發(fā)布時間：2024-03-14 02:12

　　針對注水開發(fā)過程中注采參數(shù)的優(yōu)化問題,提出采用神經(jīng)網(wǎng)絡代替數(shù)值模擬對剩余油分布進行預測,并結合無梯度差分進化算法對注采參數(shù)進行優(yōu)化。該模型不僅建立了注采參數(shù)與目標函數(shù)的非線性關系,還能準確預測不同生產(chǎn)階段剩余油分布。其預測原理是將注采參數(shù)和生產(chǎn)時間視為剩余油分布圖像的高級特征,利用卷積層提取特征、轉置卷積層進行上采樣,通過多個卷積與轉置卷積的組合逐級恢復原圖像,從而達到準確預測的效果。在神經(jīng)網(wǎng)絡構建過程中,選擇多個3×3的小卷積核來代替大卷積核,在不影響感受野的情況下減少了參數(shù)量,節(jié)約了計算成本,有效提高了模型訓練時的迭代效率。以某區(qū)塊4口注入井、5口生產(chǎn)井的五點井網(wǎng)為例,將不同階段生產(chǎn)井的井底壓力、注入井的注入量以及生產(chǎn)時間作為輸入?yún)?shù),建立了基于神經(jīng)網(wǎng)絡的預測模型,以凈現(xiàn)值作為目標函數(shù),通過差分優(yōu)化算法對4個階段的注采參數(shù)進行了優(yōu)化。相比于基礎方案,優(yōu)化后的方案凈現(xiàn)值提高了約21%。

【文章頁數(shù)】：9 頁

【文章目錄】：
1 神經(jīng)網(wǎng)絡理論基礎
    1.1 卷積層
    1.2 轉置卷積層
2 數(shù)據(jù)處理及預測模型構建
    2.1 輸入數(shù)據(jù)處理
    2.2 數(shù)據(jù)歸一化處理
    2.3 神經(jīng)網(wǎng)絡預測模型構建
3 注采參數(shù)優(yōu)化
    3.1 目標函數(shù)
    3.2 差分進化算法
4 應用實例
    4.1 預測模型訓練
    4.2 差分進化算法尋優(yōu)
    4.3 優(yōu)化結果對比
5 結論



本文編號：3927909