.png){kind=icon}
返回
A method for analyzing interwell connectivity based on gated recurrent network with knowledge interaction
.png){kind=icon}
OA
AI
DOI：10.3389/feart.2025.1678611.png)
.png){kind=icon}
.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
传统注水油田井间连通性分析方法存在两大主要局限性：渗流物理学的整合不足，导致解释性差；时间建模不充分，无法捕捉注采关系的动态演变。为解决这些问题，本研究提出了一种知识交互门控循环单元（KIGRU）模型，该模型将物理约束与时间深度学习相结合。该模型采用双子网络架构：Net-INJ通过门控函数和连接矩阵编码注采速率及井间连通性，而Net-VOL表征储层体积变化。通过将物质平衡方程嵌入网络设计，模型确保了物理一致性，同时门控循环单元（GRU）模块有效捕捉长期时间依赖关系。在合成储层案例的数值实验中表明，KIGRU在历史拟合和生产预测两方面均优于传统神经网络和容阻模型（CRM）。该模型能够准确识别高渗透通道，量化非平衡流动，并给出更可靠的液产率预测。这些结果证实，KIGRU在物理可解释性和预测精度之间实现了平衡，为井间连通性分析提供了一种实用且理论严谨的工具。
Keyword:
machine learning
water-flooding reservoir
gated recurrent unit
well connectivity analysis
neural network
AI总结
对已上传原文的论文进行重点信息的提取，主要内容包括：简要概述、研究摘要、背景介绍、关键亮点、图文解析、展望与总结。
期刊
F
IF:
2
论文数:
486
被引数:
1.7W
机构
引用论文
Fourier Neural Operator for Solving Subsurface Oil/Water Two-Phase Flow Partial Differential Equation.png)
SPE JOURNAL
SPE JOURNALIF3
PREAI
分享收藏Prediction of porous media fluid flow using physics informed neural networks基于物理神经网络的多孔介质流体流动预测
PREAI
分享收藏Physics-informed neural networks: A deep learning framework for solving forward and inverse problems involving nonlinear partial differential equations物理信息神经网络: 一种用于解决涉及非线性偏微分方程的正反问题的深度学习框架OAAI
OAAI分享收藏Reservoir production optimization based on surrograte model and differential evolution algorithm
PREAI
分享收藏
查看更多内容