CN102704924A - 有效干层的确定方法及装置 - Google Patents

Abstract

本发明提供一种有效干层的确定方法及装置，其中，该方法包括：根据实际干层情况选择多个判别参数；确定各判别参数的均值、方差、以及标准差；根据各判别参数的均值、方差、以及标准差获得多个新判别参数；对多个新判别参数进行标准化处理，以得到各新判别参数的特征值和特征向量；根据各新判别参数的特征值和特征向量获得多个累计贡献率；根据多个累计贡献率选取主成分；根据主成分确定主成分的隶属度函数值；根据主成分的隶属度函数值确定主成分的模糊贴近度值；根据主成分的模糊贴近度值在实际干层中确定有效干层。通过本发明，可以实现对有效可利用干层的识别，对吸水的有效干层进行注水，可以完善注采系统，提高驱油效率。

Description

有效干层的确定方法及装置

技术领域

本发明涉及油田开采技术领域，具体地，涉及一种有效干层的确定方法及装置。

背景技术

对于我国注水开发层状砂岩油藏而言，油层非均质比较严重。在进入高含水后期层间矛盾、层内矛盾、平面矛盾日益突出，出现了注采关系不清、层系调整困难等现象，对油田的稳油控水造成了较大的困难，直接影响了开发效果和经济效益。二次开发是老油田综合调整的一项重要工程，其中，重组井网结构是二次开发的一项主体技术，如何在精细研究老油田地质认识的基础上对注采关系及层系井网进行调整成为研究的重点。

因此，干层的有效利用对注采井网和层系的调整具有重要的研究意义，目前干层的识别还没有专门的研究，对于干层的利用也只是针对某个油田一些实际生产现状的研究，并没有系统的研究有效干层即可利用的干层的划分标准及如何系统的分析利用干层对注采井网和层系的影响。

也就是说，目前还无法有效地识别和利用有效干层，从而限制了对注采井网和层系技术的研究。

发明内容

本发明实施例的主要目的在于提供一种有效干层的确定方法及装置，以解决现有技术中的无法有效地识别和利用有效干层的问题。

为了实现上述目的，本发明实施例提供一种有效干层的确定方法，所述的方法包括：根据实际干层情况选择多个判别参数；确定各判别参数的均值、方差、以及标准差；根据所述各判别参数的均值、方差、以及标准差获得多个新判别参数；对所述多个新判别参数进行标准化处理，以得到各新判别参数的特征值和特征向量；根据所述各新判别参数的特征值和特征向量获得多个累计贡献率；根据所述多个累计贡献率选取主成分；根据所述主成分确定所述主成分的隶属度函数值；根据所述主成分的隶属度函数值确定所述主成分的模糊贴近度值；根据所述主成分的模糊贴近度值在所述实际干层中确定有效干层。

所述确定各判别参数的均值、方差、以及标准差包括：对所述多个判别参数分别进行标准化处理确定各判别参数的均值、方差、以及标准差。

根据所述各判别参数的均值、方差、以及标准差获得多个新判别参数包括：

根据所述各判别参数的均值、方差、以及标准差获得多个新判别参数包括：通过如下公式获得所述多个新判别参数：

$X_i=\frac{X_i^{*}-{\mathrm{\μ}}_i^{*}}{{\mathrm{\σ}}_i^{*}}$ (i＝1,…,p)

其中，p为新判别参数的数量，

表示根据实际干层情况选择的判别参数，表示

的均值，

表示

的方差。

根据所述各新判别参数的特征值和特征向量获得多个累计贡献率包括：通过如下公式获得所述多个累计贡献率：

$Z_i=\frac{\underset{k=1}{\overset{m}{\mathrm{\Σ}}}{\mathrm{\λ}}_k}{\underset{i=1}{\overset{p}{\mathrm{\Σ}}}{\mathrm{\λ}}_i}$

