(19)国家知识产权局 (12)发明 专利 (10)授权公告 号 (45)授权公告日 (21)申请 号 202110282598.8 (22)申请日 2021.03.16 (65)同一申请的已公布的文献号 申请公布号 CN 113052371 A (43)申请公布日 2021.06.29 (73)专利权人 中国石油大 学 （华东） 地址 266580 山东省青岛市黄岛区长江西 路66号 (72)发明人 王森　王潇　冯其红　杨雨萱　 秦朝旭　梁怡普　向杰　 (74)专利代理 机构 北京润平知识产权代理有限 公司 11283 专利代理师 肖冰滨　王晓晓 (51)Int.Cl. G06Q 10/04(2012.01)G06N 3/04(2006.01) G06N 3/08(2006.01) G06F 30/27(2020.01) G06Q 50/02(2012.01) G06F 111/10(2020.01) (56)对比文件 CN 112131704 A,2020.12.25 CN 111441767 A,2020.07.24 CN 111523713 A,2020.08.1 1 US 716246 3 B1,2007.01.09 审查员 张婷 (54)发明名称 基于深度卷积神经网络的剩余油分布预测 方法及装置 (57)摘要 本发明提供一种基于深度卷积神经网络的 剩余油分布预测方法及装置， 属于石油开发技术 领域。 所述预测方法包括： 根据目标油藏所属类 型油藏的地质参数和开发参数模拟建立训练数 据集； 利用所述训练数据集训练得到深度全卷积 编码解码神经网络预测模型； 采用所述深度全卷 积编码解码神经网络预测模型预测目标油藏任 意时刻的剩余油分布。 本发明的预测方法可以通 过目标油藏的地质参数和开发参数， 考虑影响剩 余油分布的因素和时间序列的影 响， 针对这一类 型的油藏设置不同的数值模拟方案， 通过油藏数 值模拟建立数据集， 然后利用深度全 卷积编码解 码神经网络为架构进行训练， 从而实现对该类油 藏任意时刻剩余油分布的快速准确预测， 为油藏 的高效开发提供指导。 权利要求书3页 说明书14页 附图6页 CN 113052371 B 2022.05.31 CN 113052371 B 1.一种基于深度卷积神经网络的剩余油分布预测方法， 其特征在于， 所述预测方法包 括： 根据目标油藏所属类型油藏的地质参数和开发参数模拟建立训练数据集； 利用所述训练数据集训练得到深度全卷积编码解码神经网络预测模型， 包括： 将所述训练数据集按照预设比例划分为训练集和验证集； 将所述训练集中的训练数据的地质参数随机值和/或开发参数随机值作为深度全卷积 编码解码神经网络模型 的输入， 地质参数随机值和/或开发参数随机值对应的不同时刻的 剩余油饱和度分布结果作为深度全卷积编码解码神经网络模型的输出； 采用深度全卷积编码解码神经网络结构中的编码部分对地质参数随机值和/或开发参 数随机值进行 卷积和池化操作， 提取图像特 征， 得到特 征图像数据； 将预设时间段内剩余油饱和度分布图像的对应时刻组成一维数组， 通过复制对所述一 维数组进行维度扩展， 得到与所述特征图像数据尺寸相同的二维数据， 并将所述二维数据 添加到所述特 征图像数据中， 得到第一特 征图像数据； 采用深度全卷积编码解码神经网络结构中的解码部分对所述第一特征图像数据进行 反卷积， 得到与地质参数随机值和/或开发参数随机值对应的剩余油饱和度分布预测图像； 利用损失函数对所述剩余油饱和度分布预测图像进行评价， 用优化器不断更新深度全 卷积编码解码神经网络模型 的参数， 直到达到预设迭代次数， 得到优化后的深度全卷积编 码解码神经网络模型； 采用所述验证集对优化后的深度全卷积编码解码神经网络模型进行验证， 将验证通过 的优化后的深度全卷积编码解码神经网络模型作为所述深度全卷积编码解码神经网络预 测模型， 否则调整网络模型的结构和超参数， 重复训练过程， 直到验证通过； 采用所述深度全卷积编码解码神经网络预测模型预测目标油藏任意时刻的剩余油分 布。 2.