CN110991641B - 一种油藏类型分析方法、装置及电子设备 - Google Patents

Abstract

本申请公开了一种油藏类型分析方法、装置及电子设备。该方法包括：获得油藏的实测井底压力数据；根据油藏的实测井底压力数据生成油藏的双对数曲线，双对数曲线包括压力变化曲线和压力导数曲线；调用预先完成训练的油藏分类模型；将双对数曲线作为油藏分类模型的输入，将油藏分类模型输出的油藏类型预测结果作为该油藏的类型。基于本申请提供的技术方案，能够准确、高效地确定油藏的类型。

Description

一种油藏类型分析方法、装置及电子设备

技术领域

本申请属于油气藏勘探开发技术领域，尤其涉及一种油藏类型分析方法、装置及电子设备。

背景技术

油藏是一种结构复杂的非均质介质。试井是在油藏勘探开发过程中获得油藏参数及地层参数最常使用的方法。一般来说，试井是以实测井底压力、温度或流量为基本数据，分析和推算油藏参数及地层参数，从而为描述油藏动态特性和预测中长期产能服务。

试井主要包括两个阶段：第一个阶段，确定油藏的类型；第二个阶段，确定油藏参数及地层参数。如果在第一个阶段不能正确地识别出油藏的类型，就会导致后续第二个阶段出现更严重的偏差，导致试井失败。

目前，主要由试井人员根据经验确定油藏的类型，这种方式对试井人员的专业技能要求很高，而且效率低下。另外，在确定油藏的类型的过程中，人为因素影响较大，会对准确度造成不利影响。

因此，如何更加准确、高效地确定油藏的类型，是本领域技术人员亟待解决的问题。

发明内容

有鉴于此，本申请的目的在于提供一种油藏类型分析方法、装置及电子设备，以便准确、高效地确定油藏的类型。

为实现上述目的，本申请提供如下技术方案：

一方面，本申请提供一种油藏类型分析方法，包括：

获得油藏的实测井底压力数据；

根据所述油藏的实测井底压力数据生成所述油藏的双对数曲线，所述双对数曲线包括压力变化曲线和压力导数曲线；

调用预先完成训练的油藏分类模型；

将所述双对数曲线作为所述油藏分类模型的输入，将所述油藏分类模型输出的油藏类型预测结果作为所述油藏的类型。

可选的，所述油藏分类模型的训练过程，包括：

获得训练样本集，所述训练样本集包括多种油藏的训练样本，每个训练样本为一个油藏的双对数曲线，每个训练样本具有油藏标注类型；

利用预先构建的油藏分类模型对训练样本进行类型预测，得到所述训练样本的油藏类型预测结果；

依据所述训练样本的油藏标注类型和油藏类型预测结果，调整所述油藏分类模型的模型参数，直至调整后的油藏分类模型满足预设收敛条件。

可选的，所述预设收敛条件为：

所述油藏分类模型的损失函数值小于预设值，所述损失函数值表征所述油藏分类模型的预测准确率。

可选的，所述训练样本集中，多种油藏的训练样本的数量之间的差值在预设范围内。

另一方面，本申请提供一种油藏类型分析装置，包括：

压力数据获取单元，用于获得油藏的实测井底压力数据；

双对数曲线构建单元，用于根据所述油藏的实测井底压力数据生成所述油藏的双对数曲线，所述双对数曲线包括压力变化曲线和压力导数曲线；

类型预测单元，用于调用预先完成训练的油藏分类模型，将所述双对数曲线作为所述油藏分类模型的输入，将所述油藏分类模型输出的油藏类型预测结果作为所述油藏的类型。

可选的，在上述油藏类型分析装置的基础上，还包括模型训练单元；

所述模型训练单元用于：获得训练样本集，所述训练样本集包括多种油藏的训练样本，每个训练样本为一个油藏的双对数曲线，每个训练样本具有油藏标注类型；利用预先构建的油藏分类模型对训练样本进行类型预测，得到所述训练样本的油藏类型预测结果；依据所述训练样本的油藏标注类型和油藏类型预测结果，调整所述油藏分类模型的模型参数，直至调整后的油藏分类模型满足预设收敛条件。

