CN110084435A - 一种油气藏参数解释方法及系统 - Google Patents
一种油气藏参数解释方法及系统 Download PDFInfo
- Publication number
- CN110084435A CN110084435A CN201910375242.1A CN201910375242A CN110084435A CN 110084435 A CN110084435 A CN 110084435A CN 201910375242 A CN201910375242 A CN 201910375242A CN 110084435 A CN110084435 A CN 110084435A
- Authority
- CN
- China
- Prior art keywords
- regression model
- support vector
- vector regression
- parameter
- pressure data
- 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.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
- G06N20/10—Machine learning using kernel methods, e.g. support vector machines [SVM]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
- G06Q50/02—Agriculture; Fishing; Mining
Abstract
本申请公开一种油气藏参数解释方法,包括:在接收到的数值范围内对待解释参数进行抽样,得到多个试算算例;分别对多个试算算例进行计算,得到与多个试算算例对应的计算压力数据;对计算压力数据进行拟合,构建基于不同核函数的支持向量回归模型;将整体误差最小的支持向量回归模型作为最优支持向量回归模型,基于最优支持向量回归模型构造目标函数;利用优化算法求解目标函数的最小值,得到待解释参数的解释结果。本申请公开的方法能够提高油气藏参数的解释精度,并且具有较好的泛化能力,能够有效地避免对压力数据的过拟合。
Description
技术领域
本申请属于石油开采技术领域,尤其涉及油气藏参数解释方法及系统。
背景技术
油气藏研究的基本目的是预测油气藏的未来动态,找到提高最终采收率的方法。在石油开采过程中会遇到一些工程问题,比如,如何建立可靠的地质模型,从而基于地质模型来解决油气藏评价、管理和开发难题,并保证油气藏和油井的动态预测。建立地质模型需要知道油气藏的地层参数及井筒参数。
试井是油气藏开发过程中获得油气藏的地层参数及井筒参数的最常使用的方法。一般来说,试井分析就是以实测压力数据结合产量等数据进行分析,研究测试井和测试层在测试影响范围内的各种特性参数,进而对油气藏的地层参数和井筒参数进行准确预测。
数值试井是近年来发展起来的一项新的试井解释技术,它是通过大量的数学模拟运算来精确描述物理过程的数值模拟技术。数值试井所描述的油气藏特征更真实,应用面更宽。但数值试井也面临着一系列的困难,计算参数多,计算时间长。在数值试井解释过程中,试井解释人员需要手动调节不确定参数,使计算压力与实测压力尽可能的接近。通常解释一口井或井组可能要花费几周甚至几个月的时间。
对于本领域技术人员来说,如何提高数值试井解释的效率,降低试井解释人员的工作强度,是亟待解决的问题。
发明内容
有鉴于此,本申请的目的在于提供一种油气藏参数的解释方法和系统,以提高数值试井解释的效率和精度,降低试井解释人员的工作强度。
为实现上述目的,本申请提供如下技术方案:
本申请提供一种油气藏参数解释方法,包括:
接收输入的待解释参数和对应的数值范围,其中,所述待解释参数包括地层参数和井筒参数;
在所述数值范围内对所述待解释参数进行抽样,得到多个试算算例;
分别对所述多个试算算例进行计算,得到与所述多个试算算例对应的计算压力数据;
对所述计算压力数据进行拟合,构建基于不同核函数的支持向量回归模型;
分别确定每个支持向量回归模型的整体误差,将整体误差最小的支持向量回归模型作为最优支持向量回归模型;
基于所述最优支持向量回归模型构造目标函数,所述目标函数指示预测压力数据与实测压力数据的偏差;
利用优化算法求解所述目标函数的最小值,得到所述待解释参数的解释结果。
可选的,在上述方法中,所述对所述计算压力数据进行拟合,构建基于不同核函数的支持向量回归模型,包括:
对所述计算压力数据进行拟合,构建基于一次多项式核函数的支持向量回归模型、基于二次多项式核函数的支持向量回归模型、基于三次多项式核函数的支持向量回归模型、基于Fine Gaussian核函数的支持向量回归模型、基于Medium Gaussian核函数的支持向量回归模型和基于Coarse Gaussian核函数的支持向量回归模型中的多个。
可选的,在上述方法中,确定任意一个支持向量回归模型的整体误差,包括:
基于所述支持向量回归模型确定所述多个试算算例对应的预测压力数据;
