基于条件生成式对抗网络的MMP预测方法及装置.pdf

(19)中华人民共和国国家知识产权局(12)发明专利申请(10)申请公布号CN114169240A(43)申请公布日2022.03.11(21)申请号202111493520.7G06F119/14(2020.01)(22)申请日2021.12.08(71)申请人中国石油大学(北京)地址102249北京市昌平区府学路18号(72)发明人蒋丽丽田冷黄灿王恒力顾岱鸿王嘉新柴晓龙王泽川(74)专利代理机构北京三友知识产权代理有限公司11127代理人杨勇崔博(51)Int.Cl.G06F30/27(2020.01)G06F30/28(2020.01)G06N3/04(2006.01)G06N3/08(2006.01)G06F113/08(2020.01)权利要求书2页说明书11页附图5页(54)发明名称基于条件生成式对抗网络的MMP预测方法及装置(57)摘要本发明实施例公开了一种基于条件生成式对抗网络的MMP预测方法及装置，该方法包括：获取目标油藏的MMP影响因素数据；将所述MMP影响因素数据输入到预先训练出的生成器中，得到所述预先训练出的生成器输出的所述目标油藏的MMP预测值，其中，所述生成器为根据训练样本集进行多次迭代训练得到的，所述训练样本集中的每个训练样本包含：油藏的MMP值以及油藏的MMP影响因素数据。本发明实现了准确、高效的对油藏的MMP进行预测的有益效果。CN114169240ACN114169240A权利要求书1/2页1.一种基于条件生成式对抗网络的MMP预测方法，其特征在于，包括：获取目标油藏的MMP影响因素数据；将所述MMP影响因素数据输入到预先训练出的生成器中，得到所述预先训练出的生成器输出的所述目标油藏的MMP预测值，其中，所述生成器为根据训练样本集进行多次迭代训练得到的，所述训练样本集中的每个训练样本包含：油藏的MMP值以及油藏的MMP影响因素数据。2.根据权利要求1所述的基于条件生成式对抗网络的MMP预测方法，其特征在于，还包括：获取所述训练样本集；根据所述训练样本集进行H1次迭代训练，得到所述预先训练出的生成器，其中，每一次迭代训练分为多个批次的训练，在进行每一个批次的训练时，先从所述训练样本集中选取H2个训练样本，然后基于选取的训练样本对判别器的网络权重进行训练，最后基于选取的训练样本在由判别器和生成器组成的组合模型中对生成器的网络权重进行训练，H1和H2均为正整数。3.根据权利要求2所述的基于条件生成式对抗网络的MMP预测方法，其特征在于，所述训练样本由第一数据和第二数据组成，所述第一数据为油藏的MMP影响因素数据，所述第二数据为油藏的MMP值；所述基于选取的训练样本对判别器的网络权重进行训练，具体包括：分别针对将每个选取的训练样本，将生成器根据训练样本的第一数据输出的MMP预测值与该训练样本的第一数据进行组合，得到组合数据，并将该组合数据的标签设置为0；将每个选取的训练样本的标签设置为1；将设置完标签后的组合数据以及设置完标签后的训练样本输入到判别器中，对判别器的网络权重进行训练。4.根据权利要求3所述的基于条件生成式对抗网络的MMP预测方法，其特征在于，所述基于选取的训练样本在由判别器和生成器组成的组合模型中对生成器的网络权重进行训练，具体包括：分别针对每个选取的训练样本，将训练样本的第一数据输入到生成器中，得到生成器输出的该训练样本对应的MMP预测值；分别针对将每个选取的训练样本，将训练样本的第一数据与训练样本对应的MMP预测值进行组合，得到组合数据，并将该组合数据的标签设置为1；将设置完标签后的组合数据输入到判别器中，得到判别器输出的该组合数据为真实数据的概率。5.根据权利要求2所述的基于条件生成式对抗网络的MMP预测方法，其特征在于，所述根据所述训练样本集进行H1次迭代训练，得到所述预先训练出的生成器，包括：采用超参数优化方法对迭代训练次数H1、训练样本数量H2、生成器的超参数以及判别器的超参数进行优化，得到最佳参数组合。6.根据权利要求2所述的基于条件生成式对抗网络的MMP预测方法，其特征在于，生成器的输入为MMP影响因素数据，生成器的输出为MMP预测值；生成器的网络结构具体包括：第一FCNN层、第一拼接层以及第二FCNN层，所述第一FCNN层用于对MMP影响因素数据进行预处2CN114169240A权利要求书2/2页理，所述第一拼接层用于将所述第一FCNN层输出的预处理后的数据与随机噪声进行拼接，所述第二FCNN层用于对所述第一拼接层输出的拼接后的数据进行处理输出MMP预测值。7.根据权利要求2所述的基于条件生成式对抗网络的MMP预测方法，其特征在于，判别器的输入为MMP影响因素数据和MMP值，该MMP值包括生成器的输出为MMP预测值，判别器的输出为数据为真实数据的概率；判别器的网络结构