另一方面，本申请提供一种电子设备，包括处理器和存储器；

所述处理器，用于调用并执行所述存储器中存储的程序；

所述存储器用于存储所述程序，所述程序至少用于：

获得油藏的实测井底压力数据；

根据所述油藏的实测井底压力数据生成所述油藏的双对数曲线，所述双对数曲线包括压力变化曲线和压力导数曲线；

调用预先完成训练的油藏分类模型；

将所述双对数曲线作为所述油藏分类模型的输入，将所述油藏分类模型输出的油藏类型预测结果作为所述油藏的类型。

由此可见，本申请的有益效果为：

本申请提供的油藏类型分析方法，根据待分析油藏的实测井底压力数据生成双对数曲线，之后将该双对数曲线作为预先完成训练的油藏分类模型的输入，由油藏分类模型对输入的数据进行计算，输出油藏类型预测结果，将该预测结果作为待分析油藏的类型。可以看到，本申请公开的油藏类型分析方法，将油藏的实测井底压力数据作为分析油藏类型的依据，利用预先完成训练的油藏分类模型对油藏的实测井底压力数据进行计算，就可以确定油藏的类型，无需试井人员具备很高的专业技能，而且去除了人为因素的影响，能够准确、高效地确定油藏的类型。

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藏类型分析方法的流程图；

图2为本申请公开的一个径向复合油藏的双对数曲线的示意图；

图3为本申请公开的油藏分类模型的训练方法的流程图；

图4为本申请公开的一种油藏类型分析装置的结构示意图；

图5为本申请公开的一种电子设备的硬件结构图；

图6-1至图6-7依次为圆形油藏、半无限大油藏、角度油藏、河道形油藏、U形油藏、矩形油藏和径向复合油藏的形态示意图。

具体实施方式

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。

本申请提供一种油藏类型分析方法，将油藏的实测井底压力数据作为分析油藏类型的依据，利用预先完成训练的油藏分类模型对油藏的实测井底压力数据进行分析，从而准确、高效地确定油藏的类型。

参见图1，图1为本申请公开的一种油藏类型分析方法的流程图。该方法包括：

步骤S101：获得油藏的实测井底压力数据。

一个油藏的实测井底压力数据包括该油藏在多个时间点上的井底压力值。

其中，按照油藏的形态主要将油藏划分为：圆形油藏、半无限大油藏、角度油藏、河道形油藏、U形油藏、矩形油藏和径向复合油藏。

图6-1为圆形油藏的形态示意图，图6-1中的R是圆形油藏的半径。

图6-2为半无限大油藏的形态示意图，图6-2中的L是井到边界的距离。

图6-3为角度油藏的形态示意图，图6-3中的α是角度，L1是井到一个边界的距离，L2是井到另一个边界的距离。

图6-4为河道形油藏的形态示意图，图6-4中的L1是井到一个边界的距离，L2是井到另一个边界的距离。

图6-5为U形油藏的形态示意图，图6-5中的L1是井到第一边界的距离，L2是井到第二边界的距离，L3是井到第三边界的距离。

图6-6为矩形油藏的形态示意图，图6-6中的L1是井到第一边界的距离，L2是井到第二边界的距离，L3是井到第三边界的距离，L4是井到第四边界的距离。

图6-7是径向复合油藏的形态示意图，图6-7中的1区是以井为中心的圆形内区，2区是无限大外区，R是圆形内区的半径。

步骤S102：根据油藏的实测井底压力数据生成该油藏的双对数曲线，其中，双对数曲线包括压力变化曲线和压力导数曲线。

图2示出了一个径向复合油藏的双对数曲线，其中，P表示压力，P′表示压力导数，L1为该径向复合油藏的压力导数曲线，L2为该径向复合油藏的压力变化曲线。

步骤S103：调用预先完成训练的油藏分类模型。

步骤S104：将油藏的双对数曲线作为油藏分类模型的输入，将油藏分类模型输出的油藏类型预测结果作为该油藏的类型。

需要说明的是，当油藏的类型不同时，其井底压力也是不同的，另外，同一类型的油藏的井底压力具有共性。因此，本申请中将油藏的实测井底压力作为分析油藏类型的依据。

本申请中的油藏分类模型为神经网络模型，是利用大量油藏的实测井底压力数据及标注的油藏类型训练而成。完成训练的油藏分类模型，具有将油藏的预测类型趋于该油藏的实际类型的能力。

