(19)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 202110051323.3 (22)申请日 2021.01.14 (71)申请人 中国石油化工股份有限公司 地址 257000 山东省东营市东营区济南路 125号 申请人 中国石油化工股份有限公司胜利油 田分公司勘探开发研究院 (72)发明人 杨勇　卜亚辉　邴绍献　曹小朋　 王建　刘建涛　刘祖鹏　薛玉荣　 李文静　胡慧芳　 (74)专利代理 机构 济南日新专利代理事务所 (普通合伙) 37224 专利代理师 崔晓艳 (51)Int.Cl. G06F 30/27(2020.01)G06N 3/04(2006.01) G06N 3/08(2006.01) G06F 113/08(2020.01) (54)发明名称 基于生成对抗神经网络的断块油藏剩余油 预测方法 (57)摘要 本发明提供一种基于生成对抗神经网络的 断块油藏剩余油预测方法， 该基于生成对抗神经 网络的断块油藏剩余油预测方法包括： 步骤1， 设 计及建立断块油藏基础数值模拟模型； 步骤2， 建 立不同形状断块油藏模型； 步骤3， 建立不同形式 井网模型； 步骤4， 进行模拟计算及结果提取； 步 骤5， 进行模型训练及剩余油预测。 该基于生成对 抗神经网络的断块油藏剩余油预测方法通过机 器学习算法建立不同类型断块油藏剩余油的定 量评价模型， 有效弥补常规方法建模难、 预测慢 的缺陷。 本发明能够快速、 准确地预测不同类型 断块油藏开发过程中不同时刻的剩余油分布， 对 断块油藏的剩余油挖潜具有重要指导 意义。 权利要求书2页 说明书6页 附图4页 CN 114764546 A 2022.07.19 CN 114764546 A 1.基于生成对抗神经网络的断块油藏剩余油预测方法， 其特征在于， 该基于生成对抗 神经网络的断块油藏剩余油预测方法包括： 步骤1， 设计及建立断块油藏基础数值模拟模型； 步骤2， 建立 不同形状断块油藏模型； 步骤3， 建立 不同形式井网模型； 步骤4， 进行模拟计算及结果 提取； 步骤5， 进行模型训练及剩余油预测。 2.根据权利要求1所述的基于生成对抗神经网络的断块油藏剩余油预测方法， 其特征 在于， 在步骤1中， 根据断块油藏地质及开 发动态资料， 进 行断块油藏开 发特征分析， 划分出 不同类型的断块， 设计油藏数值模拟 基础参数， 该基础数值模 型为规则四边形， 规则网格模 型。 3.根据权利要求2所述的基于生成对抗神经网络的断块油藏剩余油预测方法， 其特征 在于， 在步骤1中， 设计的油藏数值模拟基础参数包括面积、 储量、 厚度、 层数、 孔隙度、 渗透 率、 相渗曲线、 注采量、 模拟时间。 4.根据权利要求1所述的基于生成对抗神经网络的断块油藏剩余油预测方法， 其特征 在于， 在步骤2中， 在步骤1建立的基础模型上， 设置若干边界控制点， 随机改变控制点的位 置， 按照顺序将控制点连接成任意多边形， 计算并判断多边形的面积是否 符合要求， 要求面 积不小于原模型面积的1/2或长 宽达到一定比例， 以符合某类断块油藏特 征。 5.根据权利要求4所述的基于生成对抗神经网络的断块油藏剩余油预测方法， 其特征 在于， 在步骤2中， 根据边界点生成结果， 将数值模型文件修改为相应的形状， 即多边形之外 为无效区， 多边形之内为有效区， 从而实现不同断块油藏形状模型的建立。 6.根据权利要求1所述的基于生成对抗神经网络的断块油藏剩余油预测方法， 其特征 在于， 在步骤3中， 在步骤2生成的模型基础上， 设计不同的油井数、 水井数， 随机生成油井、 水井的坐标位置， 计算任意两口井之间的距离， 判断是否满足井距要求， 并判断井点是否落 在有效网格范围内， 从而实现不同井网形式模型建立。 7.根据权利要求1所述的基于生成对抗神经网络的断块油藏剩余油预测方法， 其特征 在于， 在步骤4中， 对批量随机生成的模型进 行计算， 从模拟结果中提取模型日产油量、 日产 水量这些开 发指标及含油饱和度场数据， 并将模型及结果数据转化为机器学习算法需要的 格式。 8.根据权利要求7所述的基于生成对抗神经网络的断块油藏剩余油预测方法， 其特征 在于， 在步骤4中， 机器学习输入数据为油藏矩阵[R]和注采井网矩阵[Q]， 油藏矩阵包含断 块形状、 油藏物性参数， 即无效网格为 ‑1， 有效网格为渗透率值； 注采井网矩阵包含井位置 及不用时间的累积注采量， 注水井所在网格为负值， 采油井所在网格为正值， 无效网格为0； 输出数据为饱和度矩阵[ So]， 无效 网格为‑1， 有效网格为对应含油饱和度值。 9.根据权利要求1所述的基于生成对抗神经网络的断块油藏剩余油预测方法， 其特征 在于， 在步骤5中， 构建考虑时间序列的生成对抗神经网络模型， 该模型是在常规生成对抗 网络模型基础上对生成器进行改进， 其特征为初始以油藏矩阵[R]及t1时刻的注采矩阵 [Q1]作为初始输入， 经过若干层卷积后进入RNN单元获得矩阵[M1]， 对[M1]矩阵进行若干层 反卷积获得t1时刻的含油饱和度矩阵[ So1]， 同时将[M1]矩阵数据传递给 下一个RN N单元。权　利　要　求　书 1/2 页 2 CN 114764546 A 210.根据权利要求9所述的基于生成对抗神经网络的断块油藏剩余油预测方法， 其特征 在于， 在步骤5中， 模型建立后， 将样 本集合划分为训练集和测试集， 反 复优化模 型结构及参 数设置， 直到满足精度要求； 将达到一定精度的训练模型进 行发布， 实现不同类型断块油藏 剩余油的预测。权　利　要　求　书 2/2 页 3 CN 114764546 A 3