用深度学习方法进行实时相对渗透率预测
回顾现有的两相和三相相对渗透率关系式,可看出它们存在诸多缺陷和限制,这是因为:(a)其假设条件;(b)泛化能力(机器学习算法对于新鲜样本推广应用的适应能力);(c)对于不同储层系统,进行实时更新的困难.这些因素增加了相对渗透率预测的不确定性,而这显得十分重要,因为相对渗透率在预测储层未来动态、有效流度、最终采收率以及注入能力等方面具有重要作用.实验室试验耗时、复杂、代价高,并且需要岩样才能进行,而在某些情况下可能难以或者根本无法取得岩心样品.深度神经网络(DNN)对于新数据具有良好的正则化、泛化和更新能力,已被用于油-水相对渗透率的预测.本文详述了深度神经网络的应用细节.利用Corey和leveret-lewis实验数据,将其与Stones、Corey、Parker、Honapour等其他模型进行对比后,我们还使用了Baker和Wyllie参数组合作为神经网络的输入参数(除了影响相对渗透率的常见参数之外).该深度神经网络(DNN)利用Nesterov加速梯度下降法可自动采用(五重交叉验证中的)最佳交叉验证结果进行训练,直至收敛,而Nesterov加速梯度下降法也使得成本函数达到最小.无论是验证数据集还是测试数据集,非润湿相和润湿相的相对渗透率预测结果均与油田数据吻合良好.可将该方法集成应用于储层模拟研究中,它可节约成本,优化室内试验次数,并且进一步证明了机器学习作为一种储层参数实时预测技术具有广阔的前景.
深度神经网络、相对渗透率、训练、验证、测试
TP391.41;TN957.52;R259
2020-05-11（万方平台首次上网日期，不代表论文的发表时间）
共10页
42-51
