基于自我学习机制的油田开发方案优化方法与流程

本发明涉及深度学习和强化学习，具体涉及到一种基于自我学习机制的油田开发方案优化方法

背景技术：

传统油田开采方案的选择，就是依据详探成果和必要的生产试验资料，在综合研究的基础上对具有工业价值的油田，从油田的实际情况和生产规律出发，以提高最终采收率为目的，制定合理的开发方案。随着深度学习的迅猛发展，在识别、分类和自然语言处理等领域大量应用和取得较好的精确度；

近年来最接近本发明的技术有：

(1)、单一lstm模型:长短期记忆模型(long-shorttermmemory)是一种特殊的rnn模型，是为了解决rnn模型梯度弥散的问题而提出的。其在油藏数值模拟替代工作中表现较好，但模型较为单一，准确度待考量。

(2)vmd-bpnn组合模型：变分模态分解(variationalmodedecomposition,vmd)是一种新的自适应信号处理方法，其本质上是多个自适应维纳滤波组，有着良好的鲁棒性。bp(backpropagation)神经网络是1986年由rumelhart和mcclelland为首的科学家提出的概念，是一种按照误差逆向传播算法训练的多层前馈神经网络。该模型的基础数据较为单一，准确度待考量。

近年来，随着油田进入开发后期，油田含水率增加，经济效益降低，而目前全国油田平均采收率仍处于较低水平，有很大的提升空间，亟需进行开发方案优化。基于自我学习机制的油田开发方案优化方法，利用神经网络模型去逼近未知的物理的过程，摆脱了油藏数值模拟简化建模公式的束缚，增加了准确率。同时，在训练速度方面得到了很大提高，能够在大量的开发方案中选择最优方案。

技术实现要素：

为解决现有技术中的缺点和不足，本发明提出了一种基于自我学习机制的油田开发方案优化方法，其特征在于，神经网络油藏模拟模块、蒙特卡洛生产参数模拟模块、rnn结果推断训练模块和预测模块，包括以下步骤：

步骤(1)、在神经网络油藏模拟模块，通过历史数据训练神经，得到神经网络油藏模拟器；

步骤(2)、在蒙特卡洛生产参数模拟模块，通过蒙特卡洛搜索树方法，进行生产过程中各种属性的模拟，通过对每一个属性变量模拟出不同的值，得到数万个开采方案；

步骤(3)、通过历史生产数据对rnn结果推断网络进行训练，得到一个开采方案推断器；

步骤(4)、将步骤(1)产生的结果输入到步骤(2)中，通过步骤(2)模拟出多个开采方案，输入到步骤(3)得到的开采方案推断器中；

步骤(5)、返回最优开采方案；

步骤(6)、如果为训练阶段则采用交叉试验的方式确定步骤(1)和步骤(3)中的超参数。

本发明的有益效果：

(1)因为传统油藏数值模拟器对每一个方案计算的时间很长，通过神经网络替代传统油藏数值模拟，从数据中寻找规律，用没有物理含义的神经网络模型去逼近未知的物理的过程。运行速度快，精度高，解决了传统油藏模拟的许多问题。

(2)传统开发方案制定过程中，油田工程师必须要依照自己的经验预先选择几个备选方案。经过对几个方案模拟后，依照结果，选择最优的方案，人为因素影响太多，且考虑不够全面，神经网络油藏模拟的预测速度极快，所以不需要石油工程师们预选方案，只需要用蒙特卡洛模拟对每一个参量给出不同的取值，最后组合成几万甚至几十万个生产方案。

(3)油藏开采过程中，不同时刻的参数变化较大，针对这种时间序列数据，我们采用rnn推断网络来实现对开采方案的选择。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1为本发明基于自我学习机制的油田开发方案优化方法的流程图；

图2为本发明基于自我学习机制的油田开发方案优化方法的结构图；

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

如图1所示，基于自我学习机制的油田开发方案优化方法的流程图包含四个模块：神经网络油藏模拟模块、蒙特卡洛生产参数模拟模块、rnn结果推断训练模块和预测模块。结构图中隐藏层，由于各目标关系密切，所以要发现他们的模式类别，要考虑整体之间的关系，故而采用双向循环神经网络(bidirectionalrnns)。

下面结合图1与图2，对基于深度学习的设备状态预测方法的具体流程进行详细说明：

步骤(1)、在神经网络油藏模拟模块，通过历史数据训练神经，得到神经网络油藏模拟器

步骤(2)、在蒙特卡洛生产参数模拟模块，通过蒙特卡洛搜索树方法，进行生产过程中各种属性的模拟，通过对每一个属性变量模拟出不同的值，得到数万个开采方案；

步骤(3)、通过历史生产数据对rnn结果推断网络进行训练，得到一个开采方案推断器；

步骤(4)、将步骤(1)产生的结果输入到步骤(2)中，通过步骤(2)模拟出多个开采方案，输入到步骤(3)得到的开采方案推断器中；

步骤(5)、返回最优开采方案；

步骤(6)、如果为训练阶段则采用交叉试验的方式确定步骤(1)和步骤(3)中的超参数。

本发明提出了一种基于蒙特卡洛搜索树的开采优化方法，其特征在于，神经网络油藏模拟模块、蒙特卡洛生产参数模拟模块、rnn结果推断训练模块和预测模块，包括以下步骤：在神经网络油藏模拟模块，通过历史数据训练神经，得到神经网络油藏模拟器步骤；在蒙特卡洛生产参数模拟模块，通过蒙特卡洛搜索树方法，进行生产过程中各种属性的模拟，通过对每一个属性变量模拟出不同的值，得到数万个开采方案；通过历史生产数据对rnn结果推断网络进行训练，得到一个开采方案推断器；将模拟产生的开采方案输入开采方案推断器中，返回最优开采方案。

以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

技术特征：

技术总结
本发明提出了一种基于自我学习机制的油田开发方案优化方法，其特征在于，神经网络油藏模拟模块、蒙特卡洛生产参数模拟模块、RNN结果推断训练模块和预测模块，包括以下步骤：在神经网络油藏模拟模块，通过历史数据训练神经，得到神经网络油藏模拟器步骤；在蒙特卡洛生产参数模拟模块，通过蒙特卡洛搜索树方法，进行生产过程中各种属性的模拟，通过对每一个属性变量模拟出不同的值，得到数万个开采方案；通过历史生产数据对RNN结果推断网络进行训练，得到一个开采方案推断器；将模拟产生的开采方案输入开采方案推断器中，返回最优开采方案。本方法利用神经网络模型去逼近未知的物理的过程，摆脱了油藏数值模拟简化建模公式的束缚，增加了准确率。同时，在训练速度方面得到了很大提高，能够在大量的开发方案中选择最优方案。

技术研发人员：张卫山;徐龙;袁江如;李兆桐;房凯;冯志珍;高国樑;曾星杰;任鹏程
受保护的技术使用者：中国石油大学（华东）
技术研发日：2018.10.30
技术公布日：2019.04.02