本發(fā)明涉及地球物理學(xué)中物探開發(fā)
技術(shù)領(lǐng)域：
，具體涉及基于自動編碼器和多目標(biāo)優(yōu)化的自動歷史擬合方法及系統(tǒng)。
背景技術(shù)：
：在油藏?cái)?shù)值模擬中，為了使動態(tài)預(yù)測能夠盡量接近實(shí)際情況，通常需要對油藏?cái)?shù)據(jù)進(jìn)行歷史擬合，根據(jù)所觀測到的實(shí)際油藏動態(tài)來調(diào)整油藏模型參數(shù)，使得模型的計(jì)算擬合量與實(shí)際油藏動態(tài)觀測值的誤差在允許的范圍內(nèi)，為后續(xù)油藏開采服務(wù)。傳統(tǒng)的歷史擬合方法通過不斷手工調(diào)整模型參數(shù)，工作量大、繁瑣，且效率低下。自動歷史擬合方法通過采用優(yōu)化算法自動調(diào)整油藏模型參數(shù)，縮短擬合時(shí)間，提升擬合精度。因此，研究快速的自動歷史擬合方法是實(shí)現(xiàn)油藏歷史擬合的急切需求。在求解歷史擬合問題上常見的方法主要有三種，分別為梯度類方法、數(shù)據(jù)同化方法和隨機(jī)類方法。主要的梯度類算法包括牛頓型(Newton)方法和有限儲存BFGS(LBFGS)方法等，無梯度類算法包括隨機(jī)擾動梯度近似法(SPSA)、集合卡爾曼濾波法(ENKF)等。牛頓型(Newton)方法：在梯度類算法中，Newton方法是一種較為優(yōu)秀的擬合算法，也是應(yīng)用范圍最廣的梯度類算法。T.B.Tan等(1991)采用Gauss-Newton方法，完成了三維三相的全隱式油藏?cái)?shù)值模擬器的設(shè)計(jì)，該模擬器可以進(jìn)行初步的自動歷史擬合操作，但Gauss-Newton方法在使用中需要對Hessian矩陣進(jìn)行存儲和計(jì)算，不適合解決大型油藏模擬自動歷史擬合問題。有限儲存BFGS(LBFGS)方法：2002年，Zhang.F等采用有限儲存BFGS(LBFGS)方法，省略了對Hessian矩陣進(jìn)行存儲和計(jì)算的過程，只需獲取迭代部分得到的梯度值及目標(biāo)函數(shù)值即可完成計(jì)算，解決了Gauss-Newton方法在解決大型油藏模擬自動歷史擬合時(shí)效果不理想的問題。2006年，Gao.G等對該算法做出了改進(jìn)，提升了擬合的效率與穩(wěn)定性。2010年，Tavakoli等基于奇異值分解，結(jié)合LBFGS方法給出一種新的參數(shù)降維擬合算法。雖然此方法在處理油藏模擬自動歷史擬合問題時(shí)有著較為優(yōu)異的效果，但是其無法在油藏?cái)?shù)值模擬器中通用，有較大的局限性，因此正逐漸被無梯度類優(yōu)化方法所替代。隨機(jī)擾動梯度近似法(SPSA)方法：2007年，Gao.G等首先在油藏測試實(shí)例中通過SPSA方法對油藏模擬自動歷史擬合進(jìn)行研究并取得了較好的擬合結(jié)果，但是這種方法仍然存在計(jì)算效率不高，收斂速度較慢的問題，且該方法沒有考慮到各油藏模擬參數(shù)之間的關(guān)聯(lián)性。2010年，Li.G等基于Gauss分布提出改進(jìn)的隨機(jī)擾動優(yōu)化算法SGSD，在計(jì)算中引入了地質(zhì)模型變量協(xié)方差矩陣，有效提高了擬合過程的效率和準(zhǔn)確度。集合卡爾曼濾波(ENKF)方法：集合卡爾曼濾波(ENKF)法在油藏模型擬合過程中不需要對伴隨矩陣進(jìn)行存儲與計(jì)算，開發(fā)和操作更為簡便，且優(yōu)化得到的油藏模型較為準(zhǔn)確，因此受到了國內(nèi)外眾多相關(guān)領(lǐng)域研究學(xué)者的日益關(guān)注。Emerick等將ENKF法與蒙特卡洛法應(yīng)用于油藏自動歷史擬合過程的研究尚處于起步階段，未來還有巨大的發(fā)展空間和發(fā)展前景。隨機(jī)類方法：隨機(jī)類算法是目前發(fā)展較快的一種算法，該類算法在計(jì)算過程中以隨機(jī)概率和搜索策略來求解問題，它能夠解決目標(biāo)函數(shù)復(fù)雜和梯度求解困難的問題。2004年Tokuda和Takahashi將遺傳算法應(yīng)用巖心驅(qū)替的歷史擬合中，實(shí)驗(yàn)結(jié)果表明雖然遺傳算法能夠有效的求解歷史擬合問題，但是存在計(jì)算效率較低的問題，并且在歷史擬合中可能陷入局部收斂。雖然遺傳算法在計(jì)算過程中能夠搜索到較優(yōu)的解，但是在當(dāng)油藏模型較大時(shí)計(jì)算效率較低。2009年YasinHajizadeh將ACO算法引入到歷史擬合問題的求解中，實(shí)驗(yàn)結(jié)果表明該算法相對于傳統(tǒng)的遺傳算法求解效率更高。同年YasinHajizadeh將DE算法引入到歷史擬合問題的求解中，該算法僅需要少量的參數(shù)就能夠?qū)崿F(xiàn)油藏自動歷史擬合，但是該算法在大型油藏模型中難以實(shí)現(xiàn)。一年后Mohamed引入PSO算法求解油藏歷史擬合問題，該方法在處理高維問題時(shí)能夠獲得更優(yōu)的結(jié)果，是一類較為有效的歷史擬合方法。隨機(jī)類方法采用隨機(jī)概率和一定搜索策略尋找最優(yōu)解，能夠找到較為優(yōu)秀的全局最優(yōu)值，為油藏自動歷史擬合的實(shí)現(xiàn)提供了一種新的解決方案。綜上所述,采用隨機(jī)類算法求解較大規(guī)模的油藏歷史擬合問題,在計(jì)算效率以及精度方面需要進(jìn)一步的改進(jìn)。由于油藏自動歷史擬合實(shí)質(zhì)上是一類復(fù)雜的多目標(biāo)問題，維數(shù)過高導(dǎo)致參數(shù)優(yōu)化搜索空間巨大，因此必須采用降維技術(shù)對高維優(yōu)化空間進(jìn)行降維處理，尋找出原始油藏?cái)?shù)據(jù)在低維空間的表示，通過減少計(jì)算維度，提高歷史擬合的精度及效率。當(dāng)前，在高維數(shù)據(jù)降維方面國內(nèi)外學(xué)者在基于流形或高斯分布假設(shè)方面開展了相關(guān)研究工作。數(shù)據(jù)降維技術(shù)按照降維后所獲得的低維空間數(shù)據(jù)與原始大規(guī)模網(wǎng)格油藏靜態(tài)參數(shù)點(diǎn)之間的關(guān)系差異，可分為線性與非線性降維算法兩大類。線性降維算法的計(jì)算復(fù)雜度低且簡便高效，但面對強(qiáng)屬性相關(guān)或者非線性相關(guān)的地質(zhì)數(shù)據(jù)不能取得良好的降維效果。而非線性降維算法特別是基于流行學(xué)習(xí)的降維算法在處理非線性的數(shù)據(jù)時(shí)降維效果良好，但計(jì)算相對較復(fù)雜、不容易理解。技術(shù)實(shí)現(xiàn)要素：本發(fā)明所要解決的技術(shù)問題是提供基于自動編碼器和多目標(biāo)優(yōu)化的自動歷史擬合方法及系統(tǒng)，能夠采用自動編碼器對大規(guī)模網(wǎng)格油藏靜態(tài)參數(shù)進(jìn)行降維與重構(gòu)處理，同時(shí)采用多目標(biāo)算法實(shí)現(xiàn)油藏?cái)?shù)值模擬自動歷史擬合，提高計(jì)算的效率和精度。本發(fā)明解決上述技術(shù)問題的技術(shù)方案如下：一方面，本發(fā)明提供了基于自動編碼器和多目標(biāo)優(yōu)化的自動歷史擬合方法，所述方法包括：S1、讀取原始的高維油藏靜態(tài)參數(shù)，并采用自動編碼器對所述高維油藏靜態(tài)參數(shù)進(jìn)行降維，得到降維后的油藏靜態(tài)參數(shù)；S2、采用基于分解的多目標(biāo)優(yōu)化算法對所述降維后的油藏靜態(tài)參數(shù)進(jìn)行優(yōu)化，得到降維并優(yōu)化的油藏靜態(tài)參數(shù)；S3、采用自動編碼器對所述降維并優(yōu)化的油藏靜態(tài)參數(shù)進(jìn)行數(shù)據(jù)重構(gòu)，得到優(yōu)化高維油藏靜態(tài)參數(shù)；S4、對所述優(yōu)化高維油藏靜態(tài)參數(shù)進(jìn)行歷史擬合模擬計(jì)算，得到模擬生產(chǎn)結(jié)果；S5、將所述模擬生產(chǎn)結(jié)果與實(shí)際生產(chǎn)結(jié)果進(jìn)行比較得到誤差，判斷所述誤差是否低于預(yù)設(shè)誤差值，若低于，則輸出所述優(yōu)化高維油藏靜態(tài)參數(shù)，并結(jié)束流程，否則，返回步驟S2。