基于条件生成式对抗网络的MMP预测方法及装置

基于条件生成式对抗网络的mmp预测方法及装置
技术领域
1.本发明涉及油藏开发技术领域，具体而言，涉及一种基于条件生成式对抗网络的mmp预测方法及装置。


背景技术：

2.co2混相驱是低渗透油藏co
2-eor中应用最广泛、采收率最高的一种驱油方式。向油藏注入co2驱油过程中，岩层中会发生气、油、水三相的交互作用。产生相间组分转移、相变及其它复杂的相行为。混相驱的基本机理是驱替剂(co2注入气)和被驱剂(原油)在油藏条件下形成稳定的混相带前缘，该前缘为单一相，它的移动能有效推动原油向前流动并最终到达生产井。由于混相，油气界面消失，使多孔介质中的界面张力降至零，因此理论上可使微观驱替效率达到100％。
3.co2与油藏原油间的最小混相压力(mmp)是co2驱替过程中的关键参数之一，是区分co2混相驱和非混相驱的界限。准确确定co2与原油的最小混相压力对于提高co2混相驱替效率、降低操作成本、产生社会经济效益来说都是非常重要的。
4.现有技术确定mmp通常采用实验测量的方法，这种方法测量虽然可以保证准确性，但是这种方法操作复杂、耗时较长且花费较大。因此现有技术缺少一种更为高效的确定co2与油藏原油间的最小混相压力(mmp)的方案。


技术实现要素：

5.本发明为了解决上述背景技术中的至少一个技术问题，提出了一种基于条件生成式对抗网络的mmp预测方法及装置。
6.为了实现上述目的，根据本发明的一个方面，提供了一种基于条件生成式对抗网络的mmp预测方法，该方法包括：
7.获取目标油藏的mmp影响因素数据；
8.将所述mmp影响因素数据输入到预先训练出的生成器中，得到所述预先训练出的生成器输出的所述目标油藏的mmp预测值，其中，所述生成器为根据训练样本集进行多次迭代训练得到的，所述训练样本集中的每个训练样本包含：油藏的mmp值以及油藏的mmp影响因素数据。
9.可选的，该基于条件生成式对抗网络的mmp预测方法，还包括：
10.获取所述训练样本集；
11.根据所述训练样本集进行h1次迭代训练，得到所述预先训练出的生成器，其中，每一次迭代训练分为多个批次的训练，在进行每一个批次的训练时，先从所述训练样本集中选取h2个训练样本，然后基于选取的训练样本对判别器的网络权重进行训练，最后基于选取的训练样本在由判别器和生成器组成的组合模型中对生成器的网络权重进行训练，h1和h2均为正整数。
12.可选的，所述训练样本由第一数据和第二数据组成，所述第一数据为油藏的mmp影
响因素数据，所述第二数据为油藏的mmp值；
13.所述基于选取的训练样本对判别器的网络权重进行训练，具体包括：
14.分别针对将每个选取的训练样本，将生成器根据训练样本的第一数据输出的mmp预测值与该训练样本的第一数据进行组合，得到组合数据，并将该组合数据的标签设置为0；
15.将每个选取的训练样本的标签设置为1；
16.将设置完标签后的组合数据以及设置完标签后的训练样本输入到判别器中，对判别器的网络权重进行训练。
17.可选的，所述基于选取的训练样本在由判别器和生成器组成的组合模型中对生成器的网络权重进行训练，具体包括：
18.分别针对每个选取的训练样本，将训练样本的第一数据输入到生成器中，得到生成器输出的该训练样本对应的mmp预测值；
19.分别针对将每个选取的训练样本，将训练样本的第一数据与训练样本对应的mmp预测值进行组合，得到组合数据，并将该组合数据的标签设置为1；
20.将设置完标签后的组合数据输入到判别器中，得到判别器输出的该组合数据为真实数据的概率。
21.可选的，所述根据所述训练样本集进行h1次迭代训练，得到所述预先训练出的生成器，包括：
22.采用超参数优化方法对迭代训练次数h1、训练样本数量h2、生成器的超参数以及判别器的超参数进行优化，得到最佳参数组合。
23.为了实现上述目的，根据本发明的另一方面，提供了一种基于条件生成式对抗网络的mmp预测装置，该装置包括：
24.数据获取单元，用于获取目标油藏的mmp影响因素数据；
25.预测单元，用于将所述mmp影响因素数据输入到预先训练出的生成器中，得到所述预先训练出的生成器输出的所述目标油藏的mmp预测值，其中，所述生成器为根据训练样本集进行多次迭代训练得到的，所述训练样本集中的每个训练样本包含：油藏的mmp值以及油藏的mmp影响因素数据。
26.为了实现上述目的，根据本发明的另一方面，还提供了一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述基于条件生成式对抗网络的mmp预测方法的步骤。
