背景介绍：渗透率和孔隙度等空间变化的地质特性是油藏数值模拟中不确定性的主要来源。这种不确定性使得数值模型很难有效模拟地下流体。为了减少地质性质的不确定性，人们广泛研究了历史拟合或数据同化方法。基于贝叶斯概率推断，历史拟合方法可以通过将静态油藏信息与动态生产观测数据相结合来估计空间变化的地质性质参数，为油藏开发和管理提供可靠的数值模型。

然而，在实际应用中，高维、多解和计算成本是制约历史匹配方法应用的关键因素，如何有效地求解这样一个计算量大、多解的反问题仍然是科学和工程领域的一个挑战性问题。

近年来，基于深度学习的代理模型与抽样算法相结合的方法在历史匹配中得到了广泛的研究，以克服其局限性。考虑到现实世界中的大型油藏往往具有数十万甚至数百万基于网格的不确定性参数，使用卷积神经网络提取空间特征需要大量的计算成本和存储需求。

突破创新：鉴于上述问题，张凯教授团队在向量到序列建模框架下提出了一个基于RNN的多层替代模型结构，用于历史匹配问题。此外，我们还根据历史匹配中生产数据的特点设计了生产数据的一种归一化方法，能显著提高大型油藏历史匹配的计算效率。该工作以《A vector-to-sequence based multilayer recurrent network surrogate model for history matching of large-scale reservoir》发表于《Journal of Petroleum Science and Engineering》。

文章内容简介：该研究主要集中于如何使用递归神经网络（RNN）构建历史匹配的替代模型。提出一种基于矢量到序列建模框架的多层RNN代理模型。建立带门控递归单元（GRU）的多层RNN代理模型，称为MLGRU，用于近似地质实现的特征向量到生产数据的映射。多层结构可以使预测更加稳健，增加GRU中的神经元数量可以有效提高学习能力。此外，为生产数据设计一种基于日志变换的加窗归一化（LTWN）方法，可以增强生产数据的可学习性和特征，有效地降低计算量，获得满意的反演结果。

图1  MLGRU代理模型的体系结构

图2  GRU示意图

图3基于代理项的历史匹配方法

论文信息：该工作以《A vector-to-sequence based multilayer recurrent network surrogate model for history matching of large-scale reservoir》发表于《Journal of Petroleum Science and Engineering》上。论文通讯作者为中国石油大学（华东）张凯教授，第一作者为中国石油大学（华东）马小鹏。这项工作得到了中国国家自然科学基金、山东省自然科学基金、中央大学基础研究基金、中国石油天然气集团公司重大科技项目、山东省高校青年创新科技支持计划、国家科技重大项目、111项目的资助。

引用：Ma X, Zhang K, Zhao H, et al. A vector-to-sequence based multilayer recurrent network surrogate model for history matching of large-scale reservoir[J]. Journal of Petroleum Science and Engineering, 2022, 214: 110548.

文章链接：https://doi.org/10.1016/j.petrol.2022.110548