10.3969/j.issn.1673-5005.2020.04.006
一种考虑物理过程信息的油气渗流深度学习新模型
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.
深度神经网络、物理过程信息、油气渗流、渗透率场
44
TE319;TE312(油气田开发与开采)
国家重大科技专项;中央高校基本科研业务费专项;中石化大数据前瞻项目
2020-08-04(万方平台首次上网日期,不代表论文的发表时间)
共10页
47-56