混合深度学习与ES-MDA方法在径向复合储层压力瞬变反演中的应用

《Scientific Reports》：Hybrid deep learning and ES-MDA for pressure transient inversion in radial composite reservoirs

　　

摘要

准确表征水库的异质性对于改进水库管理和生产预测至关重要。本研究提出了一种混合工作流程，利用深度学习（DL）和多数据同化集成平滑器（ES-MDA）来估算结构化径向复合水库的渗透率。在进行深度学习建模之前，首先进行了定量敏感性和可识别性分析，以评估单井压力瞬变数据的信息含量。分析结果表明，内区渗透率、流动比和复合半径对压力导数响应有显著影响，其中主要敏感性因素与井附近的径向复合参数相关，而随着距离井中心的径向距离增加，敏感性逐渐降低。研究评估了两种深度学习架构——卷积神经网络（CNN）和全连接（FC）网络——在利用径向复合水库实际数据生成的合成压力导数响应下的表现。该框架的目标不是重建任意的地质渗透率场，而是根据径向复合水库的物理行为推断渗透率分布。在无噪声条件下，两种模型均实现了较高的预测精度；当在压力导数输入中加入高斯噪声时，CNN表现出更强的鲁棒性。在历史匹配（HM）过程中，研究了两种初始化策略：（i）随机径向复合初始化；（ii）基于CNN预测的智能初始化。通过±5%的扰动生成了十个集合实例，随后进行了20次ES-MDA同化处理，其中膨胀因子α=20保持不变。智能初始化方法比随机初始化方法收敛更快，最终的压力导数误差也更小。总体而言，所提出的框架为结构化径向复合水库的渗透率估算和历史匹配提供了一种高效且符合物理规律的工作流程。