《Petroleum Science》：Knowledge transfer across development stages for dynamic reservoir production optimization with infill wells
编辑推荐：
加密钻井对于开发成熟油藏中剩余油潜力至关重要。它将生产优化转化为一个包含多个开发阶段的动态过程。每个阶段都会增加新井和决策变量，同时保持现有操作运行。随着决策复杂性增长和油藏模拟仍保持高成本，传统的替代模型辅助或进化方法难以应对。它们单独处理每个阶段，效率低下
加密钻井对于开发成熟油藏中剩余油潜力至关重要。它将生产优化转化为一个包含多个开发阶段的动态过程。每个阶段都会增加新井和决策变量，同时保持现有操作运行。随着决策复杂性增长和油藏模拟仍保持高成本，传统的替代模型辅助或进化方法难以应对。它们单独处理每个阶段，效率低下且忽略了有用的历史数据。为应对这一挑战，研究人员提出了一种自适应竞争迁移框架（ACTran），用于加密井动态生产优化。该框架首先采用历史引导搜索模式，通过两种互补的迁移策略，重用前一开发阶段的有用信息。为降低有害迁移的风险，在昂贵油藏模拟之前，先通过替代模型对迁移候选方案进行筛选。当历史知识的进一步改进变得有限时，该框架自动切换至局部细化模式，以加强对当前最佳解附近的搜索。在两阶段S油藏模型和三阶段Z油藏模型上的案例研究表明，在相同油藏模拟预算下，所提框架比代表性替代模型辅助优化算法获得了更高的净现值（NPV）解，并在基于模拟的收敛曲线中显示出更快的改进。额外的可扩展性分析证实了该框架的强通用性，表明其历史知识迁移机制可与各种优化算法无缝集成。无论生产优化问题的复杂性如何，该框架始终能提高基于模拟的搜索效率，并增强所得方案的鲁棒性。
**论文解读：跨开发阶段的知识迁移用于加密井动态油藏生产优化**
**研究背景与问题**
在油藏开发中，闭环油藏管理（CLRM）通过周期性吸收生产数据、更新地质模型并重新优化生产策略，以最大化经济价值。生产优化作为CLRM的核心，旨在寻找最大化净现值（NPV）的井控策略。然而，传统方法假设井位配置固定，仅优化固定井组的控制参数。在长期开发实践中，加密钻井是提高采收率的关键措施，它会周期性地改变油藏物理系统和决策变量空间，导致生产优化问题动态演变。新井的加入不仅引入额外优化变量，还重塑井间连通性和流动模式。传统从头优化方法忽略阶段间的固有相关性，导致大量计算浪费。此外，现有基于迁移学习（TL）的优化方法主要针对固定维度任务，难以适应加密井引入的决策空间演化，且缺乏自适应判断何时使用历史知识的能力，容易引发负迁移。
**研究内容与结论**
为克服上述限制，研究人员提出了一种自适应竞争迁移框架（ACTran），专门针对加密井动态生产优化。该框架通过自适应停滞检测准则，在历史经验探索模式和局部细化模式间切换。在历史经验探索模式下，采用两种互补的迁移学习策略：选择性历史知识整合（SHKI）和生产动态映射迁移（PDMT），分别从控制变量和生产响应层面利用历史知识，并通过竞争性替代模型评估机制筛选迁移候选方案，减少负迁移。一旦检测到停滞，框架切换至细化优化模式，采用替代模型辅助置信域方法（SATR）对当前阶段最优方案进行局部精炼。案例研究在二维S油藏模型（两阶段）和三维Z油藏模型（三阶段）上进行，结果表明：在相同油藏模拟预算下，ACTran比传统替代模型辅助进化算法（CSAEA）、全局-局部替代模型辅助差分进化（GLSADE）和替代模型重构辅助多任务知识迁移（SRAMT）获得了更高的NPV解，且基于模拟的收敛曲线改善更快。可扩展性分析证实，其历史知识迁移机制可无缝集成到多种优化算法中，提升搜索效率和方案鲁棒性。该论文发表在《Petroleum Science》。
