CN110069797B - 缝洞型油藏井间连通性的判断方法及系统 - Google Patents

缝洞型油藏井间连通性的判断方法及系统 Download PDF

Info

Publication number
CN110069797B
CN110069797B CN201810069454.2A CN201810069454A CN110069797B CN 110069797 B CN110069797 B CN 110069797B CN 201810069454 A CN201810069454 A CN 201810069454A CN 110069797 B CN110069797 B CN 110069797B
Authority
CN
China
Prior art keywords
sequence data
time sequence
production time
wells
connectivity
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.)
Active
Application number
CN201810069454.2A
Other languages
English (en)
Other versions
CN110069797A (zh
Inventor
康志江
张允�
赵艳艳
张冬梅
张冬丽
郑松青
崔书岳
吕铁
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
China Petroleum and Chemical Corp
Sinopec Exploration and Production Research Institute
Original Assignee
China Petroleum and Chemical Corp
Sinopec Exploration and Production Research Institute
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by China Petroleum and Chemical Corp, Sinopec Exploration and Production Research Institute filed Critical China Petroleum and Chemical Corp
Priority to CN201810069454.2A priority Critical patent/CN110069797B/zh
Publication of CN110069797A publication Critical patent/CN110069797A/zh
Application granted granted Critical
Publication of CN110069797B publication Critical patent/CN110069797B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Hardware Design (AREA)
  • Evolutionary Computation (AREA)
  • Geometry (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种缝洞型油藏井间连通性的判断方法及系统，该方法包括：读取油井生产时间序列数据；对油井生产时间序列数据进行去噪预处理；将预处理后的油井生产时间序列数据进行相似性分析；输出井间连通性关系。其优点在于：在传统静态连通性研究的基础上，充分利用油藏动态资料，与传统单纯采用灰色预测法判断曲线相似性的方法相比，充分考虑了数据的系统噪音以及井间扰动的时滞性，具有更好的实用价值，还可以应用在注采开发油藏，为注采井网建立，后期注采调整等方面提供理论支撑。

