一種考慮物理過程信息的油氣滲流深度學習新模型

作者：黃朝琴,年凱,王斌,鞏亮,胡慧芳,張世明,CHUNG Eric

摘要：目前機器學習仍屬于純數據驅動下的單一數據學習,其結果和學習過程的物理可解釋性有待提高。在油氣田開發中,井網密度較小,井點數據屬于稀疏訓練樣本數據,即使采用深度學習,其預測效果仍欠佳。油氣流動物理過程一般較為明確,即滿足滲流方程,將滲流方程作為約束條件加入深度學習損失函數項,建立一種考慮物理過程信息的油氣滲流深度學習新模型。通過單相和兩相流算例驗證模型的正確性和高效性。結果表明:在數據樣本充足情況下,無論是傳統模型還是新建模型均能獲得良好的學習和預測效果;隨著數據樣本的減少,傳統模型的學習和預測結果誤差也隨之增大,但新建模型仍能保持較高精度,即使在強非均質和注采關系反轉條件下也能保證預測精度。

發文機構：中國石油大學（華東）油氣滲流研究中心 中國石化勝利油田勘探開發研究院 香港中文大學數學系

關鍵詞：深度神經網絡物理過程信息油氣滲流滲透率場deep neural networkphysical process informationoil and gas flow in porous mediapermeability field

分類號： TE319[石油與天然氣工程—油氣田開發工程]TE312