多步优化框架实现高效且地质一致性的油藏历史拟合

《Petroleum Research》：Multi-step optimization framework for efficient and geologically consistent reservoir history matching

　　

摘要：油藏模拟的核心挑战在于校准模型以匹配历史生产数据，这一过程被称为历史拟合（history matching, HM）。该校准是一个逆问题，固有地具有非唯一性，因为不同的输入参数组合可能产生与观测数据相当吻合的结果。为解决这些挑战，本研究旨在开发一种在不牺牲地质完整性的前提下加速计算的方法。研究人员提出并验证了一种自动化的多步HM框架，该框架将贝叶斯优化（Bayesian optimization, BO）与贝叶斯神经网络（Bayesian neural network, BNN）代理模型相结合，专为高维非线性油藏系统设计，确保完全自动化和严格的量化不确定性。主要贡献包括：（1）与用简化流动网络替代三维地质模型的快速代理不同，该框架在全物理模型上运行，将校准划分为三个基于物理的阶段——油藏能量、多相驱替和井产能，每个阶段都有明确的过渡标准，从而保留了地质非均质性；（2）在BO的采集步骤中嵌入了一个无限宽贝叶斯神经网络（I-BNN-Erf），通过后验不确定性驱动的预期超体积改进（qLogNEHVI）引导搜索，而非替代模拟器；（3）一种负载感知并行架构根据当前负载而非静态分配将模拟作业分派到异构计算节点，在单次模拟成本差异很大时维持吞吐量。现场验证确认了匹配质量和可靠性的提升，集中式并行架构可将计算周转时间缩短高达80%。

论文解读：多步优化框架实现高效且地质一致性的油藏历史拟合

研究背景与问题

油藏历史拟合（history matching, HM）是油藏模拟中的核心挑战，其本质是通过校准模型参数，使模拟结果匹配历史生产数据。然而，这是一个典型的逆问题，具有严重的非唯一性，即多种参数组合都能得到相似的拟合效果。根本原因在于关键的储层属性，如流体组分和深部岩石特性，无法直接测量，只能通过试井、压力瞬变分析或有限的岩心样本间接推断。这导致了大量不确定性参数的产生，严重影响了校准模型的可靠性和预测能力。传统方法面临两难困境：一方面，基于机器学习（machine learning, ML）的反演方法虽然计算效率高，但往往忽略了沉积环境、岩石类型等关键地质先验知识，导致模型地质上不切实际；另一方面，基于全尺度地质模型的行业标准方法虽然能提供高分辨率的地质表征，确保准确性，但其计算强度极高，尤其是在大型复杂油田的手动调整过程中，耗时巨大。此外，同时变化所有不确定性参数会使校准变得异常复杂，需要优化算法运行大量迭代，难以在实际应用中落地。因此，亟需一种既能保持地质一致性又能显著提高计算效率的新方法论。

研究内容与结论

为填补上述空白，本研究开发了一种自动化多步HM框架，并在合成和半合成油田案例上进行了验证。该框架的核心创新在于将贝叶斯优化（Bayesian optimization, BO）与无限宽贝叶斯神经网络（infinite-width Bayesian neural network, I-BNN-Erf）代理模型深度结合，实现了对高维、非线性油藏系统的全自动校准和严格的量化不确定性。研究得出的主要结论是：该多步框架能够有效恢复已知参考响应，其性能优于传统的单步优化策略，并且通过分布式并行计算架构，能在普通商用图形处理器（graphics processing unit, GPU）集群上实现接近线性的加速比，将计算周转时间缩短高达80%，证明了无需专用高性能计算（high-performance computing, HPC）基础设施即可完成大规模地质一致性HM的可行性。

关键技术方法

研究人员为开展此研究采用了以下关键技术方法：

1. 1.
   多步历史拟合算法：将校准过程分解为三个阶段：第一阶段校准油藏能量（通过调节渗透率乘数、垂直各向异性系数等参数匹配总液量和注入量）；第二阶段对齐相产量（通过调节相对渗透率曲线端点、Corey/LET模型指数、油水/油气接触面深度等参数匹配油、气、水产量）；第三阶段优化井产能（通过调节表皮系数、裂缝参数等匹配井底压力和单井产量）。每个阶段都有明确的定量过渡标准。
2. 2.
   多准则贝叶斯优化：采用基于无限宽贝叶斯神经网络核的高斯过程作为代理模型，利用后验不确定性驱动的预期超体积改进（qLogNEHVI）采集函数进行多目标优化，平衡探索与开发，寻找帕累托最优解。
3. 3.
   负载感知并行计算架构：开发了一个分布式计算框架，由中央协调节点动态评估计算节点的负载，并将模拟任务分发至空闲节点，实现同步闭环循环，显著提升了资源利用率和整体计算速度。

