时间约束长短期记忆(TC-LSTM)代理建模用于模拟油藏场景中的含水率预测

《Processes》:Temporally Constrained Long Short-Term Memory Surrogate Modeling for Water-Cut Prediction in Simulated Reservoir Scenarios

【字体: 大 中 小 】 时间:2026年08月28日 来源:Processes 3.4

编辑推荐:

  油藏含水率的动态预测支持开发方案优化和注采控制。3000个场景采样了油藏生产控制响应空间,代理模型学习了从输入条件到动态响应的映射,用于快速预测未见场景。研究人员提出一种时间约束长短期记忆(TC-LSTM)网络,该网络通过相对一阶和二阶时间差分惩罚增强逐点拟合

  
油藏含水率的动态预测支持开发方案优化和注采控制。3000个场景采样了油藏生产控制响应空间,代理模型学习了从输入条件到动态响应的映射,用于快速预测未见场景。研究人员提出一种时间约束长短期记忆(TC-LSTM)网络,该网络通过相对一阶和二阶时间差分惩罚增强逐点拟合。仅在训练期间将三个连续窗口分组以评估这些惩罚;推理时保留标准共享LSTM前向计算。在独立分割的INSIM场景上的五次随机种子运行中,完整TC-LSTM实现了MSE = 0.00394 ± 0.00013,MAE = 0.0432 ± 0.0007,RMSE = 0.0628 ± 0.0010,R2 = 0.9214 ± 0.0028。与LSTM相比,平均MSE降低了31.1%,R2提高了4.54个百分点。组件消融表明,仅分组的影响可忽略不计,一阶和二阶惩罚具有互补性,时间加权产生了进一步增益。验证敏感性支持ε = 10?3,α = 0.5,ω = (1/3, 2/3)以及λ = 0.01。结果支持TC-LSTM作为模拟参数空间内稳定、域先验正则化的代理模型。
**论文解读:时间约束长短期记忆代理模型用于含水率预测**

油藏性能预测是开发规划、历史拟合、注采控制及不确定性分析的关键基础。全物理模拟虽能精确刻画多相流动与井-藏耦合,但随着模型精细化程度提高,单次运行成本急剧上升,难以满足历史拟合、闭环优化等需重复大量模拟的工程场景。为降低正向模拟开销,研究者发展了基于物理的降阶模型(如电容电阻模型CRM、井间数值模拟模型INSIM)与数据驱动的时序预测模型(如循环神经网络RNN、长短期记忆网络LSTM、时间卷积网络TCN等)。然而,物理降阶模型依赖简化结构和有效参数,预测精度受限;数据驱动模型大多仅惩罚逐点误差,未显式约束相邻输出的变化率与曲率,导致预测轨迹可能出现局部跳变或高频振荡,且递归预测中误差易累积。针对上述问题,研究人员提出一种时间约束长短期记忆(TC-LSTM)网络,利用油藏含水率在常规生产条件下随时间连续演化的物理先验,通过在训练损失中引入相对一阶和二阶时间差分惩罚,提高预测轨迹的时序稳定性,同时保持推理时与标准LSTM完全相同的结构。

该研究发表于《Processes》。研究人员使用快速INSIM数值模拟器(版本2.1.4,长江大学,荆州)批量生成3000个油藏开发场景,场景覆盖储层流体参数、相对渗透率曲线及生产制度,固定21口井的井位与节点属性。在8:1:1场景级划分的训练、验证、测试集上,TC-LSTM通过滑动窗口(长度L=30)构造输入特征(井节点压力P、含水饱和度、注采液量WLPR),预测13口生产井下一时步的含水率(WWCT)。模型以共享LSTM为骨干,训练时将同一场景三个连续窗口分组,计算预测序列的相对一阶和二阶时间差分惩罚,并与均方误差(MSE)加权求和。验证集敏感性分析确定关键超参数:稳定常数ε=10?3、一阶/二阶混合权重α=0.5、时间递增权重ω=(1/3, 2/3)、总约束权重λ=0.01。

整体测试性能方面,五次随机种子运行的Full TC-LSTM取得最低误差与最高决定系数:MSE=0.00394±0.00013,MAE=0.0432±0.0007,RMSE=0.0628±0.0010,R2=0.9214±0.0028。与标准LSTM相比,平均MSE降低31.1%,MAE降低25.0%,RMSE降低16.9%,R2提升4.54个百分点,且95%置信区间无重叠,表明提升具有统计意义。组件消融结果显示:仅分组而不加惩罚(Grouped-LSTM)几乎无改善;单独采用一阶或二阶惩罚均能降低误差,且两者互补;加入时间归一化权重后性能进一步提升,证实各模块设计的合理性。分层评价显示,TC-LSTM在中含水(30%至70%)阶段改进最大(MAE降低30.2%,R2提升6.8个百分点),高含水阶段次之(MAE降低26.3%),低含水阶段改进相对有限(MAE降低15.5%),说明时序约束对稳定、连续变化阶段的帮助更显著。代表性生产井轨迹分析表明,TC-LSTM能较好跟踪长期趋势,减少高频波动,但对短时峰值和快速下降的响应有所平缓,符合软约束设计的预期。预测误差分布图显示,TC-LSTM的点更紧密围绕理想对角线,而基线模型在中高含水区间存在明显低估。

超参数分析验证了默认配置的有效性。窗口长度L=30在验证集上取得最优R2;一阶/二阶混合权重α=0.5优于任一单阶项;总约束权重λ=0.01在过小(欠约束)与过大(过平滑)间取得平衡。讨论部分指出,TC-LSTM的约束仅基于时序连续性先验,不引入质量守恒、达西定律等物理方程,因此无需时空配点或高阶自动微分,便于迁移至其他时序骨干网络,但不能视为物理方程级嵌入。结论强调,当前TC-LSTM可视为INSIM所定义的参数空间内快速、稳定的域先验正则化代理模型;未来需在外部验证与标准化计算成本评估后,用于场景筛选、历史拟合与不确定性分析等需重复正向计算的工程流程。
相关新闻
生物通微信公众号
微信
新浪微博
  • 搜索
  • 国际
  • 国内
  • 人物
  • 产业
  • 热点
  • 科普

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号