CN105389467A - 一种获得井间连通关系的方法及装置 - Google Patents

Abstract

本发明公开了一种获得井间连通关系的方法及装置，该方法包括：获得第一油井的第一生产数据集，和第二油井的第二生产数据集，其中，第一生产数据集和所述第二生产数据集为油井在同一时间周期内的不同时间点的生产数据；基于灰色关联分析法获得所述第一生产数据集与所述第二生产数据集之间的灰色关联度系数；基于动态时间规整算法获得所述第一生产数据集与所述第二生产数据集之间的动态时间相似值；根据所述灰色关联度系数和所述动态时间相似值，获得用于表征所述第一油井和所述第二油井之间连通性能的连通系数。通过上述技术方案，解决了现有技术中因为考虑时滞性导致的井间连通关系确定不准确的技术问题，提高获得井间连通关系的准确性。

Description

一种获得井间连通关系的方法及装置

技术领域

本发明涉及物探开发技术领域，特别涉及一种获得井间连通关系的方法及装置。

背景技术

油藏井间连通性研究是注水开发设计的基础，缝洞型油藏注水后存在水驱均衡性差，部分井水窜严重等问题。因此确定井间连通性与连通程度，弄清注水井水流方向，有助于剩余油分布的定量描述，指导油田综合调整措施的实施，改善水驱开发效果。传统地质和物探(如测井、试井、地质建模等方法)研究得到的地层连通属于静态范畴，无法有效认识井间的连通性。井间储集层流体的连通属于动态范畴，因此可利用各类油藏生产动态资料分析井间连通关系。

目前，国内外研究注采连通关系的方法可分两类：

1.传统的分析方法

主要是采用工程技术上的手段，例如示踪剂测试、压力测试、干扰试井和脉冲试井等，此类方法往往需要进行正常生产之外的施工作业，费用高，使用井次有限，必须生产且产水，对于低含水井无法确定连通与否，存在多井间的干扰，极大程度的影响生产效率等问题，因此有待研究新的注采连通方法。

2.反演分析方法

水驱油藏是一个复杂的动力平衡系统，注水驱动则是一种提高油田采收率重要的方法。一般的，我们把油藏看作是一个动力学的系统，注水井注水驱动会引起连通产液井生产数据的波动，且波动幅度应与连通程度有关。基于这种思想，学者们提出了多种依托于注采数据研究井间连通性的方法。目前国内外学者主要采取相关系数法、线性回归、基于物质平衡原理的非线性反演模型等井间连通关系定量识别方法来反演出注采井之间的连通关系。也有基于曲线相似性原理进行井间连通性分析的研究，但是都是基于灰色关联法，没有考虑注采间的时滞性。

由于没有考虑注采间的时滞性，仅仅基于灰色关联法获得的井间连通关系并不准确。可见，现有技术中存在井间连通关系确定不准确的技术问题。

发明内容

本发明实施例提供一种获得井间连通关系的方法及装置，用于解决现有技术中井间连通关系确定不准确的技术问题。

本申请实施例提供一种获得井间连通关系的方法，所述方法包括：

获得第一油井的第一生产数据集，和第二油井的第二生产数据集，其中，第一生产数据集和所述第二生产数据集为油井在同一时间周期内的不同时间点的生产数据；

基于灰色关联分析法获得所述第一生产数据集与所述第二生产数据集之间的灰色关联度系数；

基于动态时间规整算法获得所述第一生产数据集与所述第二生产数据集之间的动态时间相似值；

根据所述灰色关联度系数和所述动态时间相似值，获得用于表征所述第一油井和所述第二油井之间连通性能的连通系数。

可选的，基于灰色关联分析法获得所述第一生产数据集与所述第二生产数据集之间的灰色关联度系数，包括：

根据下述公式获得所述第一生产数据集与所述第二生产数据集之间的灰色关联度系数：

$r_{ij}=\frac{\underset{k=1}{\overset{n}{\Σ}}{\mathrm{\ξ}}_{ij}\left(k\right)}{n},(k=1,2,...n)$

其中，r_ij表示所述灰色关联度系数，所述ξ_ij(k)表示所述第一生产数据集与所述第二生产数据集中对应数据项的关联度系数，n表示所述第一生产数据集或所述第二生产数据集中的数据个数。

