Sep, 2023

基于深度学习的气举采油优化的早期修复：监督和弱监督方法

HTML
PDF
TL;DR通过深度学习模型训练并提供整数变量的值，我们提出了一种基于深度学习模型的量身定制启发式解决方案，将原始问题转化为线性规划问题，进而减少了问题求解时间，减少了运行时间约为71.11%。尽管在训练期间未看到最优解值，但是弱监督学习模型在早期修复方面提供了显著的数值。
发现论文，激发创造
  • 天然气井实时产量预测的深度学习和数据同化

    这篇研究使用改进的深度LSTM模型和集合卡尔曼滤波器，在评估输入参数的不确定性的同时，预测成熟气井的气体流量，并且利用新数据更新模型提高了预测准确性，实验结果表明使用EnKF更新模型的预测结果比没有使用EnKF的预测更好。

    Feb, 2018

  • 利用神经网络代理加速基于物理的仿真：油藏建模应用

    本论文基于深度学习方法开发了一个代理模型，以加速油藏模拟，相较于现有业界物理学基础偏微分方程求解器提高了三个数量级，并进行了深入的实验评估。我们证明，在实际环境中，可以实现超过2000倍的加速，平均序列误差约为10％相对于油田模拟器。该代理模型与高质量的基于物理学的加速基线进行对比，并显示其性能优于其几个数量级。本论文的结果非常有前途，并为持续开展油田开发优化方面的研究提供了有价值的基准。

    May, 2019

  • 深度强化学习优化地下系统不确定地质条件下的井控

    本文提出了一种基于深度强化学习（DRL）的一般控制策略框架，用于地下流动环境中的闭环决策制定。针对数据同化/历史匹配和鲁棒优化步骤中的挑战，将闭环油藏管理（CLRM）问题表示为一个部分可观察的马尔科夫决策过程，并使用近端策略优化算法来解决相关的优化问题。数据集由多个地质模型场景合集构成，训练结果表明相对于既有地质模型的鲁棒优化以及传统的CLRM方法，基于DRL的方法在油水注入生产中的净现值（NPV）获得了15%和33%的提升，并且相对于传统CLRM平均提升了4%NPV，并且在多种地质模型场景中均能发挥较好的效果。

    Mar, 2022

  • 针对油藏模拟工作负载的调整算法策略——TunaOil

    本文提出了一种名为TunaOil的新方法，利用机器学习从过去的模拟执行日志中提取特征信息，以优化库存流模拟的数值参数，从而减少工作负荷及计算资源，并在历史匹配中使用卡尔曼滤波调整多个储层模型以适应实际数据，结果表明，这些预测可以平均提高31%的整体运行时长。

    Aug, 2022

  • 高级深度回归模型用于时间序列石油产量预测

    通过使用深度学习和序列卷积以及长短时记忆(LSTM)单元，发展了先进的数据驱动回归模型来预测石油产量，优于传统的机器学习方法，对历史模式进行了分析，实验证明LSTM模型可以更准确地预测。

    Aug, 2023

  • 图网络代理模型在地下流动优化中的应用

    通过图网络代理模型(GNSM)将流动模型转换为计算图，以将井位和控制优化。通过单相稳态压力解作为特征，在大量测试案例中，训练有素的GNSM能够提供1-2%的压力和饱和度的准确预测，并具有36倍的运行时间加速度，适用于地质模型的稳健优化。

    Dec, 2023

  • 页岩气生产的领域适应与物理约束迁移学习

    通过域适应和物理约束，提出了一种将传统数据和深度学习模型结合的新型转移学习方法，用于有效预测页岩气产量，并且在中国西南地区进行的实验验证了该方法的有效性。

    Dec, 2023

  • 基于机器学习的井效优化井完井顺序

    开发机器学习模型以准确预测多维预测变量对12个月累积产量的影响，然后用于改进采油井开发参数和优化完成顺序的研究。

    Feb, 2024

  • 考虑井口条件、位置和渗透率场的神经运算符代理储层模拟

    通过使用Fourier神经算子构建的模型，能够准确地预测不同渗透率、井位、井控和井数条件下的压力和饱和度，从而实现了对未知井位、井控和井数的预测，能够加速油藏历史匹配和油藏表征过程，实现高效的油藏管理和优化。

    Jul, 2024

  • 生成性人工智能驱动的石油生产预测

    本研究针对石油生产预测中存在的准确性问题，提出了一种利用生成性人工智能技术的新方法。通过应用TimeGrad自回归模型和Informer变体变换架构，本研究能够有效建模不确定性，进而提供准确的石油和水生产预测。研究表明，Informer在各站点的石油生产预测中表现出优越的效率，具有显著的应用潜力。

    Sep, 2024