CN110717270B - 一种基于数据的油气藏仿真模拟方法 - Google Patents

一种基于数据的油气藏仿真模拟方法 Download PDF

Info

Publication number
CN110717270B
CN110717270B CN201910957117.1A CN201910957117A CN110717270B CN 110717270 B CN110717270 B CN 110717270B CN 201910957117 A CN201910957117 A CN 201910957117A CN 110717270 B CN110717270 B CN 110717270B
Authority
CN
China
Prior art keywords
oil
gas reservoir
data
well
reservoir
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
CN201910957117.1A
Other languages
English (en)
Other versions
CN110717270A (zh
Inventor
龚斌
苏瑾
刘志上
滕文超
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.)
Tracy Energy Technology Co.,Ltd.
Original Assignee
Tracy Energy Technology Hangzhou Co ltd
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 Tracy Energy Technology Hangzhou Co ltd filed Critical Tracy Energy Technology Hangzhou Co ltd
Priority to CN201910957117.1A priority Critical patent/CN110717270B/zh
Publication of CN110717270A publication Critical patent/CN110717270A/zh
Application granted granted Critical
Publication of CN110717270B publication Critical patent/CN110717270B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/049—Temporal neural networks, e.g. delay elements, oscillating neurons or pulsed inputs
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明涉及油气藏模拟技术领域，目的是提供一种基于数据的油气藏仿真模拟方法，能够对油气田整体进行仿真模拟，仿真效率高，能有效指导油气田开发。上述基于数据的油气藏仿真模拟方法包括：步骤一，建立时间‑空间数据库；步骤二，建立油气藏井控多边形模型；步骤三，利用线性相关系数计算对输入特征进行选择；步骤四，使用LSTM训练和测试所述油气藏井控多边形模型。本发明解决了现有油气藏模拟方法不能对整个油气藏井区进行整体仿真模拟，无法对油气田的开发进行有效的生产指导的问题。

