一种考虑物理过程信息的油气渗流深度学习新模型

作者：黄朝琴,年凯,王斌,巩亮,胡慧芳,张世明,CHUNG Eric

摘要：目前机器学习仍属于纯数据驱动下的单一数据学习,其结果和学习过程的物理可解释性有待提高。在油气田开发中,井网密度较小,井点数据属于稀疏训练样本数据,即使采用深度学习,其预测效果仍欠佳。油气流动物理过程一般较为明确,即满足渗流方程,将渗流方程作为约束条件加入深度学习损失函数项,建立一种考虑物理过程信息的油气渗流深度学习新模型。通过单相和两相流算例验证模型的正确性和高效性。结果表明:在数据样本充足情况下,无论是传统模型还是新建模型均能获得良好的学习和预测效果;随着数据样本的减少,传统模型的学习和预测结果误差也随之增大,但新建模型仍能保持较高精度,即使在强非均质和注采关系反转条件下也能保证预测精度。

发文机构：中国石油大学（华东）油气渗流研究中心 中国石化胜利油田勘探开发研究院 香港中文大学数学系

关键词：深度神经网络物理过程信息油气渗流渗透率场deep neural networkphysical process informationoil and gas flow in porous mediapermeability field

分类号： TE319[石油与天然气工程—油气田开发工程]TE312