油藏分类模型的输入为矩阵，因此要根据油藏的双对数曲线生成一个N*N的矩阵，其中，N配置为大于2的偶数。

这里对生成N*N的矩阵的过程进行说明：

在油藏的压力变化曲线中，按照时间的先后顺序，选取N个时间点对应的压力数据(具体为压力以10为底的对数)，选取N个时间点对应的压力导数数据(具体为压力导数以10为底的对数)；

将N个时间点对应的压力数据分别作为矩阵的第1行至第N/2行，将N个时间点对应的压力导数数据分别作为矩阵的第(N/2+1)行至第N行；或者，将N个时间点对应的压力导数数据分别作为矩阵的第1行至第N/2行，将N个时间点对应的压力数据分别作为矩阵的第(N/2+1)行至第N行。

在一个可选的实现方式中，将N配置为50。

在N配置为50的情况下，生成矩阵的过程为：

在油藏的压力变化曲线中，按照时间的先后顺序，选取50个时间点对应的压力数据，选取50个时间点对应的压力导数数据，将50个时间点对应的压力数据分别作为矩阵的第1行至第25行，将50个时间点对应的压力导数数据分别作为矩阵的第26行至第50行。

也就是说，矩阵的第1行至第25行中，位于第i列的元素为时间点i对应的压力数据，矩阵的第26行至第50行中，位于第i列的元素为时间点i对应的压力导数数据，其中，i＝1,2，…，N。

本申请提供的油藏类型分析方法，根据待分析油藏的实测井底压力数据生成双对数曲线，之后将该双对数曲线作为预先完成训练的油藏分类模型的输入，由油藏分类模型对输入的数据进行计算，输出油藏类型预测结果，将该预测结果作为待分析油藏的类型。可以看到，本申请公开的油藏类型分析方法，将油藏的实测井底压力数据作为分析油藏类型的依据，利用预先完成训练的油藏分类模型对油藏的实测井底压力数据进行计算，就可以确定油藏的类型，无需试井人员具备很高的专业技能，而且去除了人为因素的影响，能够准确、高效地确定油藏的类型。

下面对上述实施例中所使用的参数求解模型的训练过程进行说明。

请参见图3，图3为本申请公开的油藏分类模型的训练方法的流程图。该方法包括：

步骤S301：获得训练样本集，训练样本集包括多种油藏的训练样本。

其中，每个训练样本为一个油藏的双对数曲线，每个油藏的双对数曲线是根据该油藏的实测井底压力数据生成的。另外，每个训练样本具有油藏标注类型，实施中，针对训练样本集中的训练样本人工标注类型。

优选的，在训练样本集中，多种油藏的训练样本的数量之间的差值在预设范围内。也就是说，在训练样本集中，多种油藏的训练样本的数量应该是均衡的，从而避免由于训练样本数量不均衡导致的，油藏分类模型的分类结果偏向于训练样本数量较多的油藏类型。

例如，训练样本集包括圆形油藏、半无限大油藏、角度油藏、河道形油藏、U形油藏、矩形油藏和径向复合油藏的训练样本，这7种油藏的训练样本的数量之间的差值需要处于预设范围内。

可选的，在训练样本集中，多种油藏的训练样本的数量相同。

步骤S302：利用预先构建的油藏分类模型对训练样本进行类型预测，得到训练样本的油藏类型预测结果。

实施中，需要根据多个油藏的双对数曲线分别生成N*N的矩阵，将矩阵作为油藏分类模型的输入。根据油藏的双对数曲线生成矩阵的具体方案，可以参见前文中的描述，这里不再赘述。

