近日，张凯团队在油藏自动历史拟合研究领域取得新进展，相关研究成果在期刊Mathematical Geosciences上发表，论文题为《A Local Parameterization-Based Probabilistic Cooperative Coevolutionary Algorithm for History Matching》（基于局部参数化的概率协同进化历史拟合算法）。

创新性：传统历史拟合方法需要多次调整模型中不确定性参数，进行油藏数值模拟，才能拟合历史拟合生产数据，以获得反演后的油藏模型。该过程计算耗时长，主要原因在于油藏模型变量数过大，通常实际油藏模型变量数可达数百万。本研究针对上述难题，引入分而治之的思想，将油藏模型分区域进行降维分解，并结合协同进化算法进行高效优化，该方法具有较好的收敛性以及对高维问题的适用性。

中文摘要：历史拟合是利用少量观测资料推断高维的油藏地质参数的过程，是油藏开发的重要组成部分。尽管优化算法发展迅速，但由于大量参数依赖于数值模拟模型的网格，因此寻找历史拟合的最优解仍具挑战性。受分而治之策略的启发，本文构造了一种新的基于局部参数化的概率协同进化框架(LP-PCC)，以提高大规模问题历史拟合的收敛性。首先，基于光滑局部参数化对高维模型参数进行分解，分解后的低维参数可在优化过程中重构地质结构的光滑边界；然后，采用基于贡献的协同进化算法对油藏参数进行优化，以循环的方式对低维参数进行优化，合理分配计算资源。为了进一步提高协同进化的性能，提出了一种结合贡献信息的概率方法来选择需要优化的子区域。该框架结合了用于分解的领域知识和大概率选择子区域的概率机制，增强了协同进化的收敛性和探索性。设计了两个油藏实例，验证了该方法的有效性和高效性。数值结果表明，与传统方法相比，该方法可以获得更好的历史拟合结果，适用于大规模油藏问题。

Mathematical Geosciences是一本国际性的学术期刊，由Springer出版，创刊于1969年。该期刊的主要研究领域是数学地球科学，包括地质、地球物理、地球化学、地球生物学等方面的数学建模和分析。该期刊最新影响因子为2.6，近3年平均影响因子IF为2.56，JCR分区为Q2区，中科院工程技术大类3区。

文章链接：

https://doi.org/10.1007/s11004-023-10069-7

引用格式：

Zhang, J., Guo, X., Zhao, Z. et al. A Local Parameterization-Based Probabilistic Cooperative Coevolutionary Algorithm for History Matching. Math Geosci (2023). https://doi.org/10.1007/s11004-023-10069-7.