摘要
注入与生产的参数优化是一种重要的方法，可用于提高采收率并降低含水率。其核心目标是在油田开发过程中确定最佳的注入与生产策略，从而在整个开发周期内实现最大的经济效益。然而，目前的注入与生产优化方法面临着诸多挑战，比如复杂的低效优化模型以及高维离散变量，这些因素使得算法难以具备更好的全局优化能力（即避免在优化过程中陷入局部最优解），同时也难以在有限的数值模拟条件下控制完成注入与生产参数优化的时间。本文提出了一种高维多离散注入与生产参数非梯度优化方法（MNOM），该方法结合了上置信界（UCB）算法，能够有效探索更优的注入与生产方案以及分层配水方案，进而实现整个开发周期内净现值（NPV）的最大化。具体而言，该算法将注入与生产参数优化问题建模为蒙特卡洛树搜索过程（MCTS），并通过由卷积长短期记忆网络（ConvLSTM）优化的遗传算法（CLGA）代理来实施注入与生产周期及分层配水的优化。这种方法有效克服了搜索过程中的时空限制，将生产动态映射到注入与生产参数的随机策略中，并能估算每种策略的预期收益。CLGA代理可根据不同开发阶段的生产状况，实时识别出合适的井控计划和配水方案，从而提升整体生产性能。所提出的方法具有两大创新点：首先，MCTS通过树分解技术能够探索注入与生产参数优化变量的大规模离散空间，再结合UCB激励机制，进一步提升全局优化能力；其次，模型训练过程完全基于现有的物理定律，具备良好的时间演化特性，经过训练的策略无需从头开始重新训练，就能快速适应目标层的生产状况，因此可用于离线应用且具有较好的实时控制能力。为验证文中提出的方法的有效性，研究人员在三维油藏实际模型上进行了测试。与基于梯度的方法、传统进化算法以及近端策略优化（PPO）相比，MNOM不仅具有更强的全局搜索能力，所需迭代次数也减少了55–78%，而且与其他优化方法相比，其有效扫描范围提升了1.1%至5.5%；此外，与PPO方法相比，在离线优化中，当生产制度发生变化时，MNOM的训练策略具有更好的实时控制能力。即便生产制度发生改变，MNOM方法仍能保持与PPO方法相当的优化效果，展现出更强的工程适应性。研究结果表明，所提出的多策略融合高维多离散注入与生产参数非梯度优化方法，能够在有限数值模拟的约束下有效提高采收率、扩大有效扫描范围，同时兼顾全局优化能力、优化效率与实时控制能力，具有较好的工程适应性和应用前景。