步骤S303：依据训练样本的油藏标注类型和油藏类型预测结果，调整油藏分类模型的模型参数，直至调整后的油藏分类模型满足预设收敛条件。

预先构建的油藏分类模型的初始模型参数均为自定义数值，训练油藏分类模型的过程就是优化模型参数，以使得油藏分类模型逐渐收敛，且预测结果的准确率逐渐提高的过程。

在一种可能的实现方式中，预设收敛条件为：油藏分类模型的损失函数的值小于预设值。

其中，油藏分类模型的损失函数值表征油藏分类模型的预测准确率，损失函数值越小，油藏分类模型的预测准确率越高，反之，损失函数值越大，油藏分类模型的预测准确率越低。

可选的，油藏分类模型的损失函数可以采用交叉熵函数。

在另一种可能的实现方式中，预设收敛条件为：油藏分类模型的损失函数的值不再减小，或者，油藏分类模型的预测准确率不再上升。

本申请图3所示的油藏分类模型的训练方法，首先，获得训练样本集，训练样本集包括多种油藏的训练样本，每个训练样本为该油藏的双对数曲线，并且每个训练样本具有油藏标注类型，之后，油藏分类模型基于训练样本进行训练，当满足预设的收敛条件时，表示油藏分类模型对训练样本分析得到的油藏类型预测结果与油藏标注类型之间的偏差足够小，完成油藏分类模型的训练过程，完成训练的油藏分类模型能够对待分析油藏的类型进行准确的预测。

在另一个实施例中，油藏分类模型的训练方法包括：

(1)、获得训练样本集、验证样本集和测试样本集。

其中，训练样本集包括多个训练样本，每个训练样本为一个油藏的双对数曲线，另外，每个训练样本具有油藏标注类型，实施中，针对训练样本集中的训练样本人工标注类型。

验证样本集包括多个验证样本，每个验证样本为一个油藏的双对数曲线，另外，每个验证样本具有油藏标注类型，实施中，针对验证样本集中的验证样本人工标注类型。

测试样本集包括多个测试样本，每个测试样本为一个油藏的双对数曲线，另外，每个测试样本具有油藏标注类型，实施中，针对测试样本集中的测试样本人工标注类型。

每个油藏的双对数曲线是根据该油藏的实测井底压力数据生成的。

(2)、构建多个油藏分类模型。其中，多个油藏分类模型的架构不同。

(3)、针对每个油藏分类模型执行：

1)、利用预先构建的油藏分类模型对训练样本进行类型预测，得到训练样本的油藏类型预测结果；依据训练样本的油藏标注类型和油藏类型预测结果，调整油藏分类模型的模型参数，直至油藏分类模型的预测准确率不再上升；

2)、利用油藏分类模型对验证样本集中的验证样本进行类型预测，得到验证样本的油藏类型预测结果；依据验证样本的油藏标注类型和油藏类型预测结果，确定油藏分类模型针对验证样本集的预测准确率；

如果针对验证样本集的预测准确率达到预设阈值，则执行：利用油藏分类模型对测试样本集中的测试样本进行类型预测，得到测试样本的油藏类型预测结果；依据测试样本的油藏标注类型和油藏类型预测结果，确定油藏分类模型针对测试样本集的预测准确率；

如果针对验证样本集的预测准确率未达到该预设阈值，则执行：调整油藏分类模型的超参数，或者调整油藏分类模型的架构，针对调整后的油藏分类模型再次执行步骤1)及后续步骤。

(4)、将针对测试样本集的预测准确率最高的油藏分类模型作为最优模型。

之后，利用该最优网络进行油藏类型的分析。

在一种可选的实现方式中，本申请中的油藏分类模型采用深度神经网络(DNN)或者循环神经网络(RNN)。

在一种优选的实现方式中，本申请中的油藏分类模型采用卷积神经网络(CNN)。卷积神经网络具有强大的提取特征的能力和深层的网络结构，能够提高网络的学习能力和模型性能。与采用深度神经网络和循环神经网络的油藏分类模型相比，采用卷积神经网络的油藏分类模型，其处理更快,可大大提高类型分析的效率。

