；所述存储器用于基于物理约束神经网络的剩余油分布预测模型建立的程序，所述处理器用于读取执行所述程序，执行上述基于物理约束神经网络的剩余油分布预测模型建立方法。
13、第五方面，本专利技术实施例提供一种计算机存储介质，所述计算机存储介质中存储有计算机可执行指令，所述计算机可执行指令被处理器执行时实现上述基于物理约束神经网络的剩余油分布预测方法，或实现上述基于物理约束神经网络的剩余油分布预测模型建立方法。
14、本专利技术实施例提供的上述技术方案的有益效果至少包括：
15、本专利技术实施例提供的基于物理约束神经网络的剩余油分布预测方法，以储层物性和注水开发方案为油藏动态变化过程的物理约束条件，采用时序图像预测方法建立了注水开发剩余油分布时序预测模型，利用物理条件卷积计算层提取注水开发方案的主要特征，利用图像卷积计算层提取储层属性场和剩余油分布的主要特征，利用数据融合层实现不同维度数据特征融合，建立多通道特征融合计算网络，实现注水开发剩余油分布快速预测。相对于传统的数值模拟方法及其他神经网络剩余油预测模型，本方法极大降低了计算耗时，且能够详细描述剩余油变化过程，为注水开发油藏动态演化规律分析提供有效支持。
16、本专利技术的其它特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本专利技术而了解。本专利技术的目的和其他优点可通过在所写的说明书、权利要求书、以及附图中所特别指出的结构来实现和获得。
17、下面通过附图和实施例，对本专利技术的技术方案做进一步的详细描述。
本文档来自技高网...【技术保护点】
1.一种基于物理约束神经网络的剩余油分布预测方法，其特征在于，包括：
2.如权利要求1所述的方法，其特征在于，所述基于所述目标区块的地质模型，通过数值模拟获取不同储层物性图像下的注水开发方案和剩余油分布图像的时序数据，包括：
3.如权利要求1所述的方法，其特征在于，所述将储层物性图像与对应的剩余油分布图像的时序数据一一拼接前，还包括：
4.如权利要求3所述的方法，其特征在于，所述将储层物性图像和对应的剩余油分布图像调整为设定尺寸的图像，包括：
5.如权利要求4所述的方法，其特征在于，所述利用所述物理条件卷积计算层对样本中的注水开发方案的时序数据进行特征提取和上采样，得到注水开发方案卷积特征，包括：
6.如权利要求5所述的方法，其特征在于，所述得到融合特征，包括：
7.如权利要求1所述的方法，其特征在于，所述物理条件卷积计算层，包括两层卷积处理层，每层的输入和输出通道数均为1，卷积核尺寸为3×3，步长设置为1，且填充大小为1；
8.如权利要求1所述的方法，其特征在于，所述选定神经网络为ConvLST
9.如权利要求1所述的方法，其特征在于，所述利用所述数据处理网络的输出数据对所述预测网络进行训练前，还包括：
10.如权利要求1～9任一项所述的方法，其特征在于，所述样本集中的储层物性图像为分层储层物性图像，所述样本集中的剩余油分布图像为分层剩余油分布图像。
11.一种基于物理约束神经网络的剩余油分布预测模型建立方法，其特征在于，包括：
12.一种基于物理约束神经网络的剩余油分布预测装置，其特征在于，所述装置包括：存储器和处理器；所述存储器用于基于物理约束神经网络的剩余油分布预测的程序，所述处理器用于读取执行所述程序，执行权利要求1～10任一项所述的基于物理约束神经网络的剩余油分布预测方法。
13.一种基于物理约束神经网络的剩余油分布预测模型建立装置，其特征在于，所述装置包括：存储器和处理器；所述存储器用于基于物理约束神经网络的剩余油分布预测模型建立的程序，所述处理器用于读取执行所述程序，执行权利要求11所述的基于物理约束神经网络的剩余油分布预测模型建立方法。
14.一种计算机存储介质，其特征在于，所述计算机存储介质中存储有计算机可执行指令，所述计算机可执行指令被处理器执行时实现权利要求1～11任一所述的方法。
...【技术特征摘要】
1.一种基于物理约束神经网络的剩余油分布预测方法，其特征在于，包括：
2.如权利要求1所述的方法，其特征在于，所述基于所述目标区块的地质模型，通过数值模拟获取不同储层物性图像下的注水开发方案和剩余油分布图像的时序数据，包括：
3.如权利要求1所述的方法，其特征在于，所述将储层物性图像与对应的剩余油分布图像的时序数据一一拼接前，还包括：
4.如权利要求3所述的方法，其特征在于，所述将储层物性图像和对应的剩余油分布图像调整为设定尺寸的图像，包括：
5.如权利要求4所述的方法，其特征在于，所述利用所述物理条件卷积计算层对样本中的注水开发方案的时序数据进行特征提取和上采样，得到注水开发方案卷积特征，包括：
6.如权利要求5所述的方法，其特征在于，所述得到融合特征，包括：
7.如权利要求1所述的方法，其特征在于，所述物理条件卷积计算层，包括两层卷积处理层，每层的输入和输出通道数均为1，卷积核尺寸为3×3，步长设置为1，且填充大小为1；
8.如权利要求1所述的方法，其特征在于，所述选定神经网络为convlstm网络；
9.如权利要求1所述的方法，其特征在...
【专利技术属性】
技术研发人员：刘合，李国欣，贾德利，黄有泉，许建国，
申请(专利权)人：中国石油集团科学技术研究院有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。