CN104166806B - 一种井间示踪曲线聚类分析方法及装置 - Google Patents
一种井间示踪曲线聚类分析方法及装置 Download PDFInfo
- Publication number
- CN104166806B CN104166806B CN201410422570.XA CN201410422570A CN104166806B CN 104166806 B CN104166806 B CN 104166806B CN 201410422570 A CN201410422570 A CN 201410422570A CN 104166806 B CN104166806 B CN 104166806B
- Authority
- CN
- China
- Prior art keywords
- curve
- tracer
- well
- inter
- distance
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Expired - Fee Related
Links
Landscapes
- Complex Calculations (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供了一种井间示踪曲线聚类分析方法及装置,其中,本发明方法通过对实测数据进行标准化处理,曲线分段线性化处理、计算无因次示踪曲线间的形态距离、井间无因次示踪曲线自动聚类算法处理后,实现井间示踪曲线自动聚类计算与分析,并最终对新测示踪曲线的分析。在此基础上,本发明进一步提供了一种与上述方法相对应的井间示踪曲线聚类分析装置。本发明对复杂的示踪曲线标准化处理,实现大批量井间示踪曲线的科学、快速分析,使得对大批量井间示踪曲线的分类研究有了明确的技术手段,提高井间示踪曲线解释水平。
Description
技术领域
本发明属于油井检测技术领域,尤其涉及一种井间示踪曲线聚类分析方法及装置。
背景技术
井间示踪测试技术是认识油藏井间连通性质的有效手段之一,井间示踪曲线通过示踪测试得到。井间示踪曲线可以分为两种:一是反映监测过程中示踪产出浓度变化的浓度-时间关系曲线;二是反映监测过程中示踪剂产出质量变化的累积产出质量-时间关系曲线(简称累产质量曲线)。目前现场解释人员关注最多的是浓度-时间关系曲线。对现场测试的大量示踪曲线而言,只有当原始数据的绝对值以及动态趋势都接近时,这些曲线才能表现出相近或类似。实际情况是不同的注采井间由于存在井距、连通类型、流动能力、示踪剂类型、地层背景值、吸附损失等差异,不同井测得井间示踪曲线数据点的数量级和量纲不一,示踪曲线波峰位置、形态上差异大,无法直接进行聚类分析。如图1和图2所示,两条曲线从直观地来对比,波峰出现的位置和形态均较接近,但纵坐标数量级不同,并不能判断两条曲线反映的是相同的示踪剂产出规律即相同的井间连通性质。
示踪监测主要关注的是示踪剂突破后形成的波峰段曲线对应的产出规律。经分析,示踪剂类型、地层本底浓度、井距等因素对该波峰段曲线在坐标轴上的位置、形态产生影响,从而干扰聚类分析。因此需要对示踪曲线所在的纵坐标进行标准化,消除示踪剂类型、地层本底浓度、数量级的干扰;对横坐标进行标准化,消除井距的干扰。由于现场取样测得的浓度为示踪剂浓度与本底浓度之和,监测得到的累积产出质量曲线整体为一条递增的曲线,通过对累产质量曲线的标准化处理即可有效消除井距差异、本底差异以及示踪剂类型差异造成的对曲线聚类的干扰,并保持原有的曲线所反映的示踪剂产出信息。从消除原始数据量纲和数量级入手,从示踪曲线波峰变化的动态趋势上挖掘和分析不同曲线所代表的示踪剂产出规律特征。
井间示踪曲线是一种典型的时间序列曲线。对一个油藏测试得到的大量井间示踪曲线进行评价,实际上是一个大规模的时间序列曲线的归类与分析问题。常规方法是对每一条曲线进行分析,但这种方法在存在大量曲线时费时费事,且不具整体代表性,因此对大规模的时间序列数据进行描述分析,曲线的分类即聚类是一种有效的前期处理技术。
有关聚类分析方法的研究开始于20世纪60年代。在大规模时序曲线聚类分析问题中,曲线种类的多寡主要由两个因素决定:(1)原始时序数据的量纲,表现为绝对值的大小;(2)原始曲线的形态,表现为曲线变化的动态趋势。一般说来,原始数据量纲差距越大,曲线形态变化越丰富,种类也就越多,需要进行建模的数量相应也就越多。对于不同的曲线,只有当原始数据的绝对值以及动态趋势都接近时,这些曲线才能表现为相近或类似。由于实际数据往往绝对值大小差距很大,表现在曲线的实际形态上也千差万别,从而掩盖了曲线内在的相似点。因此,要减少曲线聚类分析工作量,则必须要首先消除原始数据的量纲,从曲线变化的动态趋势上挖掘其相似点,并且使之呈现出良好的规律性。
