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《A physics-guided autoregressive model for saturation sequence prediction》（基于物理引导自回归模型的饱和度预测方法）。

创新性：考虑到大多数现有的基于深度学习的代理模型在同时处理静态和动态数据方面的局限性，以及缺乏物理方程的指导，提出了一种物理引导的自回归模型来解决这些问题。代理模型引入了显式有限差分的思想，使其更符合物理过程；质量平衡方程的嵌入使得其预测精度显著提高。

中文摘要：开发了一种基于深度学习的代理模型，并将其应用于油水两相油藏动态饱和度序列的预测。考虑到大多数现有的基于深度学习的代理模型在同时处理静态和动态数据方面的局限性，以及缺乏物理方程的指导，提出了一种物理引导的自回归模型来解决这些问题。代理模型引入了显式有限差分的思想，使其更符合物理过程；质量平衡方程的嵌入使得其预测精度显著提高。为了评估所提出方法的性能，综合比较了三个具有代表性的模型，即递归R-U-Net、

嵌入物理意义的自回归模型和物理引导的自回归模式。实验表明，物理引导的自回归模型能够准确预测动态饱和图，并取得了非常有竞争力的结果。与数值模拟相比，训练的代理模型能够有效、快速、准确地预测饱和序列。我们相信，在预测饱和度时，它有可能取代数值模拟的正向过程。

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.2022.211373

引用格式：

Yanzhong Wang, Kai Zhang*, Xiaopeng Ma, Piyang Liu, Haochen Wang, Xin Guo, Chenglong Liu, Liming Zhang, Jun Yao. A physics-guided autoregressive model for saturation sequence prediction[J]. Geoenergy Science and Engineering, 2023, 221:211373.