本發(fā)明的有益效果：本發(fā)明提供的一種基于自動編碼器和多目標(biāo)優(yōu)化的自動歷史擬合方法，采用自動編碼器對大規(guī)模網(wǎng)格油藏靜態(tài)參數(shù)進(jìn)行降維，然后采用多目標(biāo)算法實(shí)現(xiàn)油藏?cái)?shù)值模擬自動歷史擬合，提高計(jì)算的效率和精度，并在得到降維并優(yōu)化的油藏靜態(tài)參數(shù)后，再采用自動編碼器對降維并優(yōu)化的油藏靜態(tài)參數(shù)進(jìn)行重構(gòu)，得到優(yōu)化高維油藏靜態(tài)參數(shù)，采用所述優(yōu)化高維油藏靜態(tài)參數(shù)來得到模擬生產(chǎn)結(jié)果。本發(fā)明將基于深度學(xué)習(xí)的自動編碼器與多目標(biāo)算法應(yīng)用于油藏歷史擬合問題，大大減少了優(yōu)化參數(shù)的搜索空間，通過自動編碼器的數(shù)據(jù)降維去除大規(guī)模網(wǎng)格數(shù)據(jù)噪聲等冗余信息，實(shí)現(xiàn)從原始大規(guī)模網(wǎng)格油藏靜態(tài)參數(shù)到低維數(shù)據(jù)空間之間的雙向映射，彌補(bǔ)了大部分降維方法在降維后無法實(shí)現(xiàn)從低維空間重構(gòu)高維數(shù)據(jù)的問題，多目標(biāo)算法提高計(jì)算的精度，使得到的模擬生產(chǎn)結(jié)果更加接近真實(shí)生產(chǎn)結(jié)果。進(jìn)一步的，所述S1具體包括：構(gòu)造自動編碼器目標(biāo)函數(shù)，并根據(jù)所述自動編碼器目標(biāo)函數(shù)將自動編碼器輸入層中的所述高維油藏靜態(tài)參數(shù)壓縮至隱藏層并去掉數(shù)據(jù)中的冗余信息，然后在輸出層中對壓縮至隱藏層中的數(shù)據(jù)進(jìn)行降維，得到降維后的油藏靜態(tài)參數(shù)，其中，所述高維油藏靜態(tài)參數(shù)具體包括各劃分網(wǎng)格的滲透率以及孔隙度。采用上述進(jìn)一步方案的有益效果：對大規(guī)模網(wǎng)格油藏靜態(tài)參數(shù)進(jìn)行降維并在降維過程中去除數(shù)據(jù)中的冗余信息，以便方便后續(xù)多目標(biāo)算法對降維后的油藏靜態(tài)參數(shù)進(jìn)行優(yōu)化，維數(shù)越小，優(yōu)化結(jié)果就更加精確。進(jìn)一步的，所述S2具體包括：S21、構(gòu)造歷史擬合目標(biāo)函數(shù)，所述目標(biāo)函數(shù)由多個(gè)子目標(biāo)問題對應(yīng)的子目標(biāo)函數(shù)構(gòu)成；S22、初始化參數(shù)，并設(shè)置優(yōu)化停止條件，所述參數(shù)至少包括迭代次數(shù)、種群規(guī)模、參考點(diǎn)以及多個(gè)子目標(biāo)問題分別對應(yīng)的權(quán)重向量，所述參考點(diǎn)為每代各子目標(biāo)函數(shù)的最優(yōu)解的組合；S23、根據(jù)預(yù)設(shè)算法規(guī)則條件更新參考點(diǎn)、相鄰子問題的解以及種群；S24、判斷是否滿足所述優(yōu)化停止條件，若滿足，則輸出最優(yōu)目標(biāo)函數(shù)值以及所述最優(yōu)目標(biāo)函數(shù)值對應(yīng)的降維并優(yōu)化的油藏靜態(tài)參數(shù)，否則返回步驟S23。采用上述進(jìn)一步方案的有益效果：采用基于分解策略的多目標(biāo)優(yōu)化算法實(shí)現(xiàn)油藏?cái)?shù)值模擬自動歷史擬合，自動調(diào)整油藏模型參數(shù)，縮短擬合時(shí)間，提升擬合精度，提高計(jì)算的效率和精度。進(jìn)一步的，所述S3具體包括；構(gòu)造自動編碼器目標(biāo)函數(shù)，并根據(jù)所述自動編碼器目標(biāo)函數(shù)將自動編碼器輸入層中的所述降維并優(yōu)化的油藏靜態(tài)參數(shù)壓縮至隱藏層，然后在輸出層中對壓縮至隱藏層中的數(shù)據(jù)進(jìn)行重構(gòu)，得到優(yōu)化高維油藏靜態(tài)參數(shù)。采用上述進(jìn)一步方案的有益效果：對多目標(biāo)算法優(yōu)化得到的低維數(shù)據(jù)進(jìn)行重構(gòu)，以得到優(yōu)化后的高維數(shù)據(jù)，以便后續(xù)根據(jù)優(yōu)化后的高維數(shù)據(jù)得到更加接近真實(shí)生產(chǎn)值的模擬生產(chǎn)結(jié)果。另一方面，本發(fā)明提供了基于自動編碼器和多目標(biāo)優(yōu)化的自動歷史擬合系統(tǒng)，所述系統(tǒng)包括：讀取降維模塊，用于讀取原始的高維油藏靜態(tài)參數(shù)，并采用自動編碼器對所述高維油藏靜態(tài)參數(shù)進(jìn)行降維，得到降維后的油藏靜態(tài)參數(shù)；優(yōu)化模塊，用于采用基于分解的多目標(biāo)優(yōu)化算法對所述降維后的油藏靜態(tài)參數(shù)進(jìn)行優(yōu)化，得到降維并優(yōu)化的油藏靜態(tài)參數(shù)；重構(gòu)模塊，用于采用自動編碼器對所述降維并優(yōu)化的油藏靜態(tài)參數(shù)進(jìn)行數(shù)據(jù)重構(gòu)，得到優(yōu)化高維油藏靜態(tài)參數(shù)；模擬計(jì)算模塊，用于對所述優(yōu)化高維油藏靜態(tài)參數(shù)進(jìn)行歷史擬合模擬計(jì)算，得到模擬生產(chǎn)結(jié)果；比較判斷模塊，用于將所述模擬生產(chǎn)結(jié)果與實(shí)際生產(chǎn)結(jié)果進(jìn)行比較得到誤差，判斷所述誤差是否低于預(yù)設(shè)誤差值，若低于，則轉(zhuǎn)至所述輸出模塊，否則，轉(zhuǎn)至所述優(yōu)化模塊。輸出模塊，用于在所述誤差低于預(yù)設(shè)誤差值時(shí)，輸出所述優(yōu)化高維油藏靜態(tài)參數(shù)。本發(fā)明的有益效果：本發(fā)明提供的一種基于自動編碼器和多目標(biāo)優(yōu)化的自動歷史擬合系統(tǒng)，采用自動編碼器對大規(guī)模網(wǎng)格油藏靜態(tài)參數(shù)進(jìn)行降維，然后采用多目標(biāo)算法實(shí)現(xiàn)油藏?cái)?shù)值模擬自動歷史擬合，提高計(jì)算的效率和精度，并在得到降維并優(yōu)化的油藏靜態(tài)參數(shù)后，再采用自動編碼器對降維并優(yōu)化的油藏靜態(tài)參數(shù)進(jìn)行重構(gòu)，得到優(yōu)化高維油藏靜態(tài)參數(shù)，采用所述優(yōu)化高維油藏靜態(tài)參數(shù)來得到模擬生產(chǎn)結(jié)果。本發(fā)明將基于深度學(xué)習(xí)的自動編碼器與多目標(biāo)算法應(yīng)用于油藏歷史擬合問題，大大減少了優(yōu)化參數(shù)的搜索空間，通過自動編碼器的數(shù)據(jù)降維去除大規(guī)模網(wǎng)格數(shù)據(jù)噪聲等冗余信息，實(shí)現(xiàn)從原始大規(guī)模網(wǎng)格油藏靜態(tài)參數(shù)到低維數(shù)據(jù)空間之間的雙向映射，彌補(bǔ)了大部分降維方法在降維后無法實(shí)現(xiàn)從低維空間重構(gòu)高維數(shù)據(jù)的問題，多目標(biāo)算法提高計(jì)算的精度，使得到的模擬生產(chǎn)結(jié)果更加接近真實(shí)生產(chǎn)結(jié)果。