27.为了实现上述目的，根据本发明的另一方面，还提供了一种计算机程序产品，包括计算机程序/指令，该计算机程序/指令被处理器执行时实现上述基于条件生成式对抗网络的mmp预测方法的步骤。
28.本发明的有益效果为：
29.本发明将条件生成式对抗网络与co2与油藏原油间的最小混相压力(mmp)预测相结合，训练出条件生成式对抗网络的生成器作为mmp预测模型，能够准确、高效的对油藏的mmp进行预测的有益效果。
附图说明
30.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。在附图中：
31.图1是本发明实施例基于条件生成式对抗网络的mmp预测方法的第一流程图；
32.图2是本发明实施例基于条件生成式对抗网络的mmp预测方法的第二流程图；
33.图3是本发明实施例判别器的训练流程图；
34.图4是本发明实施例生成器的训练流程图；
35.图5是本发明实施例训练样本集示意图；
36.图6是本发明实施例生成器的网络结构示意图；
37.图7是本发明实施例判别器的网络结构示意图；
38.图8是本发明实施例组合模型示意图；
39.图9是本发明实施例基于条件生成式对抗网络的mmp预测装置的第一结构框图；
40.图10是本发明实施例基于条件生成式对抗网络的mmp预测装置的第二结构框图；
41.图11是本发明实施例计算机设备示意图。
具体实施方式
42.为了使本技术领域的人员更好地理解本发明方案，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的实施例，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，都应当属于本发明保护的范围。
43.本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、cd-rom、光学存储器等)上实施的计算机程序产品的形式。
44.需要说明的是，本发明的说明书和权利要求书及上述附图中的术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
45.需要说明的是，在不冲突的情况下，本发明中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本发明。
46.需要说明的是，本技术中的mmp指的是co2与油藏原油间的最小混相压力。
47.生成式对抗网络(generative adversarial networks，gans)是一种深度学习模型，是近年来复杂分布上无监督学习最具前景的方法之一。模型通过框架中(至少)两个模块：生成模型(又称生成器)和判别模型(又称判别器)的互相博弈学习产生相当好的输出。
48.生成式对抗网络是一种无监督机器学习方法，这使得该方法一般应用在数据增强
上，即当提供给机器学习的训练样本上很少时，可以采用生成式对抗网络，生成一些数据样本，以供机器进行学习。由于生成式对抗网络诞生得较晚，其近几年才开始被少数石油工作者用来进行数据增强，但是，使用该方法生成的数据，其效果，各个研究者褒贬不一。
49.最原始的生成式对抗网络，只要输入一个随机的向量，然后得到一个产生的对象，但是我们无法控制产生什么样的对象。于是研究人员提出了条件生成式对抗网络理论，对原始的gan附加了约束，在生成模型和判别模型中引入了条件变量y(conditional variable y)，为模型引入了额外的信息，可指导性的生成数据。理论上y可以使有意义的各种信息，比如类标签，可以将gan这种无监督学习的方法变成有监督的。
50.条件生成式对抗网络的出现，让生成式对抗网络从无监督学习变成了有监督学习，意味着该方法可以用在石油方面的参数预测上，在石油方面的应用前景很大。但是，据目前的文献调研发现，该方法暂时还没有与石油行业相结合。本发明将条件生成式对抗网络与mmp预测相结合，提出了一种基于条件生成式对抗网络的co2与原油最小混相压力(mmp)预测方法。通过条件生成式对抗网络(cgan)的对抗式训练，学习并建立起mmp与其影响因素之间的非线性映射关系，并利用贝叶斯超参数优化方法优化模型结构，综合提高模型的预测精度，从而实现对未知油藏的mmp的精准预测，为油田的下一步开发提供了可靠的依据，助力油藏的高效开发。
