近日，张凯团队在水驱油藏井间流动非均衡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《An Interpretable Recurrent Neural Network for Waterflooding Reservoir Flow Disequilibrium Analysis》（基于可解释递归神经网络的水驱油藏流动不平衡性分析）。

创新性：我们提出了一种可解释的递归神经网络（IRNN）来模拟水驱油藏注采过程，并仅使用注采速率和井底压力数据来表征水驱开发油藏中的井间流动非均衡性。IRNN建立在注采物质平衡方程的基础上，通过水驱油藏的物理知识指导网络的学习过程。在时间尺度上，为了提高注采历史信息的利用效率，IRNN中采用了门控递归单元（GRU）模块，能够考虑油藏注采历史对当前学习任务的影响。此外，IRNN采用了注意力机制模块来处理不同注采单元的数据，使模型能够聚焦于重要的注采单元所包含的信息，从而提升了IRNN在油藏空间尺度上对流体动力学特征的捕捉能力。同时，模型的损失函数中考虑了油藏的边界约束，以保证非均衡性表征结果的合理性。

中文摘要：在水驱油藏的开发过程中，反演储层流体的流动分布情况，从而对高渗透层采取堵水调剖等措施，调整油藏的水动力学特性，对油田管理具有重要意义。在本文中，我们提出了一种基于物质平衡方程的可解释递归神经网络（IRNN），以表征井间流动非均衡性，并对生产井的产液速率和含水率等生产信号进行预测。IRNN由两个可解释的模块构建而成，其中流入模块旨在计算从所有注水井流向各个生产井的总流入速率，而水侵模块旨在近似生产井控制体积内的流体变化速率。在空间尺度上，IRNN采用了自注意力机制，从而使模型能够聚焦于对学习任务重要的注采信号，并减少冗余或对学习任务有害的注采信息的影响，从而有效地处理了不同注采单元之间的相互干扰。在时间尺度上，IRNN采用了递归神经网络框架，考虑了历史注采信息对当前油藏开发状态的影响。此外，在IRNN中还嵌入了具有边界约束的高斯核函数，以定量表征井间流动非均衡性。通过两个油藏仿真实验测试，IRNN被证明了在井间流动非均衡性表征及历史拟合和产量预测问题上均优于经典多层感知器。

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/w15040623

引用格式：

Jiang Y, Shen W, Zhang H, et al. An Interpretable Recurrent Neural Network for Waterflooding Reservoir Flow Disequilibrium Analysis [J]. Water, 2023, 15(4), 623.