近日，我室钟志课题组在石油工程领域期刊《Gas Science and Engineering》（影响因子5.3）发表了题为“A convolutional neural network-based proxy model for field production prediction and history matching”的研究论文，该工作提出了一种基于卷积神经网络的裂缝尺度产量预测和历史拟合方法。论文第一作者为资源学院2022级博士生颜昺阳，指导老师为钟志教授。

油田产量预测在油田开发和管理的过程中起着至关重要的作用,历史拟合的结果能够有效的检验当前油藏模型的精度，为产量预测提供可靠的保障。但是，历史拟合通常需要上百次的迭代来优化油藏模型参数，为了解决历史拟合效率低的问题，本研究利用高效的代理模型来代替传统的油藏数值模拟过程。

本研究引入了基于卷积神经网络(CNN)的代理模型，加速了前向计算过程，提高了历史拟合效率。首先，通过拉丁超立方采样并利用油藏数值模拟器MRST构建大量嵌入式离散裂缝模型，生成具有高复杂性和多样性的训练和测试数据集。然后，我们引入区带系统的概念，通过其中的多个地质立方体来记录油藏和裂缝信息，每个地质立方体以通道的形式来储存每个裂缝周围的空间信息，共有6条通道包括：裂缝形状、时间、基质孔隙度、基质渗透率、裂缝孔隙度和裂缝渗透率。以区带系统的立方体数据作为代理模型的输入，油水产量作为输出，我们训练并测试了基于CNN的代理模型，用于准确预测油水产量。最后，将这个高精度的代理模型嵌入到遗传算法中来进行多次迭代以完成历史拟合，通过遗传算法中的选择、交叉、变异操作得到最优的不确定性参数组合，从而对油藏模型进行优化。结果表明，基于CNN的代理模型预测出的油田产量能够以99%的准确率来匹配传统油藏历史开发动态，大大地提高预测的效率。所以，相比传统的油藏数值模拟方法，这个基于人工智能的代理模型能够以高精度、高效率的方式完成历史拟合。

图1 卷积神经网络结构

Gas Science and Engineering是由Elsevier出版商出版的石油工程领域的顶级期刊之一，中科院分区中为SCI二区TOP期刊，在人工智能领域具有较高影响力。

该研究得到国家自然科学基金、湖北省重点研究开发项目的联合资助。

论文信息：

Title: A convolutional neural network-based proxy model for field production prediction and history matching

Authors: Bingyang Yan, Zhi Zhong*, Bin Bai

Journal: Gas Science and Engineering

DOI: https://doi.org/10.1016/j.jgsce.2024.205219

Paper Link: https://www.sciencedirect.com/science/article/abs/pii/S2949908924000153