Description

缝洞型油藏井间连通性的判断方法及系统
技术领域
本发明涉及油藏工程领域，更具体地，涉及一种缝洞型油藏井间连通性的判断方法及系统。
背景技术
缝洞型油藏的储渗空间类型多样，储层非均质性强，注采对应程度不清楚，影响了后期注水开发效果，因此需要开展油藏井间连通性研究，以明确注水井水流方向和注采参数，避免油藏注水后存在水驱均衡性差，部分井水窜严重等问题。
目前常用的油藏井间连通性研究方法主要包括静态法和动态法。静态连通性通常采用地层对比、电缆测井等方法来描述相关地层参数；动态连通性，一般采用地球化学法、动态反演法、示踪剂测试法、油藏数值模拟法以及试井法等技术。由于缝洞型油藏非均质性和井网不规则性较强，传统地质和物探等静态手段无法有效认识缝洞体的连通性。生产动态曲线是各种工程因素和地质因素共同作用的结果，含水率、产油量等生产数据变化能够反映出流体运动规律，可利用油藏动态资料开展各类动态井间连通算法研究，如试井测试，示踪剂测试，压力趋势分析法，注采响应法和模型计算等。但针对非均质性和井网不规则形较强的缝洞型油藏，传统研究存在多井间干扰，存在影响正常生产、方法单一、采用人工判别效率低等问题。
目前基于曲线相似性原理进行井间连通性分析的研究大都是基于灰色关联法，没有考虑注采间的时滞性，也没有考虑数据的系统噪声。
因此，有必要开发一种缝洞型油藏井间连通性的判断方法及系统，充分利用油藏动态资料，与传统单纯采用灰色预测法判断曲线相似性的方法相比，充分考虑了数据的系统噪音以及井间扰动的时滞性，具有更好的实用价值。
公开于本发明背景技术部分的信息仅仅旨在加深对本发明的一般背景技术的理解，而不应当被视为承认或以任何形式暗示该信息构成已为本领域技术人员所公知的现有技术。
发明内容
本发明提出了一种缝洞型油藏井间连通性的判断方法及系统，其能够通过充分考虑了数据的系统噪音以及井间扰动的时滞性，具有更好的实用价值。
根据本发明的一方面，提出了一种缝洞型油藏井间连通性的判断方法，所述判断方法包括：
读取油井生产时间序列数据；
对所述油井生产时间序列数据进行去噪预处理；
将所述预处理后的油井生产时间序列数据进行相似性分析；
输出井间连通性关系。
优选地，所述去噪预处理包括：
对所述油井生产时间序列数据进行灰色关联度曲线相似性分析；
基于所述曲线相似性分析进行集合经验模态分解降噪处理。
优选地，所述基于所述曲线相似性分析进行集合经验模态分解降噪处理包括：
读取待分析的两口油井生产时间序列数据；
通过所述集合经验模态分解对所述生产时间序列数据进行分频处理；
求取每个分频后的生产时间序列数据与原始的生产时间序列数据的灰色关联度系数；
删除所述灰色关联度系数较大的分频后的生产时间序列数据；
重新组合所述分频后的生产时间序列数据，构建新的时间序列数据，作为预处理后的油井生产时间序列数据。
优选地，所述灰色关联度曲线相似性分析包括：
读取所述待分析的两口油井生产时间序列数据；
求取两组所述时间序列数据对应位置的绝对差值；
确定两组所述时间序列数据最小、最大绝对差；
计算各项时间序列数据的关联度系数；
计算所述灰色关联度的系数。
优选地，所述灰色关联度的系数为：
Figure GDA0003159094740000031
式中，ξij为各项数据的关联度系数。
优选地，所述各项数据的关联度系数为：
Figure GDA0003159094740000032
式中，Δmin为两极最小绝对值；
Δmax为两极最大绝对值；
Δij(k)为两组数据对应位置的绝对差值；
ρ为分辨系数，一般在0～1之间，通常取0.5。
优选地，通过动态时间规整对所述预处理后的油井生产时间序列数据进行相似性分析。
优选地，所述动态时间规整的相似性分析包括：
读取所述预处理后的油井生产时间序列数据；
构建所述动态时间规整的关系矩阵；
更新比对序列数据，基于所述关系矩阵，动态规划所述比对序列数据；
所述预处理后的油井生产时间序列数据与比对序列完成比对后，输出连通性的判断结果。
优选地，所述构建所述动态时间规整的关系矩阵为：
构造一个n×m的矩阵，即两组所述预处理后的油井生产时间序列数据之间的距离矩阵。
根据本发明的另一方面，提出了一种缝洞型油藏井间连通性的判断系统，所述判断系统包括：
存储器，存储有计算机可执行指令；
处理器，所述处理器运行所述存储器中的计算机可执行指令，执行以下步骤：
读取油井生产时间序列数据；
对所述油井生产时间序列数据进行去噪预处理；