51.图1是本发明实施例基于条件生成式对抗网络的mmp预测方法的第一流程图，如图1所示，在本发明一个实施例中，本发明的基于条件生成式对抗网络的mmp预测方法包括步骤s101至步骤s103。
52.步骤s101，获取目标油藏的mmp影响因素数据。
53.在本发明一个实施例中，mmp影响因素数据具体包括：油层温度(tr)、原油中易挥发组分摩尔分数(x
vol
)、原油中c
2-c4组分摩尔分数(x
c2-4
)、原油中c
5-c6组分摩尔分数(x
c5-6
)、原油中c
7+
组分分子量(mw
c7+
)、注入气中co2及四个杂质摩尔分数(即y
co2
、y
c1
、y
n2
、y
h2s
和y
hc
)等。
54.步骤s102，将所述mmp影响因素数据输入到预先训练出的生成器中，得到所述预先训练出的生成器输出的所述目标油藏的mmp预测值，其中，所述生成器为根据训练样本集进行多次迭代训练得到的，所述训练样本集中的每个训练样本包含：油藏的mmp值以及油藏的mmp影响因素数据。
55.图2是本发明实施例基于条件生成式对抗网络的mmp预测方法的第二流程图，如图2所示，上述步骤s102中的所述预先训练出的生成器具体是由步骤s201和步骤s202训练生成的。
56.步骤s201，获取所述训练样本集。
57.在本发明一个实施例中，本发明收集一定数量的已有油藏的mmp值以及相应的mmp影响因素数据，并按照一定的比例划分为训练样本集、验证样本集以及测试样本集。
58.图5所示为本发明一个实施例收集的105个油藏的mmp值以及相应的mmp影响因素数据。具体的，本发明将所有数据按照6:2:2的比例划分为训练样本集、验证样本集以及测试样本集，则训练样本集有63组数据，验证样本集有21组数据，测试样本集有21组数据。
59.在本发明一个实施例中，本发明在得到训练样本集、验证样本集以及测试样本集之后，首先对训练样本集进行最大最小归一化处理，然后，利用训练样本集数据的最大值和
最小值对验证样本集和测试样本集中的数据进行相同的处理。
60.在本发明一个实施例中，最大最小归一化公式可以如下：
[0061][0062]
步骤s202，根据所述训练样本集进行h1次迭代训练，得到所述预先训练出的生成器，其中，每一次迭代训练分为多个批次的训练，在进行每一个批次的训练时，先从所述训练样本集中选取h2个训练样本，然后基于选取的训练样本对判别器的网络权重进行训练，最后基于选取的训练样本在由判别器和生成器组成的组合模型中对生成器的网络权重进行训练，h1和h2均为正整数。
[0063]
在本发明中，每一次迭代训练分为多个批次的训练，在进行每一个批次的训练时，先从训练样本集中选取h2个训练样本，对于同一次迭代训练的多个批次的训练选取的训练样本均不相同，若某个批次的训练时训练样本集中剩下的样本数不足h2时，就选取剩下的所有样本进行这一个批次的训练。由此训练样本集中所有样本都经过一次训练后，即实现了条件生成式对抗网络的一次迭代训练过程，也称为一个训练周期，生成器和判别器的性能将会随着迭代训练次数(h1)的增加，逐渐提高。
[0064]
在本发明中，本发明根据上述流程进行h1次迭代训练。当迭代训练到一定的次数时，生成器产生的对应条件下的mmp预测值，将非常接近真实数据，也就实现了mmp的预测功能。在本发明一个实施例中，本发明在迭代训练过程中同时监控每一次迭代训练完成后生成器在验证集上的预测误差，并将每次迭代训练后的生成器单独保存下来，最后选取迭代训练过程中在验证集上误差最小的生成器，该生成器即为mmp预测模型。
[0065]
在本发明中，本发明先基于训练样本对判别器的网络权重进行训练，然后基于训练样本在由判别器和生成器组成的组合模型中对生成器的网络权重进行训练。图8是本发明实施例组合模型示意图，如图8所示，在组合模型中对生成器的网络权重进行训练时，判别器的网络权重不发生变化，生成器的网络权重则会随着数据的训练而发生变化。
[0066]
在本发明一个实施例中，所述训练样本由第一数据和第二数据组成，所述第一数据为油藏的mmp影响因素数据，所述第二数据为油藏的mmp值。
[0067]
图3是本发明实施例判别器的训练流程图，如图3所示，在本发明一个实施例中，上述步骤s202中的基于选取的训练样本对判别器的网络权重进行训练，具体包括步骤s301至步骤s303。
[0068]
步骤s301，分别针对将每个选取的训练样本，将生成器根据训练样本的第一数据输出的mmp预测值与该训练样本的第一数据进行组合，得到组合数据，并将该组合数据的标签设置为0。