本申请上述提供了油藏类型分析方法，相应的，本申请还提供油藏类型分析装置，说明书中关于两者的描述，可以相互参考。

参见图4，图4为本申请公开的一种油藏类型分析装置的结构示意图。该装置包括压力数据获取单元10、双对数曲线构建单元20和类型预测单元30。

其中：

压力数据获取单元10，用于获得油藏的实测井底压力数据。

双对数曲线构建单元20，用于根据油藏的实测井底压力数据生成油藏的双对数曲线，双对数曲线包括压力变化曲线和压力导数曲线。

类型预测单元30，用于调用预先完成训练的油藏分类模型，将双对数曲线作为油藏分类模型的输入，将油藏分类模型输出的油藏类型预测结果作为油藏的类型。

本申请公开的油藏类型分析装置，将油藏的实测井底压力数据作为分析油藏类型的依据，利用预先完成训练的油藏分类模型对油藏的实测井底压力数据进行计算，就可以确定油藏的类型，无需试井人员具备很高的专业技能，而且去除了人为因素的影响，能够准确、高效地确定油藏的类型。

在一个实施例中，在本申请图4所示油藏类型分析装置的基础上，进一步设置模型训练单元。

模型训练单元用于：

获得训练样本集，训练样本集包括多种油藏的训练样本，每个训练样本为一个油藏的双对数曲线，每个训练样本具有油藏标注类型；利用预先构建的油藏分类模型对训练样本进行类型预测，得到训练样本的油藏类型预测结果；依据训练样本的油藏标注类型和油藏类型预测结果，调整油藏分类模型的模型参数，直至调整后的油藏分类模型满足预设收敛条件。

在一个可能的实现方式中，预设收敛条件为：油藏分类模型的损失函数值小于预设值，损失函数值表征油藏分类模型的预测准确率。

在一个可能的实现方式中，预设收敛条件为：油藏分类模型的损失函数的值不再减小，或者，油藏分类模型的预测准确率不再上升。

另一方面，本发明实施例还提供一种电子设备。

参见图5，图5为本发明实施例提供的一种的电子设备的硬件结构图。该电子设备可以包括处理器501和存储器502。

可选的，该终端还可以包括：通信接口503、输入单元504、显示器505和通信总线506。其中，处理器501、存储器502、通信接口503、输入单元504、显示器505均通过通信总线506完成相互间的通信。

在本发明实施例中，该处理器501可以为中央处理器(Central Processing Unit，CPU)，特定应用集成电路，数字信号处理器、现成可编程门阵列或者其他可编程逻辑器件等。

该处理器501可以调用存储器502中存储的程序。

存储器502中用于存放一个或者一个以上程序，程序可以包括程序代码，所述程序代码包括计算机操作指令。在本发明实施例中，该存储器中至少存储有用于实现以下功能的程序：

获得油藏的实测井底压力数据；

根据油藏的实测井底压力数据生成油藏的双对数曲线，双对数曲线包括压力变化曲线和压力导数曲线；

调用预先完成训练的油藏分类模型；

将双对数曲线作为油藏分类模型的输入，将油藏分类模型输出的油藏类型预测结果作为油藏的类型。

在一种可能的实现方式中，该存储器502可包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、以上所提到的程序等；存储数据区可存储根据计算机设备的使用过程中所创建的数据等。

此外，存储器502可以包括高速随机存取存储器，还可以包括非易失性存储器。

该通信接口503可以为通信模块的接口。

该输入单元504可以包括感应触摸显示面板上的触摸事件的触摸感应单元、键盘等等。

该显示器505包括显示面板，如触摸显示面板等。

当然，图5所示的电子设备结构并不构成对本发明实施例中电子设备的限定，在实际应用中电子设备可以包括比图5所示的更多或更少的部件，或者组合某些部件。

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。对于实施例公开的装置及电子设备而言，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 (5)

