10.19596/j.cnki.1001-246x.8533
基于代理模型和深度强化学习的试井自动解释方法
基于深度确定性策略梯度(DDPG)算法,提出一种基于深度强化学习的试井曲线自动解释方法.将该方法应用于 4 种不同试井模型条件下的曲线自动拟合.为提高训练效率,建立基于 LSTM 神经网络的试井代理模型.通过训练智能体与代理模型交互,最终得到最优曲线拟合策略.结果表明:曲线参数解释的平均相对误差为5.51%,平均计算时间为 0.427 s,计算速度相较物理模型提高两个数量级.该方法在案例应用中参数解释平均相对误差为 4.32%,证明了方法的可靠性.
试井解释、参数反演、深度强化学习、自动拟合
40
TE319(油气田开发与开采)
国家科技重大专项;国家自然科学基金;国家自然科学基金
2023-07-25(万方平台首次上网日期,不代表论文的发表时间)
共14页
67-80