可选的，该方法还包括：根据下述公式获得所述第一生产数据集与所述第二生产数据集中对应数据项的关联度系数：

${\mathrm{\ξ}}_{ij}\left(k\right)=\frac{({\mathrm{\Δ}}_{\min }+{\mathrm{\ρ\Δ}}_{\max })}{\left({\mathrm{\Δ}}_{ij}\right(k)+{\mathrm{\ρ\Δ}}_{\max })}$

其中，Δ_min表示所述第一生产数据集中数据与所述第二生产数据集中的数据之间的最小绝对差，Δ_max表示所述第一生产数据集中数据与所述第二生产数据集中的数据之间的最大绝对差，ρ为预设值，Δ_ij(k)表示所述第一生产数据集与所述第二生产数据集中对应位置数据之间的差值；

可选的，基于动态时间规整算法获得所述第一生产数据集与所述第二生产数据集之间的动态时间相似值，包括：

当所述第一生产数据集中数据个数为n，所述第二生产数据集中数据个数为m时，通过如下公式获得所述第一生产数据集与所述第二生产数据集中任一两个数据之间的距离：

d(q_i,c_j)＝(q_i-c_j)²

其中，q_i表示所述第一生产数据集中的任一数据，c_j所述第二生产数据集中的任一数据，i为1～n中的任一整数，j为1～m中的任一整数；

根据状态转移方程计算总共的累计距离，并记录累计次数t；

获得所述累计距离与所述累计次数t的比值作为所述动态时间相似值。

可选的，所述第一油井和所述第一油井满足以下至少一个条件：

油井之间的距离小于预设距离；

在同一时间周期内油井含水率的最大幅度值与最小幅度值之差大于第一预设阈值；及

在同一时间周期内油井产油量的最大幅度值与最小幅度值之差大于第二预设阈值。

可选的，所述第一生产数据集具体为：油井的注水数据集、产液数据集、产油数据集或含水率数据集；所述第二生产数据集具体为：所述注水数据集、所述产液数据集、所述产油数据集或所述含水率数据集。

可选的，根据所述灰色关联度系数和所述动态时间相似值，获得用于表征所述第一油井和所述第二油井之间连通性能的连通系数，包括：

根据如下公式获得所述连通系数：

S＝λ₁×r_ij+λ₂×Dtw

其中，r_ij表示所述灰色关联度系数，Dtw表示所述动态时间相似值，λ₁、λ₂分别表示所述灰色关联度系数和所述动态时间相似值对应的权值。

可选的，所述方法还包括：

判断所述连通系数是否大于设定阈值；

若所述连通系数大于所述设定阈值，确定所述第一油井和所述第二油井之间相互连通；若所述连通系数不大于所述设定阈值，确定所述第一油井和所述第二油井之间未连通。

本申请实施例还提供一种用于获得井间连通关系的装置，包括：

数据获取模块，用于获得第一油井的第一生产数据集，和第二油井的第二生产数据集，其中，第一生产数据集和所述第二生产数据集为油井在同一时间周期内的不同时间点的产油量；

数据处理模块，用于基于灰色关联分析法获得所述第一生产数据集与所述第二生产数据集之间的灰色关联度系数；基于动态时间规整算法获得所述第一生产数据集与所述第二生产数据集之间的动态时间相似值；根据所述灰色关联度系数和所述动态时间相似值，获得用于表征所述第一油井和所述第二油井之间连通性能的连通系数。

本申请实施例中的上述一个或多个技术方案，至少具有如下技术效果：

本申请实施例通过分别获得两个油井在同一时间周期内的生产数据集；并基于灰色关联分析法获得两个生产数据集之间的灰色关联度系数；及基于动态时间规整算法获得两个生产数据集之间的动态时间相似值；再根据所述灰色关联度系数和所述动态时间相似值获得用于表征该两个油井之间连通性能的连通系数，不仅通过灰色关联分析法考虑了生产数据的时间序列之间的相似度，还通过动态时间规整算法考虑了生产数据的时间序列之间的时滞性，解决了现有技术中因为考虑时滞性导致的井间连通关系确定不准确的技术问题，提高获得井间连通关系的准确性。