進(jìn)一步的，所述讀取降維模塊具體用于：構(gòu)造自動編碼器目標(biāo)函數(shù)，并根據(jù)所述自動編碼器目標(biāo)函數(shù)將自動編碼器輸入層中的所述高維油藏靜態(tài)參數(shù)壓縮至隱藏層并去掉數(shù)據(jù)中的冗余信息，然后在輸出層中對壓縮至隱藏層中的數(shù)據(jù)進(jìn)行降維，得到降維后的油藏靜態(tài)參數(shù)，其中，所述高維油藏靜態(tài)參數(shù)具體包括各劃分網(wǎng)格的滲透率以及孔隙度。采用上述進(jìn)一步方案的有益效果：對大規(guī)模網(wǎng)格油藏靜態(tài)參數(shù)進(jìn)行降維并在降維過程中去除數(shù)據(jù)中的冗余信息，以便方便后續(xù)多目標(biāo)算法對降維后的油藏靜態(tài)參數(shù)進(jìn)行優(yōu)化，維數(shù)越小，優(yōu)化結(jié)果就更加精確。進(jìn)一步的，所述優(yōu)化模塊具體包括：構(gòu)造單元，用于構(gòu)造油藏目標(biāo)函數(shù)，所述目標(biāo)函數(shù)由多個(gè)子目標(biāo)問題對應(yīng)的子目標(biāo)函數(shù)構(gòu)成；初始化單元，用于初始化參數(shù)，并設(shè)置優(yōu)化停止條件，所述參數(shù)至少包括迭代次數(shù)、種群規(guī)模、參考點(diǎn)以及多個(gè)子目標(biāo)問題分別對應(yīng)的權(quán)重向量，所述參考點(diǎn)為每代各子目標(biāo)函數(shù)的最優(yōu)解的組合；更新單元，用于根據(jù)預(yù)設(shè)算法規(guī)則條件更新參考點(diǎn)、相鄰子問題的解以及種群；判斷單元，用于判斷是否滿足所述優(yōu)化停止條件，若滿足，則轉(zhuǎn)至最優(yōu)值輸出單元，否則轉(zhuǎn)至所述更新單元；最優(yōu)值輸出單元，用于輸出最優(yōu)目標(biāo)函數(shù)值以及所述最優(yōu)目標(biāo)函數(shù)值對應(yīng)的降維并優(yōu)化的油藏靜態(tài)參數(shù)。采用上述進(jìn)一步方案的有益效果：采用基于分解策略的多目標(biāo)優(yōu)化算法實(shí)現(xiàn)油藏?cái)?shù)值模擬自動歷史擬合，自動調(diào)整油藏模型參數(shù)，縮短擬合時(shí)間，提升擬合精度，提高計(jì)算的效率和精度。進(jìn)一步的，所述重構(gòu)模塊具體用于：構(gòu)造自動編碼器目標(biāo)函數(shù)，并根據(jù)所述自動編碼器目標(biāo)函數(shù)將自動編碼器輸入層中的所述降維并優(yōu)化的油藏靜態(tài)參數(shù)壓縮至隱藏層，然后在輸出層中對壓縮至隱藏層中的數(shù)據(jù)進(jìn)行重構(gòu)，得到優(yōu)化高維油藏靜態(tài)參數(shù)。采用上述進(jìn)一步方案的有益效果：對多目標(biāo)算法優(yōu)化得到的低維數(shù)據(jù)進(jìn)行重構(gòu)，以得到優(yōu)化后的高維數(shù)據(jù)，以便后續(xù)根據(jù)優(yōu)化后的高維數(shù)據(jù)得到更加接近真實(shí)生產(chǎn)值的模擬生產(chǎn)結(jié)果。附圖說明圖1為本發(fā)明實(shí)施例1的基于自動編碼器和多目標(biāo)優(yōu)化的自動歷史擬合方法流程圖；圖2為本發(fā)明實(shí)施例1的自動編碼器算法模型結(jié)構(gòu)圖；圖3為本發(fā)明實(shí)施例1的自動編碼器的整體結(jié)構(gòu)圖；圖4為本發(fā)明實(shí)施例1的基于切比雪夫法的多目標(biāo)算法流程圖；圖5為本發(fā)明實(shí)施例1的基于多目標(biāo)算法的油藏參數(shù)歷史擬合方法流程圖；圖6為現(xiàn)有技術(shù)中的原油藏模擬自動歷史擬合結(jié)構(gòu)流程圖；圖7為本發(fā)明實(shí)施例1的基于自動編碼器和多目標(biāo)優(yōu)化的自動歷史擬合方法的第一種方式流程圖；圖8為本發(fā)明實(shí)施例1的基于自動編碼器和多目標(biāo)優(yōu)化的自動歷史擬合方法的第二種方式流程圖；圖9為本發(fā)明實(shí)施例1的PUNQ-S3油藏模型頂層分布結(jié)構(gòu)與井口分布圖；圖10為本發(fā)明實(shí)施例1的大規(guī)模網(wǎng)格油藏靜態(tài)參數(shù)經(jīng)過自動編碼器降維后的部分?jǐn)?shù)據(jù)示例；圖11為本發(fā)明實(shí)施例1的降維后的油藏靜態(tài)參數(shù)經(jīng)過自動編碼器重構(gòu)后返回的部分高維數(shù)據(jù)示例；圖12為本發(fā)明實(shí)施例1的PUNQ-S3油藏模型滲透率總體分布情況圖；圖13為本發(fā)明實(shí)施例1的原MOEA/D歷史擬合程序與基于自動編碼器的MOEA/D歷史擬合程序在500代以內(nèi)的不匹配值的比較情況圖；圖14為本發(fā)明實(shí)施例1的井1的井底壓力、氣油比、含水率擬合圖；圖15為本發(fā)明實(shí)施例1的井4的井底壓力、氣油比、含水率擬合圖；圖16為本發(fā)明實(shí)施例1的井5的井底壓力、氣油比、含水率擬合圖；圖17為本發(fā)明實(shí)施例1的井11的井底壓力、氣油比、含水率擬合圖；圖18為本發(fā)明實(shí)施例1的井12的井底壓力、氣油比、含水率擬合圖；圖19為本發(fā)明實(shí)施例1的井15的井底壓力、氣油比、含水率擬合圖；圖20為本發(fā)明實(shí)施例1的井1的井底壓力、氣油比、含水率擬合預(yù)測圖；圖21為本發(fā)明實(shí)施例1的井4的井底壓力、氣油比、含水率擬合預(yù)測圖；圖22為本發(fā)明實(shí)施例1的井5的井底壓力、氣油比、含水率擬合預(yù)測圖；圖23為本發(fā)明實(shí)施例1的井11的井底壓力、氣油比、含水率擬合預(yù)測圖；圖24為本發(fā)明實(shí)施例1的井12的井底壓力、氣油比、含水率擬合預(yù)測圖；圖25為本發(fā)明實(shí)施例1的井15的井底壓力、氣油比、含水率擬合預(yù)測圖；圖26為本發(fā)明實(shí)施例2的基于自動編碼器和多目標(biāo)優(yōu)化的自動歷史擬合系統(tǒng)示意圖。具體實(shí)施方式以下結(jié)合附圖對本發(fā)明的原理和特征進(jìn)行描述，所舉實(shí)例只用于解釋本發(fā)明，并非用于限定本發(fā)明的范圍。實(shí)施例1、基于自動編碼器和多目標(biāo)優(yōu)化的自動歷史擬合方法。下面結(jié)合圖1至圖25對本實(shí)施例提供的方法進(jìn)行詳細(xì)說明。參見圖1，S1、讀取原始的高維油藏靜態(tài)參數(shù)，并采用自動編碼器對所述高維油藏靜態(tài)參數(shù)進(jìn)行降維，得到降維后的油藏靜態(tài)參數(shù)。具體的，構(gòu)造自動編碼器目標(biāo)函數(shù)，并根據(jù)所述自動編碼器目標(biāo)函數(shù)將自動編碼器輸入層中的所述高維油藏靜態(tài)參數(shù)壓縮至隱藏層并去掉數(shù)據(jù)中的冗余信息，然后在輸出層中對壓縮至隱藏層中的數(shù)據(jù)進(jìn)行降維，得到降維后的油藏靜態(tài)參數(shù)，其中，所述高維油藏靜態(tài)參數(shù)具體包括各劃分網(wǎng)格的滲透率以及孔隙度。其中，高維油藏靜態(tài)參數(shù)具體是指大規(guī)模網(wǎng)格油藏靜態(tài)參數(shù)，油藏靜態(tài)參數(shù)具體包括各劃分網(wǎng)格的滲透率和孔隙度等參數(shù)。具體的，自動編碼器是深度學(xué)習(xí)中的一個(gè)重要方法，可以看作是一種盡可能復(fù)現(xiàn)輸入信號的前饋神經(jīng)網(wǎng)絡(luò)，其基本原理將數(shù)據(jù)進(jìn)行壓縮，然后保證損失盡可能小的情況將數(shù)據(jù)恢復(fù)。自動編碼器模型主要由輸入層、隱藏層和輸出層三部分組成，根據(jù)自動編碼器算法模型結(jié)構(gòu)圖圖2所示，圖中最左側(cè)的結(jié)點(diǎn)代表輸入層，最右側(cè)的結(jié)點(diǎn)代表輸出層，中間一列結(jié)點(diǎn)代表隱藏層。