分别计算每个试算算例对应的预测压力数据与计算压力数据之间的差值;
确定计算得到的多个差值的平均值,所述平均值为所述支持向量回归模型的整体误差。
可选的,在上述方法中,所述基于所述最优支持向量回归模型构造目标函数,包括:
基于所述最优支持向量回归模型在试算算例下的计算压力数据与实测压力数据的误差最小原理,构造目标函数。
可选的,在上述方法中,所述在所述数值范围内对所述待解释参数进行抽样,得到多个试算算例,包括:
利用拉丁超立方抽样算法在所述数值范围内对所述待解释参数进行抽样,得到多个试算算例。
可选的,在上述方法中,所述利用优化算法求解所述目标函数的最小值,得到所述待解释参数的解释结果,包括:
利用BFGS算法和拉丁超立方抽样算法对所述目标函数进行优化,得到所述待解释参数的最优解,其中,所述待解释参数的最优解为所述待解释参数的解释结果。
本申请还提供一种油气藏参数解释系统,包括:
数据接收单元,用于接收输入的待解释参数和对应的数值范围,其中,所述待解释参数包括地层参数和井筒参数;
抽样单元,用于在所述数值范围内对所述待解释参数进行抽样,得到多个试算算例;
试算算例计算单元,用于分别对所述多个试算算例进行计算,得到与所述多个试算算例对应的计算压力数据;
回归模型构建单元,用于对所述计算压力数据进行拟合,构建基于不同核函数的支持向量回归模型;
最优回归模型确定单元,用于分别确定每个支持向量回归模型的整体误差,将整体误差最小的支持向量回归模型作为最优支持向量回归模型;
目标函数构造单元,用于基于所述最优支持向量回归模型构造目标函数,所述目标函数指示预测压力数据与实测压力数据的偏差;
优化单元,利用优化算法求解所述目标函数的最小值,得到所述待解释参数的解释结果。
可选的,在上述系统中,所述回归模型构建单元具体用于:
对所述计算压力数据进行拟合,构建基于一次多项式核函数的支持向量回归模型、基于二次多项式核函数的支持向量回归模型、基于三次多项式核函数的支持向量回归模型、基于Fine Gaussian核函数的支持向量回归模型、基于Medium Gaussian核函数的支持向量回归模型和基于Coarse Gaussian核函数的支持向量回归模型中的多个。
可选的,在上述系统中,所述最优回归模型确定单元在确定任意一个支持向量回归模型的整体误差的方面,具体用于:
基于所述支持向量回归模型确定所述多个试算算例对应的预测压力数据;分别计算每个试算算例对应的预测压力数据与计算压力数据之间的差值;确定计算得到的多个差值的平均值,所述平均值为所述支持向量回归模型的整体误差。
可选的,在上述系统中,所述目标函数构造单元具体用于:
基于所述最优支持向量回归模型在试算算例下的计算压力数据与实测压力数据的误差最小原理,构造目标函数。
由此可见,本申请的有益效果为:
基于本申请公开的油气藏参数解释方法,试井解释人员只需要根据油气藏的类型输入待解释参数和各个待解释参数的数值范围,电子设备即可自动完成地层参数和井筒参数的解释,极大地提高了解释效率,降低了试井解释人员的工作强度;而且,本申请基于支持向量回归模型构造目标函数,在待解释参数的数量较多(如待解释参数大于5个)时,具有较好的泛化能力,能够有效地避免对压力数据的过拟合。
附图说明
为了更清楚地说明本申请实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图是本申请的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本申请公开的一种油气藏参数解释方法的流程图;
图2为本申请公开的估计值和观测值所对应的压力恢复段的井底压力的对比图;
图3为本申请公开的估计值和观测值对应的压力恢复段的压力降落及压力导数的对比图;
图4为本申请公开的一种油气藏参数解释系统的结构图。
具体实施方式
在现有的数值试井解释方法中,首先,试井解释人员设定待解释参数(也可称为待求取参数或者不确定参数)的参数值,根据当前设定的各待解释参数的参数值求解计算压力,比对计算压力和实测压力,之后,基于比对结果,试井解释人员凭借自己的经验手动调节待解释参数中的一个或者多个参数的参数值,根据当前设定的各待解释参数的参数值求解计算压力,再次比对计算压力和实测压力,通过大量重复上述的手动调节过程,使得计算压力与实测压力尽可能的接近。当计算压力与实测压力之间的差距满足预定的条件时,将当前设定的各待解释参数的参数值确定为最终的解释结果。可以看到,现有的数值试井解释过程会耗费大量的时间,导致数值试井解释的效率很低,而且,试井解释人员的工作强度很大。
本申请公开一种油气藏参数的解释方法和系统,以提高数值试井解释的效率和精度,降低试井解释人员的工作强度。
为使本申请实施例的目的、技术方案和优点更加清楚,下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本申请保护的范围。
参见图1,图1为本申请公开的一种油气藏参数解释方法的流程图,该方法的执行主体为电子设备,如计算机。该方法包括步骤S1至步骤S7。
步骤S1:接收输入的待解释参数和对应的数值范围。其中,待解释参数包括地层参数和井筒参数。
