河流相油藏具有油层跨度大、含油区域分布广、储层之间的非均质性极强等特点,而长期的注水开发导致该类油藏的地质情况更加复杂。准确的识别河流相的地质特征成为设计合理的油田开发方案以及提高采收率的前提,而油藏数值模拟和自动历史拟合技术作为当今识别油藏常用的方法之一,选择合理的油藏自动历史拟合方法有助于获得油藏更为准确的储层特征信息。本文采用集合卡尔曼滤波算法实现该过程。该算法是自动历史拟合领域应用较为广泛的智能算法,但在处理强非均质油藏或同化数据量较多时容易出现滤波发散和维数灾难问题,为了解决该问题,文章提出了两种解决思路,一种是多次迭代的集合平滑算法,另外一种是基于稀疏学习的集合卡尔曼滤波改进算法。集合卡尔曼滤波算法在同化过程中需要油藏模型重新启动和考虑油藏动态情况。集合平滑是一种可行的替代方案。因为集合平滑算法只计算单个全局更新,所以它的反演与拟合效果有待改进。多次迭代的集合平滑算法使用改进的协方差矩阵进行多次同化观测数据,以便改善集合平滑算法的结果,该方法是基于线性高斯情况下单个和多个数据同化之间的等价性,避免了油藏模型的重启动并且使得油藏模型遵守物质平衡方程。此外,考虑到河流的条数、走向和连通状况等特征,构建了不同形态的河流相油藏地质知识库,增强了反演效果。针对于油藏模型维度较高的问题,提出了基于稀疏优化的地质参数提取方法并结合字典学习理论。通过综合考虑先验地质模型和观测数据,将集合卡尔曼滤波中的静态地质参数转化为稀疏向量,可以有效地提取渗透率场的特征信息,同时又大大地降低了参数维数,增强了算法的鲁棒性。与传统集合卡尔曼滤波相比,基于稀疏学习的集合卡尔曼滤波算法能够根据观测数据变化,实时跟踪优势通道变化,从而实现渗透率场的追踪反演过程。