近日，张凯团队在井间连通性分析研究领域取得新进展，相关研究成果在期刊Water上发表，论文题为《Waterflooding Interwell Connectivity Characterization and Productivity Forecast with Physical Knowledge Fusion and Model Structure Transfer》（利用物理知识融合和模型结构迁移进行井间连通性分析和产量预测）。

创新性：对于特定的油藏而言，储层的岩石物理性质存在一定的连续性和各向同性，因此注采单元之间的动态响应特征也具有一定相似性。为了提升模型对于不同注采单元关联特性的学习能力，本文借鉴了迁移学习理论来继承不同注采井组的学习经验，并引入了注采井的压力特征作为模型输入，从而有效提高了模型对注采特征信息的利用率和模型的训练效率。

中文摘要：水驱油藏井间连通性表征是油田开发的基础性工作，旨在反演注水井和生产井之间的高导流通道。本文基于物质平衡方程的微分方程，提出了物理知识融合神经网络（PKFNN），该模型针对注水项、控制体积内的流体变化项和产液项分别构建了对应的物理模块，从而赋予了人工神经网络（ANN）强大的可解释性。通过在模型训练过程中引入迁移学习机制，物理知识融合神经网络可以继承从不同的注采单元中学到的注采信号响应关系，充分提高了模型的训练效率。本文通过油藏仿真实验，验证了所提出模型在产量预测和井间连通性反演问题上的有效性，同时通过对比试验验证了迁移学习策略可以有效提升模型的训练速度和模拟精度。

Water涵盖了水科学、技术、管理和治理领域，包含了水文和水力学、洪水风险、水生态系统和水和废水处理等方面的文章。该期刊最新影响因子为3.530，近5年平均影响因子IF为3.628，JCR分区为Q2区，中科院工程技术大类3区。

文章链接：

https://doi.org/10.3390/w15020218

引用格式：

Jiang Y, Zhang H, Zhang K, et al. Waterflooding Interwell Connectivity Characterization and Productivity Forecast with Physical Knowledge Fusion and Model Structure Transfer [J]. Water, 2023, 15(2): 218.