一种基于条件Wasserstein生成对抗网络（Conditional Wasserstein Generative Adversarial Network）和梯度惩罚（Gradient Penalty）的深度学习架构，用于快速模拟地下原位压力剖面动态

《Engineering Applications of Artificial Intelligence》：A deep learning architecture for fast simulation of subsurface in-situ pressure profile dynamics based on Conditional Wasserstein Generative Adversarial Network with Gradient Penalty

高效页岩气储层压力预测代理模型研究。提出条件Wasserstein生成对抗网络（CWGAN-GP），整合时间、渗透率等六维参数，解决传统数值模拟计算成本过高问题。实验显示模型预测精度达98%，计算效率提升2-3个数量级，有效应对多地质不确定性及动态生产调控。

　　在非常规油气资源的开发过程中，准确预测储层压力是制定科学开发策略和优化采收率的关键环节。目前，对于裂缝型水平井的储层模拟，数值模拟仍然是主流方法，但在复杂的地质条件下，其计算成本高得难以承受。为了解决这一问题，本研究提出了一种基于条件Wasserstein生成对抗网络与梯度惩罚（CWGAN-GP）的新型代理模型。该模型通过引入六个关键的条件参数（如时间、基质渗透率、裂缝渗透率等）与裂缝形态特征，建立了储层条件与压力分布之间的内在联系。同时，通过整合Wasserstein距离和梯度惩罚理论，有效解决了多参数耦合带来的收敛问题，大幅降低了训练时间和计算次数。经过60种地质场景的验证，该模型在训练的六个储层条件下实现了98%的预测精度，在未训练的时间步中则达到了92.3%的精度。其计算效率较传统数值模拟提高了2到3个数量级，尤其是在处理时间依赖的井控变化和多尺度地质不确定性方面表现出色，使得该模型在历史匹配和生产优化任务中具有可靠的实用性。这种数据驱动的方法为非常规资源开发中的实时储层管理提供了新的范式，同时也为构建用于动态预测的大型数据模型提供了新的思路。

储层行为的准确预测对于优化剩余油气资源的开采和提高提高采收率（EOR）策略至关重要。特别是在多级水力压裂水平井（MFHWs）中，压力瞬态的分析已成为表征储层性质的关键方法。精确的压力预测能够实现适应性操作策略的实施，这是设计科学合理的开发计划和最大化最终油气回收率的基础。当前的压力预测方法大致分为三类：一是基于地质建模的技术，二是基于储层工程的方法，三是基于数值模拟的工作流程。

基于地质建模的方法通常依赖于地震勘探预测，并被认为是一种直接测量技术。例如，张等人引入了Miller声波方法，该方法建立了声波速度与有效应力之间的定量关系，从而实现了声波/地震波传播时间与地层孔隙压力之间的关联（Zhang, Standifird等，2008）。许等人则开发了一个集成了单井预测与地震数据分析的压力预测框架，包括三种关键技术：一是地震层速度方法，二是特征曲线反演方法，三是改进的Fillippone方程方法（Baorong等，2015）。韩等人提出了基于压实-孔隙-应力（CPS）模型的页岩孔隙压力预测方法，利用模拟速度作为表观正常压实趋势（Han等，2017）。该方法通过孔隙压力与测量速度与模拟速度比值之间的指数关系来预测异常孔隙压力。Carcione等人则开发了一种基于广义Biot-Gassmann模型的新颖储层流体压力估计方法，该模型考虑了页岩与砂岩的声学特性，适用于任意流体和气体填充的孔隙混合物（Carcione等，2002）。然而，这些基于地震的方法由于多干扰因素（如岩性异质性、流体相变化）导致预测存在显著的不确定性，通常需要大量的计算资源，但获得的精度却有限。

基于储层工程的方法通常采用系统化简化复杂多物理场问题的近似技术，通过数学公式实现快速预测页岩气压力动态。这些方法利用解析解和经验关联来平衡计算效率与实际应用的可行性，从而在非常规储层表征中发挥重要作用。这些方法在理论上的不断改进，推动了系统性的方法论演进。例如，刘提出了页岩储层中岩石基质应力与地层速度之间的对数关系（Zheng，1993），从根本上挑战了Fillippone传统的线性关系范式，并建立了刘方法的理论基础。在此基础上，云识别了现有速度-应力关系在考虑多因素干扰时的关键局限，随后开发了一个基于测量与预测压力比值对声波速度进行指数回归得到的速度依赖校正因子（Yun，2020）。与此同时，Bowers提出了适用于压缩机制和流体膨胀场景的统一压力预测算法，显著扩展了地质适用性（Bowers，2001）。在另一项平行研究中，Lopez等人通过创新性引入无量纲Tau参数（τ），增强了有效应力理论，实现了基于速度约束的孔隙压力预测，并提高了对岩性的敏感性（Lopez等，2004）。