Description

一种基于数据的油气藏仿真模拟方法
技术领域
本发明涉及油气藏模拟技术领域，特别是涉及一种基于数据的油气藏仿真模拟方法。
背景技术
油气藏数值模拟是指利用计算机求解油气藏数学模型，模拟地下油气流动，给出某时刻油气分布，从而预测油气藏动态以及在不同开采方案下油气生产情况的技术。
目前，通用的油气藏数值模拟通常都是基于地震解释、测井解释的地质建模和基于渗流力学的数值模拟。具体过程一般包括以下步骤：
1、先把整个油气藏网块化，建立井模型：把各井各层位网块等时对比相联建立层模型，以同层位网块高程表征油气藏构造特征，以非储层网块分隔的储层网块表明储层的格架，以储层网块中记入各种储层属性的量值表征这些参数空间的分布和非均质面貌；
2、在建立井模型后，采用油气藏数值模拟技术对地层中流体的流动进行仿真模拟，其中地下流体流动的数值模拟是基于对纳维斯托克斯偏微分方程的离散求解，使用数学物理方程以显式的方式描绘流体的流动规律，在给定的边界条件和生产制度下，能够模拟出地下流体和固体属性场随时间的变化。
但是这种传统的油气藏建模与数值模拟技术依赖于正确的数学物理方程求解，而数学物理方程也只能在一定范围内运用，容易造成模拟结果与事实不相符，而且求解数学物理方程会造成计算耗时大量增加，影响油气田开发的工作进度。
为此，现有技术出现了利用机器学习的仿真模拟方法，如中国专利文献CN109711595A中公开了一种基于机器学习的水力压裂投产效果评价方法，先获取区块的地质数据、工程数据和产能数据；再把这些数据集随机划分为训练数据块、验证数据块和测试数据块，并应用多种机器学习算法对这些数据块进行处理，选出预测误差最小的机器学习算法；再根据选出的算法按照影响产能数据重要度的预设值得出影响产能的主要数据；令工程数据服从概率分布，结合选取的机器学习算法以及影响产能的主要数据，应用蒙特卡罗模拟产生单井产能概率分布曲线；再根据该曲线分别获取若干概率所对应的单井产能值；对比单井的实际产能值和从概率曲线得到的单井产能值，对该井压裂效果进行评价，进一步可实现区块的压裂效果评价。但是，上述模拟方法是利用静态数据和压裂数据对单井进行压裂效果评价，整个油气藏是由若干单井构成的，单井与单井之间表面相互独立，实则相互影响，在对整个油气藏进行综合模拟时，需要考虑很多影响因素，以上模拟方法是无法对整个油气藏进行综合模拟。
发明内容
为此，本发明所要解决的技术问题在于现有技术的油气藏模拟方法不能对整个油气藏井区进行整体仿真模拟，无法对油气田的开发进行有效的生产指导，而提供一种能够对油气田整体进行仿真模拟，仿真效率高，能有效指导油气田开发的基于数据的油气藏仿真模拟方法。
为解决上述技术问题，本发明采用的技术方案如下：
一种基于数据的油气藏仿真模拟方法，包括以下步骤：
步骤一，建立时间-空间数据库
分别收集油气藏整体、各单井和各单井之间的静态数据和动态数据，构成所述时间-空间数据库；
步骤二，建立油气藏井控多边形模型
根据所述时间-空间数据库，建立油气藏属性模型，进而生成所述油气藏井控多边形模型；
步骤三，利用线性相关系数计算对输入特征进行选择
所述时间-空间数据库中的每一种数据为一个特征，利用线性相关系数计算将特征矩阵m×n降低为m×k，其中m为样本的数量，n为特征选择前特征的数量，k为特征选择后特征的数量；
步骤四，使用LSTM训练和测试所述油气藏井控多边形模型
通过LSTM算法对所述油气藏井控多边形模型的训练和测试，获得油气藏的生产指标预测。
优选地，所述步骤一中，所述静态数据包括井位坐标、孔隙度、地层厚度、含水饱和度、地层顶深、伽马测井、密度测井、电阻率测井、自然电位测井和声波测井；所述动态数据包括单井产量、汽油比、含水率、注水量、注气量、井头压力、井底压力、油嘴尺寸、生产天数、完井信息和生产制度。
优选地，所述步骤二中，根据所述时间-空间数据库，建立所述油气藏属性模型，基于所述油气藏属性模型中的井位坐标生成以单井的井控范围为边界的所述油气藏井控多边形模型。
优选地，所述步骤四中，利用LSTM算法进行训练和测试时，有效数据集分为训练集和测试集，训练集占80％，测试集占20％。
优选地，所述步骤四中，利用LSTM算法进行训练和测试时，激活函数采用ReLU线性整流函数，损失函数采用均方差函数，采用Dropout防止过拟合。
优选地，所述步骤四中，利用隐藏层数为500的LSTM算法对所述油气藏井控多边形模型进行训练和测试。
优选地，所述步骤四中，所述生产指标预测包括油气藏整体、单井及其井范围内的产油量、产水量、含水率、井底压力。
本发明的上述技术方案相比现有技术具有以下优点：
本发明提供的基于数据的油气藏仿真模拟方法，根据静态数据、动态数据建立油气藏数据驱动模型，充分考虑的了单井与单井之间的相互影响，可以对油气藏整体及各个单井的生产进行仿真模拟，预测产油量、含水率、预测油气藏压力场、预测油气藏饱和度场等。相比于传统的油气藏仿真模拟方法，使用数据驱动方法能够大幅减少仿真模拟所需要的时间，加快油气藏开发项目进度。