其中，m为主成分的数量，p为新判别参数的数量，λ表示新判别参数的特征值，∑为求和计算。

根据所述主成分确定所述主成分的隶属度函数值包括：根据所述主成分确定所述主成分的隶属度函数；根据所述主成分的隶属度函数确定所述主成分的隶属度函数值。

本发明实施例还提供一种有效干层的确定装置，所述的装置包括：判别参数选择单元，用于根据实际干层情况选择多个判别参数；判别参数标准化数据确定单元，用于确定各判别参数的均值、方差、以及标准差；新判别参数获得单元，用于根据所述各判别参数的均值、方差、以及标准差获得多个新判别参数；新判别参数标准化数据确定单元，用于对所述多个新判别参数进行标准化处理，以得到各新判别参数的特征值和特征向量；累计贡献率获得单元，用于根据所述各新判别参数的特征值和特征向量获得多个累计贡献率；主成分选取单元，用于根据所述多个累计贡献率选取主成分；隶属度函数值确定单元，用于根据所述主成分确定所述主成分的隶属度函数值；模糊贴近度值确定单元，用于根据所述主成分的隶属度函数值确定所述主成分的模糊贴近度值；有效干层确定单元，用于根据所述主成分的模糊贴近度值在所述实际干层中确定有效干层。

所述判别参数标准化数据确定单元具体包括：对所述多个判别参数分别进行标准化处理确定各判别参数的均值、方差、以及标准差。

所述新判别参数获得单元通过如下公式获得所述多个新判别参数：

$X_i=\frac{x_i^{*}-{\mathrm{\μ}}_i^{*}}{{\mathrm{\σ}}_i^{*}}$ (i＝1,…,p)

其中，p为新判别参数的数量，

表示根据实际干层情况选择的判别参数，

表示表示

的均值，

表示表示

的方差。

所述累计贡献率获得单元通过如下公式获得所述多个累计贡献率：

$Z_i=\frac{\underset{k=1}{\overset{m}{\mathrm{\Σ}}}{\mathrm{\λ}}_k}{\underset{i=1}{\overset{p}{\mathrm{\Σ}}}{\mathrm{\λ}}_i}$

其中，m为主成分的数量，p为新判别参数的数量，λ表示新判别参数的特征值。

所述隶属度函数值确定单元包括：

隶属度函数确定模块，用于根据所述主成分确定所述主成分的隶属度函数；

隶属度函数值确定模块，用于根据所述主成分的隶属度函数确定所述主成分的隶属度函数值。

借助于上述技术方案至少之一，可以实现对有效可利用干层的识别，对吸水的有效干层进行注水，可以完善注采系统，提高驱油效率。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。

图1是根据本发明实施例的有效干层的确定方法的流程图；

图2是根据本发明实施例的干层对注采关系调整示意图；

图3是根据本发明实施例的干层对层系优化调整示意图；

图4是某油田某注水井吸水剖面图；

图5是采出程度对比图；

图6是干层不利用情况示意图；

图7是有效干层进行利用的情况示意图；

图8是根据本发明实施例的有效干层的确定装置的结构框图；

图9是根据本发明实施例的隶属度函数值确定单元的结构框图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

本发明实施例提供一种有效干层的确定方法和装置。以下结合附图对本发明进行详细说明。

实施例一

本发明实施例提供一种有效干层的确定方法，如图1所示，该方法包括：

步骤101，根据实际干层情况选择多个判别参数；

步骤102，确定各判别参数的均值、方差、以及标准差；

步骤103，根据各判别参数的均值、方差、以及标准差获得多个新判别参数，即，根据各判别参数的均值、方差、以及标准差获得标准化处理后的多个新判别参数；

步骤104，对多个新判别参数进行标准化处理，即，进行特征值计算，以得到各新判别参数的特征值和特征向量；

步骤105，根据各新判别参数的特征值和特征向量获得多个累计贡献率；

步骤106，根据多个累计贡献率选取主成分；

步骤107，根据主成分确定主成分的隶属度函数值；

步骤108，根据主成分的隶属度函数值确定主成分的模糊贴近度值；

步骤109，根据主成分的模糊贴近度值在实际干层中确定有效干层。

由以上描述可以看出，通过根据实际干层情况选择多个判别参数，确定各判别参数的均值、方差、以及标准差，并获得多个新判别参数，之后对多个新判别参数进行标准化处理，以得到各新判别参数的特征值和特征向量，以获得多个累计贡献率，之后根据多个累计贡献率选取主成分，以确定主成分的隶属度函数值，进而确定主成分的模糊贴近度值，再根据主成分的模糊贴近度值在实际干层中确定有效干层，从而可以利用油田的有效干层，完善注采系统，提高驱油效率。

上述确定各判别参数的均值、方差、以及标准差包括：对多个判别参数分别进行标准化处理确定各判别参数的均值、方差、以及标准差。

上述的根据各判别参数的均值、方差、以及标准差获得多个新判别参数可以通过如下公式实现：

$X_i=\frac{X_i^{*}-{\mathrm{\μ}}_i^{*}}{{\mathrm{\σ}}_i^{*}}$ (i＝1,…,p)

