[发明专利]一种机器学习辅助的两相流油藏随机建模的网格粗化方法

说明书

本发明公开了一种基于机器学习的油藏数值模拟网格粗化方法，涉及油藏数值模拟领域。方法包括以下步骤：确定地质模型实现将要粗化成粗网格的尺寸和数量；选取部分地质模型实现记为模型集P1，其余模型记为模型集P2，对模型集P1中模型实现进行相对渗透率粗化计算，得到P1中粗网格的粗尺度相对渗透率数据；对所有地质模型实现的渗透率进行数据预处理；提取P1和P2中每个粗网格的渗透率分布特征，用机器学习算法对所有粗网格的渗透率分布特征进行归类，得到P1和P2中粗网格的类别；将P1中粗网格的粗尺度相对渗透率数据赋值给相似度最高的P2中的网格，得到P2近似的粗尺度相对渗透率数据；使用P1和P2中粗网格粗尺度的相对渗透率数据进行油藏数值模拟计算。

技术领域

本发明属于油藏数值模拟领域，具体涉及一种基于机器学习的油藏数值模拟网格粗化方法。

背景技术

建立储层地质模型，是油藏描述的核心与关键。储层建模方法分为确定性建模和随机建模。确定性建模是以井下测得的确定性资料为基础，推测井间确定的、唯一的储层参数。然而地下储层是许多复杂地质活动综合作用的结果，以非常有限的资料无法描述储层井间预测的不确定性。储层随机建模是地质统计学在石油工程中的广泛应用中发展起来的，是利用计算机科学，地质学、数学等多学科领域的技术再现储层的离散型、连续型和非均质性的方法。随机建模是以已知的信息为基础，以随机函数为理论，应用随机模拟方法产生多个可选的、等概率的储层模型(又称模型实现，realizations)的方法。虽然预测结果可能有任意多个，但其结果可以真实地反应储层属性的非均质性，多种结果也表现出了储层属性的不确定性，其中有好的结果，也有坏的结果，可以提供不同的参考。

随机建模技术产生了大量等概率的地质模型实现，每个模型实现都要进行油藏数值模拟，这使得模拟工作量增加数十倍乃至更多。网格粗化是降低模拟工作量的有效方法。网格粗化就是在尽可能保留细尺度模型的储层参数情况下，把细网格系统的数据信息转换到粗网格系统的过程。此方法可有效降低网格数量，大大降低计算成本，提高计算速度。传统的网格粗化算法需要对每个粗尺度网格系统进行大量“重复性”计算，而机器学习方法正适合处理这种“重复性”工作。

发明内容

本发明的目的是针对上述不足，提出了一种在保证计算精度的前提下，能显著提高网格粗化速度的机器学习辅助的两相流油藏随机建模的网格粗化方法。

本发明具体采用如下技术方案：

一种机器学习辅助的两相流油藏随机建模的网格粗化方法，包括以下步骤：

(1)通过随机建模方法建立若干地质模型实现，确定模型实现将要粗化成粗网格的尺寸和数量；

(2)选取部分地质模型实现记为模型集P1，其余模型记为模型集P2，对模型集P1中模型实现进行相对渗透率粗化计算，得到P1中粗网格的粗尺度相对渗透率数据；

(3)对所有地质模型实现的渗透率进行数据预处理；

(4)提取P1和P2中每个粗网格的渗透率分布特征，用机器学习算法对所有粗网格的渗透率分布特征进行归类，得到P1和P2中粗网格的类别；

(5)将P1中粗网格的粗尺度相对渗透率数据赋值给相似度最高的P2中的网格，得到P2近似的粗尺度相对渗透率数据；

(6)使用P1和P2中粗网格粗尺度的相对渗透率数据进行油藏数值模拟计算。

优选地，对所有地质模型实现的渗透率进行数据预处理的处理方式为：先对所有细网格的渗透率做ln对数变换，然后对每个粗网格进行特征放缩处理，特征放缩处理式为(1)所示：