| 基于深度学习的代理模型在实际气藏三维模拟中的应用 |
| |
| 引用本文： | 秦峰,闫正和,唐圣来,罗睿乔,龚斌. 基于深度学习的代理模型在实际气藏三维模拟中的应用[J]. 油气地质与采收率, 2022, 29(1): 152-159 |
| |
| 作者姓名： | 秦峰 闫正和 唐圣来 罗睿乔 龚斌 |
| |
| 作者单位： | 1.中海石油（中国）有限公司深圳分公司，广东深圳518000；;2.中国地质大学（武汉）资源学院，湖北武汉430074 |
| |
| 摘 要： | 应用基于深度学习的代理模型进行油气藏模拟是油气藏仿真研究的一个新方向。针对高精度全阶油气藏模拟速度慢的问题，采用一种基于深度学习的嵌入式控制框架（E2C,Embed to Control）模型，通过“编码器+线性转化模型+解码器”的架构构建深度学习网络，将原始时刻的压力场、饱和度场数据与井控约束条件相结合来演化出新时刻的场数据。以南海东部番禺35-1气田为例，测试E2C模型与传统数值模拟器模拟结果的差别。测试结果显示E2C模型误差较小，其中饱和度场的相对误差小于5%，压力场的平均相对误差为8%；在相同的CPU条件下，E2C模型运行100次算例时间为16 s，比传统数值模拟器（运行时间为6 000 s）快375倍。实际应用结果表明E2C模型在保证模拟精度的条件下可以大幅度提升模拟速度。
|
| 关 键 词： | 深度学习 嵌入式控制框架模型 代理模型 井控条件 气藏模拟 |
Application of agent models based on deep learning in actual three-dimensional gas reservoir simulation |
| |
| QIN Feng,YAN Zhenghe,TANG Shenglai,LUO Ruiqiao,GONG Bin. Application of agent models based on deep learning in actual three-dimensional gas reservoir simulation[J]. Petroleum Geology and Recovery Efficiency, 2022, 29(1): 152-159 |
| |
| Authors: | QIN Feng YAN Zhenghe TANG Shenglai LUO Ruiqiao GONG Bin |
| |
| Affiliation: | (Shenzhen Branch,CNOOC China Limited,Shenzhen City,Guangdong Province,518000,China;School of Earth Resources,China University of Geosciences(Wuhan),Wuhan City,Hubei Province,430074,China) |
| |
| Abstract: | |
| |
| Keywords: | deep learning E2C model agent model well control constraint gas reservoir simulation |
| 本文献已被 维普 等数据库收录！ |
| 点击此处可从《油气地质与采收率》浏览原始摘要信息 |
|
点击此处可从《油气地质与采收率》下载全文 |
|
