CN111441767B - 油藏生产动态预测方法及装置 - Google Patents
油藏生产动态预测方法及装置 Download PDFInfo
- Publication number
- CN111441767B CN111441767B CN202010391407.7A CN202010391407A CN111441767B CN 111441767 B CN111441767 B CN 111441767B CN 202010391407 A CN202010391407 A CN 202010391407A CN 111441767 B CN111441767 B CN 111441767B
- Authority
- CN
- China
- Prior art keywords
- well
- production
- reservoir
- numerical simulation
- data set
- 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
Links
- 238000004519 manufacturing process Methods 0.000 title claims abstract description 155
- 238000000034 method Methods 0.000 title claims abstract description 99
- 238000004088 simulation Methods 0.000 claims abstract description 115
- 239000012530 fluid Substances 0.000 claims abstract description 42
- 239000011435 rock Substances 0.000 claims abstract description 35
- 238000010276 construction Methods 0.000 claims abstract description 32
- 238000012549 training Methods 0.000 claims description 27
- 238000005457 optimization Methods 0.000 claims description 23
- 238000004590 computer program Methods 0.000 claims description 18
- 230000004044 response Effects 0.000 claims description 17
- 238000012545 processing Methods 0.000 claims description 13
- 238000005070 sampling Methods 0.000 claims description 13
- 239000003079 shale oil Substances 0.000 claims description 13
- 239000011159 matrix material Substances 0.000 claims description 9
- 230000035699 permeability Effects 0.000 claims description 9
- 238000003860 storage Methods 0.000 claims description 9
- 238000002790 cross-validation Methods 0.000 claims description 8
- 238000004422 calculation algorithm Methods 0.000 claims description 7
- 230000002159 abnormal effect Effects 0.000 claims description 4
- 238000002347 injection Methods 0.000 claims description 3
- 239000007924 injection Substances 0.000 claims description 3
- 238000012217 deletion Methods 0.000 claims description 2
- 230000037430 deletion Effects 0.000 claims description 2
- 238000002791 soaking Methods 0.000 claims description 2
- 238000011425 standardization method Methods 0.000 claims description 2
- 230000008569 process Effects 0.000 abstract description 38
- 239000003129 oil well Substances 0.000 abstract description 10
- 238000013461 design Methods 0.000 abstract description 6
- 239000003921 oil Substances 0.000 description 130
- 238000010586 diagram Methods 0.000 description 18
- 230000000694 effects Effects 0.000 description 18
- 230000006870 function Effects 0.000 description 17
- 238000011156 evaluation Methods 0.000 description 12
- 238000011161 development Methods 0.000 description 10
- 238000012360 testing method Methods 0.000 description 7