其中，p为新判别参数的数量，表示根据实际干层情况选择的判别参数，

表示

的均值，

表示

的方差。

上述根据各新判别参数的特征值和特征向量获得多个累计贡献率可以通过如下公式实现：

$Z_i=\frac{\underset{k=1}{\overset{m}{\mathrm{\Σ}}}{\mathrm{\λ}}_k}{\underset{i=1}{\overset{p}{\mathrm{\Σ}}}{\mathrm{\λ}}_i}$

其中，m为主成分的数量，p为新判别参数的数量，λ表示新判别参数的特征值，∑为求和计算。

具体地，根据主成分确定主成分的隶属度函数值包括：根据主成分确定主成分的隶属度函数；根据主成分的隶属度函数确定主成分的隶属度函数值。

以下以老油田二次开发注采为例，来详细描述本发明实施例。

1、参数优选

储层的影响因素多而复杂，使得在传统的储层识别方法在实际应用过程中常遇到输入参数过多或输入参数过少等问题，并且各参数之间还存在彼此相互关联，导致信息重叠与数据冗余，影响预测的精度。因此对储层性质影响因素进行优化是对预测精度的重要保证。本发明实施例采用主成份分析方法对储层性质的影响因素进行了优化。一般评价储层的参数很多，包括孔隙度、渗透率、含油饱和度、有效厚度、孔喉半径、微电位、声波时差、电阻率、自然伽马、泥质含量、产能系数、储能系数、储渗因子、可动水指数等。

主成分分析是目前应用最广泛的一种降维技术，假设评价有效干层的影响因素有p个，即

由于对有效干层的判别参数具有不同的量纲，如果通过∑来求主成分总是会优先考虑方差大的变量，因此，为了消除量纲的不同可能带来的一些不合理影响，本发明实施例采用变量标准化的方法，若记 $E\left(X_i^{*}\right)={\mathrm{\μ}}_i^{*},$ $\mathrm{Var}\left(X_i^{*}\right)={\left({\mathrm{\σ}}_i^{*}\right)}^2,$ 则令 $X_i=\frac{X_i^{*}-{\mathrm{\μ}}_i^{*}}{{\mathrm{\σ}}_i^{*}}$ (i=1,…,p)为样本，代替原来的

进行主成分分析，均值为E(X)＝μ，协协方差为D(X)=∑。考虑它的线性变换：

$\left\{\begin{array}{c}{Z}_1=a_1^{\′}X=a_{11}{X}_1+a_{21}{X}_2+\·\·\·+a_{p1}{X}_p\\ Z_2=a_2^{\′}X=a_{12}{X}_1+a_{22}{X}_2+\·\·\·+a_{p2}{X}_p\\ \·\·\·\·\·\·\·\·\·\·\·\·\·\·\·\·\·\·\·\·\·\·\·\·\·\·\·\·\·\·\·\·\·\\ Z_p=a_p^{\′}X=a_{1p}{X}_1+a_{2p}{X}_2+\·\·\·a_{\mathrm{pp}}{X}_p\end{array}\right.---\left(1\right)$

则可得

Var(Z_i)=a′_i∑a_i       (i＝1,2,…,p)

Cov(Z_i,Z_j)=a′_i∑a_j    (i,j=1,2,…,p)    （2）

若希望用Z中的变量来代替原来的p个影响因素X₁,…,X_P，也就是要求Z₁,Z₂,…Z_q(q≤p)尽可能多的反映原来的p影响因素的信息，并且Z_i中已体现的信息不能在Z_j（i≠j），那么就要就满足下式：

并且，称Z_i为X的第i主成分。

由于实际样本的数量会很大，因此采用样本相关矩阵R来做主成份分析，

$R=\frac{1}{n-1}{X}^{\′}X---\left(4\right)$

由（3）式可知，求取主成分就是一个条件极值问题，可应用拉格朗日乘子法求解，得出若R的特征值为λ₁≥λ₂≥…≥λ_p≥0，a₁,a₂,…,a_p为相应的单位正交特征向量，则第i个主成分为：

Z=XA(i=1,2,…,p)

D(R)＝diag(λ₁,λ₂,…,λ_p)    （5）

需要说明的是，主成分分析的目的是简化数据结构，故在实际应用中一般绝不会用p个主成分，而选用m（m<p）个主成分，m取多大是一个实际的问题，因此本发明中引进贡献率。