[0069]
步骤s302，将每个选取的训练样本的标签设置为1。
[0070]
步骤s303，将设置完标签后的组合数据以及设置完标签后的训练样本输入到判别器中，对判别器的网络权重进行训练。
[0071]
在本发明一个实施例中，在开始进行一次迭代训练时，首先从训练样本集中选择第一个批次的训练样本，这个批次内的训练样本数为h2，利用建立好的生成器，将该批次的h2个训练样本中的第一数据为生成器的条件输入，输出生成器第一次生成的对应条件下的mmp预测值；然后，将第一数据与生成器输出的mmp预测值组合，得到组合数据，将组合数据
设置标签为0，输入到判别器里；同时，将第一数据以及对应的真实的mmp值的组合，即训练数据，设置标签为1，也送入判别器里，让判别器进行第一次的学习，即第一次对真假数据进行学习。进而根据上述流程，对判别器进行多个批次进而h1次迭代训练，经过迭代训练出的判别器能够较为准确的识别出真实数据。
[0072]
图4是本发明实施例生成器的训练流程图，如图4所示，在本发明一个实施例中，上述步骤s202中的基于选取的训练样本在由判别器和生成器组成的组合模型中对生成器的网络权重进行训练，具体包括步骤s401至步骤s403。
[0073]
步骤s401，分别针对每个选取的训练样本，将训练样本的第一数据输入到生成器中，得到生成器输出的该训练样本对应的mmp预测值。
[0074]
步骤s402，分别针对将每个选取的训练样本，将训练样本的第一数据与训练样本对应的mmp预测值进行组合，得到组合数据，并将该组合数据的标签设置为1。
[0075]
步骤s403，将设置完标签后的组合数据输入到判别器中，得到判别器输出的该组合数据为真实数据的概率。
[0076]
在本发明中，在对判别器进行训练之后，保持判别器的权重不变，进而在由判别器和生成器组成的组合模型中对生成器的网络权重进行训练。具体的，本发明将生成器的条件输入(即训练数据中的第一数据)与生成器输出的mmp预测值组合，设置标签为1，输入到组合模型内，实现对生成器的单独训练学习，而不影响判别器，提高生成器生成数据的准确能力。
[0077]
图6是本发明实施例生成器的网络结构示意图，如图6所示，生成器的输入为mmp影响因素数据，生成器的输出为mmp预测值；生成器的网络结构具体包括：第一fcnn层、第一拼接层以及第二fcnn层，所述第一fcnn层用于对mmp影响因素数据进行预处理，所述第一拼接层用于将所述第一fcnn层输出的预处理后的数据与随机噪声进行拼接，所述第二fcnn层用于对所述第一拼接层输出的拼接后的数据进行处理输出mmp预测值。
[0078]
如图6所示，本发明利用全连接神经网络(fcnn)搭建条件生成式对抗网络中的生成器。如图6所示，本发明首先设置fcnn层(即第一fcnn层)来对条件x，即归一化后的mmp影响因素数据，进行预处理；然后，将经过fcnn层(即第一fcnn层)预处理后的数据与生成器生成的随机噪声数据z拼接起来；最后，再次设置fcnn层(即第二fcnn层)来对拼接后的数据进行处理，从而输出当前影响因素下的mmp预测值，即y
′
。在本发明中，真实的mmp值，即训练数据中的mmp值，用y来表示，生成器输出的mmp预测值，用y
′
来表示。
[0079]
在本发明一个实施例中，生成器的超参数具体包括：所述第一fcnn层的层数、所述第一fcnn层每层神经元的个数、所述第一fcnn层每层的丢弃率、所述第二fcnn层的层数、所述第二fcnn层每层神经元的个数、所述第二fcnn层每层的丢弃率以及生成器的初始学习速率。
[0080]
在本发明一个实施例中，生成器的初始学习速率具体为生成器中adam优化器的初始学习速率。
[0081]
图7是本发明实施例判别器的网络结构示意图，如图7所示，判别器的输入为mmp影响因素数据和mmp值，该mmp值包括生成器的输出为mmp预测值，判别器的输出为数据为真实数据的概率；判别器的网络结构具体包括：第三fcnn层、第二拼接层以及第四fcnn层，所述第三fcnn层用于对mmp影响因素数据进行预处理，所述第二拼接层用于将所述第三fcnn层
输出的预处理后的数据与mmp值进行拼接，所述第四fcnn层用于对所述第二拼接层输出的拼接后的数据进行处理输出数据为真实数据的概率。
[0082]
如图7所示，判别器接受两个输入，第一个输入为条件x，即归一化后的mmp影响因素数据，进行预处理，第二个为条件x对应的真实的mmp值y或者生成器在条件x下生成的mmp预测值y
′
。
[0083]
