CN111027220A - 一种提升油田注采匹配程度的方法 - Google Patents

一种提升油田注采匹配程度的方法 Download PDF

Info

Publication number
CN111027220A
CN111027220A CN201911287238.6A CN201911287238A CN111027220A CN 111027220 A CN111027220 A CN 111027220A CN 201911287238 A CN201911287238 A CN 201911287238A CN 111027220 A CN111027220 A CN 111027220A
Authority
CN
China
Prior art keywords
gradient
injection
production
approximation
sampling
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.)
Granted
Application number
CN201911287238.6A
Other languages
English (en)
Other versions
CN111027220B (zh
Inventor
王增林
马珍福
孙德旭
张凯
王鹏
王鹏飞
吕明春
张明星
孙金峰
谭云贤
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
China University of Petroleum East China
Sinopec Research Institute of Petroleum Engineering Shengli Co
Original Assignee
China Petroleum and Chemical Corp
China University of Petroleum East China
Sinopec Research Institute of Petroleum Engineering Shengli Co
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, China University of Petroleum East China, Sinopec Research Institute of Petroleum Engineering Shengli Co filed Critical China Petroleum and Chemical Corp
Priority to CN201911287238.6A priority Critical patent/CN111027220B/zh
Publication of CN111027220A publication Critical patent/CN111027220A/zh
Application granted granted Critical
Publication of CN111027220B publication Critical patent/CN111027220B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/02—Agriculture; Fishing; Forestry; Mining

Landscapes

  • Business, Economics & Management (AREA)
  • Engineering & Computer Science (AREA)
  • Human Resources & Organizations (AREA)
  • Marketing (AREA)
  • Marine Sciences & Fisheries (AREA)
  • Mining & Mineral Resources (AREA)
  • Agronomy & Crop Science (AREA)
  • Health & Medical Sciences (AREA)
  • Economics (AREA)
  • General Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Animal Husbandry (AREA)
  • Primary Health Care (AREA)
  • Strategic Management (AREA)
  • Tourism & Hospitality (AREA)
  • Physics & Mathematics (AREA)
  • General Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

一种提升油田注采匹配程度的方法，包括：S10建立注采参数指标寻优的目标函数和约束；S20采用时间优先超维采样方法，快速生成超维采样样本，求得初级最优注采参数；S30以初级最优注采参数为初始值，采用梯度逼近方法，对最优注采参数进行寻优，并记录非期望搜索方向角集合；S40利用非期望搜索方向角集合作同步逆向搜索，消除局部最优，得到最终注采参数。本发明方法用于油藏开采，大大降低了油藏注采参数计算周期，且通过二次优化获得更准确的注采参数，将该注采参数带入油藏注采模型，计算得到更精确的累产油、含水率或采出程度等注采指标，为油田注采各阶段工作提供精细化指导，从而提升油田注采的匹配程度，提高油藏水驱采收率，降低注采成本。

