(19)国家知识产权局 (12)发明 专利 (10)授权公告 号 (45)授权公告日 (21)申请 号 202211125463.1 (22)申请日 2022.09.16 (65)同一申请的已公布的文献号 申请公布号 CN 115204531 A (43)申请公布日 2022.10.18 (73)专利权人 中科数智能源科技 （深圳） 有限公 司 地址 518000 广东省深圳市龙岗区龙城街 道黄阁坑社区腾飞路9号创投大厦 1903 (72)发明人 龚斌　黄虎　石欣　 (74)专利代理 机构 北京中和立达知识产权代理 有限公司 1 1756 专利代理师 张可 (51)Int.Cl. G06Q 10/04(2012.01) G06Q 50/02(2012.01) G06F 17/13(2006.01) G06F 30/27(2020.01) G06N 3/04(2006.01)G06N 3/08(2006.01) G06F 111/10(2020.01) G06F 111/04(2020.01) (56)对比文件 CN 110717270 A,2020.01.21 CN 111523713 A,2020.08.1 1 CN 114492213 A,202 2.05.13 CN 114693005 A,2022.07.01 CN 112541572 A,2021.0 3.23 CN 114462262 A,202 2.05.10 US 20170 31045 A1,2017.02.02 薛婷 等.一种确定水驱气藏动态储量及水 体能量的新方法. 《大庆石油地质与开发》 .202 2, 第41卷(第1期), 朱小龙.地质文本中油气藏特 征提取及成藏 知识图谱构建研究. 《中国博士学位 论文全文数 据库 基础科 学辑(月刊)》 .202 2,(第2期), 付锁堂 等.庆城油田成藏条件及勘探开发 关键技术. 《石油学报》 .2020,第41卷(第7期), 审查员 刘璧新 (54)发明名称 基于傅里叶神经算子的油藏预测方法、 设备 及介质 (57)摘要 本发明实施例公开了一种基于傅里叶神经 算子的油藏预测方法、 设备及介质。 其中， 方法包 括： 获取目标区域的当前油藏分布； 通过训练好 的编码器， 提取所述油藏分布的第一特征向量； 通过训练好的转换器， 将所述目标区域内各油井 的控制条件与所述第一特征向量融合， 转换为第 二特征向量； 通过训练好的解码器， 将所述第二 特征向量恢复为所述目标区域的未来油藏分布。 本实施例提高大规模油田的油藏预测精度。 权利要求书2页 说明书8页 附图3页 CN 115204531 B 2022.12.27 CN 115204531 B 1.一种基于傅里叶神经算子的油藏预测方法， 其特 征在于， 包括： 获取目标区域的当前油藏分布； 通过训练好的编码器， 提取所述油藏分布的第 一特征向量， 其中， 所述编码器包括顺序 连接的多个卷积块、 多个第一傅里叶神经算子、 全局平均池化层和第一全连接层； 具体的， 将所述油藏分布输入所述多个卷积块进行逐步下采样， 得到初始特征； 将所述初始特征输 入所述多个第一傅里叶神经算子， 逐步在傅里叶空间提取第一深度特征， 具体的， 采用傅里 叶神经算子在傅里叶空间内对大规模油田的压力场和饱和度场的变化进 行模拟； 将所述第 一深度特征输入所述全局平均池化层， 去除所述第一深度特征的地理空间维度， 得到低 维 特征； 将所述低维特 征输入第一全连接层， 转换为第一特 征向量； 其中， 油藏控制方程如下： 其中， 下标j表示流体的相， j=o表示油，j=a表示水； 和k分别表示孔隙度和渗透率； 表示岩石与流体之间的相互作用， 满足 ， 其中，krj表示相j的相对渗透率， 表 示相j的粘性；Sj表示相j的饱和度， 表示相j的密度， 为井w的相j的源/汇项； 通过训练好的转换器， 将所述目标区域内各油井的控制条件与所述第一特征向量融 合， 转换为第二特征向量， 其中， 所述控制条件为油井在单个时间步长内的生产控制条件， 所述第二特征向量用于反映所述目标区域未来的油藏分布特征； 所述转换器包括多个转换 块、 第三全连接层和 第四全连接层， 每个转换块包括顺序连接的第五全连接层、 批量归一化 层和整流线性激活函数； 具体的， 将所述第一特征向量和单个时间步长拼接为第一融合向 量； 将所述第一融合向量输入所述多个转换块逐步提取特征， 得到第二融合向量； 将所述第 二融合向量分别输入所述第三全连接层和所述第四全连接层， 分别得到第一矩阵和第二矩 阵， 其中第一矩阵的尺寸为 lz×lz， 第二矩阵的尺寸为 lz×nw，lz表示作数第一特征向量的尺 寸，nw表示油井数量； 用所述第一矩阵与 所述第一特征向量相乘， 用所述第二矩阵与 nw个油 井的控制条件相乘； 将两个乘积相加， 得到第二特 征向量； 通过训练好的解码器， 将所述第二特征向量恢复为所述目标区域的未来油藏分布， 其 中， 所述解码 器包括顺序连接的第二全连接层、 跳跃连接层、 多个第二傅里叶神经算子和多 个反卷积模块， 所述跳跃连接层用于将最后一个第一傅里叶神经算子的输出与所述第二全 连接层的输出相加并融合， 具体的， 将所述第二特征向量输入 所述第二全连接层， 恢复所述 第二特征向量的地理空间维度； 所述第二全连接层的输出和所述最后一个第一傅里叶神经 算子的输出同时输入所述跳跃连接层相加并融合； 将融合的结果输入所述多个第二傅里叶 神经算子， 逐步在傅里叶空间提取第二深度特征； 将所述第二深度特征输入所述多个反卷 积模块， 逐步进行 上采样， 得到所述目标区域的未来油藏分布。 2.根据权利要求1所述的方法， 其特征在于， 所述油藏分布包括以下至少一个通道： 油 相压力分布、 油相饱和度分布、 水相压力分布、 水相饱和度分布。 3.根据权利要求1所述的方法， 其特征在于， 所述油藏分布指油藏的二维地理分布， 其 中， 二维地理网格数量 为任意数量。权　利　要　求　书 1/2 页 2 CN 115204531 B 24.根据权利要求1所述的方法， 其特 征在于， 所述油藏分布包括至少一个通道； 所述将所述第 一深度特征输入所述全局 平均池化层， 去除所述第 一深度特征的地理空 间维度， 得到低维特 征， 包括： 所述将所述第 一深度特征输入所述全局 平均池化层， 对任一通道下各地理位置处 的特 征值进行平均； 由各通道的平均值构成低维特 征。 5.根据权利要求1所述的方法， 其特征在于， 各傅里叶神经算子的输入尺寸与输出尺寸 相同。 6.一种电子设备， 其特 征在于， 包括： 一个或多个处 理器； 存储器， 用于存 储一个或多个程序， 当所述一个或多个程序被所述一个或多个处理器执行， 使得所述一个或多个处理器实 现如权利要求1 ‑5中任一所述的基于傅里叶神经算子的油藏预测方法。 7.一种计算机可读存储介质， 其上存储有计算机程序， 其特征在于， 该程序被处理器执 行时实现如权利要求1 ‑5中任一所述的基于傅里叶神经算子的油藏预测方法。权　利　要　求　书 2/2 页 3 CN 115204531 B 3