輸出層與輸入層的神經(jīng)元數(shù)量完全相等，而隱藏層的神經(jīng)元數(shù)量少于另外兩層，讓網(wǎng)絡(luò)只學(xué)習(xí)最重要的特性和實(shí)現(xiàn)降維。隱藏層的數(shù)量可以為一個(gè)或是多個(gè)，當(dāng)自動編碼器只有一個(gè)隱藏層的時(shí)候，其原理與主成分分析法類似；有多個(gè)隱含層的時(shí)候，每兩層之間可以用能量函數(shù)RBM來進(jìn)行預(yù)訓(xùn)練，最后通過BP(誤差反向傳播ErrorBackPropagation,BP)算法來對最終權(quán)值進(jìn)行調(diào)整。自動編碼器的作用是將輸入層中的數(shù)據(jù)壓縮至隱藏層，再在輸出層中重建數(shù)據(jù)。如果輸入數(shù)據(jù)是完全隨機(jī)且相互獨(dú)立同分布，網(wǎng)絡(luò)將難以建立起有效的壓縮模型。由于實(shí)際數(shù)據(jù)存在著不同程度的冗余信息，通過自動編碼器學(xué)習(xí)發(fā)現(xiàn)并去掉這些冗余信息，再在輸出層將壓縮的數(shù)據(jù)還原，同時(shí)數(shù)據(jù)損失盡可能小。針對大規(guī)模網(wǎng)格油藏歷史擬合優(yōu)化參數(shù)空間巨大的問題，采用自動編碼器降維，對數(shù)據(jù)壓縮和恢復(fù)。自動編碼器原理是將輸入層中的數(shù)據(jù)xi壓縮至隱藏層，再在輸出層中重建數(shù)據(jù)。如果輸入數(shù)據(jù)是完全隨機(jī)且相互獨(dú)立同分布，網(wǎng)絡(luò)將難以建立起有效的壓縮模型。由于實(shí)際數(shù)據(jù)存在著不同程度的冗余信息，通過自動編碼器學(xué)習(xí)發(fā)現(xiàn)并去掉這些冗余信息，再在輸出層將壓縮的數(shù)據(jù)還原，同時(shí)數(shù)據(jù)損失盡可能小，即使得對應(yīng)的目標(biāo)函數(shù)的值盡可能趨近于0，如公式(1)所示，其中，xi表示輸入層中的數(shù)據(jù)，表示輸出層中的數(shù)據(jù)，m表示數(shù)據(jù)的個(gè)數(shù)。J(W,b)=1mΣi=1m(x^-x)2---(1)]]>自動編碼器去除原數(shù)據(jù)冗余信息和還原數(shù)據(jù)的過程，也就是對高維數(shù)據(jù)進(jìn)行降維及數(shù)據(jù)重構(gòu)的過程。本發(fā)明中主要對油藏?cái)?shù)值模型中各網(wǎng)格的靜態(tài)參數(shù)如孔隙度，滲透率等參數(shù)進(jìn)行降維及重構(gòu)。在對高維空間數(shù)據(jù)的處理上，通過自動編碼器的方法找到高維空間數(shù)據(jù)集的低維空間。整個(gè)系統(tǒng)工程主要分為編碼器和解碼器兩部分。編碼器部分負(fù)責(zé)對大規(guī)模網(wǎng)格油藏靜態(tài)參數(shù)的降維，將高維空間的油藏?cái)?shù)據(jù)降低到一定維數(shù)的低維空間上，解碼器部分負(fù)責(zé)對低維數(shù)據(jù)的重構(gòu)，可視為編碼器部分的逆過程，通過此部分可將低維空間上的油藏?cái)?shù)據(jù)還原到高維空間。編碼器與解碼器之間存在著稱為碼字層的數(shù)據(jù)交匯，其作為整個(gè)自編碼網(wǎng)絡(luò)的關(guān)鍵部分，可以反映出具有嵌套結(jié)構(gòu)的高維空間數(shù)據(jù)集的本質(zhì)規(guī)律，同時(shí)可對高維空間油藏?cái)?shù)據(jù)集的本質(zhì)特征維數(shù)進(jìn)行判斷。自動編碼器的工作原理為，通過對編碼器與解碼器兩個(gè)單元權(quán)重的初始化，努力使原始空間數(shù)據(jù)與重構(gòu)數(shù)據(jù)之間的誤差達(dá)到最小，并以此為標(biāo)準(zhǔn)對自動編碼器進(jìn)行訓(xùn)練，通過解碼器和編碼器采用向后傳播誤差導(dǎo)數(shù)鏈?zhǔn)椒▌t來求取所需的梯度值，從而實(shí)現(xiàn)對自編碼網(wǎng)絡(luò)權(quán)重的調(diào)整。如自動編碼器的整體結(jié)構(gòu)圖圖3所示?；谧詣泳幋a器的數(shù)據(jù)降維算法降維過程的具體描述如下：(1)給定無標(biāo)簽的大規(guī)模網(wǎng)格油藏靜態(tài)參數(shù)，用非監(jiān)督學(xué)習(xí)學(xué)習(xí)特征。(2)通過編碼器產(chǎn)生特征，將第一隱藏層輸出的編碼(code)當(dāng)成第二隱藏層的輸入信號，通過最小化重構(gòu)誤差得到第二層的參數(shù)和輸入的code，然后訓(xùn)練下一層，逐層訓(xùn)練。(3)通過有監(jiān)督學(xué)習(xí)對每一層的參數(shù)進(jìn)行微調(diào)，使降維結(jié)果更準(zhǔn)確。S2、采用基于分解的多目標(biāo)優(yōu)化算法對所述降維后的油藏靜態(tài)參數(shù)進(jìn)行優(yōu)化，得到降維并優(yōu)化的油藏靜態(tài)參數(shù)。自動編碼器數(shù)據(jù)降維算法作為一種非線性數(shù)據(jù)降維算法，可以在高維數(shù)據(jù)空間以及低維空間之間建立雙向的映射關(guān)系，彌補(bǔ)了大部分非線性數(shù)據(jù)降維算法無法建立由低維空間返回至高維數(shù)據(jù)空間的逆映射的缺陷。通過數(shù)據(jù)降維算法，可以將高維數(shù)據(jù)降至低維進(jìn)行計(jì)算，減少了參加計(jì)算的數(shù)據(jù)維數(shù)，降低了數(shù)據(jù)的損耗。而通過數(shù)據(jù)重構(gòu)可以將油藏?cái)?shù)據(jù)重新返回到高維空間，從而避免由于數(shù)據(jù)維數(shù)的變化而產(chǎn)生的誤差。步驟S2具體包括以下步驟：S21、構(gòu)造歷史擬合目標(biāo)函數(shù)，所述目標(biāo)函數(shù)由多個(gè)子目標(biāo)問題對應(yīng)的子目標(biāo)函數(shù)構(gòu)成。具體的，在解決油藏歷史擬合問題時(shí)，對于復(fù)雜油田，需要進(jìn)行擬合的生產(chǎn)井?dāng)?shù)量較多，每口井又存在多個(gè)擬合量。因此油藏歷史擬合問題存在多個(gè)擬合量，這些擬合量間一般是相互競爭的關(guān)系，因此本質(zhì)上可以看作是一個(gè)多目標(biāo)優(yōu)化問題。本發(fā)明采用基于分解的多目標(biāo)優(yōu)化(MOEA/D)算法應(yīng)用于油藏歷史擬合，以有效地對油藏中多個(gè)井的多個(gè)目標(biāo)進(jìn)行優(yōu)化。油藏?cái)?shù)值模型中需要優(yōu)化的參數(shù)是各劃分網(wǎng)格的靜態(tài)參數(shù)如滲透率、孔隙度等，其初始值可通過某種概率分布模型如高斯分布隨機(jī)賦值，優(yōu)化目標(biāo)是通過調(diào)用油藏?cái)?shù)值模擬軟件計(jì)算得到的各生產(chǎn)井或區(qū)塊各時(shí)間片的含水率、氣油比和井底壓力等預(yù)測值與真實(shí)值盡可能接近，其中，區(qū)塊是指包括多個(gè)生產(chǎn)井。對應(yīng)的目標(biāo)函數(shù)如公式(2)所示：f1(φ,kh,kv)=1nwΣj1ntΣk{wjkFwwct_obs(tk)-Fwwct_sin(φ,kh,kv,tk)δjk)2f2(φ,kh,kv)=1nwΣj1ntΣk{wjkFwgor_obs(tk)-Fwgor_sin(φ,kh,kv,tk)δjk)2f3(φ,kh,kv)=1nwΣj1ntΣk{wjkFwbhp_obs(tk)-Fwbhp_sin(φ,kh,kv,tk)δjk)2minf(φ,kh,kv)=min(f1(φ,kh,kv),f2(φ,kh,kv),f3(φ,kh,kv))---(2)]]>其中井的數(shù)量為nw，各井的標(biāo)識為j，擬合數(shù)據(jù)的輸出時(shí)刻為k，輸出時(shí)刻數(shù)量之和為nt，觀測誤差為δ，孔隙度值為φ，水平滲透率值為kv，垂直滲透率值為kh，油藏模型在k時(shí)刻的實(shí)際生產(chǎn)數(shù)據(jù)為Fobs(tk)，油藏模型在k時(shí)刻模擬計(jì)算得到的生產(chǎn)數(shù)據(jù)為Fsim(φ,kh,kv,tk)，擬合數(shù)據(jù)的加權(quán)因子為wjk。