近日，张凯团队在油藏井位优化研究领域取得新进展，相关研究成果在期刊Geoenergy Science and Engineering（原JPSE）上发表，论文题为《A transfer learning framework for well placement optimization based on denoising autoencoder》（基于去噪自编码器的油藏井位优化迁移学习框架）。

创新性：传统井位优化通过优化算法调用油藏数值模拟器评估方案的优劣，迭代得到最佳方案。其最大的限制在于每次优化都从零开始，调用数值模拟次数多，求解速度难以满足工程需要。本研究针对上述难题，提出了一种基于去噪自编码器的井位优化问题迁移优化框架，它可以与任何基于种群的进化优化算法相结合，从过去的优化任务中提取经验，从而加速优化任务的求解。在数十年的油藏井位优化历史中，累积了大量成功的井位优化案例，采用迁移优化框架对累积案例中的知识进行提取、迁移和重用，有望打破当前的“数据孤岛”困境，提升求解效率。针对迁移学习中的三个核心问题：“何时迁移？”、“迁移什么？”、“怎么迁移？”，分别提出了针对油藏的相似性度量方法，用于寻找油藏属性相似的过往任务，避免差异太大的任务间迁移带来的负迁移风险。提出了井位优化个体间的进化迁移方法，通过当前迭代次数中的最优个体向过去任务的最优解学习，提取优化任务的进化方向，再将此进化方向应用于当前迭代次数中的固定序号个体，以提升此个体的适应度。提出了适用于油藏井位优化问题的去噪自编码迁移框架，可以将提取的进化方向转化为映射，通过简单的矩阵运算获得闭式的映射矩阵，在不带来过多计算负担的前提下完成知识迁移。

中文摘要： 井位优化直接关系到油藏开发的采收率，目前主流的解决方案是进化算法。然而，需要使用耗时的数值模拟器来评估每个备选井位方案。由于井位问题的规则是普遍的，所以相似的油藏会有相似的井位。因此，在类似的井位优化任务之间传递知识可以有效地加快搜索速度。为此，本文提出了一种新的井位优化迁移学习框架，基于单层去噪自编码器的特征提取能力，提取潜在的井位规则。建立前一任务与当前任务之间的重构映射，使随机生成的井位继承前一任务的最优井位知识，有助于进化算法的搜索方向快速偏向最优解，从而加快当前任务的求解。简化后的去噪自编码器在推导损失函数后保持了封闭形式的解，相应的知识重用不会给进化搜索带来太多额外的计算负担。此外，为了避免井位优化任务之间的负迁移，提出了井位优化任务之间的相似度度量方法。最后，通过基准函数和井位优化实例的综合实验，验证了该框架的有效性。

Geoenergy Science and Engineering (Journal of Petroleum Science and Engineering) 涵盖了石油和天然气的勘探、生产和流动领域，包括：油藏工程；油藏模拟；岩石力学；岩石物理学；孔隙级现象；测井、测试和评估；数学建模；提高油气采收率；流体力学;多孔介质中的多相流；生产工程；形成评估；勘探方法；地质构造/地下的二氧化碳封存等。该期刊最新影响因子为4.346，近3年平均影响因子IF为3.646，JCR分区为Q1区，中科院工程技术大类2区。

文章链接：https://doi.org/10.1016/j.geoen.2023.211446

引用格式：Ji Qi, Yanqing Liu, Yafeng Ju, Kai Zhang, Lu Liu, Yuanyuan Liu, Xiaoming Xue, Liming Zhang, Huaqing Zhang, Haochen Wang, Jun Yao, Weidong Zhang. A transfer learning framework for well placement optimization based on denoising autoencoder.Geoenergy Science and Engineering, 2023: 211446.