聚类分析中的无量纲化方法主要有:(1)通过变量取值的最大值和最小值将原始数据转换为界于某一特定范围内的数据,从而消除量纲和数量级的影响,解决不同度量的问题;(2)每一变量值与其平均值之差除以该变量的标准差,无量纲后各变量平均值为0,标准差为1,从而消除量纲与数量级影响;(3)每一变量值除以该变量的平均值,无量纲后各变量均值都为1,标准差为原始变量的变异系数;(4)每一变量值除以该变量的标准差,无量纲化后各变量标准差均为1。
在曲线聚类分析中,一个很关键的问题就是对不同曲线形态的识别。目前使用的曲线形态相似性度量的方法大都是基于欧氏距离的,存在如下缺陷:(1)不具有形态识别能力;(2)无法有效体现动态变化趋势的相似性。
如图3所示A、B、C三条曲线,A与B的形态变化相反,与C的形态变化趋势相同,但基于欧氏距离的计算,会认为A,B的相似性大于A,C;(3)不能识别时间序列在不同分辨率下的模式变化。
发明内容
本发明的目的在于提供一种井间示踪曲线聚类分析方法及装置,旨在实现大批量井间示踪曲线的科学、快速分析,提高井间示踪曲线解释水平,帮助研究人员从整体上认识整个油藏井间连通性质,进而采取针对性的油藏开发工艺。
本发明是这样实现的,一种井间示踪曲线聚类分析方法,包括以下具体步骤:
(一)对实测数据进行标准化处理
示踪剂监测过程中,突破后监测到的样品浓度由本底浓度逐渐上升到顶峰,然后又重新回落到本底浓度。对这段时间内监测得到的累积产出质量曲线进行标准化处理得到无因次示踪曲线,消除横坐标和纵坐标的量纲和数量级。无因次示踪曲线在横坐标和纵坐标上的取值范围均变换到[0,1]区间,同时保留了原累积产出质量曲线所反映的示踪剂产出特征。标准化处理后的无因次示踪曲线起点坐标(0,0)对应原曲线上的示踪剂突破点坐标;终点坐标为(1,1),对应原曲线上波峰降为本底浓度处的坐标(多峰的以最后一个峰降为本底浓度值为界)。
(二)曲线分段线性化处理
为提高后续聚类算法计算精度,把每条无因次示踪曲线在(0,0)~(1,1)之间分为若干小段,原曲线由若干近似的直线段组成。分段数的取值为标准化后的示踪曲线包含的数据点数的公约数(1和数据点数本身除外),例如标准化后的曲线含50个数据点,则分段数可以为2、5、10、25。用于同一次计算的批量曲线的分段数必须相同,实际计算时分段数可根据计算需要人为设置。
(三)计算无因次示踪曲线间的形态距离
给定任意两条无因次示踪曲线,计算两条曲线上按时间顺序对应的各分段直线之间的距离,对距离求和得到两条曲线的形态距离。两条示踪曲线形态距离越小,则说明这两条曲线形态越接近,变化趋势越趋于一致,属于同类曲线的可能性越大。为使最终的聚类结果达到一定的精度,应把无因次示踪曲线各类中所有曲线之间的相似度控制在一定的范围之内,该“范围”则被称为该曲线类的“相似精度阈值”。
(四)井间无因次示踪曲线自动聚类算法
对于曲线集合C(L1,L2,...,Lm)(Lm表示编号为m的曲线),设定曲线聚类的相似精度阀值为T,计算结果应是同类曲线间的相似度高,不同类曲线之间的差异度大。算法如上所述,在此不再赘述。
(五)井间示踪曲线自动聚类计算与分析的实现
根据建立的自动聚类方法,编制井间示踪曲线聚类分析程序。
把大量经过预处理的示踪样本曲线数据输入程序,通过程序运行计算得到批量示踪曲线基于形态距离最小的自动聚类结果,形成不同类型曲线的样本库,同时得到各曲线类的特征曲线,建立特征曲线图版。
采用积分的方法,计算各样本曲线和特征曲线对应的特征值(即曲线与x轴所围面积)。分析各型特征曲线与y=x线的位置关系,结合实验或典型区块测试得到的不同井间连通性质对应的理论特征曲线和特征值,判断各曲线类型所揭示的井间地下连通性质,实现聚类计算结果与井间连通性质的对应。
(六)新测示踪曲线的分析
随着油田的开发,不断会有新的示踪测试。新测示踪曲线经标准化处理后,计算其特征值,对其进一步分析可采取两种方式:一是直接与现有的各类型特征曲线图版和特征值对比;二是把新测曲线输入计算软件,对其进行聚类计算。新测示踪曲线与哪条标准曲线形态和特征值接近,则该曲线就归为哪种类型,该曲线放入相应类型的曲线样本库实现对样本库的更新;若新测示踪曲线与所有特征曲线均差异大,则归为新的一类,结合实验理论曲线或典型区块特征曲线分析其所代表的连通性质,建立一个新类型的特征曲线库。曲线样本库更新到一定程度后,重新采用自动聚类算法进行计算,对各类型特征曲线和特征值进行调整,得到新的特征曲线图版和样本库,实现动态更新。
在此基础上,本发明进一步提供了一种与上述方法相对应的井间示踪曲线聚类分析装置。
附图说明
图1是现有技术中TK403-TK410实测浓度曲线图;