綜上所述，本發(fā)明采用基于分解的(MOEA/D)多目標(biāo)算法對油藏中單個(gè)井或者區(qū)塊中的多個(gè)井的多個(gè)目標(biāo)值進(jìn)行優(yōu)化，并在此基礎(chǔ)上調(diào)用油藏?cái)?shù)值模擬軟件計(jì)算，使預(yù)測值與真實(shí)值盡可能接近，達(dá)到歷史擬合的效果。主要輸入的數(shù)據(jù)包括各類油藏靜動態(tài)參數(shù)，如滲透率、孔隙度等靜態(tài)參數(shù)，生產(chǎn)動態(tài)數(shù)據(jù)包括各油井的產(chǎn)液量、日產(chǎn)油、年產(chǎn)油、含水率等，網(wǎng)格數(shù)據(jù)，相對滲透率、毛管壓力以及油藏流體的PVT屬性數(shù)據(jù)，油、水、氣的地面密度，巖石壓縮系數(shù)等物性參數(shù)。S22、初始化參數(shù)，并設(shè)置優(yōu)化停止條件，所述參數(shù)至少包括迭代次數(shù)、種群規(guī)模、參考點(diǎn)以及多個(gè)子目標(biāo)問題分別對應(yīng)的權(quán)重向量，所述參考點(diǎn)為每代各子目標(biāo)函數(shù)的最優(yōu)解的組合。S23、根據(jù)預(yù)設(shè)算法規(guī)則條件更新參考點(diǎn)、相鄰子問題的解以及種群。S24、判斷是否滿足所述優(yōu)化停止條件，若滿足，則輸出最優(yōu)目標(biāo)函數(shù)值以及所述最優(yōu)目標(biāo)函數(shù)值對應(yīng)的降維并優(yōu)化的油藏靜態(tài)參數(shù)，否則返回步驟S23。具體的，基于分解的多目標(biāo)演化算法(MOEA/D)的主要思路就是通過將多目標(biāo)問題進(jìn)行分解，采用適當(dāng)?shù)臋?quán)值分布來將整體的多目標(biāo)問題轉(zhuǎn)化為多個(gè)子目標(biāo)問題，再采用一般求解單目標(biāo)問題的方式，對每個(gè)子目標(biāo)問題使用演化算法搜索結(jié)果，每一個(gè)與權(quán)重向量相對應(yīng)的單目標(biāo)子問題的當(dāng)前非劣解組合形成演化算法的整體解。而每一個(gè)權(quán)重向量所對應(yīng)的鄰域關(guān)系為權(quán)重向量之間的歐氏空間距離，子問題的演化過程即近鄰子問題在演化過程中對于結(jié)果的搜索過程。MOEA/D算法采用演化算法求解單目標(biāo)優(yōu)化問題時(shí)所采用的適應(yīng)度分配與多樣性保持的策略來進(jìn)行子問題的更新，在算法的復(fù)雜度方面開銷較低。算法的重點(diǎn)是將一個(gè)多目標(biāo)問題分解為若干個(gè)子問題進(jìn)行分別求解，常采用的分解策略有加權(quán)求和法、切比雪夫法(TchebycheffApproach)以及邊界交集法等。切比雪夫距離(TchebycheffDistance)指的是向量空間中的一種度量，將空間中兩點(diǎn)的距離定義為其相應(yīng)各坐標(biāo)值之差的最大值。以空間中的兩點(diǎn)(x1,y1)與(x2,y2)為例，其相應(yīng)的切比雪夫距離為max(|x2-x1|,|y2-y1|)。而基于切比雪夫法的MOEA/D算法框架主要包含有以下幾個(gè)主要內(nèi)容，假設(shè)所要求取的多目標(biāo)優(yōu)化問題為MinimizeF(x)＝(f1(x),...,fm(x))T，Subjecttox∈Ω，其中，fm(x)為子目標(biāo)函數(shù)，則有：(1)種群中的N個(gè)點(diǎn)x1,...,xN∈Ω，其中xi表示為第i個(gè)子問題的解決方案，N表示子問題的個(gè)數(shù)。(2)存在一組FV1，...,FVN,其中FVi代表了xi的F-Value值的大小，在對所有的i＝1,...,N時(shí)，都有FVi＝F(xi)的等式成立。(3)存在一組z＝(z1,...,zm)T，其中zi表示為fi子目標(biāo)在當(dāng)前演化的過程中每一時(shí)刻所能搜索到的最優(yōu)值。如圖4所示，基于切比雪夫法的MOEA/D算法主要包括以下步驟：步驟1、初始化：1.1、初始化種群；1.2、初始化權(quán)重向量λ1,…,λi…,λN，每個(gè)子問題對應(yīng)一個(gè)權(quán)重向量，計(jì)算任意兩個(gè)權(quán)重向量的歐氏距離，得到每個(gè)權(quán)重向量的T個(gè)最相鄰的權(quán)重向量，對于所有的i＝1,...,N，設(shè)置B(i)＝{i1,...,iT}，其中是λi的T個(gè)最近鄰權(quán)重向量；1.3、隨機(jī)化初始種群得到x1,...,xN，設(shè)置FVi＝F(xi)；1.4、初始化參考點(diǎn)z＝(z1,...,zm)T。步驟2、更新，對于所有的i＝1,...,N，執(zhí)行以下步驟：2.1、繁殖：從B(i)中隨機(jī)選取k，l然后對xk和xl使用遺傳算子得到新的個(gè)體y；2.2、提高：應(yīng)用該問題的特殊性來修理/改進(jìn)y個(gè)體，從而得到新個(gè)體生產(chǎn)y′；2.3、更新參考點(diǎn)z：對每一個(gè)值j＝1,...,m，如果zj＜fj(y′)，那么設(shè)置zj＝fj(y′)；2.4、更新相鄰子問題的解:對每一個(gè)值j∈B(i)，如果gte(y′|λi,z)≤gte(xj|λi,z)，那么設(shè)置xj＝y(tǒng)′,FVj＝F(y′)。其中，gte是一個(gè)關(guān)于λ的連續(xù)函數(shù)，根據(jù)連續(xù)函數(shù)的定義，若λi,λj鄰近，則對應(yīng)的標(biāo)量目標(biāo)函數(shù)gte(x|λi,Z*)、gte(x|λj,Z*)的最佳解決方案也是鄰近的；2.5、更新種群。步驟3、停止準(zhǔn)則：如果優(yōu)化后的值滿足算法輸入時(shí)的預(yù)設(shè)要求，那么算法運(yùn)行停止，輸出最優(yōu)目標(biāo)函數(shù)值以及所述最優(yōu)目標(biāo)函數(shù)值對應(yīng)的優(yōu)化參數(shù)結(jié)果；否則，轉(zhuǎn)到步驟2?；诙嗄繕?biāo)算法的歷史擬合算法來優(yōu)化油藏參數(shù)的步驟如下：首先要設(shè)置輸入?yún)?shù)和輸出參數(shù)，其中輸入?yún)?shù)具體包括油藏模型數(shù)據(jù)文件、模擬輸出文件位置、擬合參數(shù)(滲透率、孔隙度)的取值范圍和擬合最小誤差等參數(shù)；輸出參數(shù)具體包括最優(yōu)目標(biāo)函數(shù)值、最優(yōu)目標(biāo)函數(shù)值對應(yīng)的優(yōu)化參數(shù)以及產(chǎn)量數(shù)據(jù)等。輸入輸出參數(shù)設(shè)置完成后，如圖5所示，MOEA/D算法的油藏參數(shù)歷史擬合主要包括以下步驟：步驟1、初始化，主要是對算法的種群大小、演化代數(shù)、交叉變異概率和初始群體等進(jìn)行初始化：1.1、初始權(quán)重向量λ1,…,λi…,λN；1.2、計(jì)算任意兩個(gè)權(quán)重向量的歐氏距離，得到每個(gè)權(quán)重向量的T個(gè)最相鄰的權(quán)重向量，對于所有的i＝1,...,N，設(shè)置B(i)＝{i1,...,iT}，其中是λi的T個(gè)最近鄰權(quán)重向量；1.3、根據(jù)擬合參數(shù)的取值范圍隨機(jī)初始化種群，得到x1,...,xN，設(shè)置FVi＝F(xi)；1.4、通過歷史擬合模擬軟件ECLIPSE的擬合值來初始化參考點(diǎn)z＝(z1,...,zm)T。