如图7所示，在本发明一个实施例中，判别器设置时，首先设置fcnn层(即第三fcnn层)来对条件x，即归一化后的mmp影响因素数据，进行预处理；然后，将经过fcnn层(即第三fcnn层)预处理后的数据与输入的mmp值(条件x对应的真实的mmp值y或者生成器在条件x下生成的mmp预测值y
′
)拼接起来；最后，再次设置fcnn层(即第四fcnn层)来对拼接后的数据进行处理，并且，此fcnn层(即第四fcnn层)的最后一层的神经元个数为1，激活函数为sigmoid，输出当前所输入的数据是真实数据的概率，如果输出的概率》0.5，属于真实数据，反之，则为假数据，即是生成器生成的数据。
[0084]
在本发明一个实施例中，判别器的超参数具体包括：所述第三fcnn层的层数、所述第三fcnn层每层神经元的个数、所述第三fcnn层每层的丢弃率、所述第四fcnn层的层数、所述第四fcnn层每层神经元的个数、所述第四fcnn层每层的丢弃率以及判别器的初始学习速率。
[0085]
在本发明一个实施例中，判别器的初始学习速率具体为生成器中adam优化器的初始学习速率。
[0086]
在本发明一个实施例中，在上述步骤s202进行迭代训练时，本发明还采用超参数优化方法对迭代训练次数h1、训练样本数量h2、生成器的超参数以及判别器的超参数进行优化，得到最佳参数组合。进而基于该最佳参数组合进行模型迭代训练，得到生成器，即mmp预测模型。
[0087]
在本发明一个具体实施例中，本发明利用贝叶斯超参数优化方法，对生成器的超参数和判别器的超参数、每次迭代训练过程中每个批次内的训练样本数(h2)以及迭代训练次数(h1)进行优化，寻找使模型在验证集中预测效果最好的参数组合，将在验证集中预测效果最好的参数组合作为最佳参数组合。
[0088]
其中，贝叶斯优化时，会先随机使用几组参数组合，进行试算，试算的次数可以人为设置，这里将试算次数设置为10。然后，再进行真正的贝叶斯优化，试算结束以后的每一次贝叶斯优化，都会参考之前计算的结果，也就是模型在验证集上的表现，从而选择下一次计算时应该使用的超参数以及迭代训练次数，这里将真正执行贝叶斯优化的步数设置为90。
[0089]
在本发明一个实施例中，本发明利用通过贝叶斯超参数优化得到的最佳参数组合，建立mmp预测模型(即生成器)。该模型即为我们将用来对新油藏的mmp进行预测的模型，输入该新油藏的mmp影响因素数据，即可预测出对应的mmp值。
[0090]
在本发明一个实施例中，利用贝叶斯超参数优化得到最佳参数组合可以如下：
[0091]
在生成器中，对输入的影响因素x进行预处理的fcnn层(即第一fcnn层)设置为2层，第一层神经元数量设置为430，丢弃率为0.1943，第二层神经元数量设置为1，激活函数均为relu；对拼接后数据进行处理的fcnn层(即第二fcnn层)设置为5层，前四层神经元数量设置为381，前四层网络每层的丢弃率为0.2944，第五层神经元数量设置为1，活函数均为
relu。生成器中adam优化器的初始学习速率设置为0.0001960。
[0092]
在判别器中，对输入影响因素x进行预处理的fcnn层(即第三fcnn层)设置为2层，第一层神经元数量设置为247，丢弃率为0.0123，第二层神经元数量设置为1，激活函数均为relu；对拼接后数据进行处理的fcnn设置(即第四fcnn层)为4层，前三层每层神经元数量设置为110，前三层网络每层的丢弃率为0.3779，最后一层神经元数量设置为1，前三层的激活函数均为relu，最后1层的激活函数为sigmoid。判别网络中adam优化器的初始学习速率设置为0.0001758。
[0093]
迭代训练次数(h1)经过贝叶斯优化后设置为890，每次迭代训练过程中每个批次内的训练样本数(h2)经过贝叶斯优化后设置为38。
[0094]
根据同样的训练样本集，分别利用fcnn、rf、svm这3种机器学习方法建立了mmp预测模型，并结合贝叶斯算法和验证集数据对各个模型的结构进行了优化。最后，利用同样未经过训练的测试样本集，对各个优化后模型的预测精度进行了评价。
[0095]
表1预测平均绝对百分比误差
[0096][0097]
从表1中可以看到，与fcnn、rf、svm模型的预测结果相比，本发明的基于cgan的mmp预测模型在测试集中的误差分别提高了1、3以及8个百分点，是四种机器学习方法里精度最高的。这体现了cgan强大的拟合能力，具有比fcnn、rf、svm更高的预测精度，与cgan在其他领域上反映出的良好性能相互印证。
