适用于油藏自动历史拟合以及不确定性量化的卷积递归混合深度学习代理模型

近日，张凯团队在油藏自动历史拟合研究领域取得新进展，相关研究成果在期刊Journal of Petroleum Science and Engineering上发表，论文题为《A novel hybrid recurrent convolutional network for surrogate modeling of history matching and uncertainty quantification》（一种新颖的混合递归卷积网络用于自动历史拟合和不确定性量化代理建模）。

创新性：油藏数值模拟的计算耗时是自动历史拟合求解面临的关键挑战，近年来基于深度学习的代理建模方法被广泛研究，但大多数是基于图像到图像的回归框架。本研究基于图像到序列的代理建模框架，整合残差卷积网络和多层递归神经网络构建油藏数值模拟的高精度代理模型，有效增强了代理建模的精度和效率，并介绍了一种多模态的分布式估计求解算法应用于自动历史拟合求解，可以有效解决自动历史拟合面临的多解性难题。

中文摘要：自动历史拟合能够为油藏开发和管理提供可靠的数值模型，在石油工程领域中得到了广泛的研究和应用。然而，自动历史拟合在求解过程中通常需要运行大量耗时的数值模拟，是一个具有挑战性的问题。针对这一问题，本文研究了一种用于自动历史拟合求解的油藏数值模拟代理建模的混合递归卷积网络模型HRCN，是端到端可训练的，可用于高维参数油田的油井生产数据预测。在HRCN中，首先基于卷积神经网络对输入的地质参数场提取高层级的空间特征表示。然后构建了一个递归神经网络建模复杂的时间动态和预测对应的生产数据。此外，考虑到生产数据的波动受井控措施影响，将井控参数作为辅助输入。提出的代理模型与多模态分布估计算法相结合形成了基于代理的自动历史拟合求解方法。在2D和3D油藏模型上进行的数值研究说明了所提出的代理模型和历史拟合求解方法的性能，与仅使用数值模拟的自动历史拟合求解方法相比，基于代理的自动历史拟合求解方法大幅度降低了计算成本。

Journal of Petroleum Science and Engineering涵盖了石油和天然气的勘探、生产和流动领域，包括：油藏工程；油藏模拟；岩石力学；岩石物理学；孔隙级现象；测井、测试和评估；数学建模；提高油气采收率；流体力学;多孔介质中的多相流；生产工程；形成评估；勘探方法；地质构造/地下的二氧化碳封存等。该期刊最新影响因子为4.346，近3年平均影响因子IF为3.646，JCR分区为Q1区，中科院工程技术大类2区。

文章链接：

https://doi.org/10.1016/j.petrol.2022.110109

引用格式：

 Xiaopeng Ma, Kai Zhang, Jinding Zhang, et al. A novel hybrid recurrent convolutional network for surrogate modeling of history matching and uncertainty quantification[J]. Journal of Petroleum Science and Engineering, 2022, 210: 110109.