图2是现有技术中TK458-TK467实测浓度曲线图;
图3是现有技术中欧氏距离存在的缺陷图;
图4是本发明井间示踪曲线聚类分析方法的步骤流程图;
图5是本发明井间示踪曲线聚类分析装置的结构示意图;
图6为本发明实施例中TK426CH-TK468CH实测浓度曲线;
图7为本发明实施例中TK426CH-TK468CH实测浓度曲线对应的整个监测过程的示踪剂累积产出质量曲线(含地下的示踪剂本底);
图8为本发明实施例中TK426CH-TK468CH实测无本底的累积质量曲线;
图9为在图8基础上进行标准化后的TK426CH-TK468CH无因次累积产出质量曲线;
图10为本发明实施例中TK221-TK214实测浓度曲线;
图11为本发明实施例中TK221-TK214实测浓度曲线对应的整个监测过程的示踪剂累积产出质量曲线(含地下的示踪剂本底);
图12为本发明实施例中TK221-TK214实测无本底的实测累积产出质量曲线;
图13为在图12基础上进行标准化后的TK221-TK214无因次累积产出质量曲线;
图14为本发明实施例中七元模式图;
图15是本发明实施例中曲线形态实例图;
图16是本发明实施例中31条曲线聚类计算结果;
图17是本发明实施例中TK442-TK455实测浓度曲线;
图18是本发明实施例中TK835CH2-S86实测浓度曲线。
具体实施方式
本发明提供的技术方案在于,一种井间示踪曲线聚类分析方法,如图4所示,包括以下步骤:
S1、对实测数据进行标准化处理得到无因次示踪曲线;
在步骤S1中,所述标准化处理包括以下步骤:取示踪浓度曲线上示踪剂突破到浓度恢复到本底浓度这段时间内监测的浓度数据作为待处理的数据段(多峰的以最后一个峰降为本底浓度的点为界),得到相应的累积产出质量曲线,对质量曲线进行标准化处理得到无因次示踪曲线,消除横坐标和纵坐标的量纲和数量级;
S2、把每条无因次示踪曲线在(0,0)~(1,1)之间分为若干小段,原曲线由若干近似的直线段组成;
S3、给定任意两条无因次示踪曲线,计算两条曲线上按时间顺序对应的各分段直线之间的距离,对距离求和得到两条曲线的形态距离;
S4、根据所述形态距离建立井间无因次示踪曲线自动聚类算法;
在步骤S4中,所述自动聚类方法的建立包括以下步骤:
(1)计算曲线集合C中两两曲线之间的形态距离,选取两两之间形态距离最大的一条曲线,即为a;
(2)将a归入曲线类C1中,原曲线集合变为C=C-C1;
(3)在曲线集合C中,计算各条曲线与集合C1质心曲线的距离,得到最小距离所对应的曲线b,并记C′1=C1+b;
(4)计算形态距离D(C′1),如果D(C′1)>T,则算法转到步骤(1),否则将b归入曲线类C1中,分别记C1=C1+b;原曲线集合变为C=C-C1,算法转到步骤(3);
(5)当C为空集时,算法终止。
S5、根据所述自动聚类方法计算得到批量示踪曲线基于形态距离最小的自动聚类结果,形成不同类型曲线的样本库,同时得到各曲线类的特征曲线,建立特征曲线图版;
S6、采用积分的方法计算各样本曲线和特征曲线对应的特征值,分析各型特征曲线与y=x线的位置关系,结合实验或典型区块测试得到的不同井间连通性质对应的理论特征曲线和特征值,判断各曲线类型所揭示的井间地下连通性质,以使聚类计算结果与井间连通性质的对应;
S7、将新测示踪曲线经标准化处理后,计算其特征值,根据所述自动聚类算法的计算结果对新测示踪曲线进行归类。
在步骤S7中,新测示踪曲线经标准化处理与上述步骤S1中实测数据进行标准化处理方法相同,在此不再赘述。
S8、在曲线样本库更新到一定程度后,重新采用自动聚类算法进行计算,对各类型特征曲线和特征值进行调整,得到新的特征曲线图版和样本库,进行动态更新。
本发明提供的又一技术方案在于,一种井间示踪曲线聚类分析装置,如图5所示,包括:
预处理模块1,用于对实测数据进行标准化处理得到无因次示踪曲线;
曲线分段线性化处理模块2,用于把每条无因次示踪曲线在(0,0)~(1,1)之间分为若干小段,原曲线由若干近似的直线段组成;
形态距离计算模块3,用于给定任意两条无因次示踪曲线,计算两条曲线上按时间顺序对应的各分段直线之间的距离,对距离求和得到两条曲线的形态距离;
自动聚类算法建立模块4,用于根据所述形态距离建立井间无因次示踪曲线自动聚类算法;
自动聚类计算模块5,用于根据所述自动聚类方法计算得到批量示踪曲线基于形态距离最小的自动聚类结果,形成不同类型曲线的样本库,同时得到各曲线类的特征曲线,建立特征曲线图版;
