基于深度学习的地热储层生产闭环优化

为最大化地热能源生产的经济效益，必须优化地热储层管理策略，其中应考虑地质不确定性。本文提出一种基于深度学习代理模型的闭环优化框架，用于地热储层的井控优化。在该框架中，我们构建了一个混合卷积-循环神经网络代理模型，其结合了卷积神经网络（CNN）与长短期记忆（LSTM）循环网络。卷积结构可提取地质参数场的空间信息，循环结构可逼近序列到序列的映射。训练后的模型能够针对不同渗透率场与井控序列的情况预测时变生产响应（产量、温度等）。在闭环优化框架中，基于差分演化（DE）算法的生产优化与基于迭代集合平滑器（IES）的数据同化交替执行，以在生产进行过程中实现实时井控优化与地质参数估计。此外，采用地质参数估计集合上的平均目标函数来在优化过程中考虑地质不确定性。设计了若干地热储层开发案例以测试所提生产优化框架的性能。结果表明，所提框架能够在地热储层生产过程中实现高效且有效的实时优化与数据同化。