表示主成分Z_i的贡献率。由贡献率的定义及特征值λ₁≥λ₂≥…≥λ_p≥0的关系可知，Z₁,Z₂,…Z_m(m<p)的贡献率是逐步递减的，为主成分Z₁,Z₂,…Z_m(m<p)的累计贡献率，通常取累计贡献率达到90%以上就可以。

2、有效干层的判别

模糊数学是一门用数学方法研究和处理“模糊”现象的数学科学，由于有效干层的识别属于非线性预测问题，加之地质条件复杂，因此采用模糊数学的方法来对有效干层进行识别，可以提高预测的精度。本发明实施例采用主成份分析法求解出的对判别影响比较重要的几个因素作为模糊贴近度的输入变量。

假设有效干层识别对给定的m个决策对象A={A_i|i＝1,2,…,n}进行等级分类，即在纵向上有m个层需要进行判别或者在平面上有m个块需要进行判别，等级类分为有效干层和无效干层，即，u₁,u₂，则分类问题就是求出集合A关于u₁,u₂的剖分，记为A⁽¹⁾,A⁽²⁾，这里的集合的剖分指的是根据某个条件对集合进行重新划分。

首先，经过模糊运算得出决策对象A_i关于是否为有效干层在论域u₁,u₂上的模糊子集，C_i=(C_i1,C_i2)i＝1,2,…，n，C_i成为决策向量（即对有效干层进行判别的影响因素，采用主成分分析方法优选出的影响参数）。考虑A⁽¹⁾,A⁽²⁾中每个对象对应的模糊子集，用D_i表示子集中最能体现A⁽¹⁾,A⁽²⁾的特征子集，因此将D_i称作是A⁽ⁱ⁾的特征子集。

贴近度决策法是将对任何A⁽ⁱ⁾所对应的C_i，都能通过C_i与D_i的贴近度来决定A⁽ⁱ⁾的归属。对任何C_i与所有特征子集的贴近度σ(C_i,D_j)，若σ(C_i,D_q)=max{σ(C_i,D_j)}，则A_i属于A^(q)类，即u_q类。贴近度应满足

其中： $\mathrm{\&sigma;}(\underset{~}{C},\underset{~}{C})=1;$

(Φ,U)=0;

$\mathrm{\&sigma;}(\underset{~}{C},\underset{~}{D})=\mathrm{\&sigma;}(\underset{~}{D},\underset{~}{C})$

$\underset{~}{C}\&Subset;\underset{~}{D}\&Subset;\underset{~}{E}\&DoubleRightArrow;\mathrm{\&sigma;}(\underset{~}{C},\underset{~}{E})\&le;\mathrm{\&sigma;}(\underset{~}{C},\underset{~}{D})^\mathrm{\&sigma;}(\underset{~}{C},\underset{~}{E})---\left(6\right)$

其中：

表示映射，因此采用非对称贴近度法即：

$\mathrm{\&sigma;}(\underset{~}{C},\underset{~}{D})=1-\frac{1}{n}\underset{i=1}{\overset{n}{\mathrm{\&Sigma;}}}|{\mathrm{\&mu;}}_{\underset{~}{C}}\left({\mathrm{\&mu;}}_i\right)-{\mathrm{\&mu;}}_{\underset{~}{D}}\left(u_i\right)|---\left(7\right)$

其中，

表示判别C_i子集的输入变量的隶属度函数，

表示判别D_i特征子集的隶属度函数，相应的函数可以根据实际选取的参数特征进行选取。

本发明实施例采用主成分分析统计方法、模糊贴近度方法等理论知识与油藏专家经验、精细地质研究、储层性质影响因素、动静态资料相结合，实现了对影响储层性质因素的优选，以致输入模型的参数得到优化；应用多学科资料，采用模糊贴近度理论，实现了对有效可利用干层的识别；通过油藏工程与识别结果相结合，形成了干层对注采井网和层系调整影响的技术方法，从而可以指导老油田二次开发注采关系和层系调整的优化。

以下给出一实例。

根据某油田实际生产数据，采用主成分分析方法及模糊贴近度方法对可利用干层的识别进行了计算，首先采用孔隙度、渗透率、有效厚度、孔喉半径、排驱压力、中值压力作为判别参数，统计某一口井在测井解释中解释为干层的小层，如下表1，为判别参数统计表：