- 238000004364 calculation method Methods 0.000 description 6
- 238000009826 distribution Methods 0.000 description 6
- 238000013178 mathematical model Methods 0.000 description 6
- 230000004913 activation Effects 0.000 description 5
- 230000001186 cumulative effect Effects 0.000 description 5
- 238000010606 normalization Methods 0.000 description 5
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 5
- 238000005094 computer simulation Methods 0.000 description 4
- 239000010779 crude oil Substances 0.000 description 4
- 239000003208 petroleum Substances 0.000 description 3
- 239000000243 solution Substances 0.000 description 3
- 230000003247 decreasing effect Effects 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 239000000203 mixture Substances 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000035945 sensitivity Effects 0.000 description 2
- 238000000342 Monte Carlo simulation Methods 0.000 description 1
- 238000012614 Monte-Carlo sampling Methods 0.000 description 1
- 230000001174 ascending effect Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000006835 compression Effects 0.000 description 1
- 238000007906 compression Methods 0.000 description 1
- 238000005553 drilling Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 239000000446 fuel Substances 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 239000003027 oil sand Substances 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000000704 physical effect Effects 0.000 description 1
- 239000004576 sand Substances 0.000 description 1
Images
Classifications
-
- E—FIXED CONSTRUCTIONS
- E21—EARTH OR ROCK DRILLING; MINING
- E21B—EARTH OR ROCK DRILLING; OBTAINING OIL, GAS, WATER, SOLUBLE OR MELTABLE MATERIALS OR A SLURRY OF MINERALS FROM WELLS
- E21B41/00—Equipment or details not covered by groups E21B15/00 - E21B40/00
-
- E—FIXED CONSTRUCTIONS
- E21—EARTH OR ROCK DRILLING; MINING
- E21B—EARTH OR ROCK DRILLING; OBTAINING OIL, GAS, WATER, SOLUBLE OR MELTABLE MATERIALS OR A SLURRY OF MINERALS FROM WELLS
- E21B49/00—Testing the nature of borehole walls; Formation testing; Methods or apparatus for obtaining samples of soil or well fluids, specially adapted to earth drilling or wells
-
- 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
- G06N3/042—Knowledge-based neural networks; Logical representations of neural networks
-
- E—FIXED CONSTRUCTIONS
- E21—EARTH OR ROCK DRILLING; MINING
- E21B—EARTH OR ROCK DRILLING; OBTAINING OIL, GAS, WATER, SOLUBLE OR MELTABLE MATERIALS OR A SLURRY OF MINERALS FROM WELLS
- E21B43/00—Methods or apparatus for obtaining oil, gas, water, soluble or meltable materials or a slurry of minerals from wells
-
- E—FIXED CONSTRUCTIONS
