一种蒸汽驱油藏温度场的预测方法及系统

1.本发明涉及蒸汽驱油藏温度场的预测，具体涉及一种蒸汽驱油藏温度场的预测方法及系统。


背景技术：

2.蒸汽驱是稠油开发中最为有效且成熟的方法之一，目前对于其驱替机理和相关技术工艺上的研究已经相当充分，然而对其快速动态预测模型的研究还不是很完善。陈月明在前人研究的基础上建立了蒸汽驱动态预测解析解模型，将油藏分为原始含油区、原油富集区、热流区和蒸汽区等。随后众多学者在前人研究基础上，提出了多种蒸汽驱动态预测理论模型，虽然各种方法都有其优点但也各有其局限性，难以快速、准确地预测蒸汽驱油藏的温度分布。


技术实现要素：

3.针对现有技术中存在的缺陷，本发明的目的在于提供一种蒸汽驱油藏温度场的预测方法及系统，可以快速、准确地预测蒸汽驱油藏的温度分布。
4.为实现上述目的，本发明采用的技术方案如下：
5.一种蒸汽驱油藏温度场的预测方法，包括：
6.s100、基于深度卷积生成对抗神经网络，建立渗透率与温度分布之间的动态映射关系，构建并训练根据渗透率快速预测油藏温度动态分布的代理模型；
7.s200、将渗透率分布图输入训练好的代理模型，预测蒸汽驱油藏的温度分布。
8.进一步，如上所述的预测方法，所述代理模型由生成器和鉴别器两个不同的模型组成，生成器用于制造和真实的训练集相似的伪造图片，鉴别器用于接受图像并输出该图像是真实的训练集中的真实图片还是生成器生成的伪造图片；在整个训练过程中，生成器通过不断地生成更好的伪造图片来尝试骗过鉴别器，而鉴别器则不断努力地成为更好的分类器去能准确地去区分真实图片和伪造图片，最终训练的平衡点是当生成器生成的伪造图片看起来像直接来自训练集数据，而鉴别器总是输出生成器所生成的图片为伪造图片的概率为50％左右；
9.定义x为图片数据，d(x)表示鉴别器网络，当x来自于生成器时d(x)越低，当x来自训练集数据时d(x)越高，g(z)表示生成器网络，代表输入图像与输出图像的映射关系，d(g(z))表示生成器生成的伪造图片被鉴别器判别为真的概率，其中，鉴别器的目的是最大程度地提高分辨真实图片与伪造图片的准确性，用logd(x)表示，生成器的目的是最小化判别它所生成的图片为假的可能性，用log(1
‑
d(g(x)))表示；
10.生成器和鉴别器的损失函数为：
[0011][0012]
其中，e(*)代表分布函数的期望值；pdata指真实数据的分布；pz指在低维的噪音
分布；z代表噪音分布；
[0013]
通过不断地迭代计算去提高生成器和鉴别器的精度。
[0014]
进一步，如上所述的预测方法，所述代理模型的构建过程包括：
[0015]
构建生成器：使用深度卷积网络构建生成器，通过输入高维参数，经过一系列卷积操作，包括卷积、偏置、归一化、激活操作，形成中间参数特征图像，再通过一系列的反卷积操作进行上采样，形成高维映射后的图像，其中，输出层使用双曲正切函数作为激活函数来恢复连续值，并生成具有与输入图像大小相同的输出图像；
[0016]
构建鉴别器：使用卷积神经网络构建鉴别器，跨步卷积的卷积核为4，步长为2，补0设置为1，通过一系列的conv2d，batchnorm2d和relu函数对输入图片进行处理，其中，relu函数用于过滤负值，设置所有负值均为零。
[0017]
进一步，如上所述的预测方法，所述代理模型的训练过程包括：更新鉴别器和更新生成器两个部分；
[0018]
训练鉴别器：第一步，从真实的训练集中获取一批样本，向前传递到鉴别器中并计算损失率logd(x)，然后在向后传递计算梯度；第二步，让生成器生成一批伪数据，同样将伪数据导入鉴别器并计算损失率log(1
‑
d(g(z)))，向后传递计算梯度；通过上述两步对鉴别器进行优化；
[0019]
