尽管研究人员已经使用了蒙特卡罗方法、基于集合的方法和优化算法等多种方法进行历史拟合，但裂缝性油藏的历史拟合仍然具有挑战性。关键的挑战是如何有效地表示裂缝网络和应对大量的油藏模型参数。随着裂缝数量的增加，变量维度变大，导致裂缝反演的计算工作量增加。本文提出了一种新的多尺度裂缝网络表征方法，以及一种强大的模型参数自编码器降维方法。裂缝网络的表征方法取决于裂缝的长度、方向和位置，包括大尺度和小尺度裂缝。为了显著降低参数的维数，深度稀疏自编码器(deep sparse autoencoder, DSAE)通过编码和解码将输入转换为低维潜在变量。结合贪婪分层算法，建立DSAE，将潜在变量作为优化变量。具有较少激活节点的DSAE的性能较好，因为它减少了输入的冗余信息并避免了过拟合。然后，我们采用集成平滑多数据同化(ES-MDA)来解决这个最小化问题。并与无降维方法和主成分分析方法(PCA)进行了对比，在3个历史拟合实例中进行了验证。数值模拟结果表明，该方法能够简化裂缝网络，在更新过程中保持裂缝分布，提高与天然裂缝性油藏历史拟合质量。

含油饱和度图比较:(a) 初始模型;(b) 历史拟合模型;