[0098]
由以上实施例可见，本发明的基于条件生成式对抗网络的mmp预测方法至少实现了以下有益效果：
[0099]
1、本发明方法首次将条件生成式对抗网络与油藏mmp预测相结合，利用对大量油藏mmp数据进行学习，建立了数据驱动的油藏mmp预测模型，提高了模型预测精度，是一种新的mmp预测思路和方法，开辟了条件生成式对抗网络在mmp预测的先例，对油藏mmp预测以及油藏开发方案设计具有重要意义。
[0100]
2、本发明方法在建模过程中，利用贝叶斯优化方法对网络中的超参数进行优化，综合提高了模型预测精度。
[0101]
3、本发明方法的模型建立过程简便、计算效率高、预测精度高，综合性、适用性强，为机器学习以及条件生成式网络在油藏mmp预测上的大规模应用奠定了一定的基础，具有广泛的应用前景。
[0102]
需要说明的是，在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行，并且，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不
同于此处的顺序执行所示出或描述的步骤。
[0103]
基于同一发明构思，本发明实施例还提供了一种基于条件生成式对抗网络的mmp预测装置，可以用于实现上述实施例所描述的基于条件生成式对抗网络的mmp预测方法，如下面的实施例所述。由于基于条件生成式对抗网络的mmp预测装置解决问题的原理与基于条件生成式对抗网络的mmp预测方法相似，因此基于条件生成式对抗网络的mmp预测装置的实施例可以参见基于条件生成式对抗网络的mmp预测方法的实施例，重复之处不再赘述。以下所使用的，术语“单元”或者“模块”可以实现预定功能的软件和/或硬件的组合。尽管以下实施例所描述的装置较佳地以软件来实现，但是硬件，或者软件和硬件的组合的实现也是可能并被构想的。
[0104]
图9是本发明实施例基于条件生成式对抗网络的mmp预测装置的第一结构框图，如图9所示，在本发明一个实施例中，本发明的基于条件生成式对抗网络的mmp预测装置包括：
[0105]
数据获取单元1，用于获取目标油藏的mmp影响因素数据；
[0106]
预测单元2，用于将所述mmp影响因素数据输入到预先训练出的生成器中，得到所述预先训练出的生成器输出的所述目标油藏的mmp预测值，其中，所述生成器为根据训练样本集进行多次迭代训练得到的，所述训练样本集中的每个训练样本包含：油藏的mmp值以及油藏的mmp影响因素数据。
[0107]
图10是本发明实施例基于条件生成式对抗网络的mmp预测装置的第二结构框图，如图10所示，在本发明一个实施例中，本发明的基于条件生成式对抗网络的mmp预测装置还包括：
[0108]
训练样本集获取单元3，用于获取所述训练样本集；
[0109]
模型训练单元4，用于根据所述训练样本集进行h1次迭代训练，得到所述预先训练出的生成器，其中，每一次迭代训练分为多个批次的训练，在进行每一个批次的训练时，先从所述训练样本集中选取h2个训练样本，然后基于选取的训练样本对判别器的网络权重进行训练，最后基于选取的训练样本在由判别器和生成器组成的组合模型中对生成器的网络权重进行训练，h1和h2均为正整数。
[0110]
在本发明一个实施例中，所述训练样本由第一数据和第二数据组成，所述第一数据为油藏的mmp影响因素数据，所述第二数据为油藏的mmp值。在本发明一个实施例中，所述模型训练单元，具体包括：
[0111]
第一标签设置模块，用于分别针对将每个选取的训练样本，将生成器根据训练样本的第一数据输出的mmp预测值与该训练样本的第一数据进行组合，得到组合数据，并将该组合数据的标签设置为0；
[0112]
第二标签设置模块，用于将每个选取的训练样本的标签设置为1；
[0113]
判别器训练模块，用于将设置完标签后的组合数据以及设置完标签后的训练样本输入到判别器中，对判别器的网络权重进行训练。
[0114]
在本发明一个实施例中，所述模型训练单元，具体包括：
[0115]
预测值获取模块，用于分别针对每个选取的训练样本，将训练样本的第一数据输入到生成器中，得到生成器输出的该训练样本对应的mmp预测值；
[0116]
组合数据获取模块，用于分别针对将每个选取的训练样本，将训练样本的第一数据与训练样本对应的mmp预测值进行组合，得到组合数据，并将该组合数据的标签设置为1；
[0117]