数值模拟已经成为储层压力预测的通用方法，它将地质建模与多相流动力学相结合，利用渗流力学原理来表征压力分布的空间和时间演变。这些工作流程通过生产数据的协调（历史匹配）进行迭代模型校准，逐步优化地质表征并提高预测精度（Aziz，1979；Thomas和Thurnau，1983；Lie，2019）。然而，这类方法受到计算密集型工作流程的限制，尤其是在历史匹配和生产优化阶段，基于集合的模拟通常需要数千次实现以统计地捕捉储层不确定性。这导致了巨大的计算负担，全场模拟每次实现需要消耗500到1500个核心小时，使得该方法在实时决策过程中变得资源消耗过大。因此，开发创新的代理建模架构或AI驱动的预测框架，以克服传统数值方法的局限性——包括高运营成本、过于简化的地质假设和计算需求过高——已成为储层工程中的关键研究前沿。

人工智能（AI）和数据挖掘技术在工业领域的广泛应用，推动了各行业的变革性发展（Peng等，2024；Sun等，2024；Sun等，2025），为传统石油行业在关键的数字化转型阶段提供了前所未有的机遇（Jian和He，2020；Kuang等，2021；Song等，2022）。这些创新正在改变储层管理的关键领域，包括但不限于：通过机器学习驱动的反演框架进行地质模型参数化（Qifeng等，2021；Xiaobo等，2023）；通过神经网络进行的模式识别增强了地球科学建模（Wu等，2021；Zhang等，2022）；利用集成学习算法进行流体性质预测（Mo等，2019a；Mo等，2019b）；通过循环神经网络（RNNs）进行的井性能预测（Zhang和Hu，2021；Zhang等，2022）；通过卷积神经网络（CNNs）进行的甜点识别（Tang等，2021）；以及通过强化学习（RL）优化的页岩气回收预测（Liu等，2021；Huang等，2022）。

这些智能模型的成功部署，源于其内在能力，即能够从大规模数据集中揭示潜在的相关性，并在输入参数与目标变量之间建立复杂的非线性映射关系，从而实现准确的储层表征预测。深度学习架构，特别是在非线性建模能力、自动特征抽象和端到端学习方面，展现出独特的优势。非线性建模能力使得深度学习架构能够通过自适应激活函数和残差连接捕捉多物理场耦合关系；自动特征抽象则能够从原始地球科学数据（如地震数据、井测数据、岩芯CT扫描）中分层提取高阶表示；端到端学习则能够直接将空间异质性储层特性映射到动态压力响应，而无需显式的物理方程。这一突破为构建储层动态预测的代理模型提供了创新的范式，有效实现了自动历史匹配（Xue等，2020；Liu等，2023）和生产优化（Deli等，2020；Kim和Durlofsky，2021；Zhang等，2022）。

在过去十年中，代理建模框架得到了严格的发展，以应对传统压力预测方法固有的关键限制。最初的代理建模在储层工程中依赖于线性回归方法（如多元线性回归、克里金方法）和非线性回归技术（如支持向量机（SVMs）和人工神经网络（ANNs））来建立储层数值模拟的输入输出映射关系（Bhosekar和Ierapetritou，2018）。Alenezi和Mohaghegh构建了一个基于反向传播神经网络的代理模型，该模型将地质属性（如孔隙度、渗透率分布）和井控参数（如注入速率、井底压力）与生产数据（如油/气产量、含水率）相关联（Alenezi和Mohaghegh，2017）。Guo和Reynolds实施了一个支持向量回归（SVR）框架，用于建立井控参数与生产响应之间的非线性映射关系（Guo和Reynolds，2018）。利用该代理模型，他们设计了一个无梯度优化工作流程，以最大化净现值（NPV），在油田尺度应用中相比传统梯度方法，实现了12–18%的经济收益提升。

然而，传统的代理建模方法——最初设计用于低维系统——在应用于高维储层问题时表现出关键的局限性。浅层架构（1–3个隐藏层）无法捕捉空间异质性储层中的分层特征表示；全连接层在维度增加时会导致参数平方增长，进而导致内存需求过高。这些限制使得传统代理模型在逼近现代储层工程挑战中固有的高维流形时显得无效。深度学习的出现，通过其深层架构、局部连接（如卷积核）和自动特征抽象，直接解决了这些局限性（Shahkarami和Mohaghegh，2020；Saberali等，2023）。