研究结果

3.1 计算性能与可扩展性：通过在1至4个同构节点上重复相同的优化任务，发现工作流在三个节点内几乎线性扩展，达到2.53倍加速（效率84%），而四个节点后因同步贝叶斯优化循环中的串行瓶颈（代理模型重拟合、采集函数优化）而饱和。一个高端HPC服务器的表现与三节点集群相当，证明该框架能以更低硬件成本实现同等性能。

3.2 代理模型对比：I-BNN-Erf vs. 高斯过程：在Watt油田第二阶段校准（约150个参数）中，将I-BNN-Erf核与标准Matérn核的高斯过程进行对比。结果表明，在前约75次评估后两者表现相似，之后高斯过程陷入停滞，而I-BNN-Erf持续改进，最终获得了7%更大的支配超体积和29%更低的油产量失配。这是因为I-BNN-Erf的非平稳核在高维、非均匀输入下表现更优。

3.3 案例研究1：合成油藏模型（SRM-6）：该模型是一个三维海岸-海洋沉积环境的数字表征，包含6个井（3产3注）和7年生产历史。研究将其作为双胞胎实验，故意扰动参数生成“破损”模型，测试优化器的恢复能力。

3.4 合成场不确定性参数化：定义了三个阶段的待优化参数，包括渗透率乘数、相对渗透率曲线端点和表皮系数，并为每个参数设定了合理的取值范围。

3.5 合成场单步优化：将所有参数同时优化（1000次迭代），结果显示模型虽能很好匹配总液量和井底压力，但油和水产量失配严重（累积油偏差达67%），且相对渗透率参数被不合理地补偿，失去了物理意义。这表明单步优化无法同时考虑多口井的详细相行为。

3.6 合成场多步优化：应用提出的三阶段框架，每个阶段300次评估。

• •
  3.6.1 第一步优化结果：成功恢复了油藏能量状态，总液量和注入量的场级累积偏差降至±5%以内。
• •
  3.6.2 第二步优化结果：在能量校准的基础上，通过优化相对渗透率参数，显著改善了油和水的相产量匹配，场级累积偏差达标。
• •
  3.6.3 第三步优化结果：最后通过优化表皮系数，精细调整了单井的井底压力和产能，所有指标均在可接受误差范围内，且恢复的参数值更接近真实值。

3.7 案例研究2：Watt油田：在一个真实的半合成Watt油田模型上进一步验证。该模型规模更大、更复杂。多步框架成功完成了校准，场级和井级匹配质量均满足工业标准，证明了该方法在更现实场景下的适用性和鲁棒性。

讨论与结论

讨论部分指出，本研究的核心优势在于通过物理分阶段的策略，避免了单步优化中参数间的病态补偿，确保了校准后参数的地质物理意义。计算的瓶颈在于优化算法的串行部分（代理模型更新和采集函数优化），而非代理本身的保真度。未来研究方向包括移除同步屏障，采用异步稳态评估和增量代理更新以进一步提升可扩展性，以及将该框架应用于更具挑战性的场景，如带有断层和裂缝的复杂碳酸盐岩油藏。

研究结论总结如下：本研究开发并验证了一种创新的多步自动HM框架，该框架通过将校准过程分解为三个物理上不同的阶段（油藏能量、多相驱替、井产能），并使用基于I-BNN-Erf代理的多目标BO，成功地在保持地质一致性的同时，大幅提高了历史拟合的计算效率。在SRM-6和Watt油田上的应用表明，该方法能获得高质量的匹配结果，且参数恢复更具物理意义。其集成的负载感知并行架构使得在大规模油田应用中使用普通计算资源成为可能，将计算时间缩短高达80%。该工作为高效、可靠的油藏管理提供了有力工具，弥合了快速代理方法与高分辨率地质模型之间的差距。