用于鲁棒优化与闭环油藏管理的卷积-循环神经网络代理模型
机器学习
2022-06-02 v2
摘要
地质不确定性下的生产优化计算代价高昂，因为必须在多个地质实现上评估大量井控方案。本文开发了一种卷积-循环神经网络（CNN-RNN）代理模型，针对集合中的每个实现，在给定时变井底压力（BHP）方案下预测单井油水产量。该能力使得估计鲁棒优化所需的目标函数与非线性约束值成为可能。该代理模型是对近期开发的、用于预测单一地质模型井产量的长短期记忆（LSTM）RNN代理的扩展。此处引入CNN处理渗透率实现，并为RNN提供初始状态。CNN-RNN代理使用300组不同BHP方案与渗透率实现的仿真结果进行训练。我们展示了该代理在三维多高斯渗透率模型多个实现上油水流动的精度。随后将该代理纳入闭环油藏管理（CLRM）工作流，与粒子群优化及基于滤波的非线性约束满足方法结合使用。历史匹配通过伴随梯度过程实现。结果表明，该代理在五个不同（合成）“真实”模型下表现良好。CLRM带来了净现值提升，同时实现了约束满足与不确定性降低。在鲁棒生产优化步骤中，该代理相较基于仿真的优化提供了O(100)的运行时加速。
引用
@article{arxiv.2203.07524,
title = {Convolutional-Recurrent Neural Network Proxy for Robust Optimization and Closed-Loop Reservoir Management},
author = {Yong Do Kim and Louis J. Durlofsky},
journal= {arXiv preprint arXiv:2203.07524},
year = {2022}
}
备注
Corrected a typo (page 9, from '400 bar' to '320 bar')