将所述预处理后的油井生产时间序列数据进行相似性分析；
输出井间连通性关系。
本发明的一种缝洞型油藏井间连通性的判断方法及系统，其优点在于：在传统静态连通性研究的基础上，充分利用油藏动态资料，与传统单纯采用灰色预测法判断曲线相似性的方法相比，充分考虑了数据的系统噪音以及井间扰动的时滞性，具有更好的实用价值，还可以应用在注采开发油藏，为注采井网建立，后期注采调整等方面提供理论支撑。
本发明的方法和系统具有其它的特性和优点，这些特性和优点从并入本文中的附图和随后的具体实施例中将是显而易见的，或者将在并入本文中的附图和随后的具体实施例中进行详细陈述，这些附图和具体实施例共同用于解释本发明的特定原理。
附图说明
通过结合附图对本发明示例性实施例进行更详细的描述，本发明的上述以及其它目的、特征和优势将变得更加明显，其中，在本发明示例性实施例中，相同的附图标记通常代表相同部件。
图1示出了根据本发明的一个示例性实施例的一种缝洞型油藏井间连通性的判断方法的步骤的流程图。
图2示出了根据本发明的一个示例性实施例的灰色关联度曲线相似性分析的示意图。
图3示出了根据本发明的一个示例性实施例的一种灰色关联度曲线相似性分析的步骤流程图。
图4示出了根据本发明的一个示例性实施例的一种基于曲线相似性分析的集合经验模态分解降噪处理的步骤流程图。
图5示出了根据本发明的一个示例性实施例的一种DWT的相似性分析的步骤流程图。
图6示出了根据本发明的一个示例性实施例的某一口井的波形示意图。
图7a-图7d示出了根据本发明的图6的某一口井的波形分解出的本征模态函数的示意图。
图8示出了根据本发明的图6的某一口井的波形分解后的余项的示意图。
图9a和图9b分别示出了本发明的一个示例性实施例的T606井降噪前后的对比图。
图10a和图10b分别示出了本发明的一个示例性实施例的TK611井降噪前后的对比图。
图11a和图11b分别示出了本发明的一个示例性实施例的S80井降噪前后的对比图。
图12a和图12b分别示出了本发明的一个示例性实施例的TK625井降噪前后的对比图。
图13a和图13b分别示出了本发明的一个示例性实施例的TK677井降噪前后的对比图。
图14a和图14b分别示出了本发明的一个示例性实施例的TK711井降噪前后的对比图。
具体实施方式
下面将参照附图更详细地描述本发明。虽然附图中显示了本发明的优选实施例，然而应该理解，可以以各种形式实现本发明而不应被这里阐述的实施例所限制。相反，提供这些实施例是为了使本发明更加透彻和完整，并且能够将本发明的范围完整地传达给本领域的技术人员。
本发明提供了一种缝洞型油藏井间连通性的判断方法，该判断方法包括：
读取油井生产时间序列数据；
对油井生产时间序列数据进行去噪预处理；
将预处理后的油井生产时间序列数据进行相似性分析；
输出井间连通性关系。
本方法的特点在于：一是，基于生产动态数据反演生产井井间连通性；二是，考虑了生产中由工作制度、地质因素等方面引起的噪声，结合集合经验模态分解(EnsembleEmpirical Mode Decomposition，EEMD)去噪和灰色关联度技术去除各类噪声的影响；三是，考虑了注采的时滞性，采用动态时间规整(Dynamic Time Warping，DTW)算法对生产动态数据曲线进行相似度分析，判断井间连通关系。
经验模态分解(Empirical Mode Decomposition，EMD)最早由Huang于1998年提出。该方法不但具有与小波分解类似的多尺度特征，并且由于经验模态分解是基于数据本身，从而克服了小波分解过程中需要选取小波基的问题，具有良好的自适应性。
通过经验模态分解可将复杂信号分解成如下面公式所示的若干本征模态函数(Intrinsic Mode Function，IMF)和余项r之和，即
Figure GDA0003159094740000071
经验模态分解可得到一组按照高频到低频排序的本征模态函数集合及余项r，但由于干扰信号的存在，经验模态分解存在模态混叠问题，一个本征模态函数中出现多个差异极大的特征时间尺度，或是相近的特征时间尺度分布在不同的本征模态函数中导致相邻的2个本征模态函数波形混叠，相互影响，难以辨别。
较传统的经验模态分解方法，集合经验模态分解引入高斯白噪声解决模态混叠的问题。白噪声的本质是一组具有零均值特性的的噪声频谱，通过多次引入白噪声来平滑异常信号，再对数据进行经验模态分解，获得多次分解结果的平均值，从而削弱模态混叠。设计基于集合经验模态分解经验模态分解对生产数据进行去噪处理。