Description

一种提升油田注采匹配程度的方法
技术领域
本发明涉及石油开采技术领域，具体涉及一种提升油田注采匹配程度的方法。
背景技术
目前，立足现有的生产条件，通过提升油田注采匹配程度使油藏开发动态实时处于最优状态，是实现经济高效开发石油资源的主要途径。因此，基于提升油田注采匹配程度的油藏生产参数优化研究不断发展，开展该技术的研究对于降低油藏开发的不确定性和风险性，提升油田注采匹配程度，提高油藏经营管理水平和减小油气开采成本都具有重要理论和应用价值。目前，求解油藏生产优化的核心问题是如何计算目标函数的梯度。由于油藏的动态体系是非常复杂的，要计算解析梯度极为困难。目前常用的梯度求解方法主要有梯度下降法、随机梯度法等。
其中：
梯度下降法，计算较为精确，但是在参数间非线性特征较强时，该方法收敛速度急剧下降，不便于与油藏模拟器等参数结合。
随机梯度优化算法，由于计算简单，且容易实现与任何油藏模拟器结合，因此得到了广泛的应用。然而，随机梯度仅能提供真实梯度的粗略近似值；尽管通过适当方法得到的随机梯度可以保证对于最大化问题而言恒为上升方向，但是研究表明随机梯度与其真实的梯度方向仍相差甚远；且向最优解逼近的速度慢。
发明内容
本发明的目的在于提供一种提升油田注采匹配程度的方法，通过在保证计算速度更快的同时，可以获得更加准确的优化生产方案的油田注采参数，从而提升油田注采匹配程度，实现石油资源的经济高效开发，以解决上述背景技术中存在的问题。
为实现上述目的，本发明采取的技术方案为：
一种提升油田注采匹配程度的方法，包括以下步骤：
S10：建立油田注采参数指标寻优的目标函数和约束；
S20：采用时间优先的超维采样方法，快速生成超维采样样本，进而求得初级最优注采参数；
S30：以所述初级最优注采参数为初始值，采用梯度逼近方法，对最优注采参数进行寻优，并记录非期望搜索方向角组成非期望搜索方向角集合；
S40：利用所述步骤S30的非期望搜索方向角集合进行同步逆向搜索，消除局部最优，得到提升油田注采匹配程度的最终注采参数。
进一步，所述步骤S20包括以下步骤：
S201：构造d维单位采样坐标系及采样尺作为采样基准；
建立一个d维单位采样坐标系[0，1]d，将每一维度坐标空间[0，1]分为n等份，用标号i记步距区间
Figure BDA0002318365600000021
用π1k，...，πnk记第k维坐标系的n个坐标标号的一个随机序列，在d维采样坐标系中就得到了一个采样矩阵：
Figure BDA0002318365600000022
其中的元素用πij(1≤i≤n，1≤j≤d)来表示；
S202：生成d维单位采样坐标系的采样样本；
记d维单位采样坐标系的采样样本为Xij，则用下式来得到d维单位采样坐标系的一个采样样本，
Figure BDA0002318365600000023
其中uij是[0，1]上的均匀分布变量；
S203：推广到一般d维采样坐标系的超维采样样本；
Figure BDA0002318365600000024
其中，lj为第j维坐标的下界；uj为第j维坐标的上界；
Figure BDA0002318365600000025
为相互独立且π也独立的[lj，uj]上的均匀分布变量；
S204：引入d维随机序列发生器，按随机顺序作为d维采样坐标系的采样维度顺序，消除局部最优解，得到初级最优注采参数，具体步骤包括：
假设序列RD＝[1，2...d]，rand(RD)表示从序列RD中随机取一个数，随机取出d个不同的随机数(rand1(RD)，rand2(RD)...randd(RD))作为采样维度；
因此，在随机发生下的超维采样样本为：
Figure BDA0002318365600000031
循环进行m次将得到m组超维采样样本{(X′ij)1，(X′ij)2，...，(X′ij)m}，使目标函数J取得最大(小)值时的u*(t)即为初级最优注采参数。
进一步，所述步骤S30包括以下步骤：
S301：对梯度逼近方式进行初始化，指定搜索准确率阈值和搜索方向偏差等逼近质量参数；
设定搜索方向准确率阈值ε，搜索方向偏差用当前搜索方向
Figure BDA00023183656000000314
与真实梯度方向夹角的余弦来表征；设定在某一迭代步m中利用精细梯度进行重新计算的重要元素的个数nkey；设定扰动大小α；
S302：利用快速梯度逼近方法求解近似梯度；
在逼近过程中，梯度逼近的扰动z(j)在梯度所有元素的集合中是随机独立变量，采用正态分布
Figure BDA0002318365600000032
表征，其中，j＝1，2，...，Ne，