在油气藏类型不同的情况下,需要解释的参数也会存在差异。
试井解释人员根据油气藏的类型输入待解释参数,另外,试井解释人员还需输入各个待解释参数的数值范围,该数值范围为试井解释人员确定的经验值。其中,待解释的参数包括地层参数和井筒参数。
地层参数通常包括:储层的储层边界;储层的SRV(储层改造体积);储层在该SRV范围内的渗透率分布、孔隙度分布和压力分布;储层在该SRV范围以外且在该储层边界以内的渗透率分布、孔隙度分布和压力分布;每条主裂缝的参数,主裂缝的参数包括主裂缝的半长和方位角度。
井筒参数通常包括:表皮和井储系数。
步骤S2:在该数值范围内对待解释参数进行抽样,得到多个试算算例。
电子设备接收到试井解释人员输入的待解释参数和各个待解释参数的数值范围后,进行抽样处理,得到多个试算算例。例如,电子设备进行抽样操作,得到1000个试算算例。
这里需要说明的是:每一个试算算例包括多个待解释参数的一组参数值,任意两个试算算例中至少有一个待解释参数的参数值是不同的。
步骤S3:分别对多个试算算例进行计算,得到与多个试算算例对应的计算压力数据。
针对每一个试算算例分别进行计算,得到计算压力数据。这里需要说明的是,为了区分实测压力数据,将对试算算例进行计算得到的压力数据称为计算压力数据。
作为一种实施方式,计算压力数据包括:计算压力,计算压力变化和计算压力导数。相应的,实测压力数据包括:实测压力,实测压力变化和实测压力导数。
步骤S4:对计算得到的多组计算压力数据进行拟合,构建基于不同核函数的支持向量回归模型。
作为一种实施方式,对计算得到的多组计算压力数据进行拟合,构建基于一次多项式核函数的支持向量回归模型、基于二次多项式核函数的支持向量回归模型、基于三次多项式核函数的支持向量回归模型、基于Fine Gaussian核函数的支持向量回归模型、基于Medium Gaussian核函数的支持向量回归模型和基于Coarse Gaussian核函数的支持向量回归模型中的多个。
这里需要说明的是,构建支持向量回归模型是指:确定支持向量回归模型的回归表达式。
步骤S5:分别确定每个支持向量回归模型的整体误差,将整体误差最小的支持向量回归模型作为最优支持向量回归模型。
步骤S6:基于最优支持向量回归模型构造目标函数。其中,目标函数指示基于最优支持向量回归模型确定出的预测压力数据与实测压力数据的偏差。
目标函数OF通常用一个简单的平方和的形式来表示,定义如下:
其中,x为待解释参数,为实测压力数据,为预测压力数据,为实测压力降落数据,为预测压力降落数据,为实测压力导数数据,为预测压力导数数据,i表示压力数据的时间点序号,j表示压力降落数据的时间点序号,k表示压力导数数据的时间点序号,l表示实测压力数据的时间点的总量,m表示实测压力降落数据的时间点的总量,n表示实测压力导数数据的时间点的总量,ωp、ωf和ωd表示对应的权值。
步骤S7:利用优化算法求解目标函数的最小值,得到待解释参数的解释结果。
通过求解目标函数的最小值,就能得到待解释参数的最优解,将待解释参数的最优解作为待解释参数的解释结果。
可选的,在得到待解释参数的最优解之后,设置以下步骤:根据待解释参数的最优解计算井底压力数据,将计算得到的井底压力数据与实测的井底压力数据进行比对,如果误差在允许范围内,则将待解释参数的最优解作为待解释参数的解释结果。
本申请公开的油气藏参数解释方法,在接收试井解释人员输入的待解释参数和各个待解释参数的数值范围后,在相应的数值范围内对待解释参数进行抽样,得到多个试算算例,之后分别对多个试算算例进行计算,得到对应的计算压力数据,利用计算得到的多组计算压力数据进行拟合,得到基于不同核函数的支持向量回归模型,将整体误差最小的支持向量回归模型作为最优支持向量回归模型,基于该最优支持向量回归模型构造目标函数,利用优化算法求解目标函数的最小值,得到待解释参数的最优解,该最优解即为各个待解释参数的解释结果。
基于本申请公开的油气藏参数解释方法,试井解释人员只需要根据油气藏的类型输入待解释参数和各个待解释参数的数值范围,电子设备即可自动完成地层参数和井筒参数的解释,极大地提高了解释效率,降低了试井解释人员的工作强度;而且,本申请基于支持向量回归模型构造目标函数,在待解释参数的数量较多(如待解释参数大于5个)时,具有较好的泛化能力,能够有效地避免对压力数据的过拟合。
作为一个示例,在本申请上述公开的油气藏参数解释方法中,针对构建出的任意一个支持向量回归模型,确定其整体误差,采用如下方案:
基于支持向量回归模型确定多个试算算例对应的预测压力数据;分别计算每个试算算例对应的预测压力数据与计算压力数据之间的差值;确定计算得到的多个差值的平均值,该平均值为该支持向量回归模型的整体误差。
在油气工程和试井分析的发展过程中,逐渐发现:仅依靠一组观测值(也就是实测值)不能衡量模型误差,多组观测值能更加有效地衡量模型误差,因此提出基于所有测量值的误差函数,如公式2。
其中:α代表观测值组数,τ代表观测值序号。
假设训练数据集是N代表数据点的模式。ε-SVR的目的是寻找f(x),使得尽可能多的数据点(xi,yi)包含在ε边界内。线性函数f(x)定义为:
f(x)=<ω,x〉+b,ω∈N,b∈R (公式3)
<...,...>是N中的点积。显然,ω可以代表f(x)平面,所以需要最小化范数||ω||2,引入松弛因子ξi、得到优化问题:
最小化服从
系数C>0是平面f和精度超过ε的点的数量之间的折中。利用朗格朗日乘子给出的对偶方法得到:
其中,αi,都是拉格朗日乘子。
L关于的偏导数:
将公式6、公式7和公式8代入公式5可得:
最大化
服从和αi∈[0,C]
公式8可写为:
并且有
这就是支持向量扩张,即ω可被线性表出,因此求f(x)时不需计算ω。由KKT条件求解得到b的求解式:
b=yi-<ω,xi>-ε,αi∈(0,C) (公式11)
通过同样的推导方法可以得到引入核函数的ω表达式:
分割函数f(x)的表达式:
作为一个示例,在本申请上述公开的油气藏参数解释方法中,步骤S6基于最优支持向量回归模型构造目标函数,具体为:
基于最优支持向量回归模型在试算算例下的计算压力数据与实测压力数据的误差最小原理,构造目标函数。
作为一个示例,在本申请上述公开的油气藏参数解释方法中,步骤S7利用优化算法求解目标函数的最小值,得到待解释参数的解释结果,具体为:
利用BFGS算法和拉丁超立方抽样算法对目标函数进行优化,得到待解释参数的最优解。其中,待解释参数的最优解为待解释参数的解释结果。
本申请公开的油气藏参数解释方法中,利用BFGS算法和拉丁超立方抽样算法对目标函数进行优化,能够快速地找到待解释参数的最优解,从而进一步提升数值试井的解释效率。
实施中,也可以利用遗传算法、粒子群法或者共轭梯度法对目标函数进行优化,得到待解释参数的最优解。
作为一个示例,在本申请上述公开的油气藏参数解释方法中,步骤S2在该数值范围内对待解释参数进行抽样,得到多个试算算例,具体为:利用拉丁超立方抽样算法在该数值范围内对待解释参数进行抽样,得到多个试算算例。
拉丁超立方抽样是被设计成通过较少迭代次数的抽样,能够准确地重建输入分布。拉丁超立方抽样的关键是对输入概率分布进行分层。分层在累积概率尺度(0到1.0)上把累积曲线分成相等的区间,然后,从输入分布的每个区间或“分层”中随机抽取样本。拉丁超立方抽样不需要更多的样本用于更多维度(变量),这种独立性是该抽样方案的主要优点。
简单的说就是,假设要在n维向量空间里抽取m个样本,拉丁超立方抽样的步骤是:
Step1:将每一维分成互不重叠的m个区间,使得每个区间有相同的概率(通常考虑一个均匀分布,这样区间长度相同);
Step2:在每一维里的每一个区间中随机的抽取一个点;
Step3:再从每一维里随机抽出在步骤(2)中选取的点,将它们组成向量。
本申请公开的油气藏参数解释方法中,利用拉丁超立方抽样算法在给定的数值范围内对待解释参数进行多次抽样,能够保证抽样数据覆盖整个数值范围,有利于提高解释结果的精度。
在实施中,也可以利用等距抽样算法、随机抽样算法、模特卡罗抽样算法或者聚类抽样算法在该数值范围内对待解释参数进行抽样。
下面结合一个实例,对本申请公开的油气藏参数解释方法的实施过程以及结果的有效性进行说明。
采用的是五点井网模型。油藏大小为600m*400m,厚度为10m,孔隙度为0.2。井1是生产井,井2、井3、井4和井5是注入井。井1、井2和井3周边存在径向复合区域,所有井都开井80天,然后关井2天。生产井的生产流量为40m3/day,注入井的注入流量均为10m3/day。
为验证本申请公开的油气藏参数解释方法的有效性,假设油与水的粘度相等,油与水的体积系数相等,且相渗曲线是斜率为1的直线,因此每一饱和度下的相对渗透率为1。因而,这里的两相流等效为单相流。
选定的9个待解释参数及其数值范围为:地层渗透率K,其数值范围是(100mD,1000mD);5个区域渗透率K1、K2、K3、K4、K5,其数值范围是(100mD,1000mD);生产井和注入井的表皮因子S1、S2、S3,其数值范围是(-1,3)。
在注采平衡为前提下,对压力恢复段的生产井的压力曲线、压力变化曲线和压力导数双对数曲线进行拟合。
首先,利用拉丁超立方抽样算法确定2000组试算算例,所有的试算算例都满足渗流方程。
之后,将每个试算算例输入数值试井模拟器进行计算,得到对应的计算压力数据,共得到2000组计算压力数据。从2000个试算算例中选取1500个试算算例对应的计算压力数据作为样本数据,其余的500个试算算例对应的计算压力数据作为观测值。
利用选取出的1500个试算算例的计算压力数据进行拟合,得到基于一次多项式核函数的支持向量回归模型、基于二次多项式核函数的支持向量回归模型、基于三次多项式核函数的支持向量回归模型、基于Fine Gaussian核函数的支持向量回归模型、基于MediumGaussian核函数的支持向量回归模型和基于Coarse Gaussian核函数的支持向量回归模型。
分别计算前述6个支持向量回归模型的整体误差,如表1所示。
表1
所用核函数 | 整体误差 |
一次多项式核函数 | 0.10578 |
二次多项式核函数 | 0.050408 |
三次多项式核函数 | 0.037319 |
Fine Gaussian核函数 | 0.24095 |
