近日，张凯团队在油藏注采关系表征研究领域取得新进展，相关研究成果在期刊Mathematics上发表，论文题为《Reservoir Characterization and Productivity Forecast Based on Knowledge Interaction Neural Network》（基于知识交互神经网络的油藏表征和产量预测）。

创新性：基于传统的机器学习算法的油藏注采关系表征，因为模型构建过程没有引入物理知识，模型参数不具有实际物理含义，因此最终的表征结果的可靠性和泛化性一直受到质疑。本研究针对上述难题，提出了水驱油藏渗流物理知识与人工神经网络模型相耦合的学习框架，从而提升模型参数的可解释性以及注采表征结果的鲁棒性。基于油藏的注采物质平衡方程，模型构建了具有明确物理内涵的透明化模块，在物理知识的指导之下相互协作完成对注采过程的模拟。该方法在注采表征和产量预测问题上表现出了较高的精度，在噪音及关井场景下的稳定性分析中也具有很好的鲁棒性。

中文摘要：油藏特征分析的目的是对注入-产出关系进行分析和量化，是油田生产管理的基础工作。注采井之间的连通关系主要受油藏地质属性（尤其是渗透率）的影响，但是由于渗透率等参数在油藏中具有很强的非均质性，因此注采井之间的连通关系分析存在极大的不确定性。油藏数值模拟器能够对注采关系进行精准建模，但建模过程需要大量的地质参数，经济和时间成本高昂，因此难以在油田进行大范围部署。数据驱动的模型（物理模型和机器学习模型）是根据观测到的注采动态数据（如注采速率和压力数据），基于一系列的非线性变换或特定的物理方程计算来构建注采信号之间的映射关系。然而，由于机器学习方法的“黑箱”特征，以及物理模型的约束和假设条件，数据驱动的方法往往面临着可解释性或者可推广性较差的挑战。为了解决这些问题，我们提出了将水驱开发过程的注采物质平衡方程与人工神经网络（ANN）相结合的知识交互神经网络（KINN）。该网络模型在注采物质平衡方程的指导下，通过三个具有明确物理意义的模块协同工作来模拟注采过程。此外，我们还构建了一个具有稀疏性的门值函数对注采井之间的连通强度进行定量表征，从而识别注采单元之间的高渗通道。基于水驱油藏物理知识与人工神经网络算法相耦合的机器学习框架，知识交互神经网络同时具备强大的非线性映射能力和优秀的模型可解释性。在三个油藏仿真实验测试中，知识交互神经网络表现出了比经典的人工神经网络算法更精确的注采关系表征性能和更高的产量预测精度，证明了知识交互神经网络的有效性。同时，通过对测量噪声和关井场景的敏感性分析，我们也验证了所提出算法的稳健性。

Mathematics涵盖了数学和应用数学，关于不同数学分支的当前趋势、新的理论技术和新的数学工具的文章。该期刊最新影响因子为2.592，近5年平均影响因子IF为2.542，JCR分区为Q1区，中科院工程技术大类3区。

文章链接：

https://doi.org/10.3390/math10091614

引用格式：

Jiang Y, Zhang H, Zhang K, et al. Reservoir Characterization and Productivity Forecast Based on Knowledge Interaction Neural Network [J]. Mathematics, 2022, 10(9): 1614.