近日，张凯团队在油藏井位优化研究领域取得新进展，相关研究成果在期刊Geoenergy Science and Engineering（原JPSE）上发表，论文题为《A transfer learning framework for well placement optimization based on denoising autoencoder》（基于去噪自编码器的油藏井位优化迁移学习框架）。

创新性：传统井位优化通过优化算法调用油藏数值模拟器评估方案的优劣，迭代得到最佳方案。其最大的限制在于每次优化都从零开始，调用数值模拟次数多，求解速度难以满足工程需要。本研究针对上述难题，提出了一种基于去噪自编码器的井位优化问题迁移优化框架，它可以与任何基于种群的进化优化算法相结合，从过去的优化任务中提取经验，从而加速优化任务的求解。在数十年的油藏井位优化历史中，累积了大量成功的井位优化案例，采用迁移优化框架对累积案例中的知识进行提取、迁移和重用，有望打破当前的“数据孤岛”困境，提升求解效率。针对迁移学习中的三个核心问题：“何时迁移？”、“迁移什么？”、“怎么迁移？”，分别提出了针对油藏的相似性度量方法，用于寻找油藏属性相似的过往任务，避免差异太大的任务间迁移带来的负迁移风险。提出了井位优化个体间的进化迁移方法，通过当前迭代次数中的最优个体向过去任务的最优解学习，提取优化任务的进化方向，再将此进化方向应用于当前迭代次数中的固定序号个体，以提升此个体的适应度。提出了适用于油藏井位优化问题的去噪自编码迁移框架，可以将提取的进化方向转化为映射，通过简单的矩阵运算获得闭式的映射矩阵，在不带来过多计算负担的前提下完成知识迁移。

中文摘要：井位优化直接关系到油藏开发的采收率，目前主流的解决方案是进化算法。然而，需要使用耗时的数值模拟器来评估每个备选井位方案。由于井位问题的规则是普遍的，所以相似的油藏会有相似的井位。因此，在类似的井位优化任务之间传递知识可以有效地加快搜索速度。为此，本文提出了一种新的井位优化迁移学习框架，基于单层去噪自编码器的特征提取能力，提取潜在的井位规则。建立前一任务与当前任务之间的重构映射，使随机生成的井位继承前一任务的最优井位知识，有助于进化算法的搜索方向快速偏向最优解，从而加快当前任务的求解。简化后的去噪自编码器在推导损失函数后保持了封闭形式的解，相应的知识重用不会给进化搜索带来太多额外的计算负担。此外，为了避免井位优化任务之间的负迁移，提出了井位优化任务之间的相似度度量方法。最后，通过基准函数和井位优化实例的综合实验，验证了该框架的有效性。

Geoenergy Science and Engineering (Journal of Petroleum Science and Engineering)涵盖了石油和天然气的勘探、生产和流动领域，包括：油藏工程；油藏模拟；岩石力学；岩石物理学；孔隙级现象；测井、测试和评估；数学建模；提高油气采收率；流体力学;多孔介质中的多相流；生产工程；形成评估；勘探方法；地质构造/地下的二氧化碳封存等。该期刊最新影响因子为4.346，近3年平均影响因子IF为3.646，JCR分区为Q1区，中科院工程技术大类2区。

文章链接：https://doi.org/10.1016/j.geoen.2023.211446

引用格式：Ji Qi, Yanqing Liu, Yafeng Ju, Kai Zhang, Lu Liu, Yuanyuan Liu, Xiaoming Xue, Liming Zhang, Huaqing Zhang, Haochen Wang, Jun Yao, Weidong Zhang.A transfer learning framework for well placement optimization based on denoising autoencoder.Geoenergy Science and Engineering, 2023: 211446.