深度学习在油藏闭环管理中的方法研发与应用

报告题目：深度学习在油藏闭环管理中的方法研发与应用

报  告 人：严必成  助理教授

报告时间：7月17日 15:00-18:00

报告地点：油气藏地质及开发工程全国重点实验室A403

报告人简介：

严必成博士目前在沙特阿拉伯的阿卜杜拉国王科技大学（KAUST）能源与石油工程系担任助理教授，并兼任深地能源与工程模拟实验室主任。在加入KAUST之前，他曾在美国新墨西哥州的洛斯阿拉莫斯 (Los Alamos) 国家实验室担任博士后研究员，专注于开发深度学习在二氧化碳存储模拟方面的应用。此前，严博士还拥有四年的石油行业经验，在休斯敦的多家石油公司担任过油藏工程师、油藏模拟工程师和资深数据科学家。严博士于中国石油大学（北京）获得石油工程学士学位(2009)，之后在美国德克萨斯农工大学（TAMU）师从油藏模拟并行计算先驱John E. Killough教授，获得石油工程硕士(2013)和博士学位(2017)。他的研究兴趣包括油藏多相多组分模拟、耦合多物理场模拟、历史拟合、油藏优化以及数据驱动建模在多孔介质中流体流动方面的应用。此外，他还专注于这些技术在油气藏开发、二氧化碳地质封存、地热开发和氢储存等领域的应用。严博士发表了30余篇期刊论文以及50余篇会议论文。他目前担任SPE Reservoir Simulation Conference技术委员会成员以及Geoenergy Science and Engineering期刊副主编。

报告内容摘要：

近年来，深度学习在基础科学和工程研发中发挥了革命性的作用。对于非线性复杂的储层多相多物理场耦合问题，如油气开发、地热开发和二氧化碳地质封存过程，深度学习具有重要应用价值。基于作者近年来在课题组的科研积累，本次讲座将介绍深度学习在油藏闭环管理中的预测、优化和历史拟合方面的方法开发和应用。首先，深度学习在非均质油藏模拟预测方面具有积极作用，包括如何加速训练大型模型以及准确预测油藏和井尺度的变量。其次，介绍深度学习正模型与传统迭代型优化器以及新型深度学习非迭代型优化器的耦合模型，展示深度学习在重复性优化工作流程中的优势。最后，阐述基于快速行进方法理论（Fast Marching Method）开发的基于瞬态压力的非均质油藏模型反演的反演网络模型，以及基于Ensemble Smoother理论开发的Ensemble Multi-Fidelity Network模型，实现了对非均质参数的反演和不确定性分析。

主办单位：油气藏地质及开发工程全国重点实验室

石油与天然气工程学院

科学技术发展研究院