自动聚类分析模块,用于采用积分的方法计算各样本曲线和特征曲线对应的特征值,分析各型特征曲线与y=x线的位置关系,结合实验或典型区块测试得到的不同井间连通性质对应的理论特征曲线和特征值,判断各曲线类型所揭示的井间地下连通性质,以使聚类计算结果与井间连通性质的对应;其中,所述预处理模块1、曲线分段线性化处理模块2、形态距离计算模块3、自动聚类算法建立模块4、自动聚类计算模块5以及自动聚类分析模块6依次连接。
更进一步的,该装置还包括新测示踪曲线归类模块7,用于将新测示踪曲线经标准化处理后,计算其特征值,根据所述自动聚类算法的计算结果对新测示踪曲线进行归类;其中,所述新测示踪曲线归类模块7与自动聚类分析模块6连接。
更进一步的,该装置还包括动态更新模块8,用于在曲线样本库更新到一定程度后,重新采用自动聚类算法进行计算,对各类型特征曲线和特征值进行调整,得到新的特征曲线图版和样本库,进行动态更新;其中,所述动态更新模块8与新测示踪曲线归类模块7连接。
该装置与上述井间示踪曲线聚类分析方法相对应,以上述方法的原理以及有益效果对该装置做相同解释,在此不再赘述。
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
一种井间示踪曲线聚类分析方法,所述方法的流程如下:
(一)对实测数据进行标准化处理
(1)消除累积产出质量-时间曲线纵坐标的量纲和数量级
测试期间,由于注采井工作制度基本不变,则每次取样对应的示踪剂产出体积Vi可看作一定值,根据公式1,在去除本底值的前提下把所有的累积产出质量数据归一化。去掉地层的示踪剂本底浓度值后,示踪剂突破前监测得到的累积产出质量曲线上各点的纵坐标值均为0。
式中m′k——第k次取样监测对应的示踪剂无因次累产质量,值域[0,1];
c0——示踪剂本底浓度值;
ci——第i次取样测试得到的示踪剂产出浓度,示踪剂突破前其值等于c0;
Vi——第i次取样对应的产出体积;
n——总的取样监测次数。
(2)消除累积产质量-时间曲线横坐标量纲
把示踪剂突破开始的时间点作为坐标轴新的原点,根据式2对示踪剂突破到监测结束这段时间在[0,1]区间进行无因次化,消除横坐标量纲。
式中,
t′k——无因次监测时间,值域[0,1];
T——总的监测时间;
tk——第k个监测时序点,取值[1,T];
tcp——注示踪剂突破时间。
综上,整个变换过程为:取示踪浓度曲线上示踪剂突破到浓度恢复到本底浓度这段时间内监测的浓度数据(对于多峰曲线应包含监测期间所有的波峰数据)作为待处理的数据段,得到相应的累积产出质量曲线;对波峰浓度曲线对应累积产出曲线进行归一化处理。
具体实例1:以TK426CH井为注入井,TK468CH井为产出井,监测到示踪剂在TK468CH井突破的时间为24d(图6中的A点),在监测的第43d产出浓度达到峰值,在监测的第57d监测到产出液示踪剂浓度恢复到本底浓度0.0018mg/L(图6中的B点),A、B之间的曲线段表示:示踪剂在生产井TK468CH突破后监测浓度由本底浓度升高到峰值又重新恢复至本底浓度。
整个监测过程持续200d,共取样200个,结果如图7~9所示,其中,图7中曲线上的A-B段对应图6上的A~B段;图8为实测无本底的累积质量曲线;图9中曲线原点对应图8的A点,终点对应图8的B点。
具体实例2:以TK221井为注入井,TK214井为产出井,监测到示踪剂在TK221井突破的时间为29d(图10中的A点),曲线存在两个波峰,在监测的第36d和71d产出浓度达到峰值,在监测的第74d监测到产出液示踪剂浓度恢复到本底浓度0.0012mg/L(图10中的B点),A、B之间的曲线段表示:示踪剂在生产井TK221突破后监测到了两个浓度波峰,整个监测过程持续114d,共取样114个。如图11~13所示,其中,图11为曲线上的A~B段对应图8上的A~B段;图13的曲线原点对应图12的A点,终点对应图12的B点。
通过以上变换消除了各条曲线纵坐标之间的数量级差异和波峰在横坐标上的位置差异,并保持了原监测曲线有效部分的变化趋势,所有曲线均处于同一坐标系下进行比较分析。
(二)曲线分段线性化处理
假设长度为L的时间序列的n段分段线性化模型表示为S(式3所示)。xiS,xiE(i=1,2,...,n)分别表示第i段的起始值和终止值,ti表示第i段结束的时间,n表示整个时间序列划分的直线段数目,tn=L。
S={(y1S,y1E,t1),(y2S,y2E,t2),...,(yiS,yiE,ti),...(ynS,ynE,tn)} (3)
模式区分阈值th可以根据需要主观确定,一般取0.05~0.2之间。
一个时间序列曲线S的形态可以表示为(模式,时刻)对的形式,如式4所示
其中,mi∈M,i=1,2,...,n,ti...tn为该段的结束时间,n为时间序列的分段数。Ti表示S中的第i个分段(xiL,xiR,ti),K(Ti)表示S中第i个分段的斜率。将模式的变化表示为七元集合{快速下降,保持下降,平缓下降;水平;平缓上升;保持上升;快速上升},使用者根据需要对模式进行细分或泛化,遵循“模式差异大,则数字距离大”的原则,使用不同的数字表示。
