一种机器学习辅助的两相流油藏随机建模的网格粗化方法

摘要

本发明公开了一种基于机器学习的油藏数值模拟网格粗化方法，涉及油藏数值模拟领域。方法包括以下步骤：确定地质模型实现将要粗化成粗网格的尺寸和数量；选取部分地质模型实现记为模型集P1，其余模型记为模型集P2，对模型集P1中模型实现进行相对渗透率粗化计算，得到P1中粗网格的粗尺度相对渗透率数据；对所有地质模型实现的渗透率进行数据预处理；提取P1和P2中每个粗网格的渗透率分布特征，用机器学习算法对所有粗网格的渗透率分布特征进行归类，得到P1和P2中粗网格的类别；将P1中粗网格的粗尺度相对渗透率数据赋值给相似度最高的P2中的网格，得到P2近似的粗尺度相对渗透率数据；使用P1和P2中粗网格粗尺度的相对渗透率数据进行油藏数值模拟计算。

权利要求

1.一种机器学习辅助的两相流油藏随机建模的网格粗化方法，其特征在于，包括以下步骤：

（1）通过随机建模方法建立若干地质模型实现，确定地质模型实现将要粗化成粗网格的尺寸和数量；

（2）选取部分地质模型实现记为模型集P1，其余模型记为模型集P2，对模型集P1中模型实现进行相对渗透率粗化计算，得到P1中粗网格的粗尺度相对渗透率数据；

（3）对所有地质模型实现的渗透率进行数据预处理；

（4）提取P1和P2中每个粗网格的渗透率分布特征，用机器学习算法对所有粗网格的渗透率分布特征进行归类，得到P1和P2中粗网格的类别；提取粗网格的渗透率分布特征，通过把数据预处理后的粗网格中细网格的渗透率场画成图，以图片识别的方式对粗网格进行归类；提取粗网格的渗透率分布特征，对渗透率分布特征进行降维处理以加快计算机处理速度；用机器学习算法对所有粗网格的渗透率分布特征进行归类，归类方法为分类或聚类算法；

（5）将P1中粗网格的粗尺度相对渗透率数据赋值给与之同类P2中的网格，得到P2近似的粗尺度相对渗透率数据；

（6）使用P1和P2中粗网格粗尺度的相对渗透率数据进行油藏数值模拟计算。

2.如权利要求1所述的一种机器学习辅助的两相流油藏随机建模的网格粗化方法，其特征在于，对所有地质模型实现的渗透率进行数据预处理的处理方式为：先对所有细网格的渗透率做ln对数变换，然后对每个粗网格进行特征放缩处理，特征放缩处理式为（1）所示：

                  （1）其中， 为粗网格中每个细网格的渗透率， 为该粗网格中所有细网格渗透率的平均值， 为该粗网格中所有细网格渗透率的最大值， 为该粗网格中所有细网格渗透率的最小值， 为特征放缩后的细网格渗透率。

3.如权利要求1所述的一种机器学习辅助的两相流油藏随机建模的网格粗化方法，其特征在于，步骤（2）中选取地质模型实现划分模型集P1，在所有模型实现中按比例随机选取。

4.如权利要求1所述的一种机器学习辅助的两相流油藏随机建模的网格粗化方法，其特征在于，步骤（2）中选取地质模型实现划分模型集P1，通过手动选取部分有明显地质特征的模型实现。

5.如权利要求1所述的一种机器学习辅助的两相流油藏随机建模的网格粗化方法，其特征在于，步骤（4）中提取粗网格的渗透率分布特征，直接采用数据预处理后粗网格中每个细网格的渗透率数据。

