Resumen

El método de aprendizaje automático se ha convertido gradualmente en un método importante y eficaz para analizar los parámetros del yacimiento en la simulación numérica del mismo. Este trabajo proporciona un método de aprendizaje automático para evaluar la conectividad entre los pozos de inyección y producción controlados por la intercapa en el yacimiento. En este trabajo, se utilizan Back Propagation (BP) y Redes Neuronales Convolucionales (CNNs) para entrenar los datos dinámicos con la influencia de la conectividad de control entre capas en el yacimiento como modelo de entrenamiento. El conjunto de datos se entrena con datos dinámicos de producción bajo diferentes permeabilidades, ángulo de buzamiento entre capas y presión de inyección. La conectividad se calcula utilizando el modelo de aprendizaje profundo, y se define el factor de conectividad K. Los resultados muestran que, en comparación con BP, CNN tiene un mejor rendimiento en conectividad, con una desviación media relativa absoluta (AARD) inferior al 10,01%. Además, los resultados de predicción de la CNN se acercan a los métodos tradicionales. Este artículo proporciona nuevos conocimientos y métodos para evaluar la conectividad entre pozos en yacimientos convencionales o no convencionales.

• Materias:Algoritmos genéticos Geoquímica Análisis de suelos Agua Carbón
• Subjects:Genetic algorithms Geochemistry Soil testing Water Coal
• Palabras claves:métodos de aprendizaje automático, conectividad de control entre capas, resultados de predicción de cnn, papel, modelo de aprendizaje profundo, datos dinámicos de producción, desviación relativa absoluta, ángulo de inmersión entre capas, influencia de la intercapa, red neuronal convolucional
• Keywords:machine learning methods, interlayer control connectivity, cnn prediction results, paper, deep learning model, dynamic production data, absolute relative deviation, interlayer dip angle, influence of interlayer, convolutional neural network