根据权利要求1所述的基于深度卷积神经网络的剩余油分布预测方法， 其特征在于， 所述根据目标油藏所属类型油藏的地质参数和开发参数模拟建立训练数据集， 包括： 获取目标油藏所属类型油藏的地质参数和开发参数； 根据所述 地质参数和开发参数生成不同的数值模拟方案； 采用油藏数值模拟器对数值模拟方案进行模拟计算， 得到数值模拟结果； 将所述数值模拟结果与对应的数值模拟方案作为 一个训练数据； 将不同数值模拟方案的训练数据组成训练数据集。 3.根据权利要求2所述的基于深度卷积神经网络的剩余油分布预测方法， 其特征在于， 所述地质参数包括： 孔隙度分布、 渗透率分布、 初始含油饱和度分布、 储层有效厚度分布图、 相对渗透率曲线和油水粘度； 所述开发参数包括： 油水井位置、 射 孔层位和注采工作制度。 4.根据权利要求2所述的基于深度卷积神经网络的剩余油分布预测方法， 其特征在于， 所述根据所述 地质参数和开发参数生成不同的数值模拟方案， 包括： 将所述目标油藏所属类型油藏的地质参数和开发参数作为数值模拟方案的基础数据； 以影响油藏剩余油分布的地质参数和/或开发参数作为变量； 利用地质统计学 方法依照地质参数类别随机生成第一预设数量的地质参数随机值；权　利　要　求　书 1/3 页 2 CN 113052371 B 2和/或利用蒙特卡洛方法依照开发参数类别随机生成第二预设数量的开发参数随机 值； 将不同类别的地质参数随机值和/或开发参数随机值组合 生成不同的数值模拟方案 。 5.根据权利要求4所述的基于深度卷积神经网络的剩余油分布预测方法， 其特征在于， 所述采用油藏数值模拟器对数值模拟方案进行模拟计算， 得到数值模拟结果， 包括： 将数值模拟方案中的地质参数随机值和/或开发参数随机值输入油藏数值模拟器； 油藏数值模拟器对所述数值模拟方案进行模拟计算， 得到预设时间段内第 三预设数量 时刻的剩余油饱和度分布结果。 6.根据权利要求5所述的基于深度卷积神经网络的剩余油分布预测方法， 其特征在于， 所述将所述数值模拟结果与对应的数值模拟方案作为 一个训练数据， 包括： 将所述预设时间段内其中一个时刻的剩余油饱和度分布结果与对应的地质参数随机 值和/或开发参数随机值以及对应的时刻一起作为一个训练数据， 同一数值模拟方案得到 第三预设数量的训练数据。 7.根据权利要求1所述的基于深度卷积神经网络的剩余油分布预测方法， 其特征在于， 采用所述深度全卷积编 码解码神经网络预测模 型预测目标油藏任意时刻的剩余油分布， 包 括： 将所述目标油藏的实际地质参数和开发参数同目标时刻一起输入所述深度全卷积编 码解码神经网络预测模型， 预测得到所述目标油藏在目标时刻的剩余油分布； 所述目标时刻为未来的任意时刻。 8.一种基于深度卷积神经网络的剩余油分布预测装置， 其特征在于， 所述预测装置包 括： 训练集建立单元， 用于根据目标油藏所属类型油藏的地质参数和开发参数模拟建立训 练数据集； 网络模型训练单元， 用于利用所述训练数据集训练得到深度全卷积编码解码神经网络 预测模型； 预测单元， 用于利用所述深度全卷积编码解码神经网络预测模型预测目标油藏任意 时 刻的剩余油分布； 所述网络模型训练单 元包括： 特征图像数据提取模块， 用于采用深度全卷积编码解码神经网络结构对地质参数随机 值和/或开发参数随机值进行 卷积和池化操作， 提取图像特 征， 得到特 征图像数据； 第一特征图像数据获取模块， 用于将预设时间段内剩余油饱和度分布图像的对应时刻 组成一维数组， 通过复制对所述一维数组进行维度扩展， 得到与所述特征图像数据尺寸相 同的二维数据， 并将所述 二维数据添加到所述特 征图像数据中， 得到第一特 征图像数据； 反卷积模块， 用于对所述第 一特征图像数据进行反卷积， 得到与地质参数随机值和/或 开发参数随机值对应的剩余油饱和度分布预测图像； 迭代优化模块， 用于利用损 失函数对所述剩余油饱和度分布预测图像进行评价， 用优 化器不断更新深度全卷积编码解码神经网络模型 的参数， 直到达到预设迭代 次数， 得到优 化后的深度全卷积编码解码神经网络模型。 9.根据权利要求8所述的基于深度卷积神经网络的剩余油分布预测装置， 其特 征在于，权　利　要　求　书 2/3 页 3 CN 113052371 B 3