基于深度强化学习的多资产闭环油藏管理
机器学习
2022-07-22 v1 人工智能
最优化与控制
计算物理
地球物理
摘要
闭环油藏管理(CLRM)在资产全生命周期内多次执行历史拟合与生产优化,可显著改善指定目标。由于数据同化与优化需要大量流动模拟,这些过程计算代价高昂。现有 CLRM 流程逐资产应用,未利用跨多个资产可能有用的信息。本文提出一种适用于井数各异的多个资产的 CLRM 框架。我们使用深度强化学习训练一个适用于所有考虑资产的单一全局控制策略。该新框架是近期提出的单资产控制策略方法的扩展。表示中引入了嵌入层,以处理不同资产带来的不同数量的决策变量。由于全局控制策略从多个资产中学习有用特征的统一表示,其构建代价低于逐资产训练(在我们的示例中观察到约 3 倍加速)。生产优化问题包含对井设置的相对变化约束,使结果适于实际应用。我们将多资产 CLRM 框架应用于二维和三维水驱示例。两种情况下均考虑四个具有不同井数、井配置和地质统计描述的资产。数值实验表明,对于二维和三维情形,全局控制策略给出的目标函数值与为每个资产单独训练的控制策略几乎相同。这一有前景的发现表明,多资产 CLRM 可能确实代表一种可行的实用策略。
引用
@article{arxiv.2207.10376,
title = {Multi-Asset Closed-Loop Reservoir Management Using Deep Reinforcement Learning},
author = {Yusuf Nasir and Louis J. Durlofsky},
journal= {arXiv preprint arXiv:2207.10376},
year = {2022}
}