步驟2、更新，對于所有的i＝1,...,N，執(zhí)行以下步驟：2.1、繁殖：從B(i)中隨機(jī)選取k,l然后對xk和xl使用遺傳算子得到新的個(gè)體y；2.2提高：應(yīng)用油藏歷史擬合特殊性來改進(jìn)2.1中獲得的個(gè)體y，從而得到新個(gè)體生產(chǎn)y′，并通過ECLIPSE軟件計(jì)算出對應(yīng)的擬合值；2.3更新參考點(diǎn)z：對每一個(gè)值j＝1,...,m，如果參考點(diǎn)的值zj＜fj(y′)，那么將其設(shè)置為zj＝fj(y′)；2.4更新相鄰子問題的解：對每一個(gè)j∈B(i)，如果gte(y′|λi,z)≤gte(xj|λi,z)，那么設(shè)置xj＝y(tǒng)′,FVj＝F(y′)。其中，gte是一個(gè)關(guān)于λ的連續(xù)函數(shù)，根據(jù)連續(xù)函數(shù)的定義，若λi,λj鄰近，則對應(yīng)的標(biāo)量目標(biāo)函數(shù)gte(x|λi,Z*)、gte(x|λj,Z*)的最佳解決方案也是鄰近的；2.5更新種群。步驟3、停止準(zhǔn)則：如果優(yōu)化后的值滿足算法輸入時(shí)的預(yù)設(shè)要求，那么算法運(yùn)行停止，輸出最優(yōu)目標(biāo)函數(shù)值、最優(yōu)目標(biāo)函數(shù)值對應(yīng)的優(yōu)化參數(shù)以及產(chǎn)量數(shù)據(jù)等；否則，轉(zhuǎn)到步驟2。在該算法中，ECLIPSE模擬器計(jì)算的過程是比較耗時(shí)的，往往取決于油藏模型的大小。S3、采用自動編碼器對所述降維并優(yōu)化的油藏靜態(tài)參數(shù)進(jìn)行數(shù)據(jù)重構(gòu)，得到優(yōu)化高維油藏靜態(tài)參數(shù)。具體的，構(gòu)造自動編碼器目標(biāo)函數(shù)，并根據(jù)所述自動編碼器目標(biāo)函數(shù)將自動編碼器輸入層中的所述降維并優(yōu)化的油藏靜態(tài)參數(shù)壓縮至隱藏層，然后在輸出層中對壓縮至隱藏層中的數(shù)據(jù)進(jìn)行重構(gòu)，得到優(yōu)化高維油藏靜態(tài)參數(shù)。S4、對所述優(yōu)化高維油藏靜態(tài)參數(shù)進(jìn)行歷史擬合模擬計(jì)算，得到模擬生產(chǎn)結(jié)果。S5、將所述模擬生產(chǎn)結(jié)果與實(shí)際生產(chǎn)結(jié)果進(jìn)行比較得到誤差，判斷所述誤差是否低于預(yù)設(shè)誤差值，若低于，則輸出所述優(yōu)化高維油藏靜態(tài)參數(shù)即優(yōu)化的滲透率和孔隙度等參數(shù)，并結(jié)束流程，否則，返回步驟S2。具體的，(1)讀取待擬合的相關(guān)油藏?cái)?shù)據(jù)(包括含水率、氣油比、井底壓力、起始時(shí)間和生產(chǎn)井號等)；(2)篩選與相應(yīng)生產(chǎn)井中初始生產(chǎn)日期匹配的含水率、氣油比和井底壓力參數(shù)；(3)將篩選出的數(shù)據(jù)帶入模型中通過Eclipse進(jìn)行計(jì)算，計(jì)算后，若仍有生產(chǎn)井沒有計(jì)算則轉(zhuǎn)(2)；(4)將各個(gè)生產(chǎn)井計(jì)算結(jié)果輸出并保存；(5)帶入模型中求解，與真實(shí)注水量匹配，獲取每一輪每一口井累計(jì)誤差；(6)對累計(jì)誤差進(jìn)行驗(yàn)證，若誤差值未達(dá)到理想值，說明擬合效果不夠好，繼續(xù)(7)，若達(dá)到說明擬合效果良好，輸出擬合結(jié)果并結(jié)束。同時(shí)檢驗(yàn)是否達(dá)到循環(huán)代數(shù)(模塊中設(shè)定為500代)，若達(dá)不到則繼續(xù)(7)，反之結(jié)束；(7)將油藏參數(shù)做降維處理，準(zhǔn)備對油藏模擬參數(shù)進(jìn)行優(yōu)化；(8)采用交叉變換的方法對油藏模擬參數(shù)進(jìn)行處理；(9)將進(jìn)行參數(shù)優(yōu)化的油藏模擬參數(shù)通過數(shù)據(jù)重構(gòu)的方式重新返回至高維空間，重復(fù)(1)。原油藏模擬自動歷史擬合結(jié)構(gòu)流程圖如圖6所示，在對原始大規(guī)模網(wǎng)格油藏靜態(tài)參數(shù)進(jìn)行優(yōu)化時(shí)，不對數(shù)據(jù)進(jìn)行降維，直接對大規(guī)模網(wǎng)格油藏靜態(tài)參數(shù)進(jìn)行優(yōu)化，并且參數(shù)優(yōu)化效果差，得到的模擬生產(chǎn)結(jié)果與實(shí)際生產(chǎn)結(jié)果相差太多。具體的，在采用自動編碼器和多目標(biāo)歷史擬合算法對油藏參數(shù)進(jìn)行優(yōu)化得到接近于真實(shí)生產(chǎn)值的模擬生產(chǎn)值的過程中，可以有兩種方法實(shí)現(xiàn)此流程，具體包括：如圖7所示，第一種方式：步驟1、讀取大規(guī)模網(wǎng)格油藏靜態(tài)參數(shù)即高維油藏靜態(tài)參數(shù)，并采用自動編碼器對所述大規(guī)模網(wǎng)格油藏靜態(tài)參數(shù)進(jìn)行降維，得到降維后的油藏靜態(tài)參數(shù)；步驟2、采用基于分解的多目標(biāo)演化方法對所述降維后的油藏靜態(tài)參數(shù)進(jìn)行優(yōu)化，在到達(dá)預(yù)設(shè)的迭代次數(shù)后，優(yōu)化結(jié)束并得到最優(yōu)并降維的油藏靜態(tài)參數(shù)；步驟3、采用所述自動編碼器對所述最優(yōu)并降維的油藏靜態(tài)參數(shù)進(jìn)行數(shù)據(jù)重構(gòu)，得到最優(yōu)大規(guī)模網(wǎng)格油藏靜態(tài)參數(shù)；步驟4、對所述最優(yōu)大規(guī)模網(wǎng)格油藏靜態(tài)參數(shù)進(jìn)行歷史擬合模擬計(jì)算，計(jì)算得到模擬生產(chǎn)結(jié)果；步驟5、將所述模擬生產(chǎn)結(jié)果與實(shí)際生產(chǎn)結(jié)果進(jìn)行比較得到誤差，判斷所述誤差是否低于預(yù)設(shè)誤差值，若低于，則輸出所述模擬生產(chǎn)結(jié)果對應(yīng)的最優(yōu)大規(guī)模網(wǎng)格油藏靜態(tài)參數(shù)，并結(jié)束流程，否則轉(zhuǎn)至步驟S2。在第一種方式中的方法中，在算法迭代次數(shù)結(jié)束之后，從中選取最優(yōu)目標(biāo)函數(shù)對應(yīng)的最優(yōu)低維油藏參數(shù)，然后利用自動編碼器將其重構(gòu)得到最優(yōu)大規(guī)模網(wǎng)格油藏靜態(tài)參數(shù)，然后調(diào)用ECLIPSE模擬器計(jì)算得到模擬生產(chǎn)值，并將所述模擬生產(chǎn)值與實(shí)際生產(chǎn)值進(jìn)行比較得到誤差值，如果所述誤差值低于預(yù)設(shè)誤差值，則輸出所述模擬生產(chǎn)值、最優(yōu)大規(guī)模網(wǎng)格油藏靜態(tài)參數(shù)、最優(yōu)低維油藏參數(shù)以及實(shí)際誤差值，如果不滿足要求，則重復(fù)此流程。本方法中每次計(jì)算都要等到達(dá)迭代次數(shù)之后再停止，從中選取最優(yōu)的低維油藏參數(shù)，并不在算法過程中將模擬生產(chǎn)值與實(shí)際生產(chǎn)值進(jìn)行比較，這種方式中算法停止條件為到達(dá)最大迭代次數(shù)。