作为优选方案，去噪预处理包括：
对油井生产时间序列数据进行灰色关联度曲线相似性分析；
基于曲线相似性分析进行集合经验模态分解降噪处理。
其中，灰色关联度曲线相似性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。如图2所示，系列1-系列4分别代表X1，X2，X3，X4四个时间序列，系列1和系列2比较接近于平行状态，认为X1和X2关联度大，X3和X4关联度小。
基于上述分析，可把注采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注采井间的相关程度。其中，油井的产油量为灰色数序列，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。
作为优选方案，灰色关联度曲线相似性分析包括，如图3所示：
读取待分析的两口油井生产时间序列数据；
求取对应位置的绝对差值；
确定两组时间序列数据最小、最大绝对差；
计算各项时间序列数据的关联度系数；
计算灰色关联度的系数。
具体地，输入原始时间序列Q＝{q1,q2,…qn}，C＝{c1,c2,…cm}，并对原始时间序列进行无量纲化处理。
其中，Q和C表示两组原始序列数据。
计算两组数据对应位置的差值：
Δij(k)＝{|xi(k)-xj(k)|,(k＝1,2,...n)}
Xij＝{Δij(1),Δij(2),...Δij(n)}
式中，Δij(k)为比较数列上的每一个点与原始数列上的每一个点的绝对差值；
xi(k)为比较数列上点的值；
xj(k)为原始数列上点的值；
Xij为级差数据序列。
确定两极最小、最大绝对差为：
Figure GDA0003159094740000081
Figure GDA0003159094740000082
式中，x0(k)为初始时刻数列中k个位置处的点值；
xi(k)为i时刻数列中k个位置处的点值；
Δmin为两极中最小绝对差值；
Δmax为两极中最小绝对差值。
则各项数据的关联度系数为：
Figure GDA0003159094740000083
式中，Δmin为两极最小绝对值；
Δmax为两极最大绝对值；
Δij(k)为两组数据对应位置的绝对差值；
ρ为分辨系数，一般在0～1之间，通常取0.5。
进一步地，灰色关联度的系数为：
Figure GDA0003159094740000091
式中，ξij为各项数据的关联度系数。
作为优选方案，基于曲线相似性分析进行集合经验模态分解降噪处理包括，如图4所示：
读取待分析的两口油井生产时间序列数据；
通过集合经验模态分解对生产时间序列数据进行分频处理；
求取每个分频后的生产时间序列数据与原始的生产时间序列数据的灰色关联度系数；
删除灰色关联度系数较大的分频后的生产时间序列数据；
重新组合分频后的生产时间序列数据，构建新的时间序列数据，作为预处理后的油井生产时间序列数据。
其中，灰色关联系数较大，通常大于0.8，说明两口井连通性较好，无需深入分析，所以，删除分频后的生产时间序列数据。
具体地，输入原始时间序列X＝{x1,x2,…xn}，初始化经验模态分解执行次数为m，高斯白噪声幅值系数为k。
执行第i次经验模态分解包括：
在原始时间序列X中加入均值为0，幅值标准差为一常数的随机高斯白噪声ωi(i＝1,2,...m)，即Xi＝X+ωi；
对Xi进行经验模态分解，分解获得K个IMFij及余项ri(j＝1,2,…K)，其中，i表示第i次加入白噪声，j表示分解所得的第j个IMF，分解结果满足：
Figure GDA0003159094740000101
i≤m，重复上述步骤，i＝i+1。
分解后，计算m次经验模态分解结果的IMF及r的均值：
Figure GDA0003159094740000102
Figure GDA0003159094740000103
计算
Figure GDA0003159094740000104
及
Figure GDA0003159094740000105
作为集合经验模态分解分解的结果，对各
Figure GDA0003159094740000106
与原始时间序列进行灰色关联度曲线相似性分析，去除判定为噪声的本征模态函数。
将去噪后的本征模态函数和r重新组合为新的时间序列。