首先判断S中第一段斜率k1,然后依次逐段比较斜率ki(i=1…n),其中,Δk=k(i+1)-ki。确定各段模式,如下表1所示:
表1形态模式列表
将上述模式对应表示为M={-3,-2,-1,0,1,2,3},如图14所示。
实例:如图9所示TK426CH-TK468CH无因次累产质量曲线包含50个点,则时间序列长度L=50。把该曲线分为n=5段近似的直线段,则分段线性化模型S表示为:S={(y1S,y1E,10),(y2S,y2E,20),...,(yiS,yiE,ti),...(y10S,y10E,50)},模式区分阈值取值为th=0.1.第1个分段表示为(y11,y15,10),采用七元集合描述各分段的曲线形态,可分为{平缓上升,保持上升,快速上升,保持上升,平缓上升},对应的M={1,2,3,2,1},则该曲线的整体形态可表示为
(三)计算无因次示踪曲线间的形态距离
对于长度不等的两条时间序列曲线,首先采用相互投影法对需要计算距离的两条曲线进行齐序列处理,使两条时间序列曲线每一个模式的开始和结束时间相等。
示踪曲线(时间序列)的总长度为L,共有齐序列n段(分段数可根据计算需要调整),每一段的作用时间为tih,在这一时间段内作用强度的变化为Aih,即tih=t(i+1)-t(i),Aih=yiE-yiS,Mi是经过齐序列处理后序列形态的符号表示。记由n个连续观测的数据点xi1,xi2,...,xin构成的曲线Li=Li(xi1,xi2,...,xin)。则两条曲线Li与Lj之间形态距离可以定义
两条时间序列曲线的形态距离越小,两条时间序列曲线之间的形态越接近。
一个曲线类的质心等于该类曲线各分量点的均值。记曲线类C(L1,L2,...,Lm),其中Li=Li(xi1,xi2,...,xin),1≤i≤m,曲线类C的质心定义为
若有曲线类C(L1,L2,...,Lm),以及曲线Lj(xj1,xj2,...,xjn),其中根据式5和式6可以计算得到曲线类C质心曲线与曲线Lj之间的形态距离,值越小则Lj与曲线类C的变化趋势越接近。
例:图15中TK425CH-S48和TK426CH-TK468之间的形态距离经计算大于TK442-TK482和TK426-TK468之间的形态距离,在同一坐标系下的图中反映出TK425CH-S48和TK426CH-TK468之间距离较远,变化趋势差异较大,是两类曲线;而TK442-TK482和TK426-TK468之间距离较近,变化趋势较为接近,具有归为一类的可能。
(四)无因次井间示踪曲线自动聚类算法
实例对31条无因次累产质量曲线进行了聚类计算。对于曲线集合C(L1,L2,...,L31),设定曲线聚类的相似精度阀值为T=0.1,计算结果应使同类曲线间的相似度高,不同类曲线之间的差异度大。算法如下:
(1)计算曲线集合C中两两曲线之间的形态距离,选取两两之间形态距离最大的一条曲线,即为a;
(2)将a归入曲线类C1中,原曲线集合变为C=C-C1;
(3)在曲线集合C中,计算各条曲线与集合C1的距离,得到最小距离所对应的曲线b,并记C′1=C1+b;
(4)利用步骤(3)计算曲线b与C′1的距离D(C′1),如果D(C′1)>T,则算法转到步骤(1),否则将b归入曲线类C1中,分别记C1=C1+b;C=C-C1,算法转到步骤(3);
(5)当C为空集时,算法终止。
(五)井间示踪曲线自动聚类计算与分析的实现
根据前述(一)~(四)步所述原理,编制井间示踪曲线聚类分析程序,把经过预处理的31条无因次示踪曲线数据输入程序,通过程序运行计算得到基于形态距离最小的自动聚类结果,31条样本曲线经计算分为8类,每种类型由若干样本曲线构成样本库,同时得到各曲线类的质心曲线即各曲线类的特征曲线。如图16中的a,b,c,d,e,f,g,h图所示。由聚类计算结果可知,不同类型的特征曲线形态差异较大。
采用积分的方法,计算质心曲线和各条样本曲线的特征值(即曲线与x轴所围面积),例如各质心曲线特征值如表2所示:
表2各曲线类型质心曲线特征值
图16-g中各条样本曲线的特征值如下表3所示:
表3第g类样本曲线特征值
由聚类计算结果可知,同类无因次累积质量曲线对应的特征值相差不大,现场实测浓度曲线波峰段具有相似的变化趋势,如图17和图18所示。
回到对图1和图2的比较,两条示踪曲线虽然突破时间接近且波峰形态在各自的坐标系下定性对比具有较高相似度,但经聚类计算发现两条曲线无因次化后曲线形态差异较大,曲线特征值分别为0.666和0.605,分别属于不同的曲线类型。