如圖8所示，第二種方式：步驟1、讀取大規(guī)模網(wǎng)格油藏靜態(tài)參數(shù)，并采用自動編碼器的方法對所述大規(guī)模網(wǎng)格油藏靜態(tài)參數(shù)進(jìn)行降維，得到降維后的油藏靜態(tài)參數(shù)；步驟2、采用基于分解的多目標(biāo)演化方法對所述降維后的油藏靜態(tài)參數(shù)進(jìn)行一次迭代更新，得到一個(gè)優(yōu)化并降維的油藏靜態(tài)參數(shù)；步驟3、采用自動編碼器對所述優(yōu)化并降維的油藏靜態(tài)參數(shù)進(jìn)行數(shù)據(jù)重構(gòu)，得到優(yōu)化大規(guī)模網(wǎng)格油藏靜態(tài)參數(shù)；步驟3、對所述優(yōu)化大規(guī)模網(wǎng)格油藏靜態(tài)參數(shù)進(jìn)行歷史擬合模擬計(jì)算，計(jì)算得到模擬生產(chǎn)結(jié)果；步驟4、將所述模擬生產(chǎn)結(jié)果與實(shí)際生產(chǎn)結(jié)果進(jìn)行比較得到誤差，判斷所述誤差是否低于預(yù)設(shè)誤差值，若低于，則所述優(yōu)化大規(guī)模網(wǎng)格油藏靜態(tài)參數(shù)為最優(yōu)大規(guī)模網(wǎng)格油藏靜態(tài)參數(shù)，并輸出所述最優(yōu)大規(guī)模網(wǎng)格油藏靜態(tài)參數(shù)，并結(jié)束流程，否則，返回步驟S2直到到達(dá)預(yù)設(shè)的迭代次數(shù)，從所有迭代次數(shù)對應(yīng)得到的所有目標(biāo)函數(shù)中選擇最優(yōu)的目標(biāo)函數(shù)值對應(yīng)的最優(yōu)油藏參數(shù)值以及該最優(yōu)油藏參數(shù)值對應(yīng)的模擬生產(chǎn)值，并結(jié)束流程。在第二種方式中的方法中，每迭代一次得到一個(gè)優(yōu)化低維油藏參數(shù)，并將其利用自動編碼器進(jìn)行重構(gòu)得到優(yōu)化大規(guī)模網(wǎng)格油藏靜態(tài)參數(shù)，并調(diào)用ECLIPSE模擬器計(jì)算得到模擬生產(chǎn)值，并將所述模擬生產(chǎn)值與實(shí)際生產(chǎn)值進(jìn)行比較得到誤差值，如果所述誤差值低于預(yù)設(shè)誤差值，則輸出所述模擬生產(chǎn)值、優(yōu)化大規(guī)模網(wǎng)格油藏靜態(tài)參數(shù)、優(yōu)化低維油藏參數(shù)以及實(shí)際誤差值。本方法中不需要在到達(dá)迭代次數(shù)之后再停止，只要滿足預(yù)設(shè)誤差要求就可以停止流程，這種方式中算法停止條件為實(shí)際誤差值低于預(yù)設(shè)誤差值或者達(dá)到最大迭代次數(shù)。具體實(shí)驗(yàn)?zāi)Ｐ偷玫降膶?shí)例：主要通過對前述基于自動編碼器和多目標(biāo)演化算法的油藏歷史擬合方法進(jìn)行研究實(shí)驗(yàn)以檢驗(yàn)其效果。實(shí)驗(yàn)?zāi)Ｐ蜑镻UNQ-S3油藏?cái)?shù)據(jù)模型。PUNQ-S3油藏?cái)?shù)據(jù)模型作為一個(gè)三維三相的油藏工程模型，由19*28*25個(gè)網(wǎng)格塊構(gòu)成，共分為五層，每層為2660個(gè)網(wǎng)格塊，每個(gè)網(wǎng)格塊的大小一致，其中包含1761個(gè)有效網(wǎng)格塊。在油藏模型的東部和南部各存在一處大型斷層，在西部和北部區(qū)域存在一處相當(dāng)厚的含水層相連。原模型中共有6口生產(chǎn)井，不含注水井。在油藏結(jié)構(gòu)的中心部分存在一個(gè)小的氣帽，各生產(chǎn)井的布局都圍繞于該氣帽，其總體分布結(jié)構(gòu)如圖9所示，圖9為PUNQ-S3油藏模型頂層分布結(jié)構(gòu)與井口分布圖。1、實(shí)驗(yàn)參數(shù)設(shè)置及過程介紹為了驗(yàn)證基于自動編碼器的數(shù)據(jù)降維算法在優(yōu)化油藏歷史擬合問題上的有效性，將MOEA/D歷史擬合算法和應(yīng)用自動編碼器數(shù)據(jù)降維算法的MOEA/D歷史擬合算法進(jìn)行實(shí)驗(yàn)對比。所有的油藏歷史擬合實(shí)驗(yàn)參數(shù)統(tǒng)一設(shè)置如下：(1)單次自動編碼器數(shù)據(jù)降維循環(huán)代數(shù)，設(shè)置為100代；(2)降維過程噪聲，設(shè)置為0.01；(3)預(yù)設(shè)誤差值ε，設(shè)置為0.01；(4)MOEA/D算法算子設(shè)置：種群規(guī)模為21；權(quán)重向量數(shù)量為20；交叉概率為0.7；變異概率為0.01；循環(huán)次數(shù)為500。為了保證實(shí)驗(yàn)結(jié)果的準(zhǔn)確性，按照上述實(shí)驗(yàn)方案和參數(shù)設(shè)置分別進(jìn)行十次實(shí)驗(yàn)，統(tǒng)計(jì)分析最終優(yōu)化結(jié)果。2、降維與重構(gòu)數(shù)據(jù)結(jié)果在油藏模型歷史擬合參數(shù)優(yōu)化部分，油藏模擬參數(shù)由原有的2660維通過自動編碼器數(shù)據(jù)降維算法降維至200維，如圖10所示，圖10為降維后的部分?jǐn)?shù)據(jù)示例。參數(shù)優(yōu)化部分完成后，通過數(shù)據(jù)重構(gòu)將200維的低維數(shù)據(jù)重新返回到2660維如圖11所示，圖11為通過重構(gòu)返回的部分高維數(shù)據(jù)示例，返回至高維空間后的2660維數(shù)據(jù)與原有的油藏模擬數(shù)據(jù)之間的差異通常在0.05以內(nèi)，屬于正常的誤差范圍內(nèi)，顯示了算法較好的重構(gòu)效果。3、擬合油藏模型滲透率總體分布情況通過歷史擬合過程所得到的油藏模型滲透率的總體分布情況如圖12所示，圖12為PUNQ-S3油藏模型滲透率總體分布情況圖。4、油藏歷史擬合總體情況比較根據(jù)原MOEA/D歷史擬合程序與基于自動編碼器的MOEA/D歷史擬合程序的實(shí)驗(yàn)結(jié)果，通過對相同的代數(shù)下的最小不匹配值(Misfit)和具體參數(shù)的歷史擬合情況進(jìn)行了相關(guān)的實(shí)驗(yàn)和分析。圖13為原MOEA/D歷史擬合程序與基于自動編碼器的MOEA/D歷史擬合程序在500代以內(nèi)的不匹配值(Misfit)的比較情況，由于實(shí)驗(yàn)的前面幾代的不匹配值(Misfit)數(shù)值太大不便于觀察實(shí)驗(yàn)結(jié)果，故在畫圖中已舍去。不匹配值越小的時(shí)候，說明擬合值與實(shí)際測量值之間的差異程度越小，即擬合效果越好，進(jìn)一步說明擬合算法的效果越優(yōu)。如圖13所示，MOEA/D歷史擬合方法在37代之后逐漸收斂，而基于自動編碼器的MOEA/D歷史擬合方法在105代之后逐漸收斂，在約187代趨于收斂，擬合效果優(yōu)于MOEA/D歷史擬合方法。對比發(fā)現(xiàn)，基于自動編碼器的MOEA/D歷史擬合方法在總體擬合的精度效果上要優(yōu)于原有方法。5、油藏單井歷史擬合情況比較為進(jìn)一步說明新算法歷史擬合效果，將基于自動編碼器的MOEA/D歷史擬合方法和MOEA/D歷史擬合方法計(jì)算出的單口井的含水率(WWCT)、井底壓力(WBHP)和氣油比(WGOR)等參數(shù)同模型真實(shí)值分別進(jìn)行對比，如圖14-19所示，圖14為井1的WBHP(井底壓力)、WGOR(氣油比)、WWCT(含水率)擬合圖；圖15為井4的WBHP(井底壓力)、WGOR(氣油比)、WWCT(含水率)擬合圖；圖16為井5的WBHP(井底壓力)、WGOR(氣油比)、WWCT(含水率)擬合圖；圖17為井11的WBHP(井底壓力)、WGOR(氣油比)、WWCT(含水率)擬合圖；圖18為井12的WBHP(井底壓力)、WGOR(氣油比)、WWCT(含水率)擬合圖；圖19為井15的WBHP(井底壓力)、WGOR(氣油比)、WWCT(含水率)擬合圖。其中，圖14-19分別是生產(chǎn)井1、4、5、11、12和15六口井的參數(shù)擬合圖，其中帶圓點(diǎn)虛線曲線為基于自動編碼器的MOEA/D歷史擬合方法的擬合曲線，帶三角實(shí)線曲線為原MOEA/D歷史擬合方法的擬合曲線，帶圓點(diǎn)實(shí)線曲線為模型真實(shí)值的擬合曲線。如圖14-19所示，所有生產(chǎn)井的含水率、井底壓力和氣油比參數(shù)擬合結(jié)果，特別含水率的擬合基于自動編碼器的MOEA/D歷史擬合方法擬合效果更優(yōu)。