基于深度学习的代理模型在实际气藏三维模拟中的应用

TE319+.2; 应用基于深度学习的代理模型进行油气藏模拟是油气藏仿真研究的一个新方向.针对高精度全阶油气藏模拟速度慢的问题,采用一种基于深度学习的嵌入式控制框架(E2C,Embed to Control)模型,通过"编码器+线性转化模型+解码器"的架构构建深度学习网络,将原始时刻的压力场、饱和度场数据与井控约束条件相结合来演化出新时刻的场数据.以南海东部番禺35-1气田为例,测试E2C模型与传统数值模拟器模拟结果的差别.测试结果显示E2C模型误差较小,其中饱和度场的相对误差小于5％,压力场的平均相对误差为8％;在相同的CPU条件下,E2C模型运行100次算例时间为16...

Full description

Saved in:
Bibliographic Details
Published in:油气地质与采收率 2022, Vol.29 (1), p.152-159
Main Authors: 秦峰, 闫正和, 唐圣来, 罗睿乔, 龚斌
Format: Article
Language:Chinese
Online Access:Get full text
Tags: Add Tag
No Tags, Be the first to tag this record!
Description
Summary:TE319+.2; 应用基于深度学习的代理模型进行油气藏模拟是油气藏仿真研究的一个新方向.针对高精度全阶油气藏模拟速度慢的问题,采用一种基于深度学习的嵌入式控制框架(E2C,Embed to Control)模型,通过"编码器+线性转化模型+解码器"的架构构建深度学习网络,将原始时刻的压力场、饱和度场数据与井控约束条件相结合来演化出新时刻的场数据.以南海东部番禺35-1气田为例,测试E2C模型与传统数值模拟器模拟结果的差别.测试结果显示E2C模型误差较小,其中饱和度场的相对误差小于5％,压力场的平均相对误差为8％;在相同的CPU条件下,E2C模型运行100次算例时间为16 s,比传统数值模拟器(运行时间为6000 s)快375倍.实际应用结果表明E2C模型在保证模拟精度的条件下可以大幅度提升模拟速度.
ISSN:1009-9603
DOI:10.13673/j.cnki.cn37-1359/te.2022.01.019