Figure BDA0002318365600000033
为梯度中所有元素的下标集合，Nx表示元素个数，Ne表示计算中梯度逼近路径数量，快速近似梯度的计算采用下式：
Figure BDA0002318365600000034
其中，xl-1为迭代到第l步时的自变量值；
S303：对步骤S302获得的梯度按重要度进行排序，并利用精细梯度逼近方法求解梯度；
在随机梯度
Figure BDA0002318365600000035
中，将下标在集合
Figure BDA0002318365600000036
中的分量按绝对值从大到小排列，即
Figure BDA0002318365600000037
选取前面nkey个元素记作“重要元素”，更新“重要元素”集合
Figure BDA0002318365600000038
及个数
Figure BDA0002318365600000039
Figure BDA00023183656000000310
Figure BDA00023183656000000311
更新
Figure BDA00023183656000000312
Figure BDA00023183656000000313
在上面公式中，
Figure BDA0002318365600000041
为定义的一个重要分量，
Figure BDA0002318365600000042
为一个随机梯度的分量，
Figure BDA0002318365600000043
为随机近似梯度中相对重要的元素下标集合，
Figure BDA0002318365600000044
为重新更新重要元素的个数，
Figure BDA0002318365600000045
为第n个元素，符号|代表集合补集求解；
然后，利用精细梯度逼近方法重新计算集合
Figure BDA0002318365600000046
中的第k个重要元素：
Figure BDA0002318365600000047
其中，xk为关于目标函数J第k个未知数x，ek为第k个分量方向上的单位向量；
进而得到精细逼近梯度：
Figure BDA0002318365600000048
逼近梯度中其它元素置零；
S304：分别计算任一自变量在任一梯度逼近步的精细逼近梯度和扰动梯度；
利用步骤S303的计算结果，分别计算任一自变量在任一梯度逼近步的精细逼近梯度和扰动梯度，公式如下：
Figure BDA0002318365600000049
其中，
Figure BDA00023183656000000410
为第j个自变量第m迭代步精细逼近梯度，
Figure BDA00023183656000000411
为第j个自变量第m迭代步的扰动梯度，
Figure BDA00023183656000000412
为Δx(j)即第j个扰动向量，
Figure BDA00023183656000000413
为第j个自变量的真实梯度；
S305：评价梯度逼近质量；
计算搜索方向偏差
Figure BDA00023183656000000414
式中，θ为逼近梯度与真实梯度的方向夹角，
Figure BDA00023183656000000415
为第m迭代步的扰动梯度，ΔJ为第m步真实梯度；
其中，期望E的求解公式为：
Figure BDA0002318365600000051
当cos(θ)＞ε，ε为搜索方向准确率阈值，则令计算搜索方向
Figure BDA0002318365600000052
即期望搜索方向；
当cos(θ)≤ε，则记录该步的θv作为非期望搜索方向角，并重复步骤S302-S305，直至cos(θ)＞ε。
进一步，所述步骤S40包括以下步骤：
设步骤S305产生的非期望搜索方向角集合为
Figure BDA0002318365600000053
其中g为在得到期望搜索方向过程中共产生g个非期望搜索方向；
从
Figure BDA0002318365600000054
中选取Min(cos(θ))时所对应的方向角，记为θx，在此基础上方向角旋转
Figure BDA0002318365600000055
作为逆向同步搜索的方向
Figure BDA0002318365600000056
有下式：
Figure BDA0002318365600000057
结合期望E的求解公式，可得到逆向同步搜索的精细逼近梯度记为
Figure BDA0002318365600000058
即
Figure BDA0002318365600000059
结合步骤S305，令计算搜索方向
