一种基于带门控循环网络（gated recurrent network）的分析井间连通性的方法，该方法考虑了知识交互（knowledge interaction）的因素

《Frontiers in Earth Science》：A method for analyzing interwell connectivity based on gated recurrent network with knowledge interaction

本研究提出知识交互门控循环单元（KIGRU）模型，通过双子网络架构整合物质平衡方程与GRU时序建模，解决注水油藏中传统方法物理一致性和动态建模不足的问题。实验表明，KIGRU在历史拟合和产量预测上均优于CRM和传统神经网络，能准确识别高渗透通道并量化非平衡流，为油藏开发提供兼具物理可解释性和预测精度的分析工具。

　　水驱油藏的井间连通性分析是提高油田开发效率的重要环节。传统方法在解释性和时间建模方面存在明显不足，这限制了其在实际应用中的效果。本文提出了一种融合物理约束与时间深度学习的新型方法，称为知识交互门控循环单元（KIGRU）模型。该模型采用双子网络结构，Net-INJ通过门控函数和连接矩阵对注入率和井间连通性进行编码，而Net-VOL则用于描述油藏体积变化。通过将物质平衡方程融入网络设计中，确保模型的物理一致性，同时利用门控循环单元（GRU）模块有效捕捉长期时间依赖性。在合成油藏的数值实验中，KIGRU在历史匹配和产量预测方面均优于传统神经网络和电容-电阻模型（CRM）。KIGRU能够准确识别高渗透通道，量化非平衡流动，并提供更可靠的液产量预测。这些结果验证了KIGRU在物理可解释性和预测精度之间的平衡，为井间连通性分析提供了实用且理论扎实的工具。

在水驱油田开发过程中，高渗透通道的存在可能导致生产井提前出现水突破现象，影响注入流体的有效利用，进而导致油藏开发效率下降。为了应对这一问题，井间连通性分析成为关键环节。本文探讨了KIGRU模型如何在物理约束与时间建模之间取得平衡，从而提升模型的解释性与预测能力。KIGRU通过双子网络结构实现对油藏动态连通性的模拟，其中Net-INJ利用门控函数和连接矩阵捕捉注入率和井间连通性，而Net-VOL则结合注入率和压力数据描述油藏体积变化。这种结构使得KIGRU能够同时处理多个物理过程，提高模型在复杂油藏条件下的适应性。

传统的神经网络方法虽然在数据驱动建模中表现出一定的优势，但其黑箱特性使得模型输出难以与物理机制相联系。而物理信息神经网络（PINN）虽然能够将物理定律嵌入模型，但其假设静态或准静态的物理关系，难以捕捉时间演变的动态特性。因此，需要一种既能考虑物理约束又能捕捉时间序列的模型，以提高预测的准确性与实用性。KIGRU模型正是基于这一需求设计的，它通过将物质平衡方程嵌入模型构建过程，确保模型参数具有明确的物理意义，从而提高模型在井间连通性分析中的可解释性。

KIGRU模型的构建充分利用了GRU结构的优势。GRU具有较少的参数、较低的计算成本、较快的收敛速度和较高的学习效率，使其成为处理时间序列数据的理想选择。通过将GRU应用于Net-INJ和Net-VOL子网络，KIGRU能够有效地学习注入和生产之间的长期依赖关系。此外，模型还引入了注意力机制和Transformer架构，以量化注入井与生产井之间的时间相关性，使得模型能够根据时间相关性动态调整历史信息的权重。这种设计不仅提高了模型对时间序列数据的处理能力，还增强了其在复杂油藏条件下的适应性。

在KIGRU模型中，Net-INJ和Net-VOL子网络通过计算图进行协作，形成完整的注入-生产关系建模框架。Net-INJ专注于注入率数据的处理，通过门控函数和连接矩阵模拟井间连通性；Net-VOL则处理注入率和压力数据，以捕捉油藏体积变化的动态特性。这种双子网络的结构使得KIGRU能够同时提取数据驱动的模式和物理信息的关联，提高模型在油藏动态预测中的准确性。

在实际应用中，KIGRU模型能够有效识别高渗透通道，并量化非平衡流动，为油藏开发提供可靠的预测。通过在合成油藏案例中的数值实验，KIGRU在历史匹配和产量预测方面均表现出色，相较于传统方法和CRM模型具有更高的准确性。这些结果表明，KIGRU模型不仅在预测能力上具有优势，还能够提供具有物理意义的井间连通性参数，从而提升油藏开发的科学性和实践性。

尽管KIGRU模型在多个方面表现出色，但其仍存在一些局限性。例如，模型在处理大规模油藏时，计算成本和时间可能会显著增加，尤其是在注入和生产井数量较多的情况下，连接矩阵和隐藏状态的维度会以井数的平方增长，这可能限制其在实时优化中的应用。此外，当前模型仅在简化的小规模合成油藏中进行了验证，尚未在复杂的实际油藏中进行广泛测试，因此其在实际油藏中的适用性仍需进一步研究。最后，模型需要连续、高质量的注入和生产数据进行训练，而成熟油田中的数据往往存在稀疏或间断的情况，这可能影响模型的性能。

综上所述，KIGRU模型为水驱油藏的井间连通性分析提供了一种新的解决方案，结合了物理可解释性和时间序列建模的优势。未来的研究方向包括将模型应用于实际油田数据、扩展多相流模型、整合井测试数据、模拟自然水入侵以及构建多层油藏模型。这些改进将有助于进一步提升KIGRU模型的实用性，并扩展其在不同油藏条件下的应用范围。