- E21—EARTH OR ROCK DRILLING; MINING
- E21B—EARTH OR ROCK DRILLING; OBTAINING OIL, GAS, WATER, SOLUBLE OR MELTABLE MATERIALS OR A SLURRY OF MINERALS FROM WELLS
- E21B43/00—Methods or apparatus for obtaining oil, gas, water, soluble or meltable materials or a slurry of minerals from wells
- E21B43/25—Methods for stimulating production
- E21B43/26—Methods for stimulating production by forming crevices or fractures
-
- E—FIXED CONSTRUCTIONS
- E21—EARTH OR ROCK DRILLING; MINING
- E21B—EARTH OR ROCK DRILLING; OBTAINING OIL, GAS, WATER, SOLUBLE OR MELTABLE MATERIALS OR A SLURRY OF MINERALS FROM WELLS
- E21B49/00—Testing the nature of borehole walls; Formation testing; Methods or apparatus for obtaining samples of soil or well fluids, specially adapted to earth drilling or wells
- E21B49/08—Obtaining fluid samples or testing fluids, in boreholes or wells
- E21B49/087—Well testing, e.g. testing for reservoir productivity or formation parameters
-
- 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
-
- 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
- G06N3/047—Probabilistic or stochastic 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
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/01—Dynamic search techniques; Heuristics; Dynamic trees; Branch-and-bound
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N7/00—Computing arrangements based on specific mathematical models
- G06N7/01—Probabilistic graphical models, e.g. probabilistic networks
-
- E—FIXED CONSTRUCTIONS
- E21—EARTH OR ROCK DRILLING; MINING
- E21B—EARTH OR ROCK DRILLING; OBTAINING OIL, GAS, WATER, SOLUBLE OR MELTABLE MATERIALS OR A SLURRY OF MINERALS FROM WELLS
- E21B2200/00—Special features related to earth drilling for obtaining oil, gas or water
- E21B2200/20—Computer models or simulations, e.g. for reservoirs under production, drill bits
-
- E—FIXED CONSTRUCTIONS
- E21—EARTH OR ROCK DRILLING; MINING
- E21B—EARTH OR ROCK DRILLING; OBTAINING OIL, GAS, WATER, SOLUBLE OR MELTABLE MATERIALS OR A SLURRY OF MINERALS FROM WELLS
- E21B2200/00—Special features related to earth drilling for obtaining oil, gas or water
- E21B2200/22—Fuzzy logic, artificial intelligence, neural networks or the like
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/10—Numerical modelling
-
- 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
- G06F30/28—Design optimisation, verification or simulation using fluid dynamics, e.g. using Navier-Stokes equations or computational fluid dynamics [CFD]
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mining & Mineral Resources (AREA)
- Geology (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Data Mining & Analysis (AREA)
