近日，张凯团队在油藏生产优化研究领域取得新进展，相关研究成果在期刊Geoenergy Science and Engineering上发表，论文题为《Simulating dynamics of pressure and fluid saturation at grid-scale by a deep learning-based surrogate reservoir modeling based on a fast-supply hybrid database and developing preliminary insights for future gas hydrate exploitations in China》（基于快速供应混合数据库的基于深度学习的替代储层建模在网格尺度上模拟压力和流体饱和度动态，并为中国未来的天然气水合物开发提供初步见解）。

创新性：研究使用了基于有限差分和流线数据的混合数据源，而不是传统的单独有限差分源。这种方法加快了为代理模型准备所需数据库的速度，并且由于在长时间间隔内快速提供数据，因此允许在训练阶段应用直接训练算法。因此，引入的平台简化了数据提供过程，提高了模型训练的效率，并大大加快了训练模型在实际使用阶段的使用。

中文摘要：智能代理模型的发展使其成为油藏模拟的重要工具。这些工具本质上是基于数据的；因此，除了训练系统的类型外，它们的效率始终取决于数据源的质量。基于有限差分的模拟器通常提供这些工具所需的动态数据。由于提供这些数据通常很耗时，因此在设计智能代理模型的过程中，总是有必要在训练和模拟阶段使用递归策略，这会给系统带来额外的误差积累，这是递归算法的必然本质。目前的研究使用了基于有限差分和流线数据的混合数据源，而不是传统的单独有限差分源。这种方法加快了为代理模型准备所需数据库的速度，并且由于在长时间间隔内快速提供数据，因此允许在训练阶段应用直接训练算法。因此，引入的平台简化了数据提供过程，提高了模型训练的效率，并大大加快了训练模型在实际使用阶段的使用。建立后，通过在第10个SPE对比解决方案项目的模型上测试，验证了所引入的替代模型在注水过程中的各种注采场景下的性能。因此，获得了令人满意的结果，并证实了所开发的代理模型的可靠性。因此，该模型也有望在其他油藏中具有实际应用价值。此外，还为采用本研究引入的方法模拟中国天然气水合物储层开采天然气的储层条件提供了初步见解，这是中国2021-2025年第十四个五年发展规划的主要重点之一。

Geoenergy Science and Engineering (原：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5.168，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.2023.211415

引用格式：

Behzad Saberali, Naser Golsanami*, Kai Zhang*, Bin Gong, Mehdi Ostadhassan. Simulating dynamics of pressure and fluid saturation at grid-scale by a deep learning-based surrogate reservoir modeling based on a fast-supply hybrid database and developing preliminary insights for future gas hydrate exploitations in China[J]. Geoenergy Science and Engineering, 2023, 222:211415.