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Computers & Geosciences上发表，论文题为《An offline data-driven dual-surrogate framework considering prediction error for history matching》（一种考虑预测误差的历史拟合离线数据驱动双代理框架）。

创新性：我们提出了一种新颖的离线数据驱动双代理框架，专门用于历史拟合过程中处理代理预测误差问题。该框架通过引入两个代理模型，其中一个用于预测油藏生产数据，另一个用于学习和校正前者的预测误差，显著提高了历史拟合的准确性。特别是，该框架利用循环神经网络处理生产数据的时间序列特性，并结合全卷积神经网络来捕捉多变量预测误差的空间相关性，从而有效减少了预测误差对历史拟合结果的影响。此外，我们提出了一种增强的误差模型，将预测误差纳入目标函数中，进一步提高了代理模型的鲁棒性。实例验证结果显示了该方法在历史拟合中的效果。

中文摘要：高计算耗费一直是影响历史拟合效果和效率的关键因素。数据驱动的代理建模作为一种高效策略，可以通过构建基于机器学习的模型来加速历史拟合过程，这些模型具有较高的计算速度，但精度有所降低。然而，由于数据质量和数量、模型架构和超参数的影响，代理模型在不同历史拟合问题中的适用性存在不确定性。为了解决这一问题，提出了一种考虑代理模型预测误差的离线数据驱动双代理框架（ODDF）。在该框架中，一个代理模型用于预测油藏的生产数据，另一个代理模型则学习前一个代理模型的预测误差。第一个代理模型使用循环神经网络来考虑生产数据的时间序列特性，而第二个代理模型使用全卷积神经网络来处理多变量预测误差的二维空间相关特性。此外，采用了一种增强的误差模型，将预测误差纳入目标函数中，以减少预测误差对反演结果的影响。基于这一混合框架，即使在代理模型的架构或超参数不理想的情况下，也可以提高代理模型在历史拟合中的预测精度。此外，基于代理建模可以获得令人满意的历史拟合和不确定性量化结果。该框架在二维和三维油藏模型的历史拟合中得到了验证，结果表明该方法在构建代理模型和预测油藏生产数据方面具有鲁棒性，从而提高了历史拟合的效率和可靠性。

《Computers & Geosciences》发表在计算机科学与地球科学交叉领域的高影响力原创研究。发表的文章应采用现代计算机科学的范式，无论是计算方面的还是信息学方面的，以解决地球科学中的问题。2023年的影响因子为4.2，2023年的CiteScore为9.3，2023年JCR分区为Q1区,2023年中科院工程技术大类2区。

文章链接：

https://doi.org/10.1016/j.cageo.2024.105680

引用格式：

Zhang Jinding, Zhang Kai, Zhang Liming, Zhou Wensheng, Liu Chen, Liu Piyang, Fu Wenhao, Chen Xu, Bian Ziwei, Yang Yongfei, Yao Jun. An offline data-driven dual-surrogate framework considering prediction error for history matching[J]. Computers & Geosciences, 2024, 192: 105680. DOI:10.1016/j.cageo.2024.105680.