创新性：自动历史拟合求解涉及调用大量的油藏数值模拟计算，而单次油藏数值模拟计算往往需要数分钟乃至数小时。因此，近年来基于深度学习方法构建油藏数值模拟模型的高精度代理模型方法在自动历史拟合领域得到广泛关注。本研究针对自动历史拟合问题中数值模拟大多情形下是从高维参数场计算对应的油水井生产数据的特点，提出了从空间到时间序列的代理建模框架，在反演建模领域属首次提出。

中文摘要：替代模型在油气开发历史拟合问题的求解中取得了良好的效果，但传统的替代模型难以直接处理渗透率场等高维空间不确定参数。本文介绍了一种基于深度学习的代理建模框架——图像到序列回归，该框架可以直接从高维空间参数预测生产数据。具体而言，基于密集连接卷积神经网络(CNN)模型和层叠多层长短时记忆(LSTM)模型，提出了时空卷积递归神经网络代理模型。然后，将所提出的代理模型与改进的集成平滑数据同化算法相结合，开发了基于代理的历史匹配工作流。对二维和三维油藏模型的两个实例研究表明，所提出的代理模型能够有效地预测生产数据，提高了历史拟合的效率。

SPE Journal期刊涵盖了石油和天然气勘探和生产工程的各个方面的新理论和新兴概念，包括钻井和完井、地质力学、生产和设施、油田化学、二氧化碳封存和注入、储层评价和工程、数值模拟、数据分析、经济、安全、环境和可持续性等。该期刊最新影响因子为3.478，近3年平均影响因子IF为3.315，JCR分区为Q1区，中科院工程技术大类3区。

文章链接：

doi: https://doi.org/10.2118/208604-PA

引用格式：

Xiaopeng Ma, Kai Zhang, Jian Wang, et al. An Efficient Spatial-Temporal Convolution Recurrent Neural Network Surrogate Model for History Matching [J]. SPE Journal, 2022, 27(02): 1160-1175.