基于双分支卷积神经网络的气水动态分析.pdfVIP

第48卷第6期合肥工业大学学报（自然科学版）Vol.48No.6

2025年6月JOURNALOFHEFEIUNIVERSITYOFTECHNOLOGY(NATURALSCIENCE)Jun.2025

DOI:10.3969/j.issn.1003-5060.2025.06.018

基于双分支卷积神经网络的气水动态分析

李道伦，吕茂春，查文舒，沈路航

（合肥工业大学数学学院，安徽合肥230601）

摘要：传统气水分析方法主要有数值分析方法、实验模拟法等，但数值分析方法需要大量难以测量的数据，

实验模拟法难以表征复杂油气开发现场，为此，文章基于深度学习神经网络提出一种新的气水分析方法。该

方法根据气水动态物理模型建立的双分支卷积神经网络分别对排水井和产气井进行建模，个性化表征生产

井和排水井的动静态数据；将产气井的气水产量数据作为输出，实现井组动态耦合关联，建立井组气水动态

分析的深度学习网络模型。主动排水井组动态生产数据分析表明，该双分支卷积神经网络可实现3口生产井

的日产气量和日产水量的高质量预测，揭示了主动排水井组中的复杂关联，可进行气水关系动态分析，从而

为油气藏工程师提供了一种方便快捷的分析方法。

关键词：气水动态分析；主动排水井组；双分支卷积神经网络；日产气；日产水

中图分类号：TE331.2;TP183文献标志码：A文章编号：1003-5060(2025)06-0828-06

Gas-waterdynamicanalysisbasedontwo-branchconvolutionalneuralnetwork

ZHAWenshu,SHENLuhang

LIDaolun，LYUMaochun，2

(SchoolofMathematics,HefeiUniversityofTechnology,Hefei230601,China)

Abstract:Traditionalgas-wateranalysismethodsmainlyincludenumericalanalysismethodsandexperimental

simulationmethods,butnumericalanalysismethodsrequirealargeamountofdifficult-to-measuredata,and

experimentalsimulationmethodsaredifficulttocharacterizecomplexoilandgasdevelopmentsites.Forthis

reason,thispaperproposesanewgas-wateranalysismethodbasedondeeplearningneuralnetworks.Based

onthedynamicphysicalmodelofgasandwater,atwo-branchconvolutionalneuralnetworkisestablishedto

modeldrainagewellandproductionwellseparately,andpersonalizethedynamicandstaticdataofproduction

anddrainagewells;thegasandwaterproductiondatafromtheproductionwellsarethenusedastheoutputto

achievedynamiccouplingandcorrelationofthewellgroup,therebybuildingadeeplearningnetworkmo