1.一种油藏类型分析方法，其特征在于，包括：

获得油藏的实测井底压力数据，所述实测井底压力数据包括所述油藏在多个时间点上的井底压力值；

根据所述油藏的实测井底压力数据生成所述油藏的双对数曲线，所述双对数曲线包括压力变化曲线和压力导数曲线；

调用预先完成训练的油藏分类模型；所述油藏分类模型为神经网络模型，是利用油藏的实测井底压力数据及标注的油藏类型训练而成；

将所述双对数曲线作为所述油藏分类模型的输入，将所述油藏分类模型输出的油藏类型预测结果作为所述油藏的类型；

所述油藏分类模型的训练过程，包括：

获得训练样本集、验证样本集和测试样本集，所述训练样本集包括多种油藏的训练样本，每个训练样本为一个油藏的双对数曲线，每个训练样本具有油藏标注类型；所述训练样本集包括圆形油藏、半无限大油藏、角度油藏、河道形油藏、U形油藏、矩形油藏和径向复合油藏的训练样本，多种油藏的训练样本的数量之间的差值在预设范围内；验证样本集包括多个验证样本，每个验证样本为一个油藏的双对数曲线，每个验证样本具有油藏标注类型；测试样本集包括多个测试样本，每个测试样本为一个油藏的双对数曲线，每个测试样本具有油藏标注类型；

构建多个油藏分类模型，其中，多个油藏分类模型的架构不同；

针对每个油藏分类模型执行如下步骤：

利用预先构建的油藏分类模型对训练样本进行类型预测，得到所述训练样本的油藏类型预测结果，依据所述训练样本的油藏标注类型和油藏类型预测结果，调整所述油藏分类模型的模型参数，直至油藏分类模型的预测准确率不再上升；

利用油藏分类模型对验证样本集中的验证样本进行类型预测，得到验证样本的油藏类型预测结果，依据验证样本的油藏标注类型和油藏类型预测结果，确定油藏分类模型针对验证样本集的预测准确率；

如果针对验证样本集的预测准确率达到预设阈值，则执行：利用油藏分类模型对测试样本集中的测试样本进行类型预测，得到测试样本的油藏类型预测结果，依据测试样本的油藏标注类型和油藏类型预测结果，确定油藏分类模型针对测试样本集的预测准确率；

如果针对验证样本集的预测准确率未达到该预设阈值，则执行：调整油藏分类模型的超参数，或者调整油藏分类模型的架构，针对调整后的油藏分类模型，返回对训练样本进行类型预测的步骤继续执行；

将针对测试样本集的预测准确率最高的油藏分类模型作为最优模型。

2.根据权利要求1所述的油藏类型分析方法，其特征在于，预设收敛条件为：

所述油藏分类模型的损失函数值小于预设值，所述损失函数值表征所述油藏分类模型的预测准确率。

3.一种油藏类型分析装置，其特征在于，包括：

压力数据获取单元，用于获得油藏的实测井底压力数据，所述实测井底压力数据包括所述油藏在多个时间点上的井底压力值；

双对数曲线构建单元，用于根据所述油藏的实测井底压力数据生成所述油藏的双对数曲线，所述双对数曲线包括压力变化曲线和压力导数曲线；

类型预测单元，用于调用预先完成训练的油藏分类模型，将所述双对数曲线作为所述油藏分类模型的输入，将所述油藏分类模型输出的油藏类型预测结果作为所述油藏的类型；所述油藏分类模型为神经网络模型，是利用油藏的实测井底压力数据及标注的油藏类型训练而成；

模型训练单元，用于获得训练样本集、验证样本集和测试样本集，所述训练样本集包括多种油藏的训练样本，每个训练样本为一个油藏的双对数曲线，每个训练样本具有油藏标注类型；其中，所述训练样本集包括圆形油藏、半无限大油藏、角度油藏、河道形油藏、U形油藏、矩形油藏和径向复合油藏的训练样本，多种油藏的训练样本的数量之间的差值在预设范围内；验证样本集包括多个验证样本，每个验证样本为一个油藏的双对数曲线，每个验证样本具有油藏标注类型；测试样本集包括多个测试样本，每个测试样本为一个油藏的双对数曲线，每个测试样本具有油藏标注类型；