附图说明

图1为本申请实施例提供的一种获得井间连通关系的方法的流程图；

图2为本申请实施例提供的一种用于获得井间连通关系的装置示意图。

具体实施方式

在本申请实施例提供的技术方案中，通过综合灰色关联度分析法和动态时间规整算法来获得表征井间连通性能的连通系数，不仅考虑了生产数据的时间序列之间的相似度，还考虑了生产数据的时间序列之间的时滞性，以解决现有技术中因为考虑时滞性导致的井间连通关系确定不准确的技术问题，提高获得井间连通关系的准确性。

下面结合附图对本申请实施例技术方案的主要实现原理、具体实施方式及其对应能够达到的有益效果进行详细的阐述。

实施例一

请参考图1，本申请实施例提供一种获得井间连通关系的方法，所述方法包括：

S101：获得第一油井的第一生产数据集，和第二油井的第二生产数据集，其中，第一生产数据集和所述第二生产数据集为油井在同一时间周期内的不同时间点的生产数据；

S102：基于灰色关联分析法获得所述第一生产数据集与所述第二生产数据集之间的灰色关联度系数；

S103：基于动态时间规整算法获得所述第一生产数据集与所述第二生产数据集之间的动态时间相似值；

S104：根据所述灰色关联度系数和所述动态时间相似值，获得用于表征所述第一油井和所述第二油井之间连通性能的连通系数。

在具体实施过程中，因为相距太远的两个油井之间一般不存在连通的问题，含水率及产油量较为稳定的油井通常也不存在连通的问题，所以执行S101获得生产数据集时，可以先对油井进行筛选，筛选出满足下述至少一个条件的第一油井和第二油井：①油井之间的距离小于预设距离，该预设距离可以根据油井所处位置的地质特性进行设定，例如可以设置为20m、30m、50m；②在同一时间周期内油井含水率的最大幅度值与最小幅度值之差大于第一预设阈值，即含水率的存在剧烈波动的井点；③在同一时间周期内油井产油量的最大幅度值与最小幅度值之差大于第二预设阈值，即产油量存在剧烈波动的井点。

在确定第一油井和第二油井之后，分别获得同一时间周期内的不同时间点的第一生产数据集、第二生产数据集。一个时间周期通常可以为30天或60天。其中，油井的生产数据包括：注水量、产液量、产油量及含水率等数据，本申请可以获取各类数据作为第一生产数据集和第二生产数据集进行分析，因此第一生产数据集(第二生产数据集)具体可以为油井的注水数据集、产液数据集、产油数据集或含水率数据集。

S102：基于灰色关联分析法获得第一生产数据集与第二生产数据集之间的灰色关联度系数。

1)基于灰色关联度模型的曲线相似性分析

通过灰色关联度分析法进行多图对比，来衡量两个时间序列之间的相似度，判断生产曲线是否同节奏以确定井间连通关系。其中灰色关联度分析法根据因素之间发展趋势的相似程度，衡量因素间关联程度。

灰色关联度分析实质上是判断曲线间几何形状的差异大小。它属于几何处理的范畴，假设曲线1、2、3、4分别代表X1，X2，X3，X4四个时间序列。由于曲线1和2比较接近于平行，认为X1和X2关联度大，曲线3和4反差较大，认为X3和X4关联度小。

基于以上讨论，可把油井生产曲线分别看作两灰色序列，根据判断两条曲线的差异大小获得井间的相关程度。其中油井的产油量为灰色数序列即生产数据集，选取某一口注水井可能连通的生产井集合中的油井两两对比。

2)算法说明

假设获得的第一油井的第一生产数据集为：X_i＝{x_i(1),x_i(2),...x_i(n)}，第二油井的第二生产数据集为：X_j＝{x_j(1),x_j(2),...x_j(m)}，其中第一生产数据集中和第二生产数据集的数据1～n/m按时间先后顺序排列，n和m取相等数，计算时执行如下步骤：

(1)对生产数据进行无量纲化

(2)计算两个数据集中对应位置的数据之间的差值Δ_ij(k)：

Δ_ij(k)＝|x_i(k)-x_j(k)|,(k＝1,2,...n)

