深度学习驱动的油气开发技术与应用

关于举办“深度学习驱动的油气开发技术与应用”专题培训会的通知

一、背景：

在深度学习与油气开发领域融合的背景下，科研边界持续扩展，创新成果不断涌现。从基本

物理模型构建到油气开发问题的复杂模拟，从数据驱动分析到工程问题的智能解决，深度学习正

以前所未有的动力推动油气开发领域的革新。以下是深度学习在油气开发领域应用的几个方面：

1. 油气产量预测： 深度学习技术已经被大量应用于油气产量预测，在解决复杂环境下的精准产

量预测时表现卓越。通过结合地质、工程和地球物理等多元信息，深度学习模型能够有效地

识别出影响油气产量的关键因素。

2. 测井解释： 深度学习在测井方向的应用，既能做自动岩性、岩石类型、沉积微相识别，也可

以做储层物性解释，特别是非常规油藏的测井解释，如裂缝孔隙度解释，合成曲线的生成等。

3. 油藏工程 ：在油藏工程方面，深度学习在油藏数值模拟、非常规油藏产量预测、流体参数预

测等方向表现出了广阔的应用前景。

4. 油气开采优化： 深度学习技术在油气开采优化技术中的应用，包括气体探测技术、储层预测

分析技术以及安全监测技术。

5. 自动数据处理和解释： 数据挖掘和数理统计在石油勘探开发中的应用十分成功，在测井曲线

解释、储层参数预测等工作中得到了广泛应用。深度学习、集成学习、迁移学习等技术未来

有望在岩石物理、地震图像、测井曲线等数据的自动化处理与分析中得到深入应用。

为促进科研人员、工程师及产业界人士对深度学习在油气开发领域应用技术的掌握，特举办

“深度学习驱动的油气开发技术与应用”专题培训会，本次培训会议主办方为 北京软研国际信息

技术研究院 ，承办方 互动派（北京）教育科技有限公司 ，具体相关事宜通知如下：

二、培训对象：

地质学、建筑科学与工程、矿业工程、安全科学与灾害防治、公路与水路运输、水利水电工程、

石油天然气工业、地球物理学、环境科学与资源利用、自动化技术等领域的科研人员、工程师、及相 关行业从业者、跨领域研究人员。

三、培训大纲:

深度学习驱动的油气开发技术与应用专题培训会大纲

油气开发工程 物理模型基础

1. 油气开发工程中的基本数学物理模型及工程问题

1.1. 裂缝性储层流体流动模型：等效连续介质模型、离散裂缝网络模型

1.2. 油气藏流体连续介质模拟及数值模拟方法

1.2.1. 连续介质模型

1.2.2. 有限差分法(FDM)

1.2.3. 有限体积法(FVM)

1.2.4. 有限元法(FEM)

