提出一种基于映射递归神经网络(aNN)的代理模型,借助于深度学习框架中易于使用的自动微分工具,有效生成模型降阶伴随算子,实现高效反演建模.与降阶切线线性模型相似,基于投影的神经网络(POD-aNN)结构加速降阶子空间的伴随模型的建立.POD-aNN由一个降维单元和一个用于投影的中间非线性过渡单元组成,二者分别用于将状态系统分解为低维子空间和近似系统状态的时变演化.因此,伴随模型在缩减的空间中运行,计算量和内存需求可以忽略不计.结合二维石油模型展开油藏参数反演研究.结果表明:该方法在显著降低计算量的前提下取得了满意的参数反演结果,从而证明了该方法的有效性,并为应用神经网络模型到实际参数反演案例提供理论基础.

计算流体力学;降阶模型;伴随模型;递归神经网络;参数反演

中国石油大学(北京)油气资源与探测国家重点实验室, 北京 102249;中国石油大学(北京)石油工程学院, 北京 102249;中国石化石油勘探开发研究院, 北京 100083;中国石油集团钻井工程技术研究院, 北京 102206

[1]肖聪;张士诚;马新仿;周彤;侯腾飞-.基于模型降维和递归神经网络的油藏参数反演)[J].计算物理,2022(05):564-578

aNN

基于模型,递归神经网络,油藏,参数反演,代理模型,借助于,深度学习框架,中易,自动微分,有效生成,生成模型,模型降阶,伴随算子,切线,线性模型,模型相似,POD,速降,伴随模型,元组,低维子空间,计算量,忽略不计,反演研究,计算流体力学,降阶模型

0.334964