Medium Gaussian核函数 | 0.048801 |
Coarse Gaussian核函数 | 0.082081 |
其中,基于三次多项式核函数的支持向量回归模型的整体误差最小,将该支持向量回归模型确定为最优支持向量回归模型。
利用最优支持向量回归模型构造目标函数。随机选取初始点,使用BFGS算法对目标函数进行优化,得到待解释参数的估算值,误差判断标准是使目标函数OF尽可能小。将2000组数据的第一组作为真实值,由此得到估计值和观测值(即真实值)所对应的压力恢复段的井底压力的对比图(图2),估计值和观测值所对应的压力恢复段的压力降落及压力导数的对比图(图3)。
可见,基于支持向量回归模型可以准确地确定试井分析所应采用的拟合模型,并能准确反演正确的地层参数及井筒参数。
本申请上述公开了油气藏参数解释方法,相应的,本申请还公开油气藏参数解释系统。下文中关于油气藏参数解释系统的描述与上文中关于油气藏参数解释方法的描述,可以相互参考。
参见图4,图4为本申请公开的一种油气藏参数解释系统的结构图,包括数据接收单元10、抽样单元20、试算算例计算单元30、回归模型构建单元40、最优回归模型确定单元50、目标函数构造单元60和优化单元70。
其中:
数据接收单元10,用于接收输入的待解释参数和对应的数值范围。其中,待解释参数包括地层参数和井筒参数。
抽样单元20,用于在数值范围内对待解释参数进行抽样,得到多个试算算例。
试算算例计算单元30,用于分别对多个试算算例进行计算,得到与多个试算算例对应的计算压力数据。
回归模型构建单元40,用于对计算压力数据进行拟合,构建基于不同核函数的支持向量回归模型。
最优回归模型确定单元50,用于分别确定每个支持向量回归模型的整体误差,将整体误差最小的支持向量回归模型作为最优支持向量回归模型。
目标函数构造单元60,用于基于最优支持向量回归模型构造目标函数,目标函数指示预测压力数据与实测压力数据的偏差。
优化单元70,利用优化算法求解目标函数的最小值,得到待解释参数的解释结果。
基于本申请公开的油气藏参数解释系统,试井解释人员只需要根据油气藏的类型输入待解释参数和各个待解释参数的数值范围,电子设备即可自动完成地层参数和井筒参数的解释,极大地提高了解释效率,降低了试井解释人员的工作强度;而且,本申请基于支持向量回归模型构造目标函数,在待解释参数的数量较多(如待解释参数大于5个)时,具有较好的泛化能力,能够有效地避免对压力数据的过拟合。
可选的,在另一个实施例中,抽样单元20具体用于:
利用拉丁超立方抽样算法在输入的数值范围内对待解释参数进行抽样,得到多个试算算例。
可选的,在另一个实施例中,回归模型构建单元40具体用于:
对计算压力数据进行拟合,构建基于一次多项式核函数的支持向量回归模型、基于二次多项式核函数的支持向量回归模型、基于三次多项式核函数的支持向量回归模型、基于Fine Gaussian核函数的支持向量回归模型、基于Medium Gaussian核函数的支持向量回归模型和基于Coarse Gaussian核函数的支持向量回归模型中的多个。
可选的,在另一个实施例中,最优回归模型确定单元50在确定任意一个支持向量回归模型的整体误差的方面,具体用于:
基于支持向量回归模型确定多个试算算例对应的预测压力数据;分别计算每个试算算例对应的预测压力数据与计算压力数据之间的差值;确定计算得到的多个差值的平均值,平均值为支持向量回归模型的整体误差。
可选的,在另一个实施例中,目标函数构造单元60具体用于:
基于最优支持向量回归模型在试算算例下的计算压力数据与实测压力数据的误差最小原理,构造目标函数。
可选的,在另一个实施例中,优化单元70具体用于:
利用BFGS算法和拉丁超立方抽样算法对目标函数进行优化,得到待解释参数的最优解。其中,待解释参数的最优解为待解释参数的解释结果。
最后,还需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
本说明书中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似部分互相参见即可。对于实施例公开的系统而言,由于其与实施例公开的方法相对应,所以描述的比较简单,相关之处参见方法部分说明即可。
对所公开的实施例的上述说明,使本领域专业技术人员能够实现或使用本申请。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的,本文中所定义的一般原理可以在不脱离本申请的精神或范围的情况下,在其它实施例中实现。因此,本申请将不会被限制于本文所示的这些实施例,而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
Claims (10)
1.一种油气藏参数解释方法,其特征在于,包括:
接收输入的待解释参数和对应的数值范围,其中,所述待解释参数包括地层参数和井筒参数;
在所述数值范围内对所述待解释参数进行抽样,得到多个试算算例;
分别对所述多个试算算例进行计算,得到与所述多个试算算例对应的计算压力数据;
