(19)中华 人民共和国 国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202111674662.3 (22)申请日 2021.12.31 (71)申请人 合肥工业大 学 地址 230009 安徽省合肥市屯溪路193号 (72)发明人 张雯　查文舒　李道伦　沈路航　 刘旭亮　王志强　刘钰萍　 (74)专利代理 机构 北京集佳知识产权代理有限 公司 11227 代理人 张乐 (51)Int.Cl. G06F 30/27(2020.01) G06F 17/13(2006.01) G06N 3/04(2006.01) G06N 3/08(2006.01) G06F 111/04(2020.01)G06F 111/10(2020.01) (54)发明名称 确定非稳态储层参数的方法及装置 (57)摘要 本申请公开一种确定非稳态储层参数的方 法及装置。 该方法包括： 获得待解释点的目标储 层参数在第一时刻的参数值， 其中， 目标储层参 数的参数值随时间变化的规律能够以目标储层 参数相对于关联参数的偏微分方程表 示； 将目标 储层参数在第一时刻 的参数值输入完成训练的 卷积神经网络， 得到待解释点的目标储层参数在 第二时刻的参数值。 其中， 卷积神经网络采用分 步近似的方案， 对于偏微分方程中的高阶微分算 子， 是利用多个卷积核进行模拟， 这使得卷积神 经网络的表达能力更强， 能够表达更加复杂的偏 微分方程， 能够大幅度地提高非稳态储层参数的 解释精度。 权利要求书2页 说明书9页 附图2页 CN 114297940 A 2022.04.08 CN 114297940 A 1.一种确定非稳态储层参数的方法， 其特 征在于， 包括： 获得待解释点的目标储层参数在第一时刻的参数值， 其中， 所述目标储层参数的参数 值随时间变化的规 律能够以所述目标储层参数相对于关联参数的偏微分方程表示； 将所述目标储层参数在第 一时刻的参数值输入完成训练 的卷积神经网络， 得到所述卷 积神经网络 输出的所述待解释点的目标储层参数在第二时刻的参数值； 其中， 所述卷积神经网络包括M个卷积层和1个全连接层， M的值为所述偏微分方程的阶 数， 第1个卷积层的输入为所述 目标储层参数在所述第一时刻的参数值， 第i个卷积层的输 出作为第i+1个卷积层的输入， i＝1,2， …M‑1， 第i个卷积层包括Ni个卷积核， N为所述关联 参数的数量加1， 所述第1个卷积层的N个卷积核分别用于计算输入的0阶偏导、 以及计算输 入相对于各个关联参数的一阶偏导， 第i个卷积层中的每个卷积核与第i+1个卷积层中的N 个卷积核相连， 并且， 第i+1个卷积层中的每个卷积核只与第i个卷积层中的一个卷积核相 连， 第i+1个卷积层中与第i个卷积层中同一个卷积核相连的N个卷积核分别用于计算输入 的0阶偏导、 以及计算输入相对于各个关联参数 的一阶偏导； 所述全连接层对第M个卷积层 的输出进行运算， 得到所述 目标储层参数在单位时间内的变化量； 根据所述变化量和所述 第1个卷积层的输入， 得到所述目标储层参数在第二时刻的参数值。 2.根据权利要求1所述的方法， 其特 征在于， 所述卷积神经网络的训练过程， 包括： 获得多个训练样本， 所述训练样本包括所述储层内的采样点的目标储层参数在第 一时 间点的参数值， 所述训练样本具有标签， 所述标签包括所述采样点的目标储层参数在第一 时间点之后的第二时间点的参数值； 利用预先构建的卷积神经网络对所述训练样本进行预测， 得到预测结果， 所述预测结 果包括采样点的目标储层参数在第一时间点之后的第二时间点的预测参数值； 根据所述训练样本的标签和预测结果之间的误差， 调整所述卷积神经网络的参数， 直 至调整后的卷积神经网络满足预设的收敛 条件。 3.根据权利要求2所述的方法， 其特征在于， 所述收敛条件包括： 损 失函数的值小于预 设的阈值。 4.根据权利要求3所述的方法， 其特征在于， 所述收敛函数为： loss＝||MSEf||+||MSEu| |； 其中， ||MSEu||为所述训练样本的标签和预测结果的均方误差， ||MSEf||为所述偏 微分 方程的约束。 5.一种确定非稳态储层参数的装置， 其特 征在于， 包括： 参数获取单元， 用于获得待解释点的目标储层参数在第 一时刻的参数值， 其中， 所述目 标储层参数 的参数值随时间变化的规律能够以所述目标储层参数相对于关联参数的偏微 分方程表示； 参数预测单元， 用于将所述目标储层参数在第 一时刻的参数值输入完成训练 的卷积神 经网络， 得到所述卷积神经网络输出的所述待解释点的目标储层参数在第二时刻的参数 值； 其中， 所述卷积神经网络包括M个卷积层和1个全连接层， M的值为所述偏微分方程的阶 数， 第1个卷积层的输入为所述 目标储层参数在所述第一时刻的参数值， 第i个卷积层的输 出作为第i+1个卷积层的输入， i＝1,2， …M‑1， 第i个卷积层包括Ni个卷积核， N为所述关联权　利　要　求　书 1/2 页 2 CN 114297940 A 2参数的数量加1， 所述第1个卷积层的N个卷积核分别用于计算输入的0阶偏导、 以及计算输 入相对于各个关联参数的一阶偏导， 第i个卷积层中的每个卷积核与第i+1个卷积层中的N 个卷积核相连， 并且， 第i+1个卷积层中的每个卷积核只与第i个卷积层中的一个卷积核相 连， 第i+1个卷积层中与第i个卷积层中同一个卷积核相连的N个卷积核分别用于计算输入 的0阶偏导、 以及计算输入相对于各个关联参数 的一阶偏导； 所述全连接层对第M个卷积层 的输出进行运算， 得到所述 目标储层参数在单位时间内的变化量； 根据所述变化量和所述 第1个卷积层的输入， 得到所述目标储层参数在第二时刻的参数值。 6.根据权利要求5所述的装置， 其特 征在于， 还 包括训练单 元， 用于： 获得多个训练样本， 所述训练样本包括所述储层内的采样点的目标储层参数在第 一时 间点的参数值， 所述训练样本具有标签， 所述标签包括所述采样点的目标储层参数在第一 时间点之后的第二时间点的参数值； 利用预先构建的卷积神经网络对所述训练样本进 行预 测， 得到预测结果， 所述预测结果包括采样点的目标储层参数在第一时间点之后的第二时 间点的预测参数值； 根据所述训练样本的标签和预测结果之间的误差， 调整所述卷积神经 网络的参数， 直至调整后的卷积神经网络满足预设的收敛 条件。 7.根据权利要求6所述的装置， 其特征在于， 所述收敛条件包括： 损 失函数的值小于预 设的阈值。 8.根据权利要求7所述的装置， 其特征在于， 所述收敛函数为： loss＝||MSEf||+||MSEu| |； 其中， ||MSEu||为所述训练样本的标签和预测结果的均方误差， ||MSEf||为所述偏 微分 方程的约束。权　利　要　求　书 2/2 页 3 CN 114297940 A 3