此外,分析各型质心曲线与y=x线的位置关系。从图16中的各条质心曲线形态可知,不同类型曲线与y=x之间的位置关系存在较大差异,反映出了示踪剂产出后不同的质量变化梯度。结合物模实验和典型区块得到的不同井间连通性质对应的理论曲线和特征值,可进一步判断不同类型曲线所揭示的井间地下连通性质。
(六)新测示踪曲线的分析
新测示踪曲线经标准化处理后,计算其特征值,对其进一步分析可采取两种方式:一是直接与图16-a,b,c,d,e,f,g,h和表2所示质心曲线形态和特征值对比;二是把新测曲线输入计算软件,对其进行聚类计算。新测示踪曲线与哪条标准曲线形态和特征值接近,则该曲线就归为对应类型,该曲线放入相应类型的曲线样本库实现对样本库的更新;若新测示踪曲线与所有特征曲线均差异大,则归为新的一类,结合实验理论曲线或典型区块特征曲线分析其所代表的连通性质,建立一个新类型的特征曲线库。曲线样本库更新到一定程度后,重新采用自动聚类算法进行计算,对各类型特征曲线和特征值进行调整,得到新的特征曲线图版和样本库,实现动态更新。
相比于现有技术的缺点和不足,本发明具有以下有益效果:本发明对复杂的示踪曲线标准化处理,实现大批量井间示踪曲线的科学、快速分析,使得对大批量井间示踪曲线的分类研究有了明确的技术手段,提高井间示踪曲线解释水平。
以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明的保护范围之内。
Claims (8)
1.一种井间示踪曲线聚类分析方法,其特征在于包括以下步骤:
S1、对实测数据进行标准化处理得到无因次示踪曲线;
S2、把每条无因次示踪曲线在(0,0)~(1,1)之间分为若干小段,原曲线由若干的直线段组成;
S3、给定任意两条无因次示踪曲线,计算两条曲线上按时间顺序对应的各分段直线之间的距离,对距离求和得到两条曲线的形态距离;
S4、根据所述形态距离建立井间无因次示踪曲线自动聚类算法;
S5、根据所述自动聚类算法计算得到批量示踪曲线基于形态距离最小的自动聚类结果,形成不同类型曲线的样本库,同时得到各曲线类的特征曲线,建立特征曲线图版;
S6、采用积分的方法计算各样本曲线和特征曲线对应的特征值,分析各型特征曲线与y=x线的位置关系,结合实验或典型区块测试得到的不同井间连通性质对应的理论特征曲线和特征值,判断各曲线类型所揭示的井间地下连通性质,以使聚类计算结果与井间连通性质相对应。
2.如权利要求1所述的井间示踪曲线聚类分析方法,其特征在于,在步骤S6之后还包括步骤:
S7、将新测示踪曲线经标准化处理后,计算其特征值,根据所述自动聚类算法的计算结果对新测示踪曲线进行归类。
3.如权利要求2所述的井间示踪曲线聚类分析方法,其特征在于,在步骤S7之后还包括步骤:
S8、在曲线样本库更新到一定程度后,重新采用自动聚类算法进行计算,对各类型特征曲线和特征值进行调整,得到新的特征曲线图版和样本库,进行动态更新。
4.如权利要求3所述的井间示踪曲线聚类分析方法,其特征在于,在步骤S1中,所述标准化处理包括以下步骤:
取示踪浓度曲线上示踪剂开始突破到浓度恢复至本底浓度这段时间内监测的浓度数据作为待处理的数据段,得到相应的累积产出质量曲线,对质量曲线进行标准化处理得到无因次示踪曲线,消除横坐标和纵坐标的量纲和数量级。
5.如权利要求4所述的井间示踪曲线聚类分析方法,其特征在于,在步骤S4中,所述自动聚类算法的建立包括以下步骤:
(1)计算曲线集合C中两两曲线之间的形态距离,选取任意两两之间形态距离最大的一条曲线,即为a;
(2)将a归入曲线类C1中,原曲线集合变为C=C-C1;
(3)在曲线集合C中,计算各条曲线与集合C1质心曲线的距离,得到最小距离所对应的曲线b,并记C′1=C1+b;
(4)计算曲线b与C′1之间的形态距离D(C′1),相似精度阀值T=0.1,如果D(C′1)>T,则算法转到步骤(1),否则将b归入曲线类C1中,分别记C1=C1+b;原曲线集合变为C=C-C1,算法转到步骤(3);
(5)当C为空集时,算法终止。
6.采用权利要求5所述井间示踪曲线聚类分析方法的一种井间示踪曲线聚类分析装置,其特征在于,包括:
预处理模块,用于对实测数据进行标准化处理得到无因次示踪曲线;
曲线分段线性化处理模块,用于把每条无因次示踪曲线在(0,0)~(1,1)之间分为若干小段,原曲线由若干的直线段组成;
形态距离计算模块,用于给定任意两条无因次示踪曲线,计算两条曲线上按时间顺序对应的各分段直线之间的距离,对距离求和得到两条曲线的形态距离;
自动聚类算法建立模块,用于根据所述形态距离建立井间无因次示踪曲线自动聚类算法;
自动聚类计算模块,用于根据所述自动聚类算法计算得到批量示踪曲线基于形态距离最小的自动聚类结果,形成不同类型曲线的样本库,同时得到各曲线类的特征曲线,建立特征曲线图版;