对所述计算压力数据进行拟合,构建基于不同核函数的支持向量回归模型;
分别确定每个支持向量回归模型的整体误差,将整体误差最小的支持向量回归模型作为最优支持向量回归模型;
基于所述最优支持向量回归模型构造目标函数,所述目标函数指示预测压力数据与实测压力数据的偏差;
利用优化算法求解所述目标函数的最小值,得到所述待解释参数的解释结果。
2.根据权利要求1所述的方法,其特征在于,所述对所述计算压力数据进行拟合,构建基于不同核函数的支持向量回归模型,包括:
对所述计算压力数据进行拟合,构建基于一次多项式核函数的支持向量回归模型、基于二次多项式核函数的支持向量回归模型、基于三次多项式核函数的支持向量回归模型、基于Fine Gaussian核函数的支持向量回归模型、基于Medium Gaussian核函数的支持向量回归模型和基于Coarse Gaussian核函数的支持向量回归模型中的多个。
3.根据权利要求1或2所述的方法,其特征在于,确定任意一个支持向量回归模型的整体误差,包括:
基于所述支持向量回归模型确定所述多个试算算例对应的预测压力数据;
分别计算每个试算算例对应的预测压力数据与计算压力数据之间的差值;
确定计算得到的多个差值的平均值,所述平均值为所述支持向量回归模型的整体误差。
4.根据权利要求1或2所述的方法,其特征在于,所述基于所述最优支持向量回归模型构造目标函数,包括:
基于所述最优支持向量回归模型在试算算例下的计算压力数据与实测压力数据的误差最小原理,构造目标函数。
5.根据权利要求1所述的方法,其特征在于,所述在所述数值范围内对所述待解释参数进行抽样,得到多个试算算例,包括:
利用拉丁超立方抽样算法在所述数值范围内对所述待解释参数进行抽样,得到多个试算算例。
6.根据权利要求1所述的方法,其特征在于,所述利用优化算法求解所述目标函数的最小值,得到所述待解释参数的解释结果,包括:
利用BFGS算法和拉丁超立方抽样算法对所述目标函数进行优化,得到所述待解释参数的最优解,其中,所述待解释参数的最优解为所述待解释参数的解释结果。
7.一种油气藏参数解释系统,其特征在于,包括:
数据接收单元,用于接收输入的待解释参数和对应的数值范围,其中,所述待解释参数包括地层参数和井筒参数;
抽样单元,用于在所述数值范围内对所述待解释参数进行抽样,得到多个试算算例;
试算算例计算单元,用于分别对所述多个试算算例进行计算,得到与所述多个试算算例对应的计算压力数据;
回归模型构建单元,用于对所述计算压力数据进行拟合,构建基于不同核函数的支持向量回归模型;
最优回归模型确定单元,用于分别确定每个支持向量回归模型的整体误差,将整体误差最小的支持向量回归模型作为最优支持向量回归模型;
目标函数构造单元,用于基于所述最优支持向量回归模型构造目标函数,所述目标函数指示预测压力数据与实测压力数据的偏差;
优化单元,利用优化算法求解所述目标函数的最小值,得到所述待解释参数的解释结果。
8.根据权利要求7所述的系统,其特征在于,所述回归模型构建单元具体用于:
对所述计算压力数据进行拟合,构建基于一次多项式核函数的支持向量回归模型、基于二次多项式核函数的支持向量回归模型、基于三次多项式核函数的支持向量回归模型、基于Fine Gaussian核函数的支持向量回归模型、基于Medium Gaussian核函数的支持向量回归模型和基于Coarse Gaussian核函数的支持向量回归模型中的多个。
9.根据权利要求7或8所述的系统,其特征在于,所述最优回归模型确定单元在确定任意一个支持向量回归模型的整体误差的方面,具体用于:
基于所述支持向量回归模型确定所述多个试算算例对应的预测压力数据;分别计算每个试算算例对应的预测压力数据与计算压力数据之间的差值;确定计算得到的多个差值的平均值,所述平均值为所述支持向量回归模型的整体误差。
10.根据权利要求7或8所述的系统,其特征在于,所述目标函数构造单元具体用于:
基于所述最优支持向量回归模型在试算算例下的计算压力数据与实测压力数据的误差最小原理,构造目标函数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910375242.1A CN110084435A (zh) | 2019-05-07 | 2019-05-07 | 一种油气藏参数解释方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910375242.1A CN110084435A (zh) | 2019-05-07 | 2019-05-07 | 一种油气藏参数解释方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110084435A true CN110084435A (zh) | 2019-08-02 |
Family
ID=67418972