1.3. 油气藏开发中的提高采收率技术：化学驱等多种提高原油采收率的方

法，以及如何通过物理法、化学法提高油气采收率机制和工程设计

1.4. 非常规油气藏的压裂设计和开发模拟

1.4.1. 油藏地质建模

1.4.2. 压裂裂缝扩展数值模拟

1.5. 偏微分方程（PDE）在油气开发中的作用和体现

1.6. 偏微分方程求解方法概述

Python 深度学 习神经网络基础

2. Python 基本指令及库

2.1. Python 基础：通过交互式编程环境，教授 Python 基础，包括数据类

型和逻辑运算等。

2.2. 科学计算库：介绍 NumPy 和 Matplotlib，并讲授如何使用它们进行科

学计算和数据可视化。

实战演练：基于简单 NumPy 指令解决油气开发工程分类问题

2.3. 神经网络构建：通过简单的实例，如使用 NumPy 构建感知机，教授神

经网络的基本概念。

2.4. 深度学习框架：通过 TensorFlow 和 PyTorch 的实例，教授如何构建和

训练用于油气开发工程问题的深度学习模型。

实战演练：基于 PyTorch 模块求解

深度学习 PDE 求 解

3. 基于深度学习的 PDE 求解方法

3.1. 深度学习求解 PDE 的方法

3.1.1. 简单 PDE 的物理信息神经网络（PINN）：将物理方程作为神经

网络的约束条件，确保网络输出符合物理规律。

算例实现：Burgers 方程；扩散方程等

3.1.2. 渗流方程的物理信息神经网络（PINN）：基于深度学习框架的

渗流方程求解方法。

算例实现：单相渗流方程求解

3.2. 优势和挑战：分析深度学习求解 PDE 的优势，以及面临的挑战。

深度学习参数 反演

4. 基于深度学习的参数反演

4.1. 参数反演在油气开发中的重要性作用

4.2. 基于深度学习的自动反演方法：

4.2.1. 数据驱动下的自动试井解释方法：基于卷积网络的自动试井解

释方法，提高解释速度和准确性

算例实现： Automatic well test interpretation method for circular

reservoirs with changing wellbore storage by using one-dimensional

convolutional neural network， Journal of Energy Resources Technology. 2023

4.2.2. 物理驱动下的自动试井解释方法：基于全连接神经网络的自动

试井解释方法，提高解释速度和准确性

算例实现：利用残差神经网络反演储层中的渗透率 K (Surrogate

modeling for porous flow using deep neural networks, Journal of Petroleum

Science and Engineering, 2022, https://doi.org/10.1016/j.petrol.2022.110460.)

论文复现与应用

5. 深度学习在油气开发中的应用：论文复现

5.1. BP 神经网络隐式法在测井数据中的应用研究：利用 BP 神经网络进行

测井数据分析

参考文献： Implicit Approximation of Neural Network and Applications. SPE

Res Eval & Eng 2009，12 (6): 921-928.

5.2. 神经网络在测井数据预测中的应用研究：侧重如何利用物理信息提高

预测精度

参考文献：硕士论文

5.3. 油气水流动的三维多相多组分非定常偏微分方程组的建立、求解及应

用研究：探讨如何建立和求解复杂的 PDE 方程组，并在油气开发中应

用

参考文献：Surrogate modeling for porous fl ow using deep neural networks,

Journal of Petroleum Science and Engineering, 2022, 213, 110460

5.4. 人工智能技术在油气开发中的应用研究：特别是在处理大数据方面的

应用，如气田开发。

参考文献：Deep learning-based analysis of the main controlling factors of

different gas-fields recovery rate, Energy，2023, 285, 15, 128767, (代码不公

开)

5.5. 基于非结构 PEBI 网格的水驱、化学驱、致密油、页岩气开发中的流动

规律数值模拟软件的研发与应用介绍：介绍系列工业软件，这些软件

在解决生产制度优化、井网优化等关键技术难题中的应用

进展与展望

6. 人工智能方法在油气田开发中的应用：进展与展望

6.1. 总结人工智能方法在油气田开发研究领域的进展：包括数据驱动方法、

物理驱动人工神经网络 PDE 求解器和数据与物理共同驱动方法。

6.2. 未来发展趋势：探讨大语言模型在油气田开发中的应用潜力。

四、主讲老师： “双一流”及“211 工程”建设高校教授带领团队讲授。研究方向：偏微分方程智能求解方

法，油气藏流动大模型，油气大数据，工业软件研发等。代表性成果：揭示致密油藏流动规律的

物理机制，提出了具有颠覆性的偏微分方程智能求解方法，建立系列智能反演新方法，建立了系

列油气水流动新模型与新方法。发表论文 100 多篇，其中 SCI 收录 70 余篇；授权发明专利 15 项。

五、培训时间：

2025 年 01 月 18 日-01 月 21 日 在线直播（授课 4 天）

六、报名费用：

每人￥4500 元（含报名费、培训费、资料费）

2025 年 1 月 1 日前报名缴费可享受 200 元早鸟价优惠；

参加过我单位举办的其它课程的老学员，可享受额外 200 优惠；

费用提供用于报销的正规机打发票及盖有公章的纸质通知文件；

如需开具会议费的单位请联系招生老师索取会议邀请函；

七、增值服务：

1、凡报名学员将获得本次培训电子课件及案例模型文件；

2、培训结束可获得本次所学专题课程全部无限次回放视频；

3、参加培训并通过试的学员，可以获得：主办方北京软研国际信息技术研究院培训中心颁

发的《 深度学习油气开发技术与应用工程师 》专业技能结业证书；

八、联系方式：

官方联系人:互动派科宇老师

电话、微信：13520456594

官方座机：010-56245524

官方网址：www.hdpaii.com