自动聚类分析模块,用于采用积分的方法计算各样本曲线和特征曲线对应的特征值,分析各型特征曲线与y=x线的位置关系,结合实验或典型区块测试得到的不同井间连通性质对应的理论特征曲线和特征值,判断各曲线类型所揭示的井间地下连通性质,以使聚类计算结果与井间连通性质相对应;其中,
所述预处理模块、曲线分段线性化处理模块、形态距离计算模块、自动聚类算法建立模块、自动聚类计算模块以及自动聚类分析模块依次连接。
7.如权利要求6所述的井间示踪曲线聚类分析装置,其特征在于,该装置还包括新测示踪曲线归类模块,用于将新测示踪曲线经标准化处理后,计算其特征值,根据所述自动聚类算法的计算结果对新测示踪曲线进行归类;其中,
所述新测示踪曲线归类模块与自动聚类分析模块连接。
8.如权利要求7所述的井间示踪曲线聚类分析装置,其特征在于,该装置还包括动态更新模块,用于在曲线样本库更新到一定程度后,重新采用自动聚类算法进行计算,对各类型特征曲线和特征值进行调整,得到新的特征曲线图版和样本库,进行动态更新;其中,所述动态更新模块与新测示踪曲线归类模块连接。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410422570.XA CN104166806B (zh) | 2014-08-25 | 2014-08-25 | 一种井间示踪曲线聚类分析方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410422570.XA CN104166806B (zh) | 2014-08-25 | 2014-08-25 | 一种井间示踪曲线聚类分析方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN104166806A CN104166806A (zh) | 2014-11-26 |
CN104166806B true CN104166806B (zh) | 2017-04-05 |
Family
ID=51910615
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201410422570.XA Expired - Fee Related CN104166806B (zh) | 2014-08-25 | 2014-08-25 | 一种井间示踪曲线聚类分析方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104166806B (zh) |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105091732A (zh) * | 2015-08-13 | 2015-11-25 | 国家电网公司 | 一种变压器绕组变形的检测方法及系统 |
CN107989597B (zh) * | 2017-11-15 | 2020-09-18 | 中国石油大学(北京) | 一种裂缝数据筛选方法、装置及存储介质 |
CN111173495B (zh) * | 2018-10-23 | 2023-09-26 | 中国石油化工股份有限公司 | 一种缝洞型油藏缝洞单元连通情况评价方法 |
CN110500083B (zh) * | 2019-08-05 | 2022-05-10 | 中国石油天然气股份有限公司 | 一种油水井动态连通性判别方法 |
CN115170820B (zh) * | 2022-05-13 | 2023-08-01 | 中铁西北科学研究院有限公司 | 一种应用于数据曲线过渡阶段的特征提取及界限识别方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102650207A (zh) * | 2012-05-09 | 2012-08-29 | 中国石油天然气股份有限公司 | 井间分层示踪监测方法 |
CN102953726A (zh) * | 2011-08-22 | 2013-03-06 | 中国石油大学(华东) | 一种水驱油田优势通道识别方法及装置 |
-
2014
- 2014-08-25 CN CN201410422570.XA patent/CN104166806B/zh not_active Expired - Fee Related
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102953726A (zh) * | 2011-08-22 | 2013-03-06 | 中国石油大学(华东) | 一种水驱油田优势通道识别方法及装置 |