附图说明
为了使本发明的内容更容易被清楚的理解，下面根据本发明的具体实施例并结合附图，对本发明作进一步详细的说明，其中
图1是本发明基于数据的油气藏仿真模拟方法的流程图；
图2是本发明实施例中训练集模型示意图；
图3是本发明基于数据的油气藏仿真模拟方法获得的预测结果与生产实际的比较图。
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，都属于本发明保护的范围。
如图1所示，是本发明一种基于数据的油气藏仿真模拟方法的优选实施例，包括以下步骤：
步骤一，建立时间-空间数据库
分别收集油气藏整体、各单井和各单井之间的静态数据和动态数据，构成所述时间-空间数据库。
其中，所述静态数据包括井位坐标、孔隙度、地层厚度、含水饱和度、地层顶深、伽马测井、密度测井、电阻率测井、自然电位测井和声波测井。所述动态数据包括单井产量、汽油比、含水率、注水量、注气量、井头压力、井底压力、油嘴尺寸、生产天数、完井信息和生产制度。
上述数据不仅包括了油气田整体的相关数据、单井相关数据，更加入了体现单井及临井之间相互关系的数据，如：井位坐标等，使后续油气藏的仿真模拟，更加全面、准确、更贴近油气藏的实际情况。
步骤二，建立油气藏井控多边形模型
根据所述时间-空间数据库，建立油气藏属性模型，进而生成所述油气藏井控多边形模型。
具体地，根据所述时间-空间数据库，建立所述油气藏属性模型，基于所述油气藏属性模型中的井位坐标生成以单井的井控范围为边界的所述油气藏井控多边形模型。单井的井控范围为离该井最近的区域，单井上的数据及其井控范围内的数据，可从时间-空间数据库中获得。
步骤三，利用线性相关系数计算对输入特征进行选择
所述时间-空间数据库中的每一种数据为一个特征，由于每口井及其井控范围特征多、数据量大，因此需要使用线性回归方法对输入特征进行选择，即利用线性相关系数计算将特征矩阵m×n降低为m×k，其中m为样本的数量，n为特征选择前特征的数量，k为特征选择后特征的数量。如：使用这种方法，以XX油藏为例，原特征数量为21，降维后特征数量为15，将降维后的数据作为井的有效数据。
线性相关系数，一般用字母r表示，用来度量两个变量间的线性关系：
Figure BDA0002227720050000061
其中，Cov(X，Y)为X与Y的协方差，Var[X]为X的方差，Var[Y]为Y的方差。
如图2所示，以目标函数为Target Oil产油量为例，图中横坐标分别是地层厚度(Thickness)、井底压力(Pressure)、地层顶深(Top)、电阻率测井(RT)、含油饱和度(SO)和伽马测井(GR)，纵坐标为特征变量与目标函数的线性相关系数。特征选择前，原特征数量n＝6，选择线性相关系数最大的3个特征变量作为输入特征(地层厚度Thickness、井底压力Pressure、地层顶深Top)，即k＝3。
使用线性回归方法可以降低输入数据的维数，加快后续模型的训练速度，提高仿真模拟的效率。
步骤四，使用LSTM训练和测试所述油气藏井控多边形模型
通过LSTM(Long Short-Term Memory，长短期记忆网络)算法对所述油气藏井控多边形模型的训练和测试，获得油气藏的生产指标预测。
利用LSTM算法进行训练和测试时，将有效数据集(即经过步骤三选择后的输入特征)分为训练集和测试集，训练集占80％，测试集占20％。以井A为例，井A的训练集包括A井的有效数据和A井邻井的有效数据。激活函数采用ReLU线性整流函数，损失函数采用均方差函数，采用Dropout(丢弃正则化,随机失活dropout是对具有深度结构的人工神经网络进行优化的方法)防止过拟合。在本实施例中，利用隐藏层数为500的LSTM算法对所述油气藏井控多边形模型进行训练和测试。
所述生产指标预测包括油气藏整体、单井及其井范围内的产油量、产水量、含水率、井底压力等地层属性。
将未来的生产制度约束导入到训练好的模型中，通过测试不同的生产制度，可以优选出最符合油气藏开发人员需求的生产模式，指导专业人员进行油气藏开发。使用LSTM算法即可预测单井及其井范围内的产油量、产水量、含水率、井底压力等地层属性，模拟油气在地层中的流动，能够指导油气田开发。预测结果与生产实际情况的对比如图3所示，图中显示的是某井月产油量预测，0月-150月为训练阶段，150月-340月为预测阶段，可以看出预测值与真实值的误差较小。
显然，上述实施例仅仅是为清楚地说明所作的举例，而并非对实施方式的限定。对于所属领域的普通技术人员来说，在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。而由此所引伸出的显而易见的变化或变动仍处于本发明创造的保护范围之中。