受到来自地质因素和工程因素的的影响，导致采集的生产数据中存在噪声。对混有噪声的时间序列信号进行集合经验模态分解后获得若干频率由高到低的本征模态函数分量，将噪声本征模态函数分量去除后，剩下的本征模态函数分量重新组成新的时间序列以降噪。
本征模态函数分量的提取过程是一个反复提取信号序列极值点重构的过程。在两口生产井的曲线相似性分析中，比较的是受注水激励后产生的变化波动的相似性，因此需要在原始数据序列中找到由于注水驱替形成的变化部分。
基于上述分析，通过定量分析本征模态函数与原始序列的相似关系，删除相似度最高的本征模态函数分量。由于原始序列与分频序列之间不存在时滞，采用灰色关联度曲线分析法进行相似性分析。相似或相异程度即“灰色关联度”，利用灰色预测法研究井间连通性，主要是通过多图对比计算关联系数即曲线间差值的大小判断曲线间几何形状的差别，判断生产曲线是否同节奏和反节奏相关以确定井间连通关系。
作为优选方案，通过动态时间规整对预处理后的油井生产时间序列数据进行相似性分析。
作为优选方案，动态时间规整的相似性分析包括，如图5所示：
读取预处理后的油井生产时间序列数据；
构建动态时间规整的关系矩阵；
更新比对序列数据，基于关系矩阵，动态规划比对序列数据；
预处理后的油井生产时间序列数据与比对序列完成比对后，输出连通性的判断结果。
动态时间规整方法由Berndt与Clifford于1994年引入到时序数据研究中，用于语音匹配及视觉模式识别领域，之后有其他学者将其进一步扩展到其他研究领域。考虑到注水井的注水量改变，生产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，因此设计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。
该基于曲线相似度技术判断井间连通关系的方法，特点在于基于生产动态数据，对于距离邻近且含水率、产液量等生产动态数据存在剧烈波动特征的井点，衡量两个时间序列之间的曲线相似度，判断生产曲线是否同节奏和反节奏相关来确定井间连通关系。相似度越高连通性越强，通过衡量两个时间序列之间的曲线相似度确定井间连通关系，判定是否属于同一缝洞单元。
具体地，输入原始时间序列Q＝{q1,q2,…qn}，C＝{c1,c2,…cm}，并对原始时间序列数据进行无量纲化，根据序列的平均值进行无量纲化处理：
Figure GDA0003159094740000111
构造一个n×m的矩阵，即两组时间序列之间的距离矩阵D，dij为元素对(qi，ci)之间的Minkowski距离：
Figure GDA0003159094740000121
使用动态规划方法构造弯曲路径，根据状态转移方程循环求解最短弯曲路径，状态转移方程就是对原始时间序列进行无量纲处理的矩阵，方程是由Minkowski距离推导得到，包括：
判断当前元素对(qi，ci)是否处在弯曲窗口内；
计算Disavg(i,j)＝dij+min{Disavg(i-1,j-1),Disavg(i-1,j),Disavg(i,j-1)}；
计算DTW3平均距离DTWavg。
在传统静态连通性研究的基础上，充分利用油藏动态资料，与传统单纯采用灰色预测法判断曲线相似性的方法相比，充分考虑了数据的系统噪音以及井间扰动的时滞性，具有更好的实用价值，还可以应用在注采开发油藏，为注采井网建立，后期注采调整等方面提供理论支撑。
实施例
图1示出了根据本发明的一个示例性实施例的一种缝洞型油藏井间连通性的判断方法的步骤的流程图。
如图1所示，本实施例的一种缝洞型油藏井间连通性的判断方法，包括：
读取油井生产时间序列数据；
对油井生产时间序列数据进行去噪预处理；
将预处理后的油井生产时间序列数据进行相似性分析；
输出井间连通性关系。
本实施例中采用某油田3个注采井组18口油井平均生产时长达10年的油田生产资料，主要使用的实验数据包括油井的产油量、产液量、含水率和示踪剂等数据。
图6示出了根据本发明的一个示例性实施例的某一口井的波形示意图。图7a-图7d示出了根据本发明的图6的某一口井的波形分解出的本征模态函数的示意图。图8示出了根据本发明的图6的某一口井的波形分解后的余项的示意图。
如图6，图7a-图7d和图8所示，选取一组含水率时间序列数据，经预处理后加上标准差为0.3的白噪声，再进行集合经验模态分解，其中一口井的波形图如图6所示，图7a-图7d为分解所得的四组本征模态函数示意图，图8为余项示意图。