表1

层号	孔隙度	渗透率	有效厚度	孔喉半径	排驱压力
						13	13.69	1.98	1.2	0.44	0.0532
15	12.31	2.01	4.1	0.28	0.0934
						24	10.52	1.03	3	0.3	0.6142

25	16.25	7.51	5	1.32	0.10478
						26	12.57	1.15	1.3	0.3	0.601
27	13.78	1.64	1.4	0.46	0.025
						33	9.24	0.21	3.5	0.15	1.2214
35	11.91	0.83	1.2	0.25	0.8122
						36	15.1	4.2	3.2	0.79	0.1776
41	10.53	0.41	2.4	0.19	1.0894
						42	14	1.2	2.1	0.32	0.068
43	11.88	0.81	2	0.25	0.8254

首先对判别参数进行标准化处理求出各参数的均值及方差，然后应用公式

(i=1,…,p)进行求解，求出孔隙度的均值为12.64、标准差为1.94；渗透率的均值为1.9、标准差为1.96；有效厚度的均值为2.53、标准差为1.19；孔喉半径的均值为0.42、标准差0.315；排驱压力的均值为0.47、标准差为0.42。得出新的判别参数表如下表2，为标准化后的判别参数统计表：

表2

层号	孔隙度	渗透率	有效厚度	孔喉半径	排驱压力
						13	0.57	0.04	-1.09	0.06	-0.99
15	-0.15	0.06	1.34	-0.45	-0.90
						24	-1.09	-0.44	0.42	-0.39	0.34
25	1.92	2.86	2.10	2.90	-0.87
						26	-0.02	-0.38	-1.01	-0.39	0.31
27	0.62	-0.13	-0.92	0.13	-1.06
						33	-1.77	-0.86	0.84	-0.87	1.79
35	-0.36	-0.55	-1.09	-0.55	0.81
						36	1.32	1.17	0.59	1.19	-0.70
41	-1.09	-0.76	-0.08	-0.74	1.47
						42	0.74	-0.36	-0.34	-0.32	-0.96
43	-0.38	-0.56	-0.42	-0.55	0.85

然后，将数据代入求出各类参数的特征向量及特征值，其中，特征值为42.77、13.38、4.16、0.47、0.08，与特征值相应的特征向量为：[-0.4922 -0.5116 -0.2746 -0.5136 0.3961]，[-0.3619 0.187 0.7547 0.1389 0.4952]，[0.16 0.2416 -0.5139 0.4149 0.6927]，[0.77 -0.2 0.27 -0.42 0.34]，[-0.09 0.78 -0.13-0.61 0.01]。

由此可知累计贡献率，具体如表3所示的主成分累计贡献率表：

表3

主成分	Z1	Z2	Z3	Z4	Z5
						累计贡献率	0.7	0.92	0.99	0.9998	1

一般主成份分析取累计贡献率达到70%以上，为了达到更加精确的目的本发明取累计贡献率达到90%以上，因此选取Z₁,Z₂主成分。

由Z₁,Z₂的特征向量为[-0.4922 -0.5116 -0.2746 -0.5136 -0.3961]和[-0.3619 0.187 0.7547 0.1389 0.4952]得到：

Z₁=-0.4922X₁-0.5116X₂-0.2746X₃-0.5136X₄+0.3961X₅

Z₂=-0.3619X₁+0.187X₂+0.7547X₃+0.1389X₄+0.4952X₅

得到优选的影响因素为表4，为优选因素影响表：

表4

层号	Z1	Z2
			13	-1.5033	-0.4247
15	0.5686	-0.4502
			24	0.7434	0.9812
25	1.3968	-4.8189
			26	-0.7267	0.8047
27	-1.4499	-0.4727
			33	1.8793	2.2364
35	-0.4705	1.3612
			36	0.005	-2.2987
41	0.8171	1.9096
			42	-1.1116	-0.3026
43	0.0604	1.208

选取影响因子Z的隶属度函数为：

$\mathrm{\&mu;}\left(Z_i\right)=\left\{\begin{array}{cc}1-\frac{1}{2}\exp -{\left(\frac{Z_{\mathrm{ij}}-{\stackrel{\&OverBar;}{Z}}_i}{S_i}\right)}^2& Z_{\mathrm{ij}}\&le;{\stackrel{\&OverBar;}{Z}}_i\\ \exp -{\left(\frac{Z_{\mathrm{ij}}-{\stackrel{\&OverBar;}{Z}}_i}{S_i}\right)}^2& {\stackrel{\&OverBar;}{Z}}_i+S_i>Z_{\mathrm{ij}}\&GreaterEqual;{\stackrel{\&OverBar;}{Z}}_i\\ 0& Z_{\mathrm{ij}}>{\stackrel{\&OverBar;}{Z}}_i+S_i\end{array}\right.$