- Computational Linguistics (AREA)
- Fluid Mechanics (AREA)
- General Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Geochemistry & Mineralogy (AREA)
- Biophysics (AREA)
- Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- General Health & Medical Sciences (AREA)
- Environmental & Geological Engineering (AREA)
- Probability & Statistics with Applications (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Optimization (AREA)
- Mathematical Analysis (AREA)
- Computational Mathematics (AREA)
- Algebra (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供了一种油藏生产动态预测方法及装置,其中该方法包括:根据地质参数、岩石与流体参数以及施工资料,确定单井数值模拟数据集;基于单井数值模拟数据集,进行油藏数值模拟,确定用于油藏生产动态预测的标准数据集;根据标准数据集,建立用于油藏生产动态预测的深度置信网络模型;利用深度置信网络模型,对目标井进行油藏生产动态预测,得到目标井的生产动态预测结果。该方法可以快速准确地对非常规油藏中油井的生产动态进行预测;对于给定的区块,深度置信网络模型可以无限次使用;无需目标井投产使用,还将大大缩短压裂工艺优化设计所需要的时间,提供工作效率。
Description
技术领域
本发明涉及石油开采技术领域,尤其涉及一种油藏生产动态预测方法及装置。
背景技术
目前常规油气资源的开采呈下降趋势,而全球油气资源的总需求量仍处于上升阶段,油气资源供给与需求之间的矛盾日渐突出。我国非常规油藏,特别是致密油/页岩油储量丰富,是常规石油的重要接替资源。非常规油藏是指非常规石油的油藏,非常规石油一般是指超重原油、油砂油、致密油、页岩油等。目前,致密油/页岩油已成为我国非常规油气发展的热点。在致密油/页岩油开发过程中,准确预测其生产动态对压裂施工设计及油藏的经济高效开发具有重要意义。
目前,对致密油/页岩油此类非常规油藏的生产动态预测方法存在以下问题:
一方面,现有的大部分非常规油藏生产动态预测方法都要求油井已经开始生产,即利用目标井已有的生产动态数据来预测未来一段时间的生产动态。但在实际开发过程中,矿场往往需要在油井开始生产之前就预测得到油井的生产动态,以此来优化压裂施工方案和油井的工作制度。
另一方面,油藏数值模拟方法虽然能够在一定程度上解决上述问题,但所需资料过多,建模过程繁琐,网格数量较多时模拟速度非常缓慢,计算成本高昂。而且在后续的压裂施工方案优化过程中需要针对不同的参数组合,多次调用油藏数值模拟软件进行运算,将耗费大量的人力物力。
发明内容
本发明实施例提供一种油藏生产动态预测方法,用以提供一种高效、快速、无需目标井投产即可对目标井的非常规油藏生产动态进行预测的方法,该方法包括:
获取目标井所在的非常规油藏的地质参数、所述非常规油藏的岩石与流体参数以及多级压裂水平井施工资料;所述非常规油藏为致密油藏或页岩油藏;
根据所述地质参数、所述岩石与流体参数以及所述施工资料,确定单井数值模拟数据集;
基于所述单井数值模拟数据集,进行油藏数值模拟,确定用于油藏生产动态预测的标准数据集;
根据所述标准数据集,建立用于油藏生产动态预测的深度置信网络模型;
利用所述深度置信网络模型,对所述目标井进行油藏生产动态预测,得到目标井的生产动态预测结果。
本发明实施例还提供一种油藏生产动态预测装置,用以提供一种高效、快速、无需目标井投产即可对目标井的非常规油藏生产动态进行预测的方法,该装置包括:
数据获取模块,用于获取目标井所在的非常规油藏的地质参数、所述非常规油藏的岩石与流体参数以及多级压裂水平井施工资料;所述非常规油藏为致密油藏或页岩油藏;
第一数据集模块,用于根据所述地质参数、所述岩石与流体参数以及所述施工资料,确定单井数值模拟数据集;
第二数据集模块,用于基于所述单井数值模拟数据集,进行油藏数值模拟,确定用于油藏生产动态预测的标准数据集;
模型建立模块,用于根据所述标准数据集,建立用于油藏生产动态预测的深度置信网络模型;
预测模块,用于利用所述深度置信网络模型,对所述目标井进行油藏生产动态预测,得到目标井的生产动态预测结果。
本发明实施例还提供一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现上述油藏生产动态预测方法。
本发明实施例也提供一种计算机可读存储介质,所述计算机可读存储介质存储有执行上述油藏生产动态预测方法的计算机程序。
本发明实施例中,通过获取目标井所在的非常规油藏的地质参数、非常规油藏的岩石与流体参数以及多级压裂水平井施工资料;根据地质参数、岩石与流体参数以及施工资料,确定单井数值模拟数据集;基于单井数值模拟数据集,进行油藏数值模拟,确定用于生产动态预测的标准数据集;通过所建立的深度置信网络模型,可以快速准确地对各种情形下非常规油藏中油井的生产动态进行预测。对于给定的区块,深度置信网络模型可以无限次使用,无需目标井投产使用,而且预测每口井的生产动态时只需花费数秒,而传统的油藏数值模拟方法则需要数小时到几天;由于现场在进行压裂工艺优化设计时,需要对成千上万个方案进行生产动态预测并对比预测得到的开发效果,因此采用此方法将大大缩短压裂工艺优化设计所需要的时间,提供工作效率。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对实施例描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,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为本发明实施例中油藏生产动态预测方法的示意图。
