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SPE Journal上发表，论文题为《An Evolutionary Sequential Transfer Optimization Algorithm for Well Placement Optimization Based on Task Characteristics》（基于油藏任务特征的井位顺序进化迁移优化方法）。

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，提出了一种基于任务特征和自编码器的井位问题的顺序进化迁移优化算法，由于油藏的渗透率、饱和度、储层厚度等特征与最优井位之间具有隐性关系，这种关系在各个油藏中是相同或相似的，所以此算法可以从已经完成的井位优化任务中学习求解经验，将油藏的特征通过提取与挑选得到特征矩阵，进而采用单层去噪自编码器构建映射，将过去油藏的最优解映射为当前任务的优势解，从而加速优化。

中文摘要：具有从过去任务中学习能力的进化转移优化(ETO)算法在越来越多的领域取得了突破，当正确利用过去优化任务中嵌入的经验时，搜索性能将比从零开始有很大的提高。自动编码进化搜索(AEES)是近年来提出的一种高效的进化迁移优化范式，将每个任务的解配置为单层去噪自动编码器的输入输出，通过最小化重构误差建立跨问题映射，实现了解在异构问题间的显式转移。然而，尽管AEES算法取得了成功，但优化任务的总体中包含的关于任务特征的信息很少，且具有高度的随机性，特别是在搜索的早期阶段，这限制了通过AEES构建的映射的有效性。另一方面，大多数任务并没有在搜索过程中保存所有候选解，这极大地限制了传统AEES应用的可能性，例如石油工业中常见的工程优化问题井位优化问题(WPO)。为了克服这些限制，本文开发了一种基于任务特征和自编码器的WPO问题的顺序ETO算法，该算法利用油藏特征和最佳井位之间的隐式关系，从过去的任务中学习，计算映射，在任务之间传递知识。提出的算法旨在加快寻找最佳井位的速度，减少WPO所需时间。通过将过去和当前任务的特征配置为单层去噪自编码器的输入和输出，建立习得的映射，导出的映射持有一个跨异构任务的封闭变换矩阵，通过矩阵计算，可以很容易地将过去任务的最优解转移到当前任务的优势解，在提高搜索性能的同时，不会给进化搜索带来太多计算负担。此外，根据具体任务，可以灵活扩展特征矩阵的构建方案，实现有效的搜索增强。最后，进行了井位优化的综合实证研究和统计分析，验证了该方法的有效性。

SPE Journal 涵盖了石油和天然气勘探和生产工程的所有方面的理论和新兴概念，包括储层表征、多相流、钻井动力学、井结构、气井产能、数值模拟、提高原油采收率、二氧化碳隔离、基准和性能指标。该期刊最新影响因子为3.602，JCR分区为Q1区，中科院工程技术大类3区，工程：石油2区。

文章链接：

引用格式：