其中：

表示变量Z_i的均值，Z₁的均值为0.017，Z₂的均值为-0.022，S_i表示Z_i的方差，其中Z₁的方差为1.117，Z₂的方差为1.948。

由此得到Z的隶属度函数值为表5所示：

表5

层号	Z1	Z2
			13	0.38	0.49
15	1.03	0.49
			24	1.05	1.09
25	0	-3.19
			26	0.474	0.47
27	0.39	0.49
			33	0	0
35	0.49	0.41
			36	0.5	0.19
41	1.06	1.38
			42	0.44	0.5
43	1	1.14

由D₁=(1,0) D₂=(0,1)表示无效干层和有效干层，通过（7）式进行计算得到表6所示的模糊贴近度值：

表6

层号	Z1	Z2
			13	0.62	0.41

15	0.24	1.32
			24	1.19	1.11
25	11.18	17.561
			26	0.5	0.51
27	0.61	0.41
			33	1	1
35	0.43	0.59
			36	0.28	0.91
41	1.91	1.27
			42	0.56	0.45
43	1.30	1.02

经过计算结果可知12个样本中有效干层为15、25、26、33、35、36层，无效干层为13、24、27、41、42、43，通过如图4所示的实际的吸水资料数据与计算结果进行对比，26、35层位无效干层并没有吸水。由此证明计算结果的对有效干层的判别确率达到了83.33%。

通过判别结果可对有效的干层15、25、35、36进行注水，利用其吸水状况对周围油井进行注采连通利用，使得注采井网能够更加完善，水驱控制程度能够提高。同时对注水井的层系调整进行优化，将有效干层划分到可利用的储层中，进行层系调整划分，使层系更加优化，从而提高油田的采出程度。

在实际操作中，油田常出现纵向上砂泥岩频繁互层，加上厚、薄砂体连通方式的复杂性以及单成因砂体自身的岩性和物性的空间差异导致了储层复杂的结构非均质性，致使部分储层砂体孔喉结构细，砂体致密，在生产上表现出不同砂体出油能力差异大，甚至部分砂体在试油或生产时不出油，也就是所谓的干砂层，但在油田实际生产过程中，这些所谓的干砂层在油井生产过程中，由于层间非均质性的影响，抑制了储层砂体本身能力的发挥，被认为是无效储层。但是对于注水井就不尽然了，通过我们对大量油田实际测试资料可以看，部分干砂层（干砂层就是指干层）是具有一定的吸水能力，利用干层释放干层，达到提高水驱控制程度的效果。

在水井注水过程中，若不利用干层，则注入水会始终趋向砂体比较厚、物性较好的层段，对那些储层物性一般的砂体可能就会留有大量的剩余油，并且长期对储层好的层段进行注水开发后，容易出现水洗程度强，注入水在某一层快速推进形成水流优势通道，进而水淹。因此，对于这种储层非均质性严重的油田，充分利用有效干层是很有必要的。应用本发明中的有效干层识别方法，对可利用的干层识别出来后，在注水井进行射孔、注水，对完善住采井网及层系调整是有很大帮助的。

在平面上，对某一层的干层部位进行识别，同样应用本发明实施例的识别方法识别出有效干层的部位，然后根据平面上干层的部位及注水井油井的井位，完善注采关系，如图2所示，当油井周围出现可有效利用的干层时，可部署一口注水井，充分利用有效干层的吸水性能，完善油水井的主注采开发，使得井网控制程度提高，从而提高驱油效率。

在纵向上，对油田区块各井的干层应用本发明实施例中的有效干层识别方法，如图3所示，首先识别出有效可利用干层，然后利用有效干层进行注水开发，完善层系的调整，将储层物性好的层段分为一个层系，将可利用干层及储层物性相对较差的吸水层作为另一套层系开采，这样分层系开采，即对含油好的砂体进行了开采，也对出油能力相对较差的层进行了水驱，以便提高水驱控制程度及开采效果。