X_ij＝{Δ_ij(1),Δ_ij(2),...Δ_ij(n)}

(3)确定第一生产数据集中数据与第二生产数据集中的数据之间的最小绝(最大)对差，即两极最小(最大)绝对差：

${\mathrm{\Δ}}_{\min }=\underset{k=1}{\overset{n}{\min }}\underset{k=1}{\overset{m}{\min }}|x_j\left(k\right)-x_i\left(k\right)|$ //两极最小绝对差

${\mathrm{\Δ}}_{max}=\underset{k=1}{\overset{n}{max}}\underset{k=1}{\overset{m}{max}}|x_j\left(k\right)-x_i\left(k\right)|$ //两极最大绝对差

(4)计算第一生产数据集与第二生产数据集中对应数据项的关联度系数ξ_ij(k)：

${\mathrm{\ξ}}_{ij}\left(k\right)=\frac{\left({\mathrm{\Δ}}_{\min }+{\mathrm{\ρ\Δ}}_{\max }\right)}{\left({\mathrm{\Δ}}_{ij}\left(k\right)+{\mathrm{\ρ\Δ}}_{\max }\right)}$

其中，ρ为预设值，具体的ρ可以为0.5，一般来说，ρ越小精确度越高。

(5)计算第一生产数据集与第二生产数据集之间的灰色关联度系数r_ij：

$r_{ij}=\frac{\underset{k=1}{\overset{n}{\Σ}}{\mathrm{\ξ}}_{ij}\left(k\right)}{n},(k=1,2,...n)$

S103：基于动态时间规整算法获得第一生产数据集与第二生产数据集之间的动态时间相似值。需要说明的是，S102与S103在执行顺序无先后之分。

1)基于动态时间规整算法的曲线相似性分析

考虑到注水井的注水量改变，采油井的产量不会立即体现这个变化，会延后一段时间，存在一定的滞后性，而传统基于欧几里得距离求解时间序列相似度的算法无法有效解决该类复杂情况，因此在灰色关联基础上采用基于动态规划的动态时间规整算法对生产曲线相似度进行量化判别。动态时间规整算法(DynamicTimeWarping，DTW)是一种衡量两个时间序列之间的相似度的方法。DTW可以计算出最优相似值。

以下列两个简单序列为例：

序列A：1,1,1,10,1,1,1；

序列B：1,1,1,1,10,1,1；

若不使用DTW处理，欧式空间距离为18。

若使用DTW，将序列A中的10与序列B中的10对应，距离为0。

时滞性

不同的时间序列可能仅仅存在时间轴上的位移不同。在这些复杂情况下使用传统的欧几里得距离无法有效的求得两个时间序列之间的相似度。而由于考虑到了两个时间序列之间的时滞性问题，DTW可以针对这种情况给出较好的结果。DTW使得不在同一时间上的点进行匹配，而不是只对同一时刻的点作比较，考虑到了时滞性之后可以使结果趋于平滑。

2)算法说明：

假设第一油井和第二油井的第一生产数据集和第二生产数据集分别为：

Q＝{q₁,q₂,…,q_i,…,q_n}，q_i表示第一生产数据集中的任一数据，i为1～n中的任一整数；

C＝{c₁,c₂,…,c_j,…,c_m}，c_j所述第二生产数据集中的任一数据，j为1～m中的任一整数；Q和C中的数据按时间序列给出，其中n和m的数值可以相等，也可以不相等。

执行如下步骤：

(1)判断n是否等于m，若等于，直接比较对应位置获得动态时间相似值即可(也可以采用(2)中的算法获得动态时间相似值)，否则进入下一步；

(2)构造一个n×m的矩阵，矩阵元素d(q_i,c_j)表示q_i和c_j之间的距离，也就是数据集Q的每一个点和C的每一个点之间的相似度，距离越小则相似度越高。这里不考虑顺序，一般采用欧式距离:

d(q_i,c_j)＝(q_i-c_j)²

(3)依据状态转移方程计算总共的累计距离Dis(i,j)，并记录累计次数t；

Dis(i,j)＝d(q_i,c_j)+min{Dis(i-1,j-1),Dis(i,j-1),Dis(i-1,j)}

(4)计算最终的动态时间相似值Dtw:

$Dtw=\frac{Dis(n,m)}{t}$

S104：根据灰色关联度系数和动态时间相似值，获得用于表征第一油井和第二油井之间连通性能的连通系数S：

S＝λ₁×r_ij+λ₂×Dtw

其中，λ₁、λ₂分别表示灰色关联度系数和动态时间相似值对应的权值。

通过上述公式获得连通系数后，可以判断获得的连通系数是否大于设定阈值，其中设定阈值可以为经验阈值，由技术人员根据不同地区的地质进行不同的设置；若连通系数大于设定阈值，确定第一油井和第二油井之间相互连通；若连通系数不大于设定阈值，确定第一油井和所述第二油井之间未连通。

具体应用过程中，第一生产数据集与第二生产数据集可以是相同类型的数据集，如均为产油数据集；当然，第一生产数据集与第二生产数据集可以是不相同类型的数据集，如一个为注水数据集、另一个为产油数据集。当第一油井和第二油井分别是注水井和采油井时，通过注水数据集和产油数据集计算注水井和采油井之间的连通系数可以反映出以下方面信息：

(1)注水量与产油量的相关性能够较好地反映注采井间的连通性，当连通系数大于经验阈值时，可以确定这两个注采井间是连通的；反之低于或等于经验阈值可以认为井间是不连通的；

(2)注水量与产油量的相关性可以反映油井间的连通强弱，即连通系数的大小可以表明连通强弱；连通系数越高，说明注水井与采油井的连通程度越大，注水井对产油井的增油作用越明显；反之，则说明注水井与采油井的连通程度越小，注水井对产油井的增油作用越弱。可见，通过注水量与产油量计算获得的井间的连通系数的大小，不仅可以合理地评价井间连通性，还可以确定注水驱油效果。

实施例二

请参考图2，本申请实施例基于实施例一提供的方法，对应提供一种用于获得井间连通关系的装置，该装置包括：

数据获取模块201，用于获得第一油井的第一生产数据集，和第二油井的第二生产数据集，其中，第一生产数据集和所述第二生产数据集为油井在同一时间周期内的不同时间点的产油量；

数据处理模块202，用于基于灰色关联分析法获得所述第一生产数据集与所述第二生产数据集之间的灰色关联度系数；基于动态时间规整算法获得所述第一生产数据集与所述第二生产数据集之间的动态时间相似值；根据所述灰色关联度系数和所述动态时间相似值，获得用于表征所述第一油井和所述第二油井之间连通性能的连通系数。

通过本申请实施例中的一个或多个技术方案，可以实现如下一个或多个技术效果：

根据灰色关联度系数和动态时间相似值获得用于表征两个油井之间连通性能的连通系数，不仅通过灰色关联分析法考虑了生产数据的时间序列之间的相似度，还通过动态时间规整算法考虑了生产数据的时间序列之间的时滞性，解决了现有技术中因为考虑时滞性导致的井间连通关系确定不准确的技术问题，提高获得井间连通关系的准确性。并且，采用本申请实施例提供的上述方法，使用次数不限、费用低廉。

本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。

本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。

这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。

这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。

尽管已描述了本发明的优选实施例，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例作出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本发明范围的所有变更和修改。

显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。

Claims (9)

1.一种获得井间连通关系的方法，其特征在于，所述方法包括：

获得第一油井的第一生产数据集，和第二油井的第二生产数据集，其中，所述第一生产数据集和所述第二生产数据集为油井在同一时间周期内的不同时间点的生产数据；

基于灰色关联分析法获得所述第一生产数据集与所述第二生产数据集之间的灰色关联度系数；

基于动态时间规整算法获得所述第一生产数据集与所述第二生产数据集之间的动态时间相似值；

根据所述灰色关联度系数和所述动态时间相似值，获得用于表征所述第一油井和所述第二油井之间连通性能的连通系数。

2.如权利要求1所述的方法，其特征在于，基于灰色关联分析法获得所述第一生产数据集与所述第二生产数据集之间的灰色关联度系数，包括：

根据下述公式获得所述第一生产数据集与所述第二生产数据集之间的灰色关联度系数：

$r_{ij}=\frac{\underset{k=1}{\overset{n}{\Σ}}{\mathrm{\ξ}}_{ij}\left(k\right)}{n},(k=1,2,...n)$

