買專利賣專利找龍圖騰，真高效！ 查專利查商標用IPTOP,全免費！專利年費監控用IP管家,真方便！

龍圖騰網獲悉北京大學申請的專利基于圖神經網絡的油藏模擬代理模型的構建方法獲國家發明授權專利權，本發明授權專利權由國家知識產權局授予，授權公告號為：CN116341364B 。

龍圖騰網通過國家知識產權局官網在2025-09-19發布的發明授權授權公告中獲悉：該發明授權的專利申請號/專利號為：202310096800.7，技術領域涉及：G06F30/27；該發明授權基于圖神經網絡的油藏模擬代理模型的構建方法是由王楠哲;常海濱;張東曉設計研發完成，并于2023-01-19向國家知識產權局提交的專利申請。

本基于圖神經網絡的油藏模擬代理模型的構建方法在說明書摘要公布了：本發明公開了一種基于圖神經網絡的油藏模擬代理模型的構建方法。本發明通過使用圖神經網絡提取空間信息，除了對于規則的結構化網格，對各種非結構化網格都能夠方便地處理，對更復雜的油藏模型構建代理模型，無需特殊處理，直接將所有的非結構網格視為節點，這些節點構成圖結構，然后利用圖神經網絡提取空間信息，進而再使用長短時記憶神經網絡對輸出參數進行預測；本發明能夠高效地對不同的滲透率場下的輸出參數進行預測，前向運算效率更高，在進行不確定性量化和歷史擬合等任務時，能夠顯著地減小計算成本，提高工作效率；而且代理模型能夠方便且有效地處理不同類型網格，以及各種不規則形狀的研究區域，應用場景更為靈活。

本發明授權基于圖神經網絡的油藏模擬代理模型的構建方法在權利要求書中公布了：1.一種基于圖神經網絡的油藏模擬代理模型的構建方法，其特征在于，所述構建方法包括以下步驟： 1建立原始油藏模型： 利用油藏數值模擬器對油藏建立原始油藏模型，包括離散化的網格和節點；原始油藏模型中采用規則的或非規則的網格對油藏進行離散化，得到離散化的網格，網格的中心作為節點，并得到節點坐標； 2選取關注的參數： 選取構建代理模型時所關注的參數，即代理模型的輸入參數和輸出參數；其中輸入參數為隨空間變化的空間分布數據，輸出參數為隨時間變化的時間序列數據； 3生成輸入參數： 對步驟2中選取的輸入參數隨機生成不同的多組實現，一組實現就代表輸入參數取值的一種分布情況； 4獲取訓練數據： 將步驟3中生成的輸入參數的多組實現，分別輸入到步驟1中建立的原始油藏模型中，運行油藏數值模擬器，計算不同的輸入參數的實現對應的輸出參數的計算結果；一組輸入參數的實現與相應的輸出參數的計算結果組成數據對，多組數據對構成訓練數據集，每一個輸出參數的計算結果是一個隨時間變化的時間序列，序列長度為總模擬時間步數； 5構建代理模型： 1構建圖神經網絡： 根據步驟1中離散化的網格和節點坐標，每個節點與距其距離最近的N個節點連接形成邊，N為自然數，節點和邊共同組成圖結構；構建用來描述圖結構的鄰接矩陣，鄰接矩陣中的元素表示了節點之間連接的權重，具體計算方式如下： 其中，zi和zj分別表示圖結構中不同的兩個節點的節點坐標；Wij表示矩陣中節點坐標分別為zi和zj的兩個節點之間的連接權重；σ為歸一化系數，取值為所有節點之間距離的均值； 根據得到的鄰接矩陣，利用已有的開源深度學習程序庫對圖結構建立切比雪夫網絡ChebNet，ChebNet為基于切比雪夫多項式的圖神經網絡，以ChebNet作為圖神經網絡；采用圖神經網絡對空間分布的輸入參數通過圖卷積提取空間信息并進行降維，輸出得到隱變量列向量； 2處理隱變量列向量： 將得到的隱變量列向量進行復制，復制成與步驟4中總模擬時間步數相同的長度， 并將復制得到的隱變量列向量拼接在一起組成復制拼接后的時間序列； 3搭建長短時記憶LSTM網絡： 利用已有的開源深度學習程序庫搭建LSTM網絡，輸入為復制拼接后的時間序列，輸出為輸出參數的計算結果的時間序列； 4建立代理模型： 將圖神經網絡和LSTM網絡結合，得到油藏模擬的代理模型；在構建好的代理模型中，輸入參數經過其中的圖神經網絡得到隱變量列向量，隱變量列向量經過復制和拼接后傳到LSTM網絡部分，最終LSTM網絡輸出得到輸出參數的計算結果的時間序列，這就是構建的代理模型的前向計算流程； 6訓練代理模型： 利用步驟4得到的訓練數據集對步驟5建立的代理模型進行訓練，設定訓練的迭代次數，使用優化算法最小化模型預測輸出與真實值之間的差距，達到預先設定的迭代次數后，完成訓練代理模型，得到訓練好的代理模型； 7預測輸出參數： 將新的輸入參數的實現輸入至訓練好的代理模型中，得到對應的輸出參數的計算結果，實現對輸出參數的直接預測。

如需購買、轉讓、實施、許可或投資類似專利技術，可聯系本專利的申請人或專利權人北京大學，其通訊地址為：100871 北京市海淀區頤和園路5號；或者聯系龍圖騰網官方客服，聯系龍圖騰網可撥打電話0551-65771310或微信搜索“龍圖騰網”。