基于EnKF的油藏自动历史拟合方法对三相相对渗透率的反演

为解决标准集合Kalman滤波在非线性油藏反演中更新模型与更新动态场的统计不一致性问题,提出了一种改进的集合Kalman滤波方法,历史拟合过程中只对模型参数进行更新,然后利用更新的模型参数从初始状态重新运行油藏数值模拟软件进行下一拟合时刻的生产预测,协方差矩阵由从时间零运行油藏数值模拟软件得到的预测数据进行计算.理论证明了该方法与集合随机最大似然法的一致性.对某油藏的相对渗透率曲线进行了估计,比较了标准集合Kalman滤波方法与改进方法的参数估计及生产预测结果.由于保证了更新模型与更新动态场的一致性,改进的集合Kalman滤波方法得到了更好的参数估计和生产预测结果.     

多模型油藏闭环管理

 针对目前基于单一模型进行油藏闭环管理的局限性,结合油藏数值模拟技术,提出了一种基于多模型实现的油藏闭环管理方法。利用集合卡尔曼滤波(EnKF)法通过拟合实测数据对地质模型进行实时更新,并以更新后模型的经济净现值的期望值作为目标函数,通过随机扰动近似算法(SPSA)进行油田生产优化。计算实例显示,应用该方法进行油藏闭环管理能够降低油藏模型的不确定性,给出更为合理的地质模型估计,所得控制方案相比常规方案明显改善了注水开发效果、提高了经济效益、降低了开发的风险性。     

基于四维变分的油藏数模自动历史拟合方法

应用基于最优控制理论的四维变分资料同化方法,将油藏初始参数场和历史拟合时间段内的动态资料作为约束条件,将历史拟合过程转化为非线性规划中求解定义在多维空间的最优化问题,采用Levenberg-Marquardt优化算法求解目标函数极小值,从而建立基于四维变分资料同化的油藏自动历史拟合模型。将某小断块油藏渗透率和油水相渗曲线作为被估参数,自动拟合油藏产油量和含水率历史数据。结果表明:应用四维变分资料同化方法进行油藏数模自动历史拟合是可行的,可大幅提高历史拟合的效率。     

基于局域化集合卡尔曼滤波的含水层弥散度场识别研究

溶质运移模型对下水污染物运移预测有重要意义,但是准确获取模型参数具有一定难度.集合卡尔曼滤波(EnKF)方法可以融合多来源观测数据对同化系统进行优化修正,从而得到与真实情况接近的参数.将二维承压含水层理想算例的溶质观测数据应用于局域化集合卡尔曼滤波同化系统,估计含水层的弥散度场,并探讨了模型实现数目、初始猜想场的统计特征、观测点数目及时空分布、观测误差对参数估计结果的影响.结果表明,通过同化浓度观测资料可较好地估计溶质运移模型的弥散度场;对于所用模型,实现数目在100~700时,参数估计结果最好;初始猜想场与实际场越接近、观测数据误差越小,越能快速获得较好的估计结果.     

塔河碳酸盐岩缝洞型油藏动态储层评价技术

碳酸盐岩缝洞型油藏具有极强的非均质性,单纯用静态资料来认识这类油藏是非常困难的.作者提出利用生产动态资料和信息进行该类型油藏研究的新思路.即利用人工神经网络技术在处理非线性相关参数预测方面的优势,并以渗流理论为基础,结合试井成果,推导出影响油藏开发的重要参数(地层系数)与生产信息的关系;建立了人工神经网络预测储层参数的结构模型.通过塔里木盆地塔河油田实例研究,说明了神经网络技术在碳酸盐岩缝洞型油藏储层评价预测和非均质性分析等方面具有较强的实用价值.     

耦合集合卡尔曼滤波的非线性参数估计

准确的参数对于非线性模型或者函数有极为重要的意义。但是在实际应用中,输入的参数常常带有一定的偏差,因此在预测中非线性模型(函数)往往得不到满意的结果。把集合卡尔曼滤波方法引入到非线性模型(函数)的参数估计中,并采用基于联合状态向量的方法在同化时刻同时更新模型(函数)的状态和参数,该方法可以通过同化观测数据,动态地调整参数和结果,使得参数能够自适应地变化,同时也能较好地释放积累的模型误差。将该方法应用于随时间变化的二维非线性模型(函数)中,实验表明,该方法能够准确地估计出模型参数值,同时也表现出很好的鲁棒性和自适应性。     

基于集合光滑的深度学习自动历史拟合方法

针对具有复杂地质特征的大规模油藏反演建模难题,研究整合深度学习模型与数据同化算法的自动历史拟合方法。提出奇异值分解-深度变分自编码模型,基于奇异值差分谱估计油藏模型参数的本征维数,并以此作为潜变量维数;编码器对油藏模型参数进行特征提取并降维至低维潜变量空间,解码器将低维潜变量重构生成与先验地质统计特征一致的油藏模型;结合多次迭代同化的集合光滑方法,更新低维潜变量并解码重构至对应的油藏模型参数,进行生产历史拟合。结果表明:保留90%信息估计的模型参数本征维数作为潜变量维数,能够保持清晰的相边界;相比传统的奇异值分解降维方法深度变分自编码模型能够有效地处理复杂离散地质特征;提出的方法能够准确地预测河流相分布。     

基于集合和神经网络架构搜索的自动历史拟合方法

由于人工经验选取的局限性,难以获取决定模型重构精度的最优网络参数是目前使用深度学习方法在自动历史拟合中对油藏地质模型进行降维时的难点之一.针对此问题,通过将深度自编码器与粒子群优化算法相互结合实现最佳网络架构的自动搜索,并以此构建一种基于集合数据同化和神经网络架构自动搜索的油藏自动历史拟合方法.分别对一个二维河流相油藏...     

无梯度多参数自动历史拟合方法

通过历史拟合以降低油藏地质参数的不确定性,提出一种稳定高效的无梯度多参数最优化调参技术,根据贝叶斯统计理论建立历史拟合最小化数学模型,并利用奇异值分解算法进行降维分解,然后采用基于方向导数的无梯度算法对该最优化问题进行求解。该方法同时实现了渗透率、孔隙度、相对渗透率、原油黏度及水体参数的拟合,进一步降低了反问题的不确定性。与人工历史拟合结果相比,基于降维方法的自动历史拟合结果表现出高度的一致性,节省了大量的人力与机时,证明了该方法的有效性与正确性。     

基于RUKF-IMM的非线性系统滤波

从交互式多模型估计(IMM)方法的特点出发,提出用IMM估计方法对有测量数据丢失的非线性系统进行估计.IMM模型集中包含两个模型:一个模型对应测量数据丢失情况,另一个对应测量数据未丢失.最终基于两个模型的估计进行融合得到估计结果,改善估计器在测量信息丢失情况下的稳定性.采用随机无迹卡尔曼滤波(RUKF)方法对每个模型分别进行滤波,消除标准无迹卡尔曼滤波(UKF)方法的系统误差.仿真结果表明:在测量信息丢失的情况下,提出的估计方法在稳定性与估计性能上都优于传统的基于单模型的非线性系统混合估计方法.