说明书

一种机器学习辅助的两相流油藏随机建模的网格粗化方法

技术领域

[0001] 本发明属于油藏数值模拟领域，具体涉及一种基于机器学习的油藏数值模拟网格粗化方法。

背景技术

[0002] 建立储层地质模型，是油藏描述的核心与关键。储层建模方法分为确定性建模和随机建模。确定性建模是以井下测得的确定性资料为基础，推测井间确定的、唯一的储层参
数。然而地下储层是许多复杂地质活动综合作用的结果，以非常有限的资料无法描述储层
井间预测的不确定性。储层随机建模是地质统计学在石油工程中的广泛应用中发展起来
的，是利用计算机科学，地质学、数学等多学科领域的技术再现储层的离散型、连续型和非
均质性的方法。随机建模是以已知的信息为基础，以随机函数为理论，应用随机模拟方法产
生多个可选的、等概率的储层模型(又称模型实现，realizations)的方法。虽然预测结果可
能有任意多个，但其结果可以真实地反应储层属性的非均质性，多种结果也表现出了储层
属性的不确定性，其中有好的结果，也有坏的结果，可以提供不同的参考。

[0003] 随机建模技术产生了大量等概率的地质模型实现，每个模型实现都要进行油藏数值模拟，这使得模拟工作量增加数十倍乃至更多。网格粗化是降低模拟工作量的有效方法。
网格粗化就是在尽可能保留细尺度模型的储层参数情况下，把细网格系统的数据信息转换
到粗网格系统的过程。此方法可有效降低网格数量，大大降低计算成本，提高计算速度。传
统的网格粗化算法需要对每个粗尺度网格系统进行大量“重复性”计算，而机器学习方法正
适合处理这种“重复性”工作。

发明内容

[0004] 本发明的目的是针对上述不足，提出了一种在保证计算精度的前提下，能显著提高网格粗化速度的机器学习辅助的两相流油藏随机建模的网格粗化方法。

[0005] 本发明具体采用如下技术方案：

[0006] 一种机器学习辅助的两相流油藏随机建模的网格粗化方法，包括以下步骤：

[0007] (1)通过随机建模方法建立若干地质模型实现，确定模型实现将要粗化成粗网格的尺寸和数量；

[0008] (2)选取部分地质模型实现记为模型集P1，其余模型记为模型集P2，对模型集P1中模型实现进行相对渗透率粗化计算，得到P1中粗网格的粗尺度相对渗透率数据；

[0009] (3)对所有地质模型实现的渗透率进行数据预处理；

[0010] (4)提取P1和P2中每个粗网格的渗透率分布特征，用机器学习算法对所有粗网格的渗透率分布特征进行归类，得到P1和P2中粗网格的类别；

[0011] (5)将P1中粗网格的粗尺度相对渗透率数据赋值给相似度最高的P2中的网格，得到P2近似的粗尺度相对渗透率数据；

[0012] (6)使用P1和P2中粗网格粗尺度的相对渗透率数据进行油藏数值模拟计算。

[0013] 优选地，对所有地质模型实现的渗透率进行数据预处理的处理方式为：先对所有细网格的渗透率做ln对数变换，然后对每个粗网格进行特征放缩处理，特征放缩处理式为
(1)所示：

[0014]

[0015] 其中，xi为粗网格中每个细网格的渗透率，xmean为该粗网格中所有细网格渗透率的平均值，xmax为该粗网格中所有细网格渗透率的最大值，xmin为该粗网格中所有细网格渗透
率的最小值，x′i为特征放缩后的细网格渗透率。

[0016] 优选地，步骤(2)中选取地质模型实现划分模型集P1，在所有模型实现中按比例随机选取。

[0017] 优选地，步骤(2)中选取地质模型实现划分模型集P1，通过手动选取部分有明显地质特征的模型实现。

[0018] 优选地，步骤(4)中提取粗网格的渗透率分布特征，直接采用数据预处理后粗网格中每个细网格的渗透率数据。

[0019] 优选地，步骤(4)中提取粗网格的渗透率分布特征，通过把数据预处理后的粗网格中细网格的渗透率场画成图，以图片识别的方式对粗网格进行归类。

[0020] 优选地，步骤(4)中提取粗网格的渗透率分布特征，对渗透率分布特征进行降维处理以加快计算机处理速度。

[0021] 优选地，步骤(4)中用机器学习算法对所有粗网格的渗透率分布特征进行归类，归类方法为分类或聚类算法。

[0022] 本发明具有如下有益效果：

[0023] 该方法可以避免随机建模后对每个地质模型实现进行网格粗化计算，仅需对少数地质模型实现进行网格粗化计算，通过机器学习算法识别相似网格，对其余模型实现中相
似网格快速进行结果赋值。

[0024] 该方法可显著提高随机建模网格粗化速度，对提高随机建模模拟效率，加快油藏数值模拟智能化，具有很高的实用价值。

附图说明

[0025] 图1为一种机器学习辅助的两相流油藏随机建模的网格粗化方法的流程框图；

[0026] 图2为实施例二的流程图；

[0027] 图3为实施例二中的地质模型之一的渗透率分布及其特征缩放的示例图；

[0028] 图4为实施例二、实施例三和实施例四的计算时间对比图；

[0029] 图5为实施例二、实施例三和实施例四产量不确定性分析结果对比图；

[0030] 图6为实施例一和实施例四在不同时间下所有地质模型实现的总流量散点拟合直线对比。

具体实施方式

[0031] 下面结合附图和具体实施例对本发明的具体实施方式做进一步说明：

[0032] 实施例一

[0033] 结合图1机器学习辅助的两相流油藏随机建模的网格粗化方法，包括以下步骤：

[0034] (1)通过随机建模方法建立若干地质模型实现，确定模型实现将要粗化成粗网格的尺寸和数量。

[0035] (2)选取部分地质模型实现记为模型集P1，其余模型记为模型集P2，对模型集P1中模型实现进行相对渗透率粗化计算，得到P1中粗网格的粗尺度相对渗透率数据。选取地质
模型实现划分模型集P1，在所有模型实现中按比例随机选取，或手动选取部分有明显地质
特征的模型实现。

[0036] (3)对所有地质模型实现的渗透率进行数据预处理，处理的处理方式为：先对所有细网格的渗透率做ln对数变换，然后对每个粗网格进行特征放缩处理，特征放缩处理式为
(1)所示：

[0037]

[0038] 其中，xi为粗网格中每个细网格的渗透率，xmean为该粗网格中所有细网格渗透率的平均值，xmax为该粗网格中所有细网格渗透率的最大值，xmin为该粗网格中所有细网格渗透
率的最小值，x′i为特征放缩后的细网格渗透率。

[0039] (4)提取P1和P2中每个粗网格的渗透率分布特征，用机器学习算法对所有粗网格的渗透率分布特征进行归类，得到P1和P2中粗网格的类别。

[0040] 提取粗网格的渗透率分布特征，可以直接采用数据预处理后粗网格中每个细网格的渗透率数据，也可把数据预处理后的粗网格中细网格的渗透率场画成图，以图片识别的
方式对粗网格进行归类，达到更直观的可视化效果；

[0041] 提取粗网格的渗透率分布特征，可以对渗透率分布特征进行降维处理以加快计算机处理速度，降维处理方法包括但不限于PCA、T‑SNE、LDA、MDS等。

[0042] 用机器学习算法对所有粗网格的渗透率分布特征进行归类，归类方法可以是分类或聚类算法，具体地，包括但不限于KNN、K‑Means、SVM、随机森林、朴素贝叶斯等。

[0043] (5)将P1中粗网格的粗尺度相对渗透率数据赋值给与之同类(或相似度最高)的P2中的网格，得到P2近似的粗尺度相对渗透率数据。

[0044] (6)使用P1和P2中粗网格粗尺度的相对渗透率数据进行油藏数值模拟计算。

[0045] 实施例二

[0046] 基于上述方法，通过机器学习KNN算法，对数据预处理后的地质模型实现进行网格分类，整体方法流程图如图2，结合图3，具体步骤如下：

[0047] 第一步：生成110个地质模型实现，每个实现由200×200个细网格组成，目标为将细尺度模型粗化成由尺寸为10×20的粗网格系统组成的粗尺度模型。考虑水驱油的两相渗
流问题，设定边界条件为上下边界封闭，左侧为注水端，右侧为采油端。

[0048] 第二步：随机选取10个模型实现(记为P1)进行相对渗透率粗化计算，得到P1中粗网格的粗尺度相对渗透率数据，其余100个模型实现记为P2。

[0049] 第三步：为更好地提取每个粗网格的非均质性，以便于机器学习算法识别，对所有地质模型渗透率进行数据预处理，处理方法为：对所有细网格的渗透率值做ln对数变换，并
对所有粗网格做特征放缩处理。数据处理后的网格示意图如图3所示，数据处理后粗网格的
非均质性更加突出。

[0050] 特征放缩处理公式为：

[0051]

[0052] 其中，xi为该粗网格中每个细网格的渗透率，xmean为该粗网格中所有细网格渗透率的平均值，xmax为该粗网格中所有细网格渗透率的最大值，xmin为该粗网格中所有细网格渗
透率的最小值；x′i为特征放缩后的该粗网格中细网格渗透率。

[0053] 第四步：以粗网格中细网格的渗透率数据为特征，用KNN算法对粗网格进行分类，得到P2和P1中粗网格的分类关系。

[0054] 第五步：将P1中粗网格的粗尺度相对渗透率数据赋值给P2中与之同类的粗网格。

[0055] 第六步：使用P1和P2中粗网格的粗尺度相对渗透率，对110个地质模型实现进行油藏数值模拟计算，得到产量等数据，记录上述步骤花费时间合计为7029秒。

[0056] 实施例三：

[0057] 对所有地质模型实现不进行网格粗化，直接以细尺度模型进行油藏数值模拟计算，得到产量等数据，记录数值模拟计算花费时间合计为445658秒。

[0058] 实施例四：

[0059] 对所有地质模型实现进行传统的两相流网格粗化计算(不以机器学习方法辅助)，然后进行油藏数值模拟计算，得到产量等数据，记录网格粗化数值模拟花费时间合计为
66555秒。

[0060] 图4为细尺度数值模拟、网格粗化数值模拟和机器学习辅助网格粗化的数值模拟计算时间对比，机器学习辅助网格粗化的数值模拟效率提高明显，效率相比细尺度数值模
拟提高63.4倍，相比网格粗化数值模拟提高9.5倍。

[0061] 图5为对随机建模总产量的不确定性分析结果对比。P90、P50和P10分别代表所有模型实现数据中有90％、50％和10％小于该数据，代表总产量概率的预估。PVI为无量纲时
3
间，代表不同的注水阶段，计算公式为 其中qt为总流量(m /s)；t为时间(s)；vp
3
为总孔隙体积(m)。从图中可知，本发明提供的方法与传统两相流网格粗化方法相比，结果
精准；和细尺度的数值模拟对比误差较小，而产生的误差大部分来源于底层网格粗化算法
的信息损失。

[0062] 图6为PVI＝0.5和PVI＝1，在不同模拟方法下，110个地质模型实现的总流量qt的散点拟合对比，拟合直线越接近直线y＝x则证明机器学习辅助的网格粗化方法越准确。由
图可知，不同时间下，机器学习辅助的网格粗化方法和传统的网格粗化方法相比均表现出
良好的准确性；和细尺度数值模拟对比准确度较好，其中产生的误差主要来源于底层网格
粗化方法的信息损失。

[0063] 当然，上述说明并非是对本发明的限制，本发明也并不仅限于上述举例，本技术领域的技术人员在本发明的实质范围内所做出的变化、改型、添加或替换，也应属于本发明的
保护范围。