训练生成器：将第一次生成器输出的伪数据输入鉴别器进行分类，然后用真假的标签去计算生成器的损失以及梯度，最后通过adam优化器去更新生成器中的参数；最终理想的情况是d(x)从接近1开始，然后在生成器变得更好的过程中不断收敛到0.5；而d(g(z)))在一次训练中会产生两个数据，第一个在鉴别器更新之前，第二个在鉴别器更新之后，前后数据都应该从0开始不断收敛到0.5，d(g(z)))的值代表图片的真假程度，越趋近于0图片越假，越趋近于1图片越真。
[0020]
进一步，如上所述的预测方法，所述代理模型的渗透率利用克里金插值生成渗透率场。
[0021]
一种蒸汽驱油藏温度场的预测系统，包括：
[0022]
构建模块，用于基于深度卷积生成对抗神经网络，建立渗透率与温度分布之间的动态映射关系，构建并训练根据渗透率快速预测油藏温度动态分布的代理模型；
[0023]
预测模块，用于将渗透率分布图输入训练好的代理模型，预测蒸汽驱油藏的温度分布。
[0024]
进一步，如上所述的预测系统，所述代理模型由生成器和鉴别器两个不同的模型组成，生成器用于制造和真实的训练集相似的伪造图片，鉴别器用于接受图像并输出该图像是真实的训练集中的真实图片还是生成器生成的伪造图片；在整个训练过程中，生成器通过不断地生成更好的伪造图片来尝试骗过鉴别器，而鉴别器则不断努力地成为更好的分类器去能准确地去区分真实图片和伪造图片，最终训练的平衡点是当生成器生成的伪造图片看起来像直接来自训练集数据，而鉴别器总是输出生成器所生成的图片为伪造图片的概率为50％左右；
[0025]
定义x为图片数据，d(x)表示鉴别器网络，当x来自于生成器时d(x)越低，当x来自训练集数据时d(x)越高，g(z)表示生成器网络，代表输入图像与输出图像的映射关系，d(g(z))表示生成器生成的伪造图片被鉴别器判别为真的概率，其中，鉴别器的目的是最大程
度地提高分辨真实图片与伪造图片的准确性，用logd(x)表示，生成器的目的是最小化判别它所生成的图片为假的可能性，用log(1
‑
d(g(x)))表示；
[0026]
生成器和鉴别器的损失函数为：
[0027][0028]
其中，e(*)代表分布函数的期望值；pdata指真实数据的分布；pz指在低维的噪音分布；z代表噪音分布；
[0029]
通过不断地迭代计算去提高生成器和鉴别器的精度。
[0030]
进一步，如上所述的预测系统，所述代理模型的构建过程包括：
[0031]
构建生成器：使用深度卷积网络构建生成器，通过输入高维参数，经过一系列卷积操作，包括卷积、偏置、归一化、激活操作，形成中间参数特征图像，再通过一系列的反卷积操作进行上采样，形成高维映射后的图像，其中，输出层使用双曲正切函数作为激活函数来恢复连续值，并生成具有与输入图像大小相同的输出图像；
[0032]
构建鉴别器：使用卷积神经网络构建鉴别器，跨步卷积的卷积核为4，步长为2，补0设置为1，通过一系列的conv2d，batchnorm2d和relu函数对输入图片进行处理，其中，relu函数用于过滤负值，设置所有负值均为零。
[0033]
进一步，如上所述的预测系统，所述代理模型的训练过程包括：更新鉴别器和更新生成器两个部分；
[0034]
训练鉴别器：第一步，从真实的训练集中获取一批样本，向前传递到鉴别器中并计算损失率logd(x)，然后在向后传递计算梯度；第二步，让生成器生成一批伪数据，同样将伪数据导入鉴别器并计算损失率log(1
‑
d(g(z)))，向后传递计算梯度；通过上述两步对鉴别器进行优化；
[0035]
训练生成器：将第一次生成器输出的伪数据输入鉴别器进行分类，然后用真假的标签去计算生成器的损失以及梯度，最后通过adam优化器去更新生成器中的参数；最终理想的情况是d(x)从接近1开始，然后在生成器变得更好的过程中不断收敛到0.5；d(g(z)))在一次训练中会产生两个数据，第一个在鉴别器更新之前，第二个在鉴别器更新之后，前后数据都应该从0开始不断收敛到0.5，d(g(z)))的值代表图片的真假程度，越趋近于0图片越假，越趋近于1图片越真。
[0036]