Figure BDA00023183656000000510
即产生了两个计算搜索方向
Figure BDA00023183656000000511
Figure BDA00023183656000000512
将二者计算结果代入目标函数J，选取最优值即为最终的注采参数。
与现有技术相比，本发明的有益效果是：
(1)建立了油田注采主要注采指标相关的参数函数，并基于参数函数给定了参数寻优所必需的的目标函数和各类约束，可量化的评价注采参数效果。
(2)采用时间优先的超维采样方法，实现了快速得到全局的超维采样样本，进而得到初级最优注采参数，为精细梯度逼近算法节约了大量的计算周期。
(3)在初级最优注采参数的基础上，引入扰动梯度和精细梯度逼近方法，可快速精确地得到二次优化注采参数。
(4)利用了中间结果非期望搜索方向角集合进行同步逆向搜索，可彻底消除局部最优，得到最终注采参数。
(5)本发明在大大降低了油藏注采参数计算周期的同时，能够通过二次优化获得更加准确的最优注采参数，将该注采参数带入油藏注采模型，可以计算得到更加精确的净现值(NPV)、累产油、含水率或采出程度等注采指标，为油田注采的各阶段工作提供精细化指导，从而提升油田注采的匹配程度，提高油藏水驱采收率，降低注采成本，实现石油资源的经济高效开发。
附图说明
图1本发明所述一种油田注采参数寻优方法流程图；
图2本发明所述时间优先超维采样流程图；
图3采用梯度逼近方法对初级最优注采参数进行寻优流程图
图4本发明的同步逆向搜索路径示意图；
图5本发明所述方法在多井位三层注采模型的数值模拟效果图。
具体实施方式
下面将结合具体实施例和附图来详细说明
本发明的方法，如图1所示，具体处理过程如下：
S10：建立油田注采参数指标寻优的目标函数和约束；
在油田注采的整个生产周期中，需要寻优净现值(NPV)、累产油、含水率或采出程度等注采指标。本实施例利用商业数模软件(Eclipse)模拟油藏开发动态，并建立分层配产配注优化模型，在分注分采的精细注采匹配优化模型中，决策变量为分层日注采变量u。
根据影响这些注采指标的参数建立的寻优目标函数如下：
Figure BDA0002318365600000061
式中，J是整个生产周期内的目标函数(NPV净现值、累产油、含水率或采出程度等指标的影响参数函数)；x为油藏的状态参数变量，u为分层注采变量，n代表调控时间步符号，N为所有调控时间步的个数，fn为第n个调控时间步的目标函数取值；xn+1为第n+1个调控时间步油藏的状态参数(压力，饱和度)；un为第n步的分层注采变量。
根据注采参数，建立约束函数，根据约束性质，建立全局约束和局部约束，包括：
(1)全局约束：
Figure BDA0002318365600000062
x0＝x0 (初始条件)
上述约束构成了油藏渗流微分方程组；其中，gn表示油藏渗流计算的函数；x0为某个油藏的状态参数的初始值。
(2)局部约束：
Figure BDA0002318365600000071
以上约束构成了单层日注入或采出量的边界约束条件，其中，Umin为单层日注采量最小值，Umax为单层日注采量最大值；
Figure BDA0002318365600000072
以上约束构成了单井日产液量约束条件，其中，j表示第j井，l是liquid产液的缩写表示，k表示单井的第k层，dj表示j油井生产层数，Ql，j，min为j油井单井的日采液量最小值，Ql，j，max为j油井单井的采液量最大值，un j，k为j油井单井第n步k层的日采液量，Np为区块内油井个数；
Figure BDA0002318365600000073
以上约束构成了油田总产液量约束条件，其中，Ql，min为区块采液量最小值，Ql，max为区块(油田)采液量最大值，Qn l，j为第n个时间步第j井的日采液量，Δtn为第n个时间步长；
Figure BDA0002318365600000074
以上约束构成了单井日注入量约束条件，其中，dj表示j油井生产层数，Qw，j，min为单井的日注入量最小值，Qw，j，max为单井的日注入量最大值，Ni为注水井个数；
Figure BDA0002318365600000075
以上约束构成了油田总注入量约束条件，其中，Qn w，j为第n个时间步第j井的注入量，Qconst为区块(油田)注入量；
Figure BDA0002318365600000081
以上约束构成了油田的注采平衡约束条件，其中，Qn l，i为第n个时间步第i井的日采液量。
综上，精细分层注采参数寻优问题可以描述为：在精细分层调控注采变量un满足约束条件时，求取使目标函数J取得最大(小)值的最优注采参数u*(t)，其中，t为采用时刻。
S20：采用时间优先的超维采样方法，快速生成超维采样样本，进而求得初级最优注采参数；
精细注采参数寻优问题中参数间具有很强的非线性关系，并且存在很多的局部最优解，为了在确保时间优先的前提下，准确找到近似最优解，采用时间优先的超维采样方法，如图2所示，具体步骤如下：
S201：构造d维单位采样坐标系及采样尺作为采样基准；
建立一个d维单位采样坐标系[0，1]d，将每一维度坐标空间[0，1]分为n等份，用标号i记步距区间
Figure BDA0002318365600000082
用π1k，...，πnk记第k维坐标系的n个坐标标号的一个随机序列，在d维采样坐标系中就得到了一个采样矩阵：
Figure BDA0002318365600000083
其中的元素用πij(1≤i≤n，1≤j≤d)来表示。
S202：生成d维单位采样坐标系的采样样本。
记d维单位采样坐标系的采样样本为Xij，则用下式来得到d维单位采样坐标系的一个采样样本。
Figure BDA0002318365600000084
其中uij是[0，1]上的均匀分布变量。
S203：推广到一般d维采样坐标系的超维采样样本。
Figure BDA0002318365600000085
其中，lj为第j维坐标的下界；uj为第j维坐标的上界；
Figure BDA0002318365600000086
为相互独立且π也独立的[lj，uj]上的均匀分布变量。
S204：引入d维随机序列发生器，按随机顺序作为d维采样坐标系的采样维度顺序，消除局部最优解，得到初级最优注采参数。
由于注采参数间的非线性关系很强，并且存在众多的局部最优解，为防止超维采样过程中，同时寻到了多个局部最优解，导致最终结果是多个局部最优解中的最优解。引入d维随机序列发生器，来随机生成采样维度顺序，并利用随机次数作为并行寻优的通道数，可以在消除局部最优解的同时，进一步加快寻优速度。处理过程如下：
假设序列RD＝[1，2...d]，rand(RD)表示从序列RD中随机取一个数，随机取出d个不同的随机数(rand1(RD)，rand2(RD)...randd(RD))作为采样维度。
因此，在随机发生下的超维采样样本为：
Figure BDA0002318365600000091
循环进行m次将得到m组超维采样样本{(X′ij)1，(X′ij)2，...，(X′ij)m}，使目标函数J取得最大(小)值时的u*(t)即为初级最优注采参数。
S30：以初级最优注采参数为初始值，采用梯度逼近方法，对最优注采参数进行寻优，并记录非期望搜索方向角组成非期望搜索方向角集合。
经过超维采样寻得初级最优注采参数后，选取初级最优注采参数作为探索子区域的初始值，利用梯度逼近方法进一步优化改善，如图3所示，具体步骤包括：
S301：对梯度逼近方式进行初始化，指定搜索准确率阈值和搜索方向偏差等逼近质量参数；
设定搜索方向准确率阈值ε，搜索方向偏差用当前搜索方向
Figure BDA0002318365600000095
与真实梯度方向夹角的余弦来表征；
设定在某一迭代步m中利用精细梯度进行重新计算的重要元素的个数nkey；设定扰动大小α。
S302：利用快速梯度逼近方法求解近似梯度；
在逼近过程中，梯度逼近的扰动z(j)在梯度所有元素的集合中是随机独立变量，可采用正态分布
Figure BDA0002318365600000092
表征，其中，j＝1，2，...，Ne，
Figure BDA0002318365600000093
为梯度中所有元素的下标集合，Nx表示元素个数，Ne表示计算中梯度逼近路径数量，快速近似梯度的计算采用下式：
Figure BDA0002318365600000094
其中，xl-1为迭代到第l步时的自变量值。
S303：对S302步骤所获得的梯度按重要度进行排序，并利用精细梯度逼近方法求解梯度；
在随机梯度
Figure BDA0002318365600000101
中，将下标在集合
Figure BDA0002318365600000102
中的分量按绝对值从大到小排列，即
Figure BDA0002318365600000103
选取前面nkey个元素记作“重要元素”，更新“重要元素”集合
Figure BDA0002318365600000104
及个数
Figure BDA0002318365600000105
Figure BDA0002318365600000106
Figure BDA0002318365600000107
更新
Figure BDA0002318365600000108
Figure BDA0002318365600000109
在上面公式中，
Figure BDA00023183656000001010
为定义的一个重要分量，
Figure BDA00023183656000001011
为一个随机梯度的分量，
Figure BDA00023183656000001012
为随机近似梯度中相对重要的元素下标集合，
Figure BDA00023183656000001013
为重新更新重要元素的个数，
Figure BDA00023183656000001014
为第n个元素，符号|代表集合补集求解。
然后，利用精细梯度逼近方法重新计算集合
Figure BDA00023183656000001015
和的第k个重要元素：
Figure BDA00023183656000001016
其中，xk为关于目标函数J第k个未知数x，ek为第k个分量方向上的单位向量。进而得到精细逼近梯度：
Figure BDA00023183656000001017
逼近梯度中其它元素置零。
S304：分别计算任一自变量在任一梯度逼近步的精细逼近梯度和扰动梯度；
利用S303的计算结果，分别计算任一自变量在任一梯度逼近步的精细逼近梯度和扰动梯度，公式如下：
Figure BDA00023183656000001018
其中，
Figure BDA00023183656000001019
为第j个自变量第m迭代步精细逼近梯度，
Figure BDA00023183656000001020
为第j个自变量第m迭代步的扰动梯度，
Figure BDA00023183656000001021
为Δx(j)即第j个扰动向量，
Figure BDA00023183656000001022
为第j个自变量的真实梯度。
S305：评价梯度逼近质量；
计算搜索方向偏差
Figure BDA0002318365600000111
式中，θ为逼近梯度与真实梯度的方向夹角，
Figure BDA0002318365600000112
为第m迭代步的扰动梯度，ΔJ为第m步真实梯度。
其中，期望E的求解公式为：
Figure BDA0002318365600000113
当cos(θ)＞ε，ε为搜索方向准确率阈值，则令计算搜索方向
Figure BDA0002318365600000114
即期望搜索方向；
当cos(θ)≤ε，则记录该步的θv作为非期望搜索方向角，并重复S302-S305，直至cos(θ)＞ε。
S40：利用S305步骤记录的非期望搜索方向角集合进行同步逆向搜索，如图4所示，消除局部最优，得到最终注采参数。
设S305步骤产生的非期望搜索方向角集合为
Figure BDA0002318365600000115
其中g为在得到期望搜索方向过程中共产生g个非期望搜索方向。
从
Figure BDA0002318365600000116
中选取Min(cos(θ))时所对应的方向角，记为θx，在此基础上方向角旋转
Figure BDA0002318365600000117
作为逆向同步搜索的方向
Figure BDA0002318365600000118
有下式：
Figure BDA0002318365600000119
结合期望E的求解公式，可得到逆向同步搜索的精细逼近梯度记为
Figure BDA00023183656000001110
即
Figure BDA00023183656000001111
结合步骤S305，令计算搜索方向
Figure BDA00023183656000001112
这样就产生了两个计算搜索方向
Figure BDA00023183656000001113
将二者计算结果代入目标函数J，选取最优值即为最终的注采参数，即得到能够提升油田注采匹配程度的最终注采参数。
本发明在大大降低了油藏注采参数计算周期的同时，通过二次优化获得更加准确的最优注采参数，将该注采参数带入油藏注采模型，可以计算得到精确净现值(NPV)、累产油、含水率或采出程度等注采指标，为油田注采的各阶段工作提供精细化指导，从而提升油田注采的匹配程度。如图5所示，为本方法在某多井位三层注采模型的数值模拟中精确地锁定井底流压和剩余油聚集点，可大大降低注采成本，提质增效，实现石油资源的经济高效开发。
显然本发明具体实现并不受上述方式的限制，只要采用了本发明的方法构思和技术方案进行的各种非实质性的改进，或未经改进将本发明的构思和技术方案直接应用于其它场合的，均在本发明保护范围之内。

Claims (4)

1.一种提升油田注采匹配程度的方法，其特征在于，包括以下步骤：
S10：建立油田注采参数指标寻优的目标函数和约束；
S20：采用时间优先的超维采样方法，快速生成超维采样样本，进而求得初级最优注采参数；
S30：以所述初级最优注采参数为初始值，采用梯度逼近方法，对最优注采参数进行寻优，并记录非期望搜索方向角组成非期望搜索方向角集合；
S40：利用所述步骤S30的非期望搜索方向角集合进行同步逆向搜索，消除局部最优，得到提升油田注采匹配程度的最终注采参数。
2.如权利要求1所述的提升油田注采匹配程度的方法，其特征在于，所述步骤S20包括以下步骤：
S201：构造d维单位采样坐标系及采样尺作为采样基准；
建立一个d维单位采样坐标系[0，1]d，将每一维度坐标空间[0，1]分为n等份，用标号i记步距区间
Figure FDA0002318365590000011
用π1k，...，πnk记第k维坐标系的n个坐标标号的一个随机序列，在d维采样坐标系中就得到了一个采样矩阵：
Figure FDA0002318365590000012
其中的元素用πij(1≤i≤n，1≤j≤d)来表示；
S202：生成d维单位采样坐标系的采样样本；
记d维单位采样坐标系的采样样本为Xij，则用下式来得到d维单位采样坐标系的一个采样样本，
Figure FDA0002318365590000013
其中uij是[0，1]上的均匀分布变量；
S203：推广到一般d维采样坐标系的超维采样样本；
Figure FDA0002318365590000014
其中，lj为第j维坐标的下界；uj为第j维坐标的上界；
Figure FDA0002318365590000015
为相互独立且π也独立的[lj，uj]上的均匀分布变量；
S204：引入d维随机序列发生器，按随机顺序作为d维采样坐标系的采样维度顺序，消除局部最优解，得到初级最优注采参数，具体步骤包括：
假设序列RD＝[1，2...d]，rand(RD)表示从序列RD中随机取一个数，随机取出d个不同的随机数(rand1(RD)，rand2(RD)...randd(RD))作为采样维度；
因此，在随机发生下的超维采样样本为：
Figure FDA0002318365590000021
循环进行m次将得到m组超维采样样本{(X′ij)1，(X′ij)2，...，(X′ij)m}，使目标函数J取得最大(小)值时的u*(t)即为初级最优注采参数。
3.如权利要求1所述的提升油田注采匹配程度的方法，其特征在于，所述步骤S30包括以下步骤：
S301：对梯度逼近方式进行初始化，指定搜索准确率阈值和搜索方向偏差等逼近质量参数；
设定搜索方向准确率阈值ε，搜索方向偏差用当前搜索方向
Figure FDA00023183655900000210
与真实梯度方向夹角的余弦来表征；设定在某一迭代步m中利用精细梯度进行重新计算的重要元素的个数nkey；设定扰动大小α；
S302：利用快速梯度逼近方法求解近似梯度；
在逼近过程中，梯度逼近的扰动z(j)在梯度所有元素的集合中是随机独立变量，采用正态分布
Figure FDA0002318365590000022
表征，其中，j＝1，2，...，Ne，
Figure FDA0002318365590000023
为梯度中所有元素的下标集合，Nx表示元素个数，Ne表示计算中梯度逼近路径数量，快速近似梯度的计算采用下式：
Figure FDA0002318365590000024
其中，xl-1为迭代到第l步时的自变量值；
S303：对步骤S302获得的梯度按重要度进行排序，并利用精细梯度逼近方法求解梯度；
在随机梯度
Figure FDA0002318365590000025
中，将下标在集合
Figure FDA0002318365590000026
中的分量按绝对值从大到小排列，即
Figure FDA0002318365590000027
选取前面nkey个元素记作“重要元素”，更新“重要元素”集合
Figure FDA0002318365590000028
及个数
Figure FDA0002318365590000029
Figure FDA0002318365590000031
Figure FDA0002318365590000032
更新
Figure FDA0002318365590000033
Figure FDA0002318365590000034
在上面公式中，
Figure FDA0002318365590000035
为定义的一个重要分量，
Figure FDA0002318365590000036
为一个随机梯度的分量，　
Figure FDA0002318365590000037
为随机近似梯度中相对重要的元素下标集合，
Figure FDA0002318365590000038
为重新更新重要元素的个数，
Figure FDA0002318365590000039
为第n个元素，符号|代表集合补集求解；
然后，利用精细梯度逼近方法重新计算集合
Figure FDA00023183655900000310
中的第k个重要元素：
Figure FDA00023183655900000311
其中，xk为关于目标函数J第k个未知数x，ek为第k个分量方向上的单位向量；
进而得到精细逼近梯度：
Figure FDA00023183655900000312
逼近梯度中其它元素置零；
S304：分别计算任一自变量在任一梯度逼近步的精细逼近梯度和扰动梯度；
利用步骤S303的计算结果，分别计算任一自变量在任一梯度逼近步的精细逼近梯度和扰动梯度，公式如下：
Figure FDA00023183655900000313
其中，
Figure FDA00023183655900000314
为第j个自变量第m迭代步精细逼近梯度，
Figure FDA00023183655900000315
为第j个自变量第m迭代步的扰动梯度，
Figure FDA00023183655900000316
为Δx(j)即第j个扰动向量，
Figure FDA00023183655900000317
为第j个自变量的真实梯度；
S305：评价梯度逼近质量；
计算搜索方向偏差
Figure FDA00023183655900000318
式中，θ为逼近梯度与真实梯度的方向夹角，
Figure FDA00023183655900000319
为第m迭代步的扰动梯度，ΔJ为第m步真实梯度；
其中，期望E的求解公式为：
Figure FDA0002318365590000041
当cos(θ)＞ε，ε为搜索方向准确率阈值，则令计算搜索方向
Figure FDA0002318365590000042
即期望搜索方向；
当cos(θ)≤ε，则记录该步的θv作为非期望搜索方向角，并重复步骤S302-S305，直至cos(θ)＞ε。
4.如权利要求1所述的提升油田注采匹配程度的方法，其特征在于，所述步骤S40具体包括以下步骤：
设步骤S305产生的非期望搜索方向角集合为
Figure FDA0002318365590000043
其中g为在得到期望搜索方向过程中共产生g个非期望搜索方向；
从
Figure FDA0002318365590000044
中选取Min(cos(θ))时所对应的方向角，记为θx，在此基础上方向角旋转
Figure FDA0002318365590000045
作为逆向同步搜索的方向
Figure FDA0002318365590000046
有下式：
Figure FDA0002318365590000047
结合期望E的求解公式，可得到逆向同步搜索的精细逼近梯度记为
Figure FDA0002318365590000048
即
Figure FDA0002318365590000049
结合步骤S305，令计算搜索方向
Figure FDA00023183655900000410
即产生了两个计算搜索方向
Figure FDA00023183655900000411
Figure FDA00023183655900000412
将二者计算结果代入目标函数J，选取最优值即为最终的注采参数。
CN201911287238.6A 2019-12-14 2019-12-14 一种提升油田注采匹配程度的方法 Active CN111027220B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911287238.6A CN111027220B (zh) 2019-12-14 2019-12-14 一种提升油田注采匹配程度的方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911287238.6A CN111027220B (zh) 2019-12-14 2019-12-14 一种提升油田注采匹配程度的方法

Publications (2)

Publication Number Publication Date
CN111027220A true CN111027220A (zh) 2020-04-17
CN111027220B CN111027220B (zh) 2023-03-24

Family

ID=70210848

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911287238.6A Active CN111027220B (zh) 2019-12-14 2019-12-14 一种提升油田注采匹配程度的方法

Country Status (1)

Country Link
CN (1) CN111027220B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115577562A (zh) * 2022-11-09 2023-01-06 中国石油大学(华东) 一种裂缝油藏井位优化方法

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102930345A (zh) * 2012-10-12 2013-02-13 中国石油大学(华东) 一种基于梯度算法的自适应井网优化方法
GB201610261D0 (en) * 2016-06-13 2016-07-27 Malvern Instr Ltd Taylor Dispersion analysis
CN106096308A (zh) * 2016-06-25 2016-11-09 东北石油大学 基于断层稳定性评价的油田注采参数优化调整的方法
CN109426672A (zh) * 2017-08-22 2019-03-05 中国石油化工股份有限公司 基于不确定地质模型的油藏注采参数优化方法
CN109872007A (zh) * 2019-03-12 2019-06-11 中国地质大学（北京） 基于支持向量机代理模型的油藏注采参数多目标优化方法
CN110439515A (zh) * 2019-06-24 2019-11-12 中国石油化工股份有限公司 注采参数优化方法及装置

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102930345A (zh) * 2012-10-12 2013-02-13 中国石油大学(华东) 一种基于梯度算法的自适应井网优化方法
GB201610261D0 (en) * 2016-06-13 2016-07-27 Malvern Instr Ltd Taylor Dispersion analysis
CN106096308A (zh) * 2016-06-25 2016-11-09 东北石油大学 基于断层稳定性评价的油田注采参数优化调整的方法
CN109426672A (zh) * 2017-08-22 2019-03-05 中国石油化工股份有限公司 基于不确定地质模型的油藏注采参数优化方法
CN109872007A (zh) * 2019-03-12 2019-06-11 中国地质大学（北京） 基于支持向量机代理模型的油藏注采参数多目标优化方法
CN110439515A (zh) * 2019-06-24 2019-11-12 中国石油化工股份有限公司 注采参数优化方法及装置

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115577562A (zh) * 2022-11-09 2023-01-06 中国石油大学(华东) 一种裂缝油藏井位优化方法

Also Published As

Publication number Publication date
CN111027220B (zh) 2023-03-24

Similar Documents

Publication Publication Date Title
CN109948841A (zh) 一种基于深度学习的水驱开发油田剩余油分布的预测方法
CN111625922B (zh) 一种基于机器学习代理模型的大规模油藏注采优化方法
CN108984886B (zh) 一种反演多层油藏井间动态连通性的方法
CN107829718A (zh) 基于均衡水驱理念的油藏井网及注采方案优化设计方法
CN110941890B (zh) 基于最优控制理论的海上油藏动态实时生产优化方法
CN113052371A (zh) 基于深度卷积神经网络的剩余油分布预测方法及装置
CN106294282B (zh) 黑油油藏模拟方法及装置
CN106529667A (zh) 一种大数据环境下基于模糊深度学习的测井相识别与分析方法
CN105426645B (zh) 一种asc地层自动对比方法和系统
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
CN111766635B (zh) 砂体连通程度分析方法和系统
CN106875286A (zh) 一种聚合物驱油田全过程注聚参数分阶段优化决策方法
CN115146446A (zh) 基于近似梯度算法和嵌入式离散裂缝模型的油藏优化方法
Zhang et al. Nonlinear constrained production optimization based on augmented Lagrangian function and stochastic gradient
CN111027220B (zh) 一种提升油田注采匹配程度的方法
CN106569272A (zh) 一种基于数据性质空间升维的地震属性融合方法
CN107165621B (zh) 一种利用聚类方法识别多井沉积微相的方法
CN111550238B (zh) 一种等效j函数约束的饱和度建模方法
CN106846470A (zh) 一种基于角点网格的高精度油气运移模拟方法
CN111079341B (zh) 一种基于迭代算法的智能完井与油藏非稳态耦合方法
Guo et al. Modeling unconventional reservoirs using a graph network model
Zhang et al. An automatic history matching method of reservoir numerical simulation based on improved genetic algorithm
CN106526694A (zh) 一种致密油藏识别方法及装置
CN113010501A (zh) 采收率预测模型获取方法、采收率预测方法和产品
Zhang et al. Dynamic Real-time Optimization of Reservoir Production.

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