基于深度学习的超高温、超深层断控型油藏产能评价.pptxVIP

基于深度学习的超高温、超深层断控型油藏产能评价;一、模型建立

二、模型求解

三、模型论证

四、模型分析

五、报告结论;一、模型建立。;1.物理模型;基于实际情况设置简化物理模型：;根据对溶洞流动的不同处理方式，现有产能评价模型主要有以下3类：;储层流动模型;传统处理温度方法是引入温度连续性方程，但是温压方程耦合求解难，本文通过考虑油藏热液影响，综合将温度变化处理为边界变化，引入动边界，来建立井筒流动模型。;油藏-井筒耦合条件;井筒-油嘴耦合;一、模型建立

二、模型求解

三、模型论证

四、模型分析

五、报告结论;1.无因次化 ;1.无因次化 ;无限大地层：;3.特征曲线;4.流动机理分析;4.流动机理分析;不同溶洞1半径R1vD=20,50,100,200;一、模型建立

二、模型求解

三、模型论证

四、模型分析

五、报告结论;深度学习源于人工神经网络的研究，是机器学习研究中的一个新的领域，其动机在于建立、模拟人脑进行分析学习的神经网络，基于深信度网(DBN)通过逐层训练算法，解决复杂非线性的问题。;由于经典达西理论不适合非均质性极强的储层，并且压力求解是一个极复杂的非线性求解过程。因此基于深度学习的算法特点，来优化压力是可行的。;将裂缝和溶洞影响的井底压力分开求解，然后利用压力叠加原理，得到最后的井底压力。

数值反演结果进行优化，这样就提高了井底压力计算精度。;2