通过上述可知，提取的本征模态函数IMF与原始序列存在相近的趋势变化，去部分生产数据个本征模态函数IMF与原始序列进行灰色关联度时间序列相似性分析，可以得到表1所示的实验结果。
表1各本征模态函数IMF分量与原始序列的灰色关联度系数
井号 IMF<sub>1</sub> IMF<sub>2</sub> IMF<sub>3</sub> IMF<sub>4</sub>
T606 0.804739 0.804308 0.72498 0.66522
TK611 0.920274 0.861885 0.814228 0.610858
S80 0.766419 0.729893 0.616355 0.670265
TK625 0.818547 0.754854 0.8569 0.859302
TK667 0.77222 0.743166 0.7074 0.785439
TK711 0.745598 0.829176 0.714504 0.804433
图9a和图9b分别示出了本发明的一个示例性实施例的T606井降噪前后的对比图。图10a和图10b分别示出了本发明的一个示例性实施例的TK611井降噪前后的对比图。图11a和图11b分别示出了本发明的一个示例性实施例的S80井降噪前后的对比图。图12a和图12b分别示出了本发明的一个示例性实施例的TK625井降噪前后的对比图。图13a和图13b分别示出了本发明的一个示例性实施例的TK677井降噪前后的对比图。图14a和图14b分别示出了本发明的一个示例性实施例的TK711井降噪前后的对比图。
取表1中实验数据结果，将相似系数最高的本征模态函数删去，重组前后的时间序列图像如图9a-图14b所示。与原始的时间序列图对比可以看出，噪声干扰得到有效抑制，波动强度更加突出，同时，实验结果表明，在多数情况下，高频的本征模态函数为噪声的概率更大。
在同一个注采单元中，相对于一口确定连通的井，井组中其余井与其相似度越高，可以认为连通程度越强。实验以生产井注采单元为研究对象，以示踪剂监测结果作为参考进行实验，TK636H单元作为研究对象，动态时间规整阈值设为40。
其中，TK636H单元是一个缝洞单元，相当于一个采油区块，表中的井为该单元的井。
对上述TK636H单元产油井的生产时间序列执行经过集合经验模态分解EEMD降噪的动态时间规整DTW相似性分析，所得实验结果如表2所示。
表2 TK636H单元动态时间规整分析结果
井名 DTW距离 累计次数 DTW平均距离
TK611 2109.12 111 19.001
S80 2002.15 112 17.8764
TK625 6349.06 110 57.7187
TK667 2290.51 106 21.6086
TK711 18375.3 118 155.723
表2中按照动态时间规整平均距离排序，从低到高依次为S80、TK611、TK667、TK625、TK711。对照示踪剂数据，S80和TK611为示踪剂连通井，即与示踪剂结果比对，示踪剂显示连通的井一定连通，从而可以根据动态时间规整平均距离，确定连通井。
降噪前后算法执行结果对比分析：
油藏生产数据中普遍存在大量的噪声，通过降噪可以有效的剔除这部分噪声，从而提取所希望保留的信号特征，设计采用集合经验模态分解对油井含水率数据进行降噪，该方法与不降噪直接进行动态时间规整相似性分析相比，计算效果有了较明显的提高，对比结果如表3所示。
分析实验结果，TK636H中，无集合经验模态分解组除了TK711，其余各井的计算结果无明显差异，而进行集合经验模态分解降噪后，其余各井的区分度增大，而TK625的计算结果为57.7187，超过了给定的阈值40，可以直接从连通集合中排除。该实验证明了经过集合经验模态分解去噪后执行的动态时间规整相似性分析能够更好地识别油井间的连通关系。
表3集合经验模态分解降噪前后动态时间规整算法匹配效果比对
Figure GDA0003159094740000151
以上已经描述了本发明的实施例，上述说明是示例性的，并非穷尽性的，并且也不限于所披露的实施例。在不偏离所说明的实施例的范围和精神的情况下，对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。本文中所用术语的选择，旨在最好地解释实施例的原理、实际应用或对市场中的技术的改进，或者使本技术领域的其它普通技术人员能理解本文披露的实施例。