进一步，如上所述的预测系统，所述代理模型的渗透率利用克里金插值生成渗透率场。
[0037]
本发明的有益效果在于：本发明基于深度卷积生成对抗神经网络建立渗透率与温度分布之间的动态映射关系，进而构建根据渗透率快速预测油藏温度动态分布的代理模型，通过输入渗透率分布图，可以快速、准确地预测蒸汽驱油藏的温度分布。而且代理模型还具有可移植性强，计算速度块等优点。
附图说明
[0038]
图1为本发明实施例中提供的一种蒸汽驱油藏温度场的预测方法的流程示意图；
[0039]
图2(a)
‑
(b)为本发明实施例中提供的训练样本中的渗透率和温度的分布图；
[0040]
图3为本发明实施例中提供的卷积神经网络示意图；
[0041]
图4为本发明实施例中提供的gan网络构建思路图；
[0042]
图5(a)
‑
(b)为本发明实施例中提供的relu函数和tanh函数图像；
[0043]
图6(a)
‑
(b)为本发明实施例中提供的在1000天的来自训练数据的真实温度分布图和代理模型伪造的温度分布图；
[0044]
图6(c)
‑
(d)为本发明实施例中提供的在2000天的来自训练数据的真实温度分布图和代理模型伪造的温度分布图；
[0045]
图6(e)
‑
(f)为本发明实施例中提供的在3000天的来自训练数据的真实温度分布图和代理模型伪造的温度分布图；
[0046]
图7为本发明实施例中提供的在第1000、2000、3000天的损失函数图；
[0047]
图8为本发明实施例中提供的一种蒸汽驱油藏温度场的预测系统的结构示意图。
具体实施方式
[0048]
为使本发明解决的技术问题、采用的技术方案和达到的技术效果更加清楚，下面将结合附图对本发明实施例的技术方案作进一步的详细描述。
[0049]
近些年来，对抗神经网络模型在生成高维输入数据和输出数据之间的映射关系表现出了良好的性能，所以本发明利用基于深度卷积生成对抗神经网络去建立渗透率与温度分布之间的动态映射关系，尝试构建根据渗透率快速预测油藏温度动态分布的代理模型。本发明实施例提供了一种蒸汽驱油藏温度场的预测方法，如图1所示，该方法包括：
[0050]
s100、基于深度卷积生成对抗神经网络，建立渗透率与温度分布之间的动态映射关系，构建并训练根据渗透率快速预测油藏温度动态分布的代理模型；
[0051]
s200、将渗透率分布图输入训练好的代理模型，预测蒸汽驱油藏的温度分布。
[0052]
一、基本原理
[0053]
本发明旨在利用深度卷积生成对抗神经网络(dc
‑
gan)建立一种渗透率与温度之间的映射关系，进而形成代理模型。而其训练集样本的生成关系到代理模型的准确性。而对于训练集样本的获取，本发明采用的是常用的嵌入式离散裂缝模型(edfm)，图2展示了其训练样本中渗透率和温度的分布图。
[0054]
二、深度卷积的对抗神经网络框架
[0055]
(1)卷积神经网络
[0056]
卷积神经网络是含多层的监督学习网络，隐含层中的卷积层和池化层是实现卷积神经网络特征提取功能的核心模块。该网络模型通过采用梯度下降法最小化损失函数，再对网络中的权重参数进行逐层反地向调节，通过频繁的迭代训练来提高网络模型的精度。卷积神经网络的低隐层是由卷积层和最大池化层交替组成，其中卷积层在提取特征时能够保留原始图片中像素与像素的关系，通过卷积核在图片上的移动，将图片划分为各个小块，获取每个小块的像素的和，输出新的矩阵，这个矩阵我们就叫它特征图。而高层是全连接层对应传统多层感知器的隐含层和逻辑回归分类器。所以其主要的网络结构包括卷积层，下采样层，全连接层。每一层都有多个特征图，每个特征图上都有多个神经元。卷积神经网络实际上就是人工神经网络的一种拓展，层与层之间的功能和形式做了变化。其主要的思想可以概括为“局部连接”和“权值共享”。图3很直观的展现了什么叫局部感受视野和权值共享，其神经元并不是一个一个去看，而是可以看成一整块，图3中连接两层神经元的红色的
