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SPE Journal上发表，论文题为《Inversion Framework of Reservoir Parameters Based on Deep Autoregressive Surrogate and Continual Learning Strategy》（基于深度自回归代理和持续学习策略的油藏参数反演框架）。

创新性：在油藏的整个开发周期中，有必要对油藏参数进行持续的校准，以适应新的观测结果。因此，通过转移先前任务的经验来快速更新代理模型以适应新数据是至关重要的。我们建立了一个基于集成策略的持续学习框架来解决这个问题。利用这个框架，我们有效地降低了代理模型学习新数据的计算成本。

中文摘要：历史拟合是油藏开发中的一个关键过程，它能够校准数值模型的不确定参数，以获得模拟和观测历史数据之间可接受的匹配。然而，历史拟合算法的实现通常基于迭代，由于模拟的多次运行，这是一个计算成本高昂的过程。为了应对这一挑战，我们提出了一种基于自回归模型和卷积门控递归单元（ConvGRU）的模拟代理模型。所提出的基于ConvGRU的自回归神经网络（ConvGRU-AR-Net）可以以端到端的方式基于空间和矢量数据（分别如渗透率和相对渗透率）准确预测状态图（如饱和度图）。此外，在油藏的整个生产周期中，必须多次进行历史拟合，以适应最近的生产观测结果，因此持续学习至关重要。为了使代理模型能够通过转移先前任务的经验来快速学习最近的数据，使用了基于集成的连续学习策略。与所提出的基于神经网络的代理模型一起，使用随机最大似然（RML）来校准不确定参数。使用二维和三维油藏模型对所提出的方法进行了评估。对于这两种情况，代理反演框架都成功地实现了油藏参数的合理后验分布，并提供了对油藏行为的可靠评估。

SPE Journal涵盖石油和天然气勘探和生产工程的各个方面的新理论和新兴概念，包括钻井和完井、地质力学、生产和设施、油田化学、二氧化碳封存和注入、储层评估和工程、数值模拟、数据分析、经济、SHE和可持续发展等。该期刊最新影响因子为3.6，近3年平均影响因子IF为3.56，JCR分区为Q1区，中科院工程技术大类3区。

文章链接：

https://doi.org/10.2118/215821-PA

引用格式：

Zhang K., Fu W., Zhang J., et al. (2023) Inversion Framework of Reservoir Parameters Based on Deep Autoregressive Surrogate and Continual Learning Strategy[J]. SPE J. 28 (2023): 2223–2239.