Claims (8)

1.一种缝洞型油藏井间连通性的判断方法，其特征在于，所述判断方法包括：
读取油井生产时间序列数据；
对所述油井生产时间序列数据进行去噪预处理；
将所述预处理后的油井生产时间序列数据进行相似性分析；
输出井间连通性关系；
其中，所述去噪预处理包括：
对所述油井生产时间序列数据进行灰色关联度曲线相似性分析；
基于所述曲线相似性分析进行集合经验模态分解降噪处理；
其中，所述基于所述曲线相似性分析进行集合经验模态分解降噪处理包括：
读取待分析的两口油井生产时间序列数据；
通过所述集合经验模态分解对所述生产时间序列数据进行分频处理；
求取每个分频后的生产时间序列数据与原始的生产时间序列数据的灰色关联度系数；
删除所述灰色关联度系数较大的分频后的生产时间序列数据；
重新组合所述分频后的生产时间序列数据，构建新的时间序列数据，作为预处理后的油井生产时间序列数据；
其中，灰色关联系数较大为大于0.8，说明两口井连通性较好，无需深入分析，所以，删除分频后的生产时间序列数据。
2.根据权利要求1所述的缝洞型油藏井间连通性的判断方法，其中，所述灰色关联度曲线相似性分析包括：
读取所述待分析的两口油井生产时间序列数据；
求取两组所述时间序列数据对应位置的绝对差值；
确定两组所述时间序列数据最小、最大绝对差；
计算各项时间序列数据的关联度系数；
计算所述灰色关联度的系数。
3.根据权利要求2所述的缝洞型油藏井间连通性的判断方法，其中，所述灰色关联度的系数为：
Figure FDA0003159094730000021
式中，ξij(k)为各项数据的关联度系数。
4.根据权利要求3所述的缝洞型油藏井间连通性的判断方法，其中，所述各项数据的关联度系数为：
Figure FDA0003159094730000022
式中，Δmin为两极最小绝对值；
Δmax为两极最大绝对值；
Δij(k)为两组数据对应位置的绝对差值；
ρ为分辨系数，一般在0～1之间，通常取0.5。
5.根据权利要求1所述的缝洞型油藏井间连通性的判断方法，其中，通过动态时间规整对所述预处理后的油井生产时间序列数据进行相似性分析。
6.根据权利要求5所述的缝洞型油藏井间连通性的判断方法，其中，所述动态时间规整的相似性分析包括：
读取所述预处理后的油井生产时间序列数据；
构建所述动态时间规整的关系矩阵；
更新比对序列数据，基于所述关系矩阵，动态规划所述比对序列数据；
所述预处理后的油井生产时间序列数据与比对序列完成比对后，输出连通性的判断结果。
7.根据权利要求6所述的缝洞型油藏井间连通性的判断方法，其中，所述构建所述动态时间规整的关系矩阵为：
构造一个n×m的矩阵，即两组所述预处理后的油井生产时间序列数据之间的距离矩阵。
8.一种缝洞型油藏井间连通性的判断系统，其特征在于，所述系统包括：
存储器，存储有计算机可执行指令；
处理器，所述处理器运行所述存储器中的计算机可执行指令，执行以下步骤：
读取油井生产时间序列数据；
对所述油井生产时间序列数据进行去噪预处理；
将所述预处理后的油井生产时间序列数据进行相似性分析；
输出井间连通性关系；
其中，所述去噪预处理包括：
对所述油井生产时间序列数据进行灰色关联度曲线相似性分析；
基于所述曲线相似性分析进行集合经验模态分解降噪处理；
其中，所述基于所述曲线相似性分析进行集合经验模态分解降噪处理包括：
读取待分析的两口油井生产时间序列数据；
通过所述集合经验模态分解对所述生产时间序列数据进行分频处理；
求取每个分频后的生产时间序列数据与原始的生产时间序列数据的灰色关联度系数；
删除所述灰色关联度系数较大的分频后的生产时间序列数据；
重新组合所述分频后的生产时间序列数据，构建新的时间序列数据，作为预处理后的油井生产时间序列数据；
其中，灰色关联系数较大为大于0.8，说明两口井连通性较好，无需深入分析，所以，删除分频后的生产时间序列数据。
CN201810069454.2A 2018-01-24 2018-01-24 缝洞型油藏井间连通性的判断方法及系统 Active CN110069797B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810069454.2A CN110069797B (zh) 2018-01-24 2018-01-24 缝洞型油藏井间连通性的判断方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810069454.2A CN110069797B (zh) 2018-01-24 2018-01-24 缝洞型油藏井间连通性的判断方法及系统