**主要技术方法**
研究人员为开展研究，构建了以下关键技术方法：1）采用差分进化（DE）算法作为核心优化器，并使用径向基函数网络（RBFN）作为替代模型，构建替代模型辅助进化算法（SAEA）框架；2）提出选择性历史知识整合（SHKI）策略，通过贪心算法从上一阶段最优解中选择性迁移控制参数；3）提出生产动态映射迁移（PDMT）策略，利用深度自编码器（DAE）构建统一低维潜在空间，并通过动态时间规整（DTW）量化生产响应相似性，学习跨阶段映射矩阵；4）开发自适应停滞检测准则，根据连续停滞次数动态调整容忍阈值，控制模式切换；5）在局部细化模式中，采用替代模型辅助置信域（SATR）方法，在动态置信域内进行局部精炼。案例研究基于S模型（二维合成油藏）和Z模型（三维复杂水驱油藏），样本队列来源明确。
**研究结果**
**4.1. Example 1: Case study on the S reservoir model**
在S模型第一阶段，通过比较CSAEA、GLSADE和SRAMT的收敛曲线，发现SRAMT获得最高平均NPV和最优鲁棒性，因此将其最优方案和完整评估数据库作为第二阶段历史数据。在第二阶段，ACTran在所有10次独立运行中收敛到最高平均NPV，且阴影区域（标准差）最窄，表明其更稳定。与SRAMT、GLSADE和CSAEA相比，ACTran在早期阶段通过历史经验探索模式快速提升NPV，后期通过局部细化模式持续改进。消融实验表明，SHKI和PDMT在早期有效，PDMT在后期表现更好，而SATR提供稳定后期改进；ACTran三者协同达到最佳性能。历史数据质量对比实验显示，即使使用较低质量的历史数据，ACTran的迁移机制仍能带来额外改进，且竞争性评估和自适应停滞检测可部分补偿低质量数据的不利影响。t-SNE可视化显示，ACTran表现出两阶段搜索行为：早期聚焦高潜力区域，后期自适应切换至局部细化，有效避免负迁移。最优井控方案分析表明，ACTran策略维持较高注入速率，并降低生产井井底压力，提供更强压差，协调注采关系，实现最高累计产油量和NPV。可扩展性测试表明，将历史经验探索模式（HEM）集成到CSAEA、GLSADE和SRAMT中，均提升了其性能。
**4.2. Example 2: Case study on the Z reservoir model**
在Z模型第一阶段（144维），SRAMT再次表现最佳，其输出作为后续历史数据。在第二阶段（160维），ACTran从开始就建立优势，并在整个优化过程中保持领先，收敛曲线持续上升，标准差窄。在第三阶段（184维），ACTran继续表现最佳，通过连续多阶段知识迁移和局部细化，实现最高平均NPV。最优井控方案分析显示，ACTran在第二阶段提高新井附近注入井的注入速率，降低生产井井底压力，实现高累计产油量；在第三阶段，ACTran在降低多数生产井井底压力的同时，对部分成熟井适度提高BHP以控制含水率，成功实现增产控水。可扩展性测试再次表明，HEM集成至基准算法后，在所有阶段均提升性能，且提升幅度随问题复杂性增加不减弱，标准差也显著降低。
**总结讨论**
研究结论部分：研究人员提出了一种自适应竞争迁移框架（ACTran），用于解决涉及加密井的动态生产优化挑战，特别针对决策空间演化和计算密集型模拟的困难。通过建立双模式搜索机制，该框架有效平衡全局探索与局部开发。在历史经验探索模式下，采用两种互补策略——选择性历史知识整合（SHKI）和生产动态映射迁移（PDMT）——提取和重用前一阶段的有效控制模式，克服加密井引入的维度不匹配障碍，同时主动防止负迁移。一旦历史知识潜力耗尽，自适应停滞检测准则触发切换至细化优化模式，其中替代模型辅助置信域方法进行密集局部精炼，以最大化经济效益。在二维S模型和大型三维Z模型上的案例研究表明，ACTran在基于模拟的收敛行为、解质量和鲁棒性方面持续优于先进算法，包括CSAEA、GLSADE和SRAMT。该框架通过利用历史数据在早期有效提高搜索过程的样本效率，并在后期持续改进，即使在高维解空间中也能获得优越的净现值（NPV）。此外，可扩展性分析证实，所提出的历史知识迁移机制具有高度通用性，可无缝集成到各种进化算法中，以增强其在多阶段开发任务中的性能。