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910375242.1A Pending CN110084435A (zh) | 2019-05-07 | 2019-05-07 | 一种油气藏参数解释方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110084435A (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110486009A (zh) * | 2019-09-02 | 2019-11-22 | 合肥鼎盛锦业科技有限公司 | 一种无限大地层的参数自动反求方法及系统 |
CN110486008A (zh) * | 2019-09-02 | 2019-11-22 | 合肥鼎盛锦业科技有限公司 | 一种径向复合油藏的参数解释方法及系统 |
CN110807507A (zh) * | 2019-10-21 | 2020-02-18 | 苏州浪潮智能科技有限公司 | 用于寻找目标的方法和装置 |
CN112395763A (zh) * | 2020-11-19 | 2021-02-23 | 西南石油大学 | 一种多模型自动历史拟合方法 |
CN113064216A (zh) * | 2021-02-25 | 2021-07-02 | 中国石油天然气集团有限公司 | 一种储层孔隙度预测方法、系统、设备及可读存储介质 |
CN114662390A (zh) * | 2022-03-22 | 2022-06-24 | 西南石油大学 | 一种基于svr算法的钻井漏失压力预测方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20130158840A1 (en) * | 2011-12-16 | 2013-06-20 | Toyota Motor Engineering & Manufacturing North America, Inc. | Asymmetric wavelet kernel in support vector learning |
CN104695952A (zh) * | 2015-03-16 | 2015-06-10 | 合肥工业大学 | 非常规气藏地层参数的解释方法及解释系统 |
CN106096300A (zh) * | 2016-06-20 | 2016-11-09 | 合肥工业大学 | 低渗透油气藏的参数解释方法及解释系统 |
CN107831186A (zh) * | 2017-09-28 | 2018-03-23 | 同济大学 | 岩芯毛细压力与饱和度曲线、油气藏参数的一维1h核磁共振成像测量表征方法 |
CN108804382A (zh) * | 2018-05-22 | 2018-11-13 | 合肥工业大学 | 一种参数自动反求方法和装置 |
-
2019
- 2019-05-07 CN CN201910375242.1A patent/CN110084435A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20130158840A1 (en) * | 2011-12-16 | 2013-06-20 | Toyota Motor Engineering & Manufacturing North America, Inc. | Asymmetric wavelet kernel in support vector learning |
CN104695952A (zh) * | 2015-03-16 | 2015-06-10 | 合肥工业大学 | 非常规气藏地层参数的解释方法及解释系统 |
CN106096300A (zh) * | 2016-06-20 | 2016-11-09 | 合肥工业大学 | 低渗透油气藏的参数解释方法及解释系统 |
CN107831186A (zh) * | 2017-09-28 | 2018-03-23 | 同济大学 | 岩芯毛细压力与饱和度曲线、油气藏参数的一维1h核磁共振成像测量表征方法 |
CN108804382A (zh) * | 2018-05-22 | 2018-11-13 | 合肥工业大学 | 一种参数自动反求方法和装置 |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110486009A (zh) * | 2019-09-02 | 2019-11-22 | 合肥鼎盛锦业科技有限公司 | 一种无限大地层的参数自动反求方法及系统 |
CN110486008A (zh) * | 2019-09-02 | 2019-11-22 | 合肥鼎盛锦业科技有限公司 | 一种径向复合油藏的参数解释方法及系统 |
CN110486009B (zh) * | 2019-09-02 | 2023-10-31 | 合肥鼎盛锦业科技有限公司 | 一种无限大地层的参数自动反求方法及系统 |
CN110486008B (zh) * | 2019-09-02 | 2023-11-03 | 合肥鼎盛锦业科技有限公司 | 一种径向复合油藏的参数解释方法及系统 |
CN110807507A (zh) * | 2019-10-21 | 2020-02-18 | 苏州浪潮智能科技有限公司 | 用于寻找目标的方法和装置 |