Publications (2)

Publication Number Publication Date
CN110069797A CN110069797A (zh) 2019-07-30
CN110069797B true CN110069797B (zh) 2021-10-29

Family

ID=67365557

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810069454.2A Active CN110069797B (zh) 2018-01-24 2018-01-24 缝洞型油藏井间连通性的判断方法及系统

Country Status (1)

Country Link
CN (1) CN110069797B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113297748B (zh) * 2021-06-04 2022-04-19 中国地质大学（武汉） 基于改进搜索策略的缝洞型油藏井间连通模式自动评价方法
CN115877460B (zh) * 2023-02-28 2023-05-05 福瑞升(成都)科技有限公司 一种碳酸盐岩岩溶缝洞型储层的增强方法

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
FR2969206B1 (fr) * 2010-12-15 2013-11-01 IFP Energies Nouvelles Procede d'exploitation d'un gisement petrolier a partir d'un modele d'ecoulement cale au moyen d'une mise a l'echelle de cartes de pression et de saturation
CN105389467B (zh) * 2015-11-02 2019-03-22 中国地质大学（武汉） 一种获得井间连通关系的方法及装置
CN107292074B (zh) * 2016-04-01 2020-11-13 中国石油化工股份有限公司 一种井间连通性判断方法
CN106895906A (zh) * 2017-03-23 2017-06-27 西安理工大学 一种水轮发电机组振动故障的特征提取方法

Also Published As

Publication number Publication date
CN110069797A (zh) 2019-07-30

Similar Documents

Publication Publication Date Title
CN110609320B (zh) 一种基于多尺度特征融合的叠前地震反射模式识别方法
US9146903B2 (en) Method of using spatially independent subsets of data to calculate vertical trend curve uncertainty of spatially correlated reservoir data
EP2697734A1 (en) Systems and methods for hydraulic fracture characterization using microseismic event data
Yang et al. Rapid multistage hydraulic fracture design and optimization in unconventional reservoirs using a novel Fast Marching Method
Liu et al. An integrated 3D fracture network reconstruction method based on microseismic events
CN110069797B (zh) 缝洞型油藏井间连通性的判断方法及系统
CN113792936A (zh) 一种随钻岩性智能识别方法、系统、设备和存储介质
WO2013184208A1 (en) System and method for facies classification
Smith et al. Correlating geologic and seismic data with unconventional resource production curves using machine learning
CN110412662A (zh) 基于地震多属性深度学习的薄互层储层预测方法
Gonzalez et al. Unsupervised learning monitors the carbon-dioxide plume in the subsurface carbon storage reservoir
CA3034228A1 (en) Classifying well data using a support vector machine
Ren et al. Valuable data extraction for resistivity imaging logging interpretation
CN111626377B (zh) 一种岩相识别方法、装置、设备及存储介质
Sarkheil et al. The fracture network modeling in naturally fractured reservoirs using artificial neural network based on image loges and core measurements
WO2014124884A1 (en) Method of modelling a subsurface volume
Lomask Seismic volumetric flattening and segmentation
Gonzalez et al. Visualization of the sequestered carbon-dioxide plume in the subsurface using unsupervised learning
CN110805434B (zh) 复杂地层岩性识别方法及系统
CN109581489B (zh) 嵌套式地震相的提取方法及系统
CN112558147B (zh) 一种井中微地震数据的偏振分析方法及系统
CN109521178B (zh) 一种地质沉积过程波动分析方法及系统
Muhamedyev et al. Geophysical research of boreholes: Artificial neural networks data analysis
CN112882092B (zh) 一种基于多属性cnn井震联合反演方法、系统、介质及应用
Geng et al. Channel attention-based static-dynamic graph convolutional network for lithology identification with scarce labels

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant