面向三维油藏模拟与拟合的端到端神经网络方法
机器学习
2021-08-03 v2 地球物理
摘要
油藏模拟与拟合（亦称历史匹配）通常被视为相互独立的问题。一组模型旨在假设所有初始地质参数已知的前提下求解正演模拟问题，另一组模型则在固定正演模拟模型下调整地质参数以拟合生产数据。这给油藏工程师和新型高效计算方案的开发者都带来了诸多困难。我们提出了一种统一处理油藏模拟与拟合问题的方法。单一神经网络模型允许从三维油藏模型的初始地质参数经动态状态变量到井产量的前向传播，以及向任意模型输入与变量的反向梯度传播。模型拟合与地质参数拟合均成为同一神经网络模型特定部分的优化问题。标准基于梯度的优化方案可用于求解最优解。利用真实油田模型与历史产量数据，我们证明了所提方法可实现油藏模拟与历史匹配，并带来数个数量级的模拟加速优势。最后，为推进该研究，我们开源了基于 Python 的框架 DeepField，支持油藏模型的标准处理并复现本文所提方法。
引用
@article{arxiv.2102.10304,
title = {End-to-end neural network approach to 3D reservoir simulation and adaptation},
author = {E. Illarionov and P. Temirchev and D. Voloskov and R. Kostoev and M. Simonov and D. Pissarenko and D. Orlov and D. Koroteev},
journal= {arXiv preprint arXiv:2102.10304},
year = {2021}
}