面向长时程生产动态的自动历史拟合高效时空代理模型

《Petroleum Science》：An efficient spatiotemporal surrogate model for automatic history matching with long-horizon production dynamics

　　

自动历史匹配（automatic history matching，AHM）在地质不确定性下的储层表征与生产预测中具有重要作用。然而其在大尺度储层模型中的应用常受限于迭代反分析中反复储层模拟的高计算成本。一个关键挑战是构建能够表征高维地质参数场与长时程生产动态且具备满足历史拟合流程所需精度的代理模型（surrogate model）。为此，研究人员开发了一种数据驱动的时空代理建模框架用于自动储层历史匹配。所提模型结合卷积神经网络（convolutional neural network，CNN）编码器从地质参数场提取空间特征，以及基于多层Mamba的解码器对生产响应序列建模。训练后的代理模型被嵌入代理辅助的历史匹配工作流，并与多模态分布估计算法（multimodal estimation of distribution algorithm，MEDA）耦合，以减少后验探索中所需的储层正演模拟次数。研究人员采用受控二维合成储层模型与大规模三维Brugge基准对该方法进行评价。数值结果表明，在所研究的案例中，与所评估的循环神经网络（recurrent neural network，RNN）和Transformer基线相比，所提代理模型取得了具竞争力的预测精度与良好的计算效率。当嵌入历史匹配工作流时，该代理辅助方法提供了满意的生产响应预测，并在所考虑案例中展现出作为计算高效方案的潜力。

研究背景方面，储层工程问题具有高地地质不确定性、长时程生产动态及紧密耦合多物理过程的特征。可靠储层表征依赖反分析，即调和数值模拟结果与历史生产数据以推断不确定地下参数。实际历史匹配（history matching）常嵌入迭代优化或数据同化方案，需反复正演模拟，对复杂结构与长生产史模型计算负担沉重。现有深度学习代理模型如CNN-LSTM混合（HRCN）与CNN-Transformer混合（IViT）虽能联合建模地质非均质与生产动态，但RNN类时序模块存在信息衰减与并行受限，Transformer自注意力随序列长度呈二次复杂度，制约长时程可扩展性。为此研究人员提出混合卷积Mamba架构（hybrid convolutional Mamba architecture，HCMA），以CNN编码器提取空间特征、多层Mamba解码器建模生产序列，并将其嵌入MEDA驱动的反演工作流，在二维合成水驱模型与三维Brugge基准中验证。该研究发表于《Petroleum Science》，意义在于为长时程、高维地质输入下的代理辅助历史匹配提供了精度与计算成本兼顾的新架构，降低对昂贵储层模拟的依赖。

关键技术方法上，研究人员采用SGeMS生成二维合成模型1200个渗透率实现，Eclipse模拟获生产响应，按800/200/200划分训练验证测试集；Brugge基准基于原104先验实现经PCA（principal component analysis，主成分分析）参数化生成2000实现并模拟，按1600/200/200划分。空间编码采用2D-CNN将垂向层与属性通道叠合输入，时间解码采用多层Mamba块（含输入投影、局部卷积、选择性状态空间建模与归一化）并辅以一维深度可分离卷积（1D-DSC），以MSE损失与Adam（学习率1×10^?4）训练。反演端采用PCA将高维场降维至潜变量，耦合MEDA（动态聚类、高斯分布估计采样、拥挤选择）在潜空间全局寻优，代理预测经最小最大逆变换回物理量，最终以少量模拟校验候选。硬件为RTX 4090与Ryzen 7 4800H。

研究结果部分，第1节引言指出长时程强相关生产序列、高维空间参数与非唯一解促使代理辅助方法发展，现有CNN-LSTM与CNN-Transformer在长序列上分别受递归衰减与二次复杂度限制，由此引出HCMA。第2节相关工作综述深度学习代理（CNN空间、RNN/Transformer时序）及Mamba作为状态空间模型（state-space model，SSM）的输入依赖参数化与选择性机制优势，明确Mamba在储层反分析中的应用空白。第3节问题表述中给出多相流动PDE离散化反演抽象，定义代理映射f: m,c→q，m为参数场，c为控制序列，q为生产轨迹。第4节所提代理模型中，4.1节给出编码器-解码器端到端流程与最小最大归一化公式；4.2节CNN编码器通过通道映射输出时间索引隐令牌序列z_t∈R^d（t=1…T）而非单向量复制，2D表示将Z层×N_p属性叠为通道，较1D扁平保平面邻域、较3D-CNN省参；4.3节Mamba多层解码器避显式全局自注意力，辅以1D-DSC与输出投影至多井多变量序列。第5节基于MEDA的历史匹配工作流中，5.1节PCA参数化由先验中心化缩放后SVD取前k奇异值基重构m=m?+U_kS_ks（s～N(0,I)）；5.2节目标函数为生产失配与先验负对数和，MEDA经动态拥挤聚类分niche、各niche估高斯均值方差采样子代、余弦距离拥挤淘汰，固定代数后以南模拟重评过滤。第6节案例研究，6.1节设2D合成（100×100×1，1注4采，1500天50步）与3D Brugge（139×48×9，10注20采，10年253步，观测含WOPR/WWPR/WBHP）两基准，基线为HRCN、IViT及Pure Mamba、PCA-FNN，指标用R²与RMSE；6.2节2D案例中200轮收敛，隐维256最优（val R²=0.9896，RMSE=0.0296），编码器3层解码器2层配置泛化最佳；6.3节Brugge下HCMA(2D-CNN)隐维512、3+2层，val R²=0.9892±0.0007、RMSE=0.0370±0.0012，训练454.4秒，参数量1.305×10⁶，优于HRCN（8.289×10⁶参，699.4秒）与IViT（2.632×10⁶参，499.9秒）；样本量扩展至1500时HCMA(2D) R²=0.9909±0.0005、RMSE=0.0339±0.0009，HCMA(1D)更达0.9940±0.0003，但1D仅作补充变体；Pure Mamba无空间编码R²=0.9838，PCA-FNN最低0.9677，证空间-时序联合必要。嵌入MEDA后代理辅助后验集合与模拟参考集合在预测指标、不确定性诊断与参数场变异性上一致，终选候选经模拟校验达标。

讨论与结论部分，研究人员指出HCMA以CNN空间编码+Mamba时序解码在长时程生产代理上取得与RNN/Transformer基线竞争或更优的精度-效率权衡，Mamba避免二次复杂度且支持并行，2D-CNN通道堆叠在保平面邻域与参数量间取折衷；MEDA多峰维持能力适配历史匹配非唯一解特性，代理误差经终态模拟重评缓释。结论为：所提HCMA代理结合CNN编码器与Mamba解码可有效预测高维参数场井生产数据；嵌入MEDA的代理辅助历史匹配工作流在二维合成与三维Brugge案例中减少正演模拟次数并提供满意响应预测；相较LSTM与Transformer基线，HCMA在所考察案例中于预测性能与训练效率间具有利权衡，为长时程储层反分析提供计算高效路径。