[论文解读] Deep learning based closed-loop optimization of geothermal reservoir production

Nanzhe Wang, Haibin Chang+3 more|arXiv (Cornell University)|Apr 15, 2022

Reservoir Engineering and Simulation Methods被引用 7

一句话总结

本文提出了一种基于深度学习的闭环优化框架，用于地热储层开发，该框架结合了混合CNN-LSTM代理模型、差分进化算法和迭代集合平滑法，实现对实时井控优化和地质不确定性量化的联合优化。该框架在地下不确定性条件下实现了高效、自适应的优化，多个测试案例中均显著提升了开发性能。

ABSTRACT

To maximize the economic benefits of geothermal energy production, it is essential to optimize geothermal reservoir management strategies, in which geologic uncertainty should be considered. In this work, we propose a closed-loop optimization framework, based on deep learning surrogates, for the well control optimization of geothermal reservoirs. In this framework, we construct a hybrid convolution-recurrent neural network surrogate, which combines the convolution neural network (CNN) and long short-term memory (LSTM) recurrent network. The convolution structure can extract spatial information of geologic parameter fields and the recurrent structure can approximate sequence-to-sequence mapping. The trained model can predict time-varying production responses (rate, temperature, etc.) for cases with different permeability fields and well control sequences. In the closed-loop optimization framework, production optimization based on the differential evolution (DE) algorithm, and data assimilation based on the iterative ensemble smoother (IES), are performed alternately to achieve real-time well control optimization and geologic parameter estimation as the production proceeds. In addition, the averaged objective function over the ensemble of geologic parameter estimations is adopted to consider geologic uncertainty in the optimization process. Several geothermal reservoir development cases are designed to test the performance of the proposed production optimization framework. The results show that the proposed framework can achieve efficient and effective real-time optimization and data assimilation in the geothermal reservoir production process.

研究动机与目标

• 解决在地质不确定性条件下优化地热储层开发的挑战。
• 开发一种实时、数据驱动的框架，实现井控优化与参数估计的同步进行。
• 通过最大化能量采收率并考虑地下变异性，提升经济效益。
• 通过使用深度学习代理模型，相比传统基于模拟的优化方法，显著降低计算成本。
• 通过迭代数据同化与优化循环，实现闭环运行。

提出的方法

• 训练一种混合卷积-循环神经网络（CNN-LSTM）模型，用于预测在不同渗透率场和井控序列下随时间变化的生产响应（如流量、温度）。
• CNN组件用于从地质参数场中提取空间特征，LSTM则用于建模生产序列中的时间依赖性。
• 框架采用差分进化（DE）进行井控优化，采用迭代集合平滑法（IES）进行实时地质参数估计。
• 使用集合平均目标函数，将地质不确定性整合到优化过程中。
• 通过交替执行优化与数据同化，构建闭环结构，实现在开发过程中的实时自适应。
• 代理模型基于高保真度储层模拟数据集进行训练，以确保预测准确性。

实验结果

研究问题

• RQ1 深度学习代理模型能否在不同地质条件和控制策略下准确预测动态生产响应？
• RQ2 该闭环框架在实时情况下能否有效平衡井控优化与地质参数估计？
• RQ3 通过集合平均方法考虑地质不确定性，在多大程度上提升了优化的鲁棒性？
• RQ4 与传统基于模拟的优化方法相比，该框架在计算成本方面降低了多少？
• RQ5 采用闭环优化策略后，生产效率和经济效益的提升程度如何？

主要发现

• CNN-LSTM代理模型在多种渗透率场和控制序列下，对产量和温度的预测均表现出高精度。
• 闭环框架成功实现了实时优化与参数估计，能够随着生产过程推进实时适应新数据。
• 集合平均目标函数在地质不确定性条件下显著提升了优化结果的鲁棒性。
• 与基于全物理模拟的优化相比，该框架显著降低了计算成本，实现了更快的决策循环。
• 测试案例表明，该框架在多个储层情景下均实现了能量采收率和经济效率的一致性提升。
• DE与IES在交替循环中的集成，实现了稳定且收敛的优化，并具备精确的不确定性量化能力。