在实际操作中，上述计算过程可以应用数值模拟软件。以某油田一区快的实际情况为例，对干层的判别方法进行计算，图5为采出程度变化情况示意图，根据计算结果可以看出，当利用干层时，采出程度增加了两个百分点，因此可以看出干层利用对于提高采收率是有一定效果的。同时在完善注采系统方面，由图6和图7可以看出，对吸水的有效干层进行注水，可以完善注采系统，提高驱油效率。

实施例二

本发明实施例还提供一种有效干层的确定装置，如图8所示，该装置包括：

判别参数选择单元1，用于根据实际干层情况选择多个判别参数；

判别参数标准化数据确定单元2，用于确定各判别参数的均值、方差、以及标准差；

新判别参数获得单元3，用于根据各判别参数的均值、方差、以及标准差获得多个新判别参数；

新判别参数标准化数据确定单元4，用于对多个新判别参数进行标准化处理，以得到各新判别参数的特征值和特征向量；

累计贡献率获得单元5，用于根据各新判别参数的特征值和特征向量获得多个累计贡献率；

主成分选取单元6，用于根据多个累计贡献率选取主成分；

隶属度函数值确定单元7，用于根据主成分确定主成分的隶属度函数值；

模糊贴近度值确定单元8，用于根据主成分的隶属度函数值确定主成分的模糊贴近度值；

有效干层确定单元9，用于根据主成分的模糊贴近度值在实际干层中确定有效干层。

由以上描述可以看出，通过判别参数选择单元根据实际干层情况选择多个判别参数，判别参数标准化数据确定单元确定各判别参数的均值、方差、以及标准差，并由新判别参数获得单元获得多个新判别参数，之后新判别参数标准化数据确定单元对多个新判别参数进行标准化处理，以得到各新判别参数的特征值和特征向量，以使累计贡献率获得单元获得多个累计贡献率，之后主成分选取单元根据多个累计贡献率选取主成分，以使隶属度函数值确定单元确定主成分的隶属度函数值，进而由模糊贴近度值确定单元确定主成分的模糊贴近度值，再由有效干层确定单元根据主成分的模糊贴近度值在实际干层中确定有效干层，从而可以利用油田的有效干层，完善注采系统，提高驱油效率。

具体地，上述判别参数标准化数据确定单元具体包括：对多个判别参数分别进行标准化处理确定各判别参数的均值、方差、以及标准差。

上述新判别参数获得单元通过如下公式获得多个新判别参数：

$X_i=\frac{X_i^{*}-{\mathrm{\&mu;}}_i^{*}}{{\mathrm{\&sigma;}}_i^{*}}$ (i＝1,…,p)

其中，p为新判别参数的数量，

表示根据实际干层情况选择的判别参数，

表示表示

的均值，

表示表示

的方差。

上述累计贡献率获得单元通过如下公式获得多个累计贡献率：

$Z_i=\frac{\underset{k=1}{\overset{m}{\mathrm{\&Sigma;}}}{\mathrm{\&lambda;}}_k}{\underset{i=1}{\overset{p}{\mathrm{\&Sigma;}}}{\mathrm{\&lambda;}}_i}$

其中，m为主成分的数量，p为新判别参数的数量，λ表示新判别参数的特征值。

如图9所示，上述隶属度函数值确定单元7包括：

隶属度函数确定模块71，用于根据主成分确定主成分的隶属度函数；

隶属度函数值确定模块72，用于根据主成分的隶属度函数确定主成分的隶属度函数值。

上述各模块的具体执行过程，可以参见上述实施例一中的描述，此处不再赘述。

综上所述，本发明实施例提供了一种判别有效干层的主成分-模糊贴近度方案，通过该方案计算结果后对有效干层应用到注采调整及层系重组方面，通过实例分析表明，本发明实施例能有效指导油田有效干层的利用，具有很强的实用性。

本领域普通技术人员可以理解实现上述实施例方法中的全部或部分步骤可以通过程序来指令相关的硬件来完成，该程序可以存储于一计算机可读取存储介质中，比如ROM/RAM、磁碟、光盘等。

以上所述的具体实施例，对本发明的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上所述仅为本发明的具体实施例而已，并不用于限定本发明的保护范围，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (10)

