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Geoenergy Science and Engineering上发表，论文题为《An efficient transformer-based surrogate model with end-to-end training strategies for automatic history matching》（一种结合端到端训练策略的高效Transformer油藏自动历史拟合代理模型）。

创新性：我们提出了一种新颖的混合视觉Transformer（HHVT）方法，用于自动历史匹配，通过统一的编码器-解码器架构和端到端策略，实现了油藏生产数据的高效预测。HHVT通过支持多时间步并行计算，显著提升了代理模型的训练速度和预测精度，优于传统的卷积和循环神经网络模型。此外，该方法结合多模态优化算法进行油藏自动历史拟合，其在复杂三维油藏模型中展开应用，结果表明了其在处理大规模数据集和高维特征时的优势，油藏历史拟合代理模型的训练速度可提升两倍以上。

中文摘要：近年来，代理模型作为解决自动历史匹配（AHM）中耗时数值模拟挑战的工具，越来越受欢迎。尽管已有多种代理模型设计用来缓解这一问题，但大多数模型在处理油藏模型和动态生产数据的高维性和强非线性方面仍面临挑战。受Transformer快速发展的启发，我们提出了一种新颖的混合层次视觉Transformer（HHVT）方法用于历史拟合。该方法利用统一架构，以端到端策略预测特定物理场的生产数据。在预测井的生产数据时，Transformer支持多时间步的并行计算，优于传统的循环神经网络。具体而言，我们的方法构建了一种新型的编码器-解码器Transformer架构，以学习高层空间参数的隐含特征，从而匹配时间序列生产数据的特征。通过这种架构，HHVT实现了快速训练和推理，适用于大规模数据集和高维特征。提出的HHVT模型集成了多模态优化算法，以找到历史拟合的多个解。首先在一个简单的二维油藏上验证了HHVT超参数的效果。此外，该方法在复杂的三维Brugge模型上进行了验证。结果表明，基于Transformer的模型训练速度大约是基于卷积和循环神经网络的替代模型的两倍。在两个案例中，HHVT还表现出更好的预测精度，提升了替代模型在大规模复杂油藏场景下的适用性。。

《Geoenergy Science and Engineering》涵盖地球能源和可持续碳氢化合物生产领域的广泛内容，旨在发表特别关注能源转型和实现净零排放目标的文章。前身为《Journal of Petroleum Science and Engineering》，2022年的影响因子为4.4，2022年的CiteScore为8.8，2022年JCR分区为Q1区,2022年中科院工程技术大类2区。

文章链接：

https://doi.org/10.1016/j.geoen.2024.212994

引用格式：

Zhang Jinding, Kang Jinzheng, Zhang Kai, Zhang Liming, Liu Piyang, Liu Xingyu, Sun Weijia, Wang Guangyao. An Efficient Transformer-based Surrogate Model with End-to-end Training Strategies for Automatic History Matching [J]. Geoenergy Science and Engineering: 212994, 2024.