其中，r_ij表示所述灰色关联度系数，所述ξ_ij(k)表示所述第一生产数据集与所述第二生产数据集中对应数据项的关联度系数，n表示所述第一生产数据集或所述第二生产数据集中的数据个数。

3.如权利要求2所述的方法，其特征在于，包括：

根据下述公式获得所述第一生产数据集与所述第二生产数据集中对应数据项的关联度系数：

${\mathrm{\ξ}}_{ij}\left(k\right)=\frac{({\mathrm{\Δ}}_{\min }+{\mathrm{\ρ\Δ}}_{\max })}{\left({\mathrm{\Δ}}_{ij}\left(k\right)+{\mathrm{\ρ\Δ}}_{\max }\right)}$

其中，Δ_min表示所述第一生产数据集中数据与所述第二生产数据集中的数据之间的最小绝对差，Δ_max表示所述第一生产数据集中数据与所述第二生产数据集中的数据之间的最大绝对差，ρ为预设值，Δ_ij(k)表示所述第一生产数据集与所述第二生产数据集中对应位置数据之间的差值。

4.如权利要求1所述的方法，其特征在于，所述基于动态时间规整算法获得所述第一生产数据集与所述第二生产数据集之间的动态时间相似值，包括：

当所述第一生产数据集中数据个数为n，所述第二生产数据集中数据个数为m时，通过如下公式获得所述第一生产数据集与所述第二生产数据集中任一两个数据之间的距离：

d(q_i,c_j)＝(q_i-c_j)²

其中，q_i表示所述第一生产数据集中的任一数据，c_j所述第二生产数据集中的任一数据，i为1～n中的任一整数，j为1～m中的任一整数；

根据状态转移方程计算总共的累计距离，并记录累计次数t；

获得所述累计距离与所述累计次数t的比值作为所述动态时间相似值。

5.如权利要求1所述的方法，其特征在于，所述第一油井和所述第一油井满足以下至少一个条件：

油井之间的距离小于预设距离；

在同一时间周期内油井含水率的最大幅度值与最小幅度值之差大于第一预设阈值；及

在同一时间周期内油井产油量的最大幅度值与最小幅度值之差大于第二预设阈值。

6.如权利要求1所述的方法，其特征在于，所述第一生产数据集具体为：油井的注水数据集、产液数据集、产油数据集或含水率数据集；所述第二生产数据集具体为：所述注水数据集、所述产液数据集、所述产油数据集或所述含水率数据集。

7.如权利要求1～6任一所述的方法，其特征在于，根据所述灰色关联度系数和所述动态时间相似值，获得用于表征所述第一油井和所述第二油井之间连通性能的连通系数，包括：

根据如下公式获得所述连通系数：

S＝λ₁×r_ij+λ₂×Dtw

其中，r_ij表示所述灰色关联度系数，Dtw表示所述动态时间相似值，λ₁、λ₂分别表示所述灰色关联度系数和所述动态时间相似值对应的权值。

8.如权利要求7所述的方法，其特征在于，所述方法还包括：

判断所述连通系数是否大于设定阈值；

若所述连通系数大于所述设定阈值，确定所述第一油井和所述第二油井之间相互连通；若所述连通系数不大于所述设定阈值，确定所述第一油井和所述第二油井之间未连通。

9.一种用于获得井间连通关系的装置，其特征在于，包括：

数据获取模块，用于获得第一油井的第一生产数据集，和第二油井的第二生产数据集，其中，所述第一生产数据集和所述第二生产数据集为油井在同一时间周期内的不同时间点的产油量；

数据处理模块，用于基于灰色关联分析法获得所述第一生产数据集与所述第二生产数据集之间的灰色关联度系数；基于动态时间规整算法获得所述第一生产数据集与所述第二生产数据集之间的动态时间相似值；根据所述灰色关联度系数和所述动态时间相似值，获得用于表征所述第一油井和所述第二油井之间连通性能的连通系数。