1.一种有效干层的确定方法，其特征在于，所述的方法包括：

根据实际干层情况选择多个判别参数；

确定各判别参数的均值、方差、以及标准差；

根据所述各判别参数的均值、方差、以及标准差获得多个新判别参数；

对所述多个新判别参数进行标准化处理，以得到各新判别参数的特征值和特征向量；

根据所述各新判别参数的特征值和特征向量获得多个累计贡献率；

根据所述多个累计贡献率选取主成分；

根据所述主成分确定所述主成分的隶属度函数值；

根据所述主成分的隶属度函数值确定所述主成分的模糊贴近度值；

根据所述主成分的模糊贴近度值在所述实际干层中确定有效干层。

2.根据权利要求1所述的方法，其特征在于，所述确定各判别参数的均值、方差、以及标准差包括：

对所述多个判别参数分别进行标准化处理确定各判别参数的均值、方差、以及标准差。

3.根据权利要求1所述的方法，其特征在于，根据所述各判别参数的均值、方差、以及标准差获得多个新判别参数包括：

通过如下公式获得所述多个新判别参数：

$X_i=\frac{X_i^{*}-{\mathrm{\&mu;}}_i^{*}}{{\mathrm{\&sigma;}}_i^{*}}$ (i＝1,…,p)

其中，p为新判别参数的数量，

表示根据实际干层情况选择的判别参数，

表示

的均值，表示

的方差。

4.根据权利要求1所述的方法，其特征在于，根据所述各新判别参数的特征值和特征向量获得多个累计贡献率包括：

通过如下公式获得所述多个累计贡献率：

$Z_i=\frac{\underset{k=1}{\overset{m}{\mathrm{\&Sigma;}}}{\mathrm{\&lambda;}}_k}{\underset{i=1}{\overset{p}{\mathrm{\&Sigma;}}}{\mathrm{\&lambda;}}_i}$

其中，m为主成分的数量，p为新判别参数的数量，λ表示新判别参数的特征值，∑为求和计算。

5.根据权利要求1所述的方法，其特征在于，根据所述主成分确定所述主成分的隶属度函数值包括：

根据所述主成分确定所述主成分的隶属度函数；

根据所述主成分的隶属度函数确定所述主成分的隶属度函数值。

6.一种有效干层的确定装置，其特征在于，所述的装置包括：

判别参数选择单元，用于根据实际干层情况选择多个判别参数；

判别参数标准化数据确定单元，用于确定各判别参数的均值、方差、以及标准差；

新判别参数获得单元，用于根据所述各判别参数的均值、方差、以及标准差获得多个新判别参数；

新判别参数标准化数据确定单元，用于对所述多个新判别参数进行标准化处理，以得到各新判别参数的特征值和特征向量；

累计贡献率获得单元，用于根据所述各新判别参数的特征值和特征向量获得多个累计贡献率；

主成分选取单元，用于根据所述多个累计贡献率选取主成分；

隶属度函数值确定单元，用于根据所述主成分确定所述主成分的隶属度函数值；

模糊贴近度值确定单元，用于根据所述主成分的隶属度函数值确定所述主成分的模糊贴近度值；

有效干层确定单元，用于根据所述主成分的模糊贴近度值在所述实际干层中确定有效干层。

7.根据权利要求6所述的装置，其特征在于，所述判别参数标准化数据确定单元具体包括：

对所述多个判别参数分别进行标准化处理确定各判别参数的均值、方差、以及标准差。

8.根据权利要求6所述的装置，其特征在于，所述新判别参数获得单元通过如下公式获得所述多个新判别参数：

$X_i=\frac{X_i^{*}-{\mathrm{\&mu;}}_i^{*}}{{\mathrm{\&sigma;}}_i^{*}}$ (i＝1,…,p)

其中，p为新判别参数的数量，

表示根据实际干层情况选择的判别参数，

表示表示

的均值，表示表示的方差。

9.根据权利要求6所述的装置，其特征在于，所述累计贡献率获得单元通过如下公式获得所述多个累计贡献率：

$Z_i=\frac{\underset{k=1}{\overset{m}{\mathrm{\&Sigma;}}}{\mathrm{\&lambda;}}_k}{\underset{i=1}{\overset{p}{\mathrm{\&Sigma;}}}{\mathrm{\&lambda;}}_i}$

其中，m为主成分的数量，p为新判别参数的数量，λ表示新判别参数的特征值。

10.根据权利要求6所述的装置，其特征在于，所述隶属度函数值确定单元包括：

隶属度函数确定模块，用于根据所述主成分确定所述主成分的隶属度函数；

隶属度函数值确定模块，用于根据所述主成分的隶属度函数确定所述主成分的隶属度函数值。

Images