近年来，深度学习在储层模拟和预测中的进展展示了其在解决高维、动态和异质储层挑战方面的巨大潜力。卷积神经网络（CNNs）和编码器-解码器架构已被证明在捕捉高维空间依赖性方面非常有效。Zhu和Zabaras开发了一个贝叶斯深度卷积神经网络，用于建立高维图像之间的代理映射关系，实现了单相稳态流中压力分布的准确预测（Zhu和Zabaras，2018）。同样，Zhang等人在CNN框架中利用混合输入（向量化特征和空间参数）同时预测压力和饱和度场（Zhang等，2022）。Mo等人通过深度卷积编码器-解码器网络解决多相流中的不确定性量化，通过自动编码技术实现了预测的稳定性提升（Mo等，2019a；Mo等，2019b）。

除了CNN模型，生成对抗网络（GANs）也已成为复杂空间模式建模的强大工具。Zhong等人提出了一种基于GAN的代理模型，利用数值模拟数据预测储层中的CO?羽流迁移，输入包括渗透率场和时间参数（Zhong等，2019）。在此基础上，Zhong等人扩展了该框架，用于预测水驱过程中异质储层中的水饱和度演变，结合了GAN与质量平衡方法进行液体产量估计（Zhong等，2020）。Feng等人进一步增强了预测能力，通过深度卷积GAN（DC-GAN）识别早期的气流通道，为储层管理提供了前瞻性的预警系统（Feng等，2020）。

为了进一步纳入时间动态，研究人员还积极探索了时空序列建模方法。Gu等人采用了一种两阶段方法：首先利用支持向量机（SVMs）对水驱区域进行分类，然后通过长短期记忆（LSTM）网络预测剩余油分布，从而整合静态和动态储层特征（Gu等，2020）。Wei等人引入了一种ConvLSTM模型，利用油田尺度数据进行训练，以动态预测饱和度和井底压力（BHP）分布，有效捕捉了时空依赖性（Wei等，2022）。此外，一些关于计算效率和系统集成的研究则以降阶建模和多任务框架为代表。Jin等人设计了一个嵌入控制的降阶模型，用于预测在时间变化的操作约束下的流体饱和度和压力（Jin等，2020）。在另一项平行研究中，Tang等人实施了具有共享架构的循环U-Net，独立预测储层压力和饱和度场，实现了高效的多任务建模（Tang等，2020）。Huang等人进一步推进了代理建模，通过深度学习框架实现快速的3D储层模拟，适用于复杂的井控配置（Huang等，2023）。这些研究共同表明，深度学习模型能够有效捕捉不同数据集之间的高维相关性。然而，深度学习框架的一个关键局限在于其固有的刚性，通常在模型构建过程中需要固定参数，从而限制了预测或优化的适用范围。多项研究表明，当输入条件超过三维时，CNN特征融合模块会出现梯度消失，而LSTM输入门权重更新变得混乱，导致模型训练无法收敛。即使在少数尝试“双条件输入”的研究中，预测精度仍显著低于实际油田工程应用的要求，这些方法未能解决“多高维条件→高维场”的更复杂场景。

尽管当前的深度学习模型能够在任意时间步预测油田尺度的压力或流体饱和度场，但由于条件有限，其泛化能力仍然不足。通常，这些模型仅适用于时间序列或有限的预定义因素。这一不足要求在新条件下重新训练代理模型，不仅降低了实际应用的实用性，还带来了显著的计算负担。

在储层开发过程中，压力分布受到多种相互依赖参数的影响，因此需要先进的预测框架来应对固有的建模复杂性。为了解决这些限制，本研究提出了一种基于条件Wasserstein生成对抗网络与梯度惩罚（CWGAN-GP）的代理模型，这是一种用于预测任意储层场景下压力分布的深度学习代理模型。该模型整合了可调节参数，包括时间序列、基质渗透率、裂缝渗透率、压缩系数、初始井底流动压力和压力衰减率。该框架的主要贡献在于其能够超越传统深度学习方法的狭窄适用性，通过显式整合多条件输入显著增强了模型的泛化能力。与以往受限于固定条件（如仅时间依赖）的模型不同，该架构能够动态适应异质的地质和操作条件，从而在多种地下环境中实现稳健的预测。该框架的扩展性进一步增强了其实际价值。通过模块化参数配置，该模型可以方便地扩展到其他预测任务，通过添加或移除特定约束，从而提升GAN方法在油气田开发中的实际相关性。值得注意的是，当在具有全面约束的大规模数据集上进行训练时，该框架为构建高保真度的储层动态大型模型提供了一条新的路径，将数据驱动的预测与复杂的地下物理系统相连接。