油藏渗流物理和数据联合驱动的深度神经网络模型

TE319; 深度学习已被广泛应用于油气田开发领域的各个方面,但是纯数据驱动的深度学习模型存在数据需求量大、预测能力不稳定和泛化能力弱等问题,而且模型无法考虑数据背后蕴藏的物理规律.针对油藏压力动态预测问题,建立了油藏渗流物理和数据联合驱动的压力场预测深度神经网络模型,将非均质油藏渗流数学模型以正则化的形式加入到损失函数中,使得模型既能够服从数据训练的结果,又遵守渗流物理方程的约束.结果表明:联合驱动的深度神经网络模型可以实现压力场数据的高效学习和准确预测.对比纯数据驱动的深度神经网络模型,联合驱动的深度神经网络模型预测值与参考值的误差可降低93.1％,决定系数提高20.3％.在观测数据具有噪...

Full description

Saved in:

Bibliographic Details
Published in:	油气地质与采收率 Vol. 29; no. 1; pp. 145 - 151
Main Authors:	薛亮, 戴城, 韩江峡, 杨明瑾, 刘月田
Format:	Journal Article
Language:	Chinese
Published:	中国石油大学(北京)石油工程学院,北京102249%中国石化石油勘探开发研究院,北京100083 2022 中国石油大学(北京)油气资源与探测国家重点实验室,北京102249
Subjects:	深度神经网络;渗流物理;非均质性;正则化;损失函数
Online Access:	Get full text
Tags:	Add Tag No Tags, Be the first to tag this record!

Description
Summary:	TE319; 深度学习已被广泛应用于油气田开发领域的各个方面,但是纯数据驱动的深度学习模型存在数据需求量大、预测能力不稳定和泛化能力弱等问题,而且模型无法考虑数据背后蕴藏的物理规律.针对油藏压力动态预测问题,建立了油藏渗流物理和数据联合驱动的压力场预测深度神经网络模型,将非均质油藏渗流数学模型以正则化的形式加入到损失函数中,使得模型既能够服从数据训练的结果,又遵守渗流物理方程的约束.结果表明:联合驱动的深度神经网络模型可以实现压力场数据的高效学习和准确预测.对比纯数据驱动的深度神经网络模型,联合驱动的深度神经网络模型预测值与参考值的误差可降低93.1％,决定系数提高20.3％.在观测数据具有噪声的情况下,联合驱动的深度神经网络模型仍然可以保持较高的稳定性,具有较强的抗噪能力.
ISSN:	1009-9603
DOI:	10.13673/j.cnki.cn37-1359/te.2022.01.018