生成器训练模块，用于将设置完标签后的组合数据输入到判别器中，得到判别器输出的该组合数据为真实数据的概率。
[0118]
可选的，所述模型训练单元，还包括：
[0119]
超参数优化模块，用于采用超参数优化方法对迭代训练次数h1、训练样本数量h2、生成器的超参数以及判别器的超参数进行优化，得到最佳参数组合。
[0120]
为了实现上述目的，根据本技术的另一方面，还提供了一种计算机设备。如图11所示，该计算机设备包括存储器、处理器、通信接口以及通信总线，在存储器上存储有可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述实施例方法中的步骤。
[0121]
处理器可以为中央处理器(central processing unit，cpu)。处理器还可以为其他通用处理器、数字信号处理器(digital signal processor，dsp)、专用集成电路(application specific integrated circuit，asic)、现场可编程门阵列(field-programmable gate array，fpga)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等芯片，或者上述各类芯片的组合。
[0122]
存储器作为一种非暂态计算机可读存储介质，可用于存储非暂态软件程序、非暂态计算机可执行程序以及单元，如本发明上述方法实施例中对应的程序单元。处理器通过运行存储在存储器中的非暂态软件程序、指令以及模块，从而执行处理器的各种功能应用以及作品数据处理，即实现上述方法实施例中的方法。
[0123]
存储器可以包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需要的应用程序；存储数据区可存储处理器所创建的数据等。此外，存储器可以包括高速随机存取存储器，还可以包括非暂态存储器，例如至少一个磁盘存储器件、闪存器件、或其他非暂态固态存储器件。在一些实施例中，存储器可选包括相对于处理器远程设置的存储器，这些远程存储器可以通过网络连接至处理器。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
[0124]
所述一个或者多个单元存储在所述存储器中，当被所述处理器执行时，执行上述实施例中的方法。
[0125]
上述计算机设备具体细节可以对应参阅上述实施例中对应的相关描述和效果进行理解，此处不再赘述。
[0126]
为了实现上述目的，根据本技术的另一方面，还提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序在计算机处理器中执行时实现上述基于条件生成式对抗网络的mmp预测方法中的步骤。本领域技术人员可以理解，实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的程序可存储于一计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，所述存储介质可为磁碟、光盘、只读存储记忆体(read-only memory，rom)、随机存储记忆体(randomaccessmemory，ram)、快闪存储器(flash memory)、硬盘(hard disk drive，缩写：hdd)或固态硬盘(solid-state drive，ssd)等；所述存储介质还可以包括上述种类的存储器的组合。
[0127]
为了实现上述目的，根据本技术的另一方面，还提供了一种计算机程序产品，包括计算机程序/指令，该计算机程序/指令被处理器执行时实现上述基于条件生成式对抗网络
的mmp预测方法的步骤。
[0128]
显然，本领域的技术人员应该明白，上述的本发明的各模块或各步骤可以用通用的计算装置来实现，它们可以集中在单个的计算装置上，或者分布在多个计算装置所组成的网络上，可选地，它们可以用计算装置可执行的程序代码来实现，从而，可以将它们存储在存储装置中由计算装置来执行，或者将它们分别制作成各个集成电路模块，或者将它们中的多个模块或步骤制作成单个集成电路模块来实现。这样，本发明不限制于任何特定的硬件和软件结合。
[0129]
以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。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。