线就是每层所共享的权值，所以这四条线其实就是不同时刻下相同的视野。那既然是局部的视野，要想覆盖到上一层的整体，就需要分几步去看，图3的线上面的数字就是从左上到右下的顺序，而这个“看”的过程，实际上就是所谓的“卷积”。
[0057]
(2)对抗神经网络
[0058]
gan由生成器和鉴别器两个不同的模型组成。生成器的工作是制造和训练集相似的假图片，而鉴别器的工作是接受图像并输出该图像是真实的训练集中的图片还是生成器生成的假图片。在整个训练的过程中，生成器通过不断地生成更好的伪造品来尝试骗过鉴别器，而鉴别器则不断努力地成为更好的分类器去能准确地去区分真实图片和伪造图片。最终训练的平衡点是当生成器生成的伪造品看起来像直接来自训练集数据，而鉴别器总是输出生成器所生成的图片为伪造品的概率为50％左右。本文定义x为图片数据，d(x)代表鉴别器网络，所以x来自于生成器时d(x)越低，来自训练数据时d(x)越高，有点类似于传统的二进制分类器。g(z)表示生成器网络，代表输入图像与输出图像的映射关系。所以d(g(z))代表生成器生成的图片被鉴别器判别为真的概率，所以生成器和鉴别器的训练过程就像玩一场“最大与最小”的游戏，其中鉴别器尝试最大程度的提高分辨真实图片与伪造图片的准确性，用log d(x)表示，而生成器试图最小化判别它所生成的图片为假的可能性，用log(1
‑
d(g(x)))表示。所以生成器和鉴别器的损失函数如式1所示。
[0059][0060]
其中，e(*)代表分布函数的期望值；p
data
指真实数据的分布；p
z
指在低维的噪音分布；z代表噪音分布。在这个“最大最小”的游戏中，gan通过不断地迭代计算去提高生成器和鉴别器的精度，其网络思想如图4所示。
[0061]
(3)dc
‑
gan结构
[0062]
深度卷积生成对抗神经网络dc－gan是gan的一种变形，其思路与gan框架相同。首先gan是一种深度学习的框架，可以去捕捉训练数据是如何分布的，所以我们可以根据捕获到的同样的分布去生成新的数据。而dc
‑
gan就是gan的直接拓展，区别在于dc
‑
gan在鉴别器和生成器中分别使用卷积层和逆卷积层代替了原来的非线性映射。
[0063]
在对生成器进行构建的过程中使用了深度卷积网络来代替传统的非线性映射，通过输入高维参数，经过一系列卷积操作，包括卷积、偏置、归一化、激活4个步骤，形成中间参数特征图像，在通过一系列的反卷积操作进行上采样，形成高维映射后的图像。输出层使用双曲正切函数(tanh)作为激活函数来恢复连续值，并生成具有与输入图像大小相同的输出图像。tanh函数图像如图5所示。
[0064]
而鉴别器是一个分类器，用来输出输入图片是真实的标量概率，在鉴别器的设计上采用的是上文提到的卷积神经网络(cnn)。跨步卷积的卷积核为4，步长为2，补0设置为1，通过一系列的conv2d，batchnorm2d和relu层对其进行处理，relu函数的特点是能够过滤负值，保持负半轴始终为0。relu函数如图4所示，在大多数情况下relu会比其他激活函数更快地训练神经网络，其中relu函数设置所有负值均为零。用跨步卷积而不是用池化去进行下采样可以让网络自己训练自己的池化功能，批处理和relu函数还可以促进健康的梯度流动。
[0065]
定义好了该模型所有部分，就可以开始训练了。值得注意的是，在训练过程中因为
不正确的参数设置会导致模型的训练失败，对失败的原因几乎没有详细准确的解释。训练主要分为两个部分。第一部分更新鉴别器，第二部分更新生成器。
[0066]
鉴别器的训练分为两步计算。首先从真实的训练集中获取一批样本，向前传递到鉴别器中并计算损失率(logd(x))，然后在向后传递计算梯度。然后让生成器生成一批伪造数据，同样将伪数据导入鉴别器，计算损失率(log(1
‑
d(g(z))))，向后传递计算梯度。从上述两步计算中得到的鉴别器的变换过程就是对鉴别器的优化。
[0067]