构建多个油藏分类模型，其中，多个油藏分类模型的架构不同；

针对每个油藏分类模型执行如下步骤：

利用预先构建的油藏分类模型对训练样本进行类型预测，得到所述训练样本的油藏类型预测结果，依据所述训练样本的油藏标注类型和油藏类型预测结果，调整所述油藏分类模型的模型参数，直至油藏分类模型的预测准确率不再上升；

利用油藏分类模型对验证样本集中的验证样本进行类型预测，得到验证样本的油藏类型预测结果，依据验证样本的油藏标注类型和油藏类型预测结果，确定油藏分类模型针对验证样本集的预测准确率；

如果针对验证样本集的预测准确率达到预设阈值，则执行：利用油藏分类模型对测试样本集中的测试样本进行类型预测，得到测试样本的油藏类型预测结果，依据测试样本的油藏标注类型和油藏类型预测结果，确定油藏分类模型针对测试样本集的预测准确率；

如果针对验证样本集的预测准确率未达到该预设阈值，则执行：调整油藏分类模型的超参数，或者调整油藏分类模型的架构，针对调整后的油藏分类模型，返回对训练样本进行类型预测的步骤继续执行；

将针对测试样本集的预测准确率最高的油藏分类模型作为最优模型。

4.根据权利要求3所述的油藏类型分析装置，其特征在于，预设收敛条件为：

所述油藏分类模型的损失函数值小于预设值，所述损失函数值表征所述油藏分类模型的预测准确率。

5.一种电子设备，其特征在于，包括处理器和存储器；

所述处理器，用于调用并执行所述存储器中存储的程序；

所述存储器用于存储所述程序，所述程序至少用于：

获得油藏的实测井底压力数据，所述实测井底压力数据包括所述油藏在多个时间点上的井底压力值；

根据所述油藏的实测井底压力数据生成所述油藏的双对数曲线，所述双对数曲线包括压力变化曲线和压力导数曲线；

调用预先完成训练的油藏分类模型；所述油藏分类模型为神经网络模型，是利用油藏的实测井底压力数据及标注的油藏类型训练而成；

所述油藏分类模型的训练过程，包括：

获得训练样本集、验证样本集和测试样本集，所述训练样本集包括多种油藏的训练样本，每个训练样本为一个油藏的双对数曲线，每个训练样本具有油藏标注类型；所述训练样本集包括圆形油藏、半无限大油藏、角度油藏、河道形油藏、U形油藏、矩形油藏和径向复合油藏的训练样本，多种油藏的训练样本的数量之间的差值在预设范围内；验证样本集包括多个验证样本，每个验证样本为一个油藏的双对数曲线，每个验证样本具有油藏标注类型；测试样本集包括多个测试样本，每个测试样本为一个油藏的双对数曲线，每个测试样本具有油藏标注类型；

构建多个油藏分类模型，其中，多个油藏分类模型的架构不同；

针对每个油藏分类模型执行如下步骤：

利用预先构建的油藏分类模型对训练样本进行类型预测，得到所述训练样本的油藏类型预测结果，依据所述训练样本的油藏标注类型和油藏类型预测结果，调整所述油藏分类模型的模型参数，直至油藏分类模型的预测准确率不再上升；

利用油藏分类模型对验证样本集中的验证样本进行类型预测，得到验证样本的油藏类型预测结果，依据验证样本的油藏标注类型和油藏类型预测结果，确定油藏分类模型针对验证样本集的预测准确率；

如果针对验证样本集的预测准确率达到预设阈值，则执行：利用油藏分类模型对测试样本集中的测试样本进行类型预测，得到测试样本的油藏类型预测结果，依据测试样本的油藏标注类型和油藏类型预测结果，确定油藏分类模型针对测试样本集的预测准确率；

如果针对验证样本集的预测准确率未达到该预设阈值，则执行：调整油藏分类模型的超参数，或者调整油藏分类模型的架构，针对调整后的油藏分类模型，返回对训练样本进行类型预测的步骤继续执行；

将针对测试样本集的预测准确率最高的油藏分类模型作为最优模型。