В современном мире широкое распространение получили методы машинного обучения. В нефтяной отрасли также заметна тенденция привлечения данных методов в контексте цифровизации и интеллектуализации всего производственного процесса. Настоящая работа посвящена разработке методики решения обратной задачи восстановления поля проницаемости нефтяного пласта при совместном использовании элементов машинного обучения и фильтрационной модели. Реализован вычислительный алгоритм, который подразумевает тесную взаимную интеграцию фильтрационной части и блока машинного обучения, результаты которого используются для параметризации физически содержательной модели. В качестве модели машинного обучения использована сеть радиально-базисных функций. Предлагаемая процедура поиска решения включает в себя численное решение прямой и сопряженной задачи для фильтрационной модели. Решение сопряженной задачи позволяет применять градиентные методы оптимизации, широко используемые в методах машинного обучения. В работе представлены результаты численного эксперимента. На примере симметричного двумерного элемента разработки получено решение задачи восстановления поля проницаемости для набора зонально-неоднородных нефтяных пластов. Для восстановленных полей характерные размеры неоднородностей с достаточной точностью совпадают с исходными. Показана принципиальная возможность качественного восстановления фильтрационно-емкостных характеристик межскважинного пространства, что невозможно при использовании классических методов интерполяции без привлечения дополнительных данных. В работе выполнено исследование влияния выбора вида управляющего параметра на поведение целевой функции и ее производной, что влияет на процесс решения обратной задачи. В результате исследования предложено использование гидродинамического сопротивления в качестве адаптируемого параметра при решении обратной задачи.
Исследование выполнено при финансовой поддержке РФФИ и Тюменской области в рамках научного проекта № 20-41-720004.