CN102650207A (zh) * | 2012-05-09 | 2012-08-29 | 中国石油天然气股份有限公司 | 井间分层示踪监测方法 |
Non-Patent Citations (4)
Title |
---|
Characterization of fractured reservoirs using tracer and flow-rate data;Egill Juliusson et al.;《WATER RESOURCES RESEARCH》;20130508;第49卷;第 2327-2342页 * |
Determine Level of Thief Zone Using Fuzzy ISODATA Clustering Method;ShuoliangWang et al.;《Springer Science+Business Media》;20100820;第483-490页 * |
低渗透厚油层层内优势窜流通道定量识别新方法研究;刘卫等;《石油天然气学报(江汉石油学院学报)》;20100228;第32卷(第1期);第1-5页 * |
塔河油田碳酸盐岩缝洞型油藏多井缝洞单元注水开发模式;荣元帅等;《油气地质与采收率》;20130331;第20卷(第2期);第58-61页 * |
Also Published As
Publication number | Publication date |
---|---|
CN104166806A (zh) | 2014-11-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104166806B (zh) | 一种井间示踪曲线聚类分析方法及装置 | |
Carter et al. | Performance matching with constraints | |
CN102913233B (zh) | 一种基于无因次对比图版的优势流动通道识别方法 | |
CN106372402A (zh) | 一种大数据环境下模糊区域卷积神经网络的并行化方法 | |
CN109858522A (zh) | 一种基于数据挖掘的管理线损异常识别方法 | |
CN104504047B (zh) | 一种基于双层数据库的固体矿产资源储量估算系统 | |
CN106121622B (zh) | 一种基于示功图的有杆泵抽油井的多故障诊断方法 | |
CN102576370B (zh) | 空隙度分析的系统和方法 | |
CN109597757B (zh) | 一种基于多维时间序列熵的软件网络间相似度的度量方法 | |
CN108764760A (zh) | 一种基于数据挖掘的井间连通性分析与预警方法 | |
CN109252855A (zh) | 确定气井最终累积产量的方法及装置 | |
CN105574265B (zh) | 面向模型检索的装配体模型定量描述方法 | |
CN109271466A (zh) | 一种基于层次聚类与k均值算法的气象数据分析方法 | |
CN110956155B (zh) | 基于co数据的综采工作面作业工序模糊聚类识别方法 | |
CN105569639A (zh) | 一种基于地面示功图计算油井动液面的方法 | |
CN110288227A (zh) | 一种用于评价影响压裂效果主控因素的方法 | |
CN110163442A (zh) | 一种基于集成学习的气井积液预测方法 | |
CN104504236B (zh) | 泵功图计量稳定性方法 | |
CN103334740B (zh) | 考虑启动压力梯度的确定泄油前缘的方法 | |
CN103777244B (zh) | 一种地震裂缝属性体的定量分析方法 | |
CN108090653B (zh) | 一种储层的油藏类型识别方法及装置 | |
CN112049629A (zh) | 一种基于甲型水驱特征曲线的缝洞型油藏采收率预测方法 | |
CN101739396A (zh) | 基于不确定性空间数据挖掘的区域成矿预测方法 | |
CN108664678B (zh) | 一种产量预测方法 | |
CN113720952B (zh) | 用于储层解释评价的图版生成方法、装置、设备及介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20170405 Termination date: 20170825 |
|
CF01 | Termination of patent right due to non-payment of annual fee |