Claims (4)

1.一种基于数据的油气藏仿真模拟方法，其特征在于，包括以下步骤：
步骤一，建立时间-空间数据库
分别收集油气藏整体、各单井和各单井之间的静态数据和动态数据，构成所述时间-空间数据库；其中，所述静态数据包括井位坐标、孔隙度、地层厚度、含水饱和度、地层顶深、伽马测井、密度测井、电阻率测井、自然电位测井和声波测井；所述动态数据包括单井产量、汽油比、含水率、注水量、注气量、井头压力、井底压力、油嘴尺寸、生产天数、完井信息和生产制度；
步骤二，建立油气藏井控多边形模型
根据所述时间-空间数据库，建立油气藏属性模型，进而生成所述油气藏井控多边形模型；具体的，根据所述时间-空间数据库，建立所述油气藏属性模型，基于所述油气藏属性模型中的井位坐标生成以单井的井控范围为边界的所述油气藏井控多边形模型；
步骤三，利用线性相关系数计算对输入特征进行选择所述时间-空间数据库中的每一种数据为一个特征，利用线性相关系数计算将特征矩阵m×n降低为m×k，其中m为样本的数量，n为特征选择前特征的数量，k为特征选择后特征的数量；
步骤四，使用LSTM训练和测试所述油气藏井控多边形模型通过LSTM算法对所述油气藏井控多边形模型的训练和测试，获得油气藏的生产指标预测；具体的，利用LSTM算法进行训练和测试时，将有效数据集分为训练集和测试集，训练集占80％，测试集占20％，有效数据集即经过步骤三选择后的输入特征。
2.根据权利要求1所述的基于数据的油气藏仿真模拟方法，其特征在于，所述步骤四中，利用LSTM算法进行训练和测试时，激活函数采用ReLU线性整流函数，损失函数采用均方差函数，采用Dropout防止过拟合。
3.根据权利要求1-2任一所述的基于数据的油气藏仿真模拟方法，其特征在于，所述步骤四中，利用隐藏层数为500的LSTM算法对所述油气藏井控多边形模型进行训练和测试。
4.根据权利要求3所述的基于数据的油气藏仿真模拟方法，其特征在于，所述步骤四中，所述生产指标预测包括油气藏整体、单井及其井范围内的产油量、产水量、含水率、井底压力。
CN201910957117.1A 2019-10-10 2019-10-10 一种基于数据的油气藏仿真模拟方法 Active CN110717270B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910957117.1A CN110717270B (zh) 2019-10-10 2019-10-10 一种基于数据的油气藏仿真模拟方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910957117.1A CN110717270B (zh) 2019-10-10 2019-10-10 一种基于数据的油气藏仿真模拟方法

Publications (2)

Publication Number Publication Date
CN110717270A CN110717270A (zh) 2020-01-21
CN110717270B true CN110717270B (zh) 2022-10-28

Family

ID=69212414

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910957117.1A Active CN110717270B (zh) 2019-10-10 2019-10-10 一种基于数据的油气藏仿真模拟方法

Country Status (1)

Country Link
CN (1) CN110717270B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112324429B (zh) * 2020-08-12 2023-08-22 中国石油天然气股份有限公司 确定有水气藏的合理生产压差的方法
CN115204531B (zh) * 2022-09-16 2022-12-27 中科数智能源科技(深圳)有限公司 基于傅里叶神经算子的油藏预测方法、设备及介质
CN115204530B (zh) * 2022-09-16 2023-05-23 中科数智能源科技(深圳)有限公司 基于傅里叶神经算子和循环神经网络的油藏预测方法

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105089582B (zh) * 2015-05-28 2017-12-05 中国石油天然气股份有限公司 基于井下流量控制设备的油藏数值模拟方法及装置
CN105631138B (zh) * 2015-12-29 2019-07-05 北京凯博瑞石油科技有限公司 油气藏开发井组数值模拟动态分析方法
CN107842359B (zh) * 2016-09-19 2020-10-20 中国石油化工股份有限公司 单井可采储量评价方法及装置
CN110130882A (zh) * 2019-01-25 2019-08-16 中国石油天然气集团有限公司 一种基于测井测试资料的油藏区域评价方法

