买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

申请/专利权人：中国石油大学(华东)

摘要：本发明公开了一种基于增强物理意义神经网络的复杂油藏数值模拟方法，该方法利用增强物理意义的神经网络正向求解复杂油藏的压力和饱和度分布，设计邻接位置锚定、使用自适应激活函数、设计跳跃连接门控更新来提升模型的训练速度与求解精度，利用硬约束边界条件、嵌入式离散裂缝、有限体积法结合反向传播梯度下降法来计算损失函数以及更新神经网络参数，利用隐压显饱法结合神经网络预测结果来显式更新饱和度，将神经网络参数迁移来加快训练速度，神经网络训练整体无需标签数据，在复杂三维非均质与三维裂缝问题的实施例中具备优秀的训练速度与求解精度。

主权项：1.一种基于增强物理意义神经网络的复杂油藏数值模拟方法，其特征在于，包括如下步骤：步骤1、获取复杂油藏相关数据，所述复杂油藏相关数据包括复杂油藏的尺寸、油藏孔隙度、油藏渗透率、油藏相渗曲线、岩石压缩系数以及裂缝参数；步骤2、构建增强物理意义神经网络模型，设计邻接位置锚定、自适应激活函数和跳跃连接门控更新结构，以当前时间步为初始时间步时，设置模型的初始参数；步骤3、将初始压力数据输入所述增强物理意义神经网络模型进行正向传播，利用嵌入式离散裂缝模型处理裂缝，利用硬约束处理初始条件和边界条件，利用有限体积法计算损失误差，使用梯度下降法反向传播更新神经网络参数至损失值降低到指定范围，模型输出下一时间步油藏压力数据；步骤4、基于增强物理意义神经网络模型，求解得到的下一时间步的压力以及当前时间步的饱和度，更新得到下一时间步的饱和度；步骤5、将每个时间步最终输出的压力场作为下一个时间步的初始压力场，将每个时间步最终训练得到神经网络参数迁移至下一个时间步，作为对应时间步的初始神经网络参数，重复步骤3-步骤4，得到复杂油藏任意时间步压力和饱和度分布；所述步骤2包括：步骤2.1、将当前时间步x×y×z的初始油藏压力矩阵按顺序展开为1×xyz的输入压力向量，考虑裂缝数据时，根据裂缝的数据对xyz向量进行扩展得到向量维度为1×xyz+n，将输入压力向量输入第一全连接层得到xyz+n×xyz+n的编码压力矩阵，公式如下： 其中，pt是t时刻1×xyz+n的输入压力向量；是xyz+n×xyz+n的编码压力矩阵；W1是输入层神经网络的权重；b1是输入层神经网络的偏置；步骤2.2、将编码压力矩阵输入锚定层得到xyz+n×xyz+n的锚定压力矩阵，将每一个网格的压力锚定在已知位置上，锚定层的计算公式如下： 其中，是xyz+n×xyz+n的锚定压力矩阵；w1是可学习缩放因子；madj是xyz+n×xyz+n的邻接位置矩阵，矩阵中邻接位置相连的部分表示为1，其它位置表示为0；步骤2.3、将锚定压力矩阵输入第二全连接层并使用自适应ReLU激活函数激活得到非线性映射压力矩阵，公式如下： 其中，是xyz+n×xyz+n的非线性映射的压力矩阵；BatchNorm是标准化，将不同维度压力特征的标准化，使其保持在相同的数量级，保持梯度反向传播的稳定性；W2是隐藏层的权重；b2是隐藏层的偏置；α是自适应激活函数的可学习参数，对激活值的大小进行缩放，提升神经网络的表达能力、加速收敛；ReLU是线性整流激活函数：步骤2.4、将非线性映射压力矩阵输入第三全连接层得到1×xyz+n的候选压力向量；将输入压力向量pt跳跃连接至第三层作为1×xyz+n的基础压力向量，将信息由输入端直接传递到输出端；将候选压力向量和基础压力向量同步输入更新门得到1×xyz+n的预测压力向量，参考历史信息降低网络学习难度，将预测压力向量保留基质网格部分，按顺序重新组装，得到下一时间步x×y×z的预测油藏压力场，公式如下：pt+1＝w2·pt+1-w2·W3·pt2+b34其中，pt+1是t+1时刻1×xyz+n的预测压力向量；W3是输出层的权重；b3是输出层的偏置；w2是更新门的可学习参数，为网络学习中对历史时间步的压力场分布的参考程度添加灵活度；步骤2.5、当前时刻为初始时刻时，设置神经网络的初始参数，设置的初始参数包括：全连接层的神经元数，第一全连接层拥有xyz+n个神经元，第二全连接层拥有xyz+n个神经元，第三全连接层拥有1个神经元；设置全连接层神经元的初始化方式为Xavier初始化；设置锚定层的参数初始值、自适应激活函数的参数初始值、更新门的参数初始值；设置Adam优化器的初始学习率，目标损失误差。

全文数据：

权利要求：

百度查询： 中国石油大学(华东) 一种基于增强物理意义神经网络的复杂油藏数值模拟方法