為進(jìn)一步說明擬合效果，對擬合結(jié)果采用均方根誤差(RE)及整體誤差(EE)進(jìn)行了計(jì)算和統(tǒng)計(jì)，計(jì)算公式如公式(3)和公式(4)所示：RE=1NΣi=1N[Di]2---(3)]]>EE=Σi=1N[|Ni-Ni′|]---(4)]]>其中，Di為單口井第i個(gè)數(shù)據(jù)的平方根誤差，N為數(shù)據(jù)的個(gè)數(shù)，Ni為參數(shù)擬合結(jié)果，Ni'為參數(shù)模型的真實(shí)值。MOEA/D歷史擬合方法的擬合誤差統(tǒng)計(jì)結(jié)果如表1所示：表1MOEA/D歷史擬合方法的擬合均方根誤差及整體誤差基于自動編碼器的MOEA/D歷史擬合方法的擬合誤差統(tǒng)計(jì)結(jié)果如表2所示：表2基于自動編碼器的MOEA/D歷史擬合方法的擬合均方根誤差及整體誤差綜上所述，基于自動編碼器的MOEA/D歷史擬合方法具有較好的優(yōu)化效果。6、油藏單井歷史擬合預(yù)測情況比較為進(jìn)一步說明基于自動編碼器的MOEA/D歷史擬合方法油藏生產(chǎn)預(yù)測的效果，取單口井前2000天的生產(chǎn)數(shù)據(jù)訓(xùn)練集，訓(xùn)練得到模型，然后采用模型預(yù)測后1000天的生產(chǎn)數(shù)據(jù)與真實(shí)數(shù)據(jù)進(jìn)行對比，如圖20-25所示，圖20為井1的WBHP(井底壓力)、WGOR(氣油比)、WWCT(含水率)擬合預(yù)測圖；圖21為井4的WBHP(井底壓力)、WGOR(氣油比)、WWCT(含水率)擬合預(yù)測圖；圖22為井5的WBHP(井底壓力)、WGOR(氣油比)、WWCT(含水率)擬合預(yù)測圖；圖23為井11的WBHP(井底壓力)、WGOR(氣油比)、WWCT(含水率)擬合預(yù)測圖；圖24為井12的WBHP(井底壓力)、WGOR(氣油比)、WWCT(含水率)擬合預(yù)測圖；圖25為井15的WBHP(井底壓力)、WGOR(氣油比)、WWCT(含水率)擬合預(yù)測圖；其中，圖20-25分別是生產(chǎn)井1、4、5、11、12和15六口井的含水率(WWCT)、井底壓力(WBHP)和氣油率(WGOR)的預(yù)測結(jié)果，前2000天為擬合值，后1000天為預(yù)測值，其中帶圓點(diǎn)虛線曲線為基于自動編碼器的MOEA/D歷史擬合方法的預(yù)測擬合曲線，帶三角實(shí)線曲線為MOEA/D歷史擬合方法的預(yù)測擬合曲線，帶圓點(diǎn)實(shí)線曲線為歷史擬合真實(shí)值的擬合曲線。從六口生產(chǎn)井的預(yù)測圖中可看出，基于自動編碼器的MOEA/D歷史擬合方法預(yù)測的效果和準(zhǔn)確度更加準(zhǔn)確。采用均方根誤差(RE)及整體誤差(EE)進(jìn)一步計(jì)算和統(tǒng)計(jì)，結(jié)果如表3和表4所示：表3MOEA/D歷史擬合方法的預(yù)測均方根誤差及整體誤差表4基于自動編碼器的MOEA/D歷史擬合方法的預(yù)測均方根誤差及整體誤差綜上所述，基于自動編碼器的MOEA/D歷史擬合方法，采用基于深度學(xué)習(xí)的數(shù)據(jù)降維技術(shù)與多目標(biāo)算法，通過減少優(yōu)化參數(shù)的搜索空間，去除大規(guī)模網(wǎng)格數(shù)據(jù)噪聲等冗余信息，大大提高了歷史擬合計(jì)算的精度，提高模型的預(yù)測能力。實(shí)施例2、基于自動編碼器和多目標(biāo)優(yōu)化的自動歷史擬合系統(tǒng)。下面結(jié)合圖26對本實(shí)施例提供的系統(tǒng)進(jìn)行詳細(xì)說明。參見圖26，本實(shí)施例提供的一種基于自動編碼器和多目標(biāo)優(yōu)化的自動歷史擬合系統(tǒng)，所述系統(tǒng)包括讀取降維模塊、優(yōu)化模塊、重構(gòu)模塊、模擬計(jì)算模塊、比較判斷模塊以及輸出模塊。讀取降維模塊，用于讀取原始的高維油藏靜態(tài)參數(shù)，并采用自動編碼器對所述高維油藏靜態(tài)參數(shù)進(jìn)行降維，得到降維后的油藏靜態(tài)參數(shù)。具體的，所述讀取降維模塊用于構(gòu)造自動編碼器目標(biāo)函數(shù)，并根據(jù)所述自動編碼器目標(biāo)函數(shù)將自動編碼器輸入層中的所述高維油藏靜態(tài)參數(shù)壓縮至隱藏層并去掉數(shù)據(jù)中的冗余信息，然后在輸出層中對壓縮至隱藏層中的數(shù)據(jù)進(jìn)行降維，得到降維后的油藏靜態(tài)參數(shù)，其中，所述高維油藏靜態(tài)參數(shù)具體包括各劃分網(wǎng)格的滲透率以及孔隙度。優(yōu)化模塊，用于采用基于分解的多目標(biāo)優(yōu)化算法對所述降維后的油藏靜態(tài)參數(shù)進(jìn)行優(yōu)化，得到降維并優(yōu)化的油藏靜態(tài)參數(shù)。所述優(yōu)化模塊具體包括：構(gòu)造單元、初始化單元、更新單元、判斷單元以及最優(yōu)值輸出單元。構(gòu)造單元，用于構(gòu)造油藏目標(biāo)函數(shù)，所述目標(biāo)函數(shù)由多個(gè)子目標(biāo)問題對應(yīng)的子目標(biāo)函數(shù)構(gòu)成。初始化單元，用于初始化參數(shù)，并設(shè)置優(yōu)化停止條件，所述參數(shù)至少包括迭代次數(shù)、種群規(guī)模、參考點(diǎn)以及多個(gè)子目標(biāo)問題分別對應(yīng)的權(quán)重向量，所述參考點(diǎn)為每代各子目標(biāo)函數(shù)的最優(yōu)解的組合。更新單元，用于根據(jù)預(yù)設(shè)算法規(guī)則條件更新參考點(diǎn)、相鄰子問題的解以及種群。判斷單元，用于判斷是否滿足所述優(yōu)化停止條件，若滿足，則轉(zhuǎn)至最優(yōu)值輸出單元，否則轉(zhuǎn)至所述更新單元。最優(yōu)值輸出單元，用于輸出最優(yōu)目標(biāo)函數(shù)值以及所述最優(yōu)目標(biāo)函數(shù)值對應(yīng)的降維并優(yōu)化的油藏靜態(tài)參數(shù)。重構(gòu)模塊，用于采用自動編碼器對所述降維并優(yōu)化的油藏靜態(tài)參數(shù)進(jìn)行數(shù)據(jù)重構(gòu)，得到優(yōu)化高維油藏靜態(tài)參數(shù)。具體的，所述重構(gòu)模塊用于構(gòu)造自動編碼器目標(biāo)函數(shù)，并根據(jù)所述自動編碼器目標(biāo)函數(shù)將自動編碼器輸入層中的所述降維并優(yōu)化的油藏靜態(tài)參數(shù)壓縮至隱藏層，然后在輸出層中對壓縮至隱藏層中的數(shù)據(jù)進(jìn)行重構(gòu)，得到優(yōu)化高維油藏靜態(tài)參數(shù)。模擬計(jì)算模塊，用于對所述優(yōu)化高維油藏靜態(tài)參數(shù)進(jìn)行歷史擬合模擬計(jì)算，得到模擬生產(chǎn)結(jié)果。比較判斷模塊，用于將所述模擬生產(chǎn)結(jié)果與實(shí)際生產(chǎn)結(jié)果進(jìn)行比較得到誤差，判斷所述誤差是否低于預(yù)設(shè)誤差值，若低于，則轉(zhuǎn)至所述輸出模塊，否則，轉(zhuǎn)至所述優(yōu)化模塊。輸出模塊，用于在所述誤差低于預(yù)設(shè)誤差值時(shí)，輸出所述優(yōu)化高維油藏靜態(tài)參數(shù)。本發(fā)明的優(yōu)點(diǎn)在于：(1)優(yōu)化參數(shù)前采用自動編碼器降維，減少優(yōu)化參數(shù)維數(shù)，大大減小優(yōu)化搜索空間；(2)通過降維去除高維數(shù)據(jù)中的噪聲等冗余信息，提高數(shù)據(jù)處理的精度；(3)采用基于分解的多目標(biāo)演化算法(MOEA/D)進(jìn)行油藏多目標(biāo)歷史擬合；(4)將已降維的低維空間數(shù)據(jù)通過數(shù)據(jù)重構(gòu)返回到原高維空間，減少因數(shù)據(jù)維度變化而帶來的精度損失。以上所述僅為本發(fā)明的較佳實(shí)施例，并不用以限制本發(fā)明，凡在本發(fā)明的精神和原則之內(nèi)，所作的任何修改、等同替換、改進(jìn)等，均應(yīng)包含在本發(fā)明的保護(hù)范圍之內(nèi)。當(dāng)前第1頁1 2 3