Also Published As

Publication number Publication date
CN110717270A (zh) 2020-01-21

Similar Documents

Publication Publication Date Title
US20210350208A1 (en) Method and device for predicting production performance of oil reservoir
CN110717270B (zh) 一种基于数据的油气藏仿真模拟方法
US7783462B2 (en) Reservoir evaluation methods
US20130124171A1 (en) Systems and methods for predicting well performance
WO2020085617A1 (ko) 머신러닝 기법을 이용한 천이 유동 영역의 셰일가스정에 대한 생산성 예측 장치 및 방법
CN101266299B (zh) 利用地震数据体结构特征预测油气的方法
Du et al. The connectivity evaluation among wells in reservoir utilizing machine learning methods
CN112016212B (zh) 一种基于渗流控制方程的储层纵向非均质性评价方法
CN109063403B (zh) 一种滑溜水压裂优化设计方法
CN114638401A (zh) 一种基于历史及预测油藏知识的剩余油分布预测方法及装置
Lu et al. Simulation and optimization of hydraulic fracturing in shale reservoirs: A case study in the Permian Lucaogou formation, China
WO2022011015A1 (en) Optimization of discrete fracture network (dfn) using streamlines and machine learning
CN113807021B (zh) 一种基于指标分析及多模型融合的气井产能等级预测方法
Muther et al. Subsurface physics inspired neural network to predict shale oil recovery under the influence of rock and fracture properties
CN111027249A (zh) 一种基于机器学习的井间连通性评价方法
Hou et al. Data-driven optimization of brittleness index for hydraulic fracturing
Liu Potential for evaluation of interwell connectivity under the effect of intraformational bed in reservoirs utilizing machine learning methods
US10934812B2 (en) Integrated a priori uncertainty parameter architecture in simulation model creation
CN112502677B (zh) 一种基于多元线性回归的注水开发效果评价方法
Gudmundsdottir et al. Inferring interwell connectivity in fractured geothermal reservoirs using neural networks
CN115705452A (zh) 整装砂岩油藏开发中后期的新型采收率预测方法
Deutsch What in the reservoir is geostatistics good for?
CN105718705A (zh) 油气田动态分析方法
CN114764546A (zh) 基于生成对抗神经网络的断块油藏剩余油预测方法
CN111625925A (zh) 一种基于色谱分离的三元复合驱注采优化方法

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
CB02 Change of applicant information
CB02 Change of applicant information

Address after: 310000 room 125, building 6, Chuangzhi Green Valley Development Center, 788 HONGPU Road, Shangcheng District, Hangzhou City, Zhejiang Province

Applicant after: Tracy energy technology (Hangzhou) Co.,Ltd.

Address before: 310000 room 125, building 6, Chuangzhi Green Valley Development Center, 788 HONGPU Road, Shangcheng District, Hangzhou City, Zhejiang Province

Applicant before: Tracy energy technology (Zhejiang) Co.,Ltd.

Address after: 310000 room 125, building 6, Chuangzhi Green Valley Development Center, 788 HONGPU Road, Shangcheng District, Hangzhou City, Zhejiang Province

Applicant after: Tracy energy technology (Zhejiang) Co.,Ltd.

Address before: 210019 713, building 04, No. 18, Jialing Jiangdong Street, Jianye District, Nanjing, Jiangsu Province

Applicant before: NANJING TRACY ENERGY TECHNOLOGIES Co.,Ltd.

GR01 Patent grant
GR01 Patent grant
CP01 Change in the name or title of a patent holder
CP01 Change in the name or title of a patent holder

Address after: 310000 room 125, building 6, Chuangzhi Green Valley Development Center, 788 HONGPU Road, Shangcheng District, Hangzhou City, Zhejiang Province

Patentee after: Tracy Energy Technology Co.,Ltd.

Address before: 310000 room 125, building 6, Chuangzhi Green Valley Development Center, 788 HONGPU Road, Shangcheng District, Hangzhou City, Zhejiang Province

Patentee before: Tracy energy technology (Hangzhou) Co.,Ltd.