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：青岛理工大学

摘要：本发明公开了一种基于领域泛化机器学习的多层合采油藏动态产量劈分方法，属于石油工程领域，包括如下步骤：步骤1、获取油藏时空数据并进行数据预处理，构建时空关系图数据结构样本库；步骤2、搭建面向领域泛化鲁棒学习的多层合采油藏动态产量劈分机器学习模型；步骤3、添加噪声、扰动来增加数据不确定性，初始化模型参数；步骤4、训练模型并调整模型参数，实现模型领域泛化；步骤5、利用测试集数据检查模型泛化能力，评估模型性能。本发明能够对多层合采油藏产量分布和动态变化进行准确预测，从而为油田的生产管理和优化提供可靠的支持和指导。

主权项：1.一种基于领域泛化机器学习的多层合采油藏动态产量劈分方法，其特征在于，包括如下步骤：步骤1、获取油藏时空数据并进行数据预处理，构建时空关系图数据结构样本库；步骤2、搭建面向领域泛化鲁棒学习的多层合采油藏动态产量劈分机器学习模型；面向领域泛化鲁棒学习的多层合采油藏动态产量劈分机器学习模型包含时空关系学习模块、鲁棒学习模块和偏差校正估计模块；时空关系学习模块又划分为空间学习模块和时间学习模块；空间学习模块里面的两层谱域图卷积神经网络通过傅里叶变换将时空关系图数据结构中节点的特征表示转换为谱域中的频域表示；在谱域中，每个节点的特征表示为频率成分的线性组合；在谱域中对图信号进行卷积操作，卷积完成后，通过逆傅里叶变换将谱域中的节点特征表示转换回空域；具体公式如下：Fx＝UTx3；F-1x＝Ux4；其中，F·为图傅里叶变换的输出，将空间域的图信号转换到频域；F-1·为逆图傅里叶变换的输出，将频域的信号转换回空间域；x为节点特征的集合；U表示归一化图拉普拉斯算子特征向量的矩阵；T为转置符号；谱域图卷积神经网络的图卷积运算定义为：g*x＝F-1Fg⊙Fx＝UUTg⊙UTx5；gw*x＝UgwUTx6；其中，g为图卷积核；⊙表示卷积操作；gw为在频域表示的图卷积核；将gw通过切夫雪比多项式的截断展开来近似： 其中，为归一化图拉普拉斯算子，L是图拉普拉斯矩阵，λmax是L的最大特征值；IN为单位矩阵；Ot1为经过两层谱域图卷积神经网络处理后的图信号；k表示切比雪夫多项式的阶数；K为表示用于近似图滤波器的切比雪夫多项式的阶数总数；wk表示切比雪夫系数向量；TK·为K阶切比雪夫多项式；经过两层谱域图卷积神经网络处理后的图信号Ot1作为一个时间步的输入传输到时间学习模块里面的长短时记忆神经网络中进行处理；鲁棒学习模块由生成的添加噪声、扰动不确定性数据，时空关系模块的输出序列Ot2和损失函数构成；偏差校正估计模块由鲁棒学习模块的输出结果Ot3、KH劈分值和线性回归模型组成；使用线性回归模型建立鲁棒学习模块对地质条件、产液参数、生产动态参数特征学习得到的结果Ot4和KH劈分值之间的线性关系；Ot4＝AOt3+B16；其中，A为Ot3的变化对Ot4的影响程度；B为截距；Ot5＝Ot3-Ot417；其中，Ot5为KH劈分值的偏差校正估计值；最后将Ot5输入到全连接层，得到预测结果；步骤3、添加噪声、扰动来增加数据不确定性，初始化模型参数；步骤4、训练模型并调整模型参数，实现模型领域泛化；步骤5、利用测试集数据检查模型泛化能力，评估模型性能。

全文数据：

权利要求：

百度查询： 青岛理工大学 基于领域泛化机器学习的多层合采油藏动态产量劈分方法