CN110807507B (zh) * | 2019-10-21 | 2022-07-12 | 苏州浪潮智能科技有限公司 | 用于寻找目标的方法和装置 |
CN112395763A (zh) * | 2020-11-19 | 2021-02-23 | 西南石油大学 | 一种多模型自动历史拟合方法 |
CN112395763B (zh) * | 2020-11-19 | 2022-09-02 | 西南石油大学 | 一种自动历史拟合方法 |
CN113064216A (zh) * | 2021-02-25 | 2021-07-02 | 中国石油天然气集团有限公司 | 一种储层孔隙度预测方法、系统、设备及可读存储介质 |
CN114662390A (zh) * | 2022-03-22 | 2022-06-24 | 西南石油大学 | 一种基于svr算法的钻井漏失压力预测方法 |
CN114662390B (zh) * | 2022-03-22 | 2023-09-29 | 西南石油大学 | 一种基于svr算法的钻井漏失压力预测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110084435A (zh) | 一种油气藏参数解释方法及系统 | |
US10822938B2 (en) | Methods of optimizing well spacing for shale gas development | |
CA2879773C (en) | Multi-level reservoir history matching | |
CN113901681B (zh) | 一种全寿命周期页岩气储层双甜点三维可压性评估方法 | |
US20160326845A1 (en) | Multistage Oilfield Design Optimization Under Uncertainty | |
CN106194154B (zh) | 一种非常规油气藏中长期产能预测方法 | |
CN108804382A (zh) | 一种参数自动反求方法和装置 | |
EA022370B1 (ru) | Способ усовершенствования модели коллектора и повышения отдачи трещиноватых пластов | |
CN114154427B (zh) | 基于深度学习的体积压裂裂缝扩展预测方法和系统 | |
CN109902329A (zh) | 一种油藏模拟辅助历史拟合方法、系统、存储介质及设备 | |
CN109826174A (zh) | 一种边坡加固深部区域范围确定方法 | |
CN105484735A (zh) | 一种实钻井眼轨迹与设计轨道符合率的评价方法 | |
CN106469228B (zh) | 基于在线测试与地质参数的热采井吸汽剖面解释方法 | |
CN105242328A (zh) | 古热岩石圈厚度的确定方法及装置 | |
WO2023151072A1 (zh) | 砂堵预测方法、装置、设备及存储介质 | |
CN109252855A (zh) | 确定气井最终累积产量的方法及装置 | |
CN114066084B (zh) | 一种基于机器学习的相渗曲线预测方法及系统 | |
Dekkers et al. | Resource assessment: estimating the potential of a geothermal reservoir | |
CN111734394B (zh) | 一种确定致密油藏压裂井不定常流井底压力的方法 | |
CN107832482A (zh) | 致密储层多尺度裂缝网络建模及模拟方法 | |
CN107704646B (zh) | 一种致密储层体积改造后的建模方法 | |
Krivoshchekov et al. | Factoring Permeability Anisotropy in Complex Carbonate Reservoirs in Selecting an Optimum Field Development Strategy | |
Zuo et al. | An efficient inversion method to interpret distributed temperature measurement of horizontal wells in shale gas reservoirs | |
CN111815769B (zh) | 逆冲推覆构造带构造的建模方法、计算设备及存储介质 | |
CN109858196A (zh) | 一种油气藏参数解释方法及系统 |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190802 |
|
RJ01 | Rejection of invention patent application after publication |