【技術實現步驟摘要】
本專利技術屬于石油工程和地下流體動力學領域，尤其涉及一種基于傅里葉神經算子的水驅前緣智能預測方法及相關裝置。
技術介紹
1、在地下流體動力學及油氣田開采領域，預測水驅前緣可以描述該領域內多孔介質中多相流的動態行為，對進一步優化注水方案、預防油井見水、制定增產措施以提升產量和經濟效益具有至關重要的作用。通過求解buckley-leverett方程可獲得各個時刻的水驅前緣位置信息與對應飽和度場信息。傳統求解該方程主要依賴于解析方法和數值模擬方法。由于偏微分方程(partial?differential?equations，pde)的高度非線性和復雜性，解析方法通常僅限于特殊條件或簡化模型的求解，且計算過程繁瑣，難以滿足實際工程應用的需求；數值模擬方法通過計算機模擬多孔介質中的流動過程來求解該方程。這種方法能夠處理復雜的問題，并具有較高的計算精度，但其計算量大，對計算資源的需求高，且模型的準確性和穩定性對結果影響較大。
2、隨著機器學習和深度學習技術的快速發展，相關技術人員開始探索使用神經網絡預測水驅前緣。機器學習方法能夠通過訓練數據學習方程的內在規律，從而預測新的流動情況。然而，這類方法往往需要大量的訓練數據，且對數據的質量和數量要求較高，泛化能力有限，使得其在實際工程中的應用受到限制。深度學習方法通過構建復雜的神經網絡模型來逼近buckley-leverett方程的解，能夠處理高維數據和復雜的非線性關系，展現出較高的精度和泛化能力。但現有的深度學習方法同樣面臨訓練數據量大、訓練過程復雜、計算成本高以及網格依賴性強等挑戰
3、傳統的水驅前緣智能預測方法由于過度依賴于網格大小，導致其在處理不同參數或網格尺寸變化時，需要重復進行復雜的計算，從而增加了計算成本和時間消耗。此外，當前主流的基于機器學習的水驅油代理模型雖然在一定程度上提高了求解效率，但它們通常僅適用于有限維函數空間之間的映射，泛化能力較弱。當方程參數或網格大小發生變化時，這些模型往往需要重新進行訓練或求解，從而限制了其在油藏工程領域的廣泛應用。
技術實現思路
1、為解決現有技術中存在的問題，本專利技術的目的在于提供一種基于傅里葉神經算子(fourier?neural?operator,fno)的水驅前緣智能預測方法及相關裝置，本專利技術能夠解決傳統預測方法存在的網格相關性強、計算復雜度高、耗時長的問題。
2、為實現上述目的，本專利技術采用的技術方案如下：
3、一種基于傅里葉神經算子的水驅前緣智能預測方法，包括：
4、獲取地質儲層中水驅時第一時刻的含水飽和度分布和水驅前緣位置信息；
5、通過已預訓練好的基于fno的水驅前緣智能預測模型對所述第一時刻的含水飽和度分布和水驅前緣位置信息進行處理，得到第二時刻的含水飽和度分布和水驅前緣位置信息，所述第二時刻為第一時刻的下一時刻。
6、優選的，所述基于fno的水驅前緣智能預測模型的訓練過程包括：利用已預建立的數據體中的數據對傅里葉神經算子進行訓練，得到所述基于fno的水驅前緣智能預測模型；
7、所述數據體的建立過程包括：
8、將buckley-leverett方程中的總達西速度作為隨機變量，對總達西速度賦予不同數值，則每個總達西速度對應得到一個水驅前緣模型；
9、將每個水驅前緣模型里的注水速率作為區分不同時刻的標準，確定出第三時刻的水驅前緣模型和第四時刻的水驅前緣模型，所述第四時刻為第三時刻的下一時刻；
10、獲取第三時刻的水驅前緣模型中的水驅前緣距離和含水飽和度分布，以及第四時刻的水驅前緣模型中的水驅前緣距離和含水飽和度分布；
11、根據第三時刻的水驅前緣模型中的水驅前緣距離獲取第三時刻水驅前緣位置信息，根據第四時刻的水驅前緣模型中的水驅前緣距離獲取第四時刻水驅前緣位置信息；
12、將第三時刻對應的含水飽和度分布和水驅前緣位置信息作為初始條件，將第四時刻對應的含水飽和度分布和水驅前緣位置信息作為真實解，將所述初始條件和真實解構成基于fno的水驅前緣智能預測模型所需的數據體。
13、優選的，將buckley-leverett方程中的總達西速度作為隨機變量，對總達西速度賦予不同數值時：
14、將所述總達西速度在10-5至10-3范圍內均勻采樣，得到多個不同數值的總達西速度，實現對總達西速度賦予不同數值。
15、優選的，將每個水驅前緣模型里的注水速率作為區分不同時刻的標準，確定出第三時刻的水驅前緣模型和第四時刻的水驅前緣模型時：
16、將n1倍的注水速率所對應的水驅前緣模型確定為第三時刻的水驅前緣模型，將n2倍的注水速率所對應的水驅前緣模型確定為第四時刻的水驅前緣模型，其中，n1≠n2。
17、優選的，n1取值為1，n2取值范圍為1.5～25。
18、優選的，用welge圖解法獲取第三時刻的水驅前緣模型中的水驅前緣距離和含水飽和度分布，以及第四時刻的水驅前緣模型中的水驅前緣距離和含水飽和度分布。
