Numerical reservoir simulation has been recognized as one of the most frequently used aids in reservoir management. Despite having high calculability performance, it presents an acute shortcoming, namely the long computational time induced by the complexities of reservoir models. This situation applies aptly in the modeling of fractured reservoirs because these reservoirs are strongly heterogeneous. Therefore, the domains of artificial intelligence and machine learning (ML) were used to alleviate this computational challenge by creating a new class of reservoir modeling, namely smart proxy modeling (SPM). SPM is a ML approach that requires a spatio-temporal database extracted from the numerical simulation to be built. In this study, we demonstrate the procedures of SPM based on a synthetic fractured reservoir model, which is a representation of dual-porosity dual-permeability model. The applied ML technique for SPM is artificial neural network. We then present the application of the smart proxies in production optimization to illustrate its practicality. Apart from applying the backpropagation algorithms, we implemented particle swarm optimization (PSO), which is one of the metaheuristic algorithms, to build the SPM. We also propose an additional procedure in SPM by integrating the probabilistic application to examine the overall performance of the smart proxies. In this work, we inferred that the PSO had a higher chance to improve the reliability of smart proxies with excellent training results and predictive performance compared with the considered backpropagation approaches.

数值储层模拟已被公认为是储层管理中最常用的辅助手段之一。尽管具有较高的可计算性，但它仍然存在一个严重的缺点，即由储层模型的复杂性导致的计算时间长。这种情况适用于裂缝性储层的建模，因为这些储层具有很强的非均质性。因此，人工智能和机器学习（ML）领域通过创建一类新型的油藏建模即智能代理建模（SPM）来缓解此计算难题。SPM是一种ML方法，需要从数值模拟中提取的时空数据库才能构建。在这项研究中，我们演示了基于合成裂缝储层模型的SPM程序，这是双孔隙率双渗透率模型的表示。用于SPM的ML技术是人工神经网络。然后，我们介绍智能代理在生产优化中的应用，以说明其实用性。除了应用反向传播算法外，我们还实施了元启发式算法之一的粒子群优化（PSO）来构建SPM。通过集成概率应用程序以检查智能代理的整体性能，我们还提出了SPM中的附加过程。在这项工作中，我们推断，与考虑的反向传播方法相比，PSO具有更高的机会来提高智能代理的可靠性，并具有出色的训练结果和预测性能。用于SPM的ML技术是人工神经网络。然后，我们介绍智能代理在生产优化中的应用，以说明其实用性。除了应用反向传播算法外，我们还实施了元启发式算法之一的粒子群优化（PSO）来构建SPM。通过集成概率应用程序以检查智能代理的整体性能，我们还提出了SPM中的附加过程。在这项工作中，我们推断，与考虑的反向传播方法相比，PSO具有更高的机会来提高智能代理的可靠性，并具有出色的训练结果和预测性能。用于SPM的ML技术是人工神经网络。然后，我们介绍智能代理在生产优化中的应用，以说明其实用性。除了应用反向传播算法外，我们还实施了元启发式算法之一的粒子群优化（PSO）来构建SPM。通过集成概率应用程序以检查智能代理的整体性能，我们还提出了SPM中的附加过程。在这项工作中，我们推断，与考虑的反向传播方法相比，PSO具有更高的机会来提高智能代理的可靠性，并具有出色的训练结果和预测性能。除了应用反向传播算法外，我们还实施了元启发式算法之一的粒子群优化（PSO）来构建SPM。通过集成概率应用程序以检查智能代理的整体性能，我们还提出了SPM中的附加过程。在这项工作中，我们推断，与考虑的反向传播方法相比，PSO具有更高的机会来提高智能代理的可靠性，并具有出色的训练结果和预测性能。除了应用反向传播算法外，我们还实施了元启发式算法之一的粒子群优化（PSO）来构建SPM。通过集成概率应用程序以检查智能代理的整体性能，我们还提出了SPM中的附加过程。在这项工作中，我们推断，与考虑的反向传播方法相比，PSO具有更高的机会来提高智能代理的可靠性，并具有出色的训练结果和预测性能。