在训练生成器时，同样的将第一次生成器输出的伪数据输入鉴别器进行分类，然后用真假的标签去计算生成器的损失以及梯度，最后通过adam优化器去更新生成器中的参数。最终理想的情况应该是d(x)从接近1开始，然后在生成器变得更好的过程中不断收敛到0.5。而d(g(z)))在一次训练中会产生两个数据，第一个在鉴别器更新之前，第二个在鉴别器更新之后，前后数据都应该从0开始不断收敛到0.5，在训练初期后者的值往往小于前者的值,这是因为鉴别器在得到正确的更新后更容易鉴别出图片的真假，而d(g(z)))的值就代表图片的真假程度，越趋近于0图片越假，越趋近于1图片越真。
[0068]
三、结果
[0069]
(1)模型的建立
[0070]
油藏的尺寸为1200m
×
1200m
×
10m，设置中心1口注气井，周围4口生产井，定流量注气100吨每天。模型的渗透率利用克里金插值生成渗透率场。岩石密度2.7e+03kg/m3。气相体积系数1，原油体积压缩系数3.02e
‑
3。初始压力10mp，初始温度50摄氏度。
[0071]
(2)效果评价
[0072]
本次训练采用了2000张温度分布图作为训练数据，并设这了3个不同时间节点去观察温度随时间的变化，每个时间的训练数据也是2000张，所以一共做了3次训练，共有三个代理模型生成。对应3个时间点分别是1000天，2000天，和3000天的压力分布图。如图7所示。
[0073]
由于本模型的实际油藏生产方式为一注四采，中间为注气井，因此随着时间的增加，压力波会以注气井为中心向周围不断扩散。由图6可以看到，右边是三个时间点下本文的代理模型所生成的压力分布图，与左边实际的压力分布图相似度极大，且随时间的变化符合基本规律。可以证明基于深度卷积生成对抗神经网络模型预测的压力分布能够替代数值模拟器所预测的压力分布，体现了本文模型的准确性和可靠性。
[0074]
同时，训练还得到了损失函数与迭代次数的关系图，如图7所示。为了更好的观察从开始迭代到最终达到平衡这一时间段损失函数变化，设置最大的迭代次数为近300次。每一次迭代都是对鉴别器和生成器的升级，当生成器与鉴别器的的损失函数图像开始相互交汇时，就说明生成器与鉴别器开始了有效的对抗竞争关系，在这个时间段中训练，模型的精度会不断提高。
[0075]
可以观察到图6中的(a)、(b)、(c)分别是在第1000、2000、3000天的损失函数图，横坐标是迭代次数，纵坐标是生成器和鉴别器的损失值。而(a)，(b)，(c)的差别就在与随着时间的增加，生成器和鉴别器的损失函数曲线相交的位置就越靠后，这是因为时间数越长，时间的压力分布就越复杂，因此代理模型要达到纳什平衡就需要更多的迭代步长。之后模型的精度达到要求后生成器和鉴别器的损失函数趋于平衡。
[0076]
(3)结论
[0077]
1)本发明利用克里金插值方法建立随机储层参数，并利用商业数值模拟器为代理模型训练提供了准确的样本数据支撑。
[0078]
2)本发明用深度卷积生成对抗神经网络dc
‑
gan建立的代理模型通过输入渗透率分布图，可以快速、准确地预测蒸汽驱油藏的温度分布。并且代理模型具有可移植性强，计算速度块等优点。
[0079]
根据本发明实施例的另一个方面，还提供了一种蒸汽驱油藏温度场的预测系统，如图8所示，包括：
[0080]
构建模块100，用于基于深度卷积生成对抗神经网络，建立渗透率与温度分布之间的动态映射关系，构建并训练根据渗透率快速预测油藏温度动态分布的代理模型；
[0081]
预测模块200，用于将渗透率分布图输入训练好的代理模型，预测蒸汽驱油藏的温度分布。
[0082]
需要说明的是，本发明的系统与前述的方法属于同一发明构思，具体实施方式不再赘述。
[0083]
显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其同等技术的范围之内，则本发明也意图包含这些改动和变型在内。