一种考虑物理过程信息的油气渗流深度学习新模型

• 作者: CHUNG Eric 巩亮 年凯 张世明 王斌 胡慧芳 黄朝琴
• 来源期刊: 中国石油大学学报(自然科学版)
• 关键词: 深度神经网络 物理过程信息 油气渗流 渗透率场
• 年，卷（期）: 2020,（4）
• 所属期刊栏目: 石油+人工智能
• 页码范围: 47-56
• 页数: 10页
• 分类号: TE319|TE312
• 语种: 中文
• DOI: 10.3969/j.issn.1673-5005.2020.04.006

摘要

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.

作者信息

序号	姓名	单位	发文数	被引次数	H指数	G指数
1	张世明		14	71	5.0	8.0
2	胡慧芳		2	14	1.0	2.0
3	CHUNG Eric	香港中文大学数学系	1	0	0.0	0.0