19、優選的，采用分段線性插值法將第三時刻的水驅前緣模型中的水驅前緣距離離散化為第三時刻水驅前緣位置信息，采用分段線性插值法將第四時刻的水驅前緣模型中的水驅前緣距離離散化為第四時刻水驅前緣位置信息。
20、本專利技術還提供了一種基于傅里葉神經算子的水驅前緣智能預測系統，包括：
21、數據獲取單元：用于獲取地質儲層中水驅時第一時刻的含水飽和度分布和水驅前緣位置信息；
22、預測單元：用于通過已預訓練好的基于fno的水驅前緣智能預測模型對所述第一時刻的含水飽和度分布和水驅前緣位置信息進行處理，得到第二時刻的含水飽和度分布和水驅前緣位置信息，所述第二時刻為第一時刻的下一時刻。
23、本專利技術還提供過了一種電子設備，包括：
24、一個或多個處理器；
25、存儲裝置，其上存儲有一個或多個程序；
26、當所述一個或多個程序被所述一個或多個處理器執行時，使得所述一個或多個處理器實現本專利技術如上所述的基于傅里葉神經算子的水驅前緣智能預測方法。
27、本專利技術還提供了一種存儲介質，其上存儲有計算機程序，其中，所述計算機程序被處理器執行時實現本專利技術如上所述的基于傅里葉神經算子的水驅前緣智能預測方法。
28、本專利技術具有如下有益效果：
29、本專利技術首次將fno應用于石油工程領域的水驅前緣智能預測問題中，本專利技術利用fno能夠學習無限維函數空間之間映射的特性，實現動態預測不同時刻前緣水驅與對應飽和度場信息，克服了傳統方法和現有機器學習模型在求解buckley-leverett方程時的局限性。通過本專利技術的方法，可以在保證計算成本可控的前提下，實現高效、準確的水驅前緣智能預測，為油藏工程師提供有力的技術支持，幫助他們合理調整開發方案，以實現經濟高效的油氣資源開采。
本文檔來自技高網...【技術保護點】
1.一種基于傅里葉神經算子的水驅前緣智能預測方法，其特征在于，包括：
2.根據權利要求1所述的一種基于傅里葉神經算子的水驅前緣智能預測方法，其特征在于，所述基于FNO的水驅前緣智能預測模型的訓練過程包括：利用已預建立的數據體中的數據對傅里葉神經算子進行訓練，得到所述基于FNO的水驅前緣智能預測模型；
3.根據權利要求2所述的一種基于傅里葉神經算子的水驅前緣智能預測方法，其特征在于，將Buckley-Leverett方程中的總達西速度作為隨機變量，對總達西速度賦予不同數值時：
4.根據權利要求2所述的一種基于傅里葉神經算子的水驅前緣智能預測方法，其特征在于，將每個水驅前緣模型里的注水速率作為區分不同時刻的標準，確定出第三時刻的水驅前緣模型和第四時刻的水驅前緣模型時：
5.根據權利要求4所述的一種基于傅里葉神經算子的水驅前緣智能預測方法，其特征在于，N1取值為1，N2取值范圍為1.5～25。
6.根據權利要求2所述的一種基于傅里葉神經算子的水驅前緣智能預測方法，其特征在于，用Welge圖解法獲取第三時刻的水驅前緣模型中的水驅
7.根據權利要求2所述的一種基于傅里葉神經算子的水驅前緣智能預測方法，其特征在于，采用分段線性插值法將第三時刻的水驅前緣模型中的水驅前緣距離離散化為第三時刻水驅前緣位置信息，采用分段線性插值法將第四時刻的水驅前緣模型中的水驅前緣距離離散化為第四時刻水驅前緣位置信息。
8.一種基于傅里葉神經算子的水驅前緣智能預測系統，其特征在于，包括：
9.一種電子設備，其特征在于，包括：
10.一種存儲介質，其特征在于，其上存儲有計算機程序，其中，所述計算機程序被處理器執行時實現如權利要求1至7任意一項所述的基于傅里葉神經算子的水驅前緣智能預測方法。
...【技術特征摘要】
1.一種基于傅里葉神經算子的水驅前緣智能預測方法，其特征在于，包括：
2.根據權利要求1所述的一種基于傅里葉神經算子的水驅前緣智能預測方法，其特征在于，所述基于fno的水驅前緣智能預測模型的訓練過程包括：利用已預建立的數據體中的數據對傅里葉神經算子進行訓練，得到所述基于fno的水驅前緣智能預測模型；
3.根據權利要求2所述的一種基于傅里葉神經算子的水驅前緣智能預測方法，其特征在于，將buckley-leverett方程中的總達西速度作為隨機變量，對總達西速度賦予不同數值時：
4.根據權利要求2所述的一種基于傅里葉神經算子的水驅前緣智能預測方法，其特征在于，將每個水驅前緣模型里的注水速率作為區分不同時刻的標準，確定出第三時刻的水驅前緣模型和第四時刻的水驅前緣模型時：
5.根據權利要求4所述的一種基于傅里葉神經算子的水驅前緣智能預測方法，其特征在于，n1取值為1，n2取值范圍為1....
【專利技術屬性】
技術研發人員：湛杰，鐘榮，馬先林，周德勝，張真子豪，
申請(專利權)人：西安石油大學，
類型：發明
國別省市：
還沒有人留言評論。發表了對其他瀏覽者有用的留言會獲得科技券。