图2为本发明实施例中步骤102的具体实施过程示意图。
图3为本发明实施例中步骤103的具体实施过程示意图。
图4为本发明一具体实例中致密油藏多级压裂水平井开采的数值模拟模型的示意图。
图5(a)-图5(b)为本发明一具体实例中不同激活函数及dropout比例对深度置信网络模型训练效果影响示意图。
图6为本发明一具体实例中用于预测累产油量的深度置信网络模型训练过程中损失函数的下降过程示意图。
图7为本发明一具体实例中用于预测日产油量的深度置信网络模型训练过程中损失函数的下降过程示意图。
图8为本发明一具体实例中日产油量及累产油量预测效果对比图。
图9为本发明实施例中油藏生产动态预测装置的结构框图。
图10为本发明实施例中用于油藏生产动态预测的电子设备的结构示意图。
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。
为了解决现有非常规油藏(致密油/页岩油)生产动态预测方法需要目标井已经投产,以及数值模拟方法需要资料过多、计算成本高昂的问题,本发明实施例提供了一种油藏生产动态预测方法,用以提供一种高效、快速、无需目标井投产即可对目标井的非常规油藏生产动态进行预测的方法,如图1所示,该方法包括:
步骤101:获取目标井所在的非常规油藏的地质参数、非常规油藏的岩石与流体参数以及多级压裂水平井施工资料;
步骤102:根据地质参数、岩石与流体参数以及施工资料,确定单井数值模拟数据集;
步骤103:基于单井数值模拟数据集,进行油藏数值模拟,确定用于油藏生产动态预测的标准数据集;
步骤104:根据标准数据集,建立用于油藏生产动态预测的深度置信网络模型;
步骤105:利用深度置信网络模型,对目标井进行油藏生产动态预测,得到目标井的生产动态预测结果。
由图1所示流程可以得知,本发明实施例中,通过获取目标井所在的非常规油藏的地质参数、非常规油藏的岩石与流体参数以及多级压裂水平井施工资料;根据地质参数、岩石与流体参数以及施工资料,确定单井数值模拟数据集;基于单井数值模拟数据集,进行油藏数值模拟,确定用于生产动态预测的标准数据集;通过所建立的深度置信网络模型,可以快速准确地对各种情形下非常规油藏中油井的生产动态进行预测。对于给定的区块,深度置信网络模型可以无限次使用,无需目标井投产使用,而且预测每口井的生产动态时只需花费数秒,而传统的油藏数值模拟方法则需要数小时到几天;由于现场在进行压裂工艺优化设计时,需要对成千上万个方案进行生产动态预测并对比预测得到的开发效果,因此采用此方法将大大缩短压裂工艺优化设计所需要的时间,提供工作效率。
具体实施时,首先获取目标井所在非常规油藏的地质参数、岩石与流体参数以及多级压裂水平井施工资料。在一个实施例中,可以从目标井地质勘探资料、测井曲线等资料中获取,具体的获取方式可以根据实际情况确定,本申请对此不作限定。在本发明实施例中,非常规油藏为致密油或页岩油的油藏。
本发明实施例中,上述目标井所在非常规油藏的地质参数可以用于表征目标井的地质构造情况,可以包括但不限于:目标井的构造等值线图、砂体厚度分布等值图、有效厚度分布等值图、孔隙度分布等值图、基质原始渗透率分布等值图、油藏中部深度、油藏厚度其中之一或任意组合。
本发明实施例中,上述目标井所在非常规油藏的岩石与流体参数可以包括但不限于:原油组分、流体的高压物性数据、流体黏度、储层原始压力、泡点压力、初始含水饱和度、相渗曲线、基质非线性渗流参数和基质应力敏感系数,其中,上述流体黏度包括:原油黏度、水黏度和气体黏度其中之一或任意组合。
本发明实施例中,上述目标井的多级压裂水平井资料可以包括但不限于:水平井井身轨迹数据、压裂级数、压裂缝半长、压裂缝宽度、压裂缝高度、压裂缝渗透率和压裂缝导流能力随有效应力的变化曲线其中之一或任意组合。其中,上述水平井是指井斜角达到或接近90°,井身沿着水平方向钻进一定长度的井。
获取非常规油藏的地质参数、岩石与流体参数以及施工资料后,根据地质参数、岩石与流体参数以及施工资料,确定单井数值模拟数据集。具体过程如图2所示,包括:
步骤201:在地质参数、岩石与流体参数以及所述施工资料中,确定对目标井的生产动态具有关键影响作用的影响因子,并确定该影响因子在该油藏中的取值范围;
步骤202:根据该取值范围,在取值范围内进行等分,确定多个预设范围;
步骤203:在每个预设范围中,利用抽样法,生成多个单井数值模拟数据组;
步骤204:根据多个单井数值模拟数据组,确定单井数值模拟数据集。
其中,本发明具体实施中,上述影响因子至少包括:基质渗透率、天然裂缝渗透率、储层有效厚度、水平井长、井底压力、裂缝数量、段间距、裂缝半长、缝宽、裂缝导流能力、压裂液注入量和焖井时间其中之一或任意组合。
在一个实施例中,步骤202具体可将取值范围内进行五等分,得到五个预设范围,以合理考虑实际油藏中这些影响因子的变化范围。步骤203具体实施时,在每个预设范围内,根据上述选择的影响因子,利用抽样法建立进行单井数值模拟的方案,生成多个单井数值模拟数据组。其中,上述单井数值模拟方案是指在除选取的影响因子外的其他参数设置为目标井所在非常规油藏典型参数的情况下,为考虑选取的影响因子对目标井的油藏生产动态的影响,对选取的影响因子取不同值构建的多组数值模拟方案,且选取的影响因子可为任意个数。上述单井是指在进行数值模拟时只设定有一口多级压裂水平井。对于每个方案,通过采样方法从上述预设范围中随机选取,多次进行采样选取,即可得到大量数值模拟方案,即可生成多个单井数值模拟数据组,一个单井数值模拟方案对应一个单井数值模拟数据组。将多个单井数值模拟数据组集合在一起,形成单井数值模拟数据集。
其中,上述采样方法可以包括但不限:蒙特卡罗方法、接受-拒绝采样、吉布斯采样等。不同采样方法适用于不同的非常规油藏参数分布情况,因此,在具体的实施过程中可以根据优化问题的特点选择使用哪一种优化算法,本申请对此不作限定。
确定单井数值模拟数据集后,基于单井数值模拟数据集,进行油藏数值模拟,确定用于油藏生产动态预测的标准数据集,具体流程如图3所示,包括:
步骤301:根据单井数值模拟数据集,设置非常规油藏数值模拟器参数,建立用于预测目标井生产动态的数值模拟模型;
步骤302:根据上述数值模拟模型,确定该单井数值模拟数据集对应的生产动态数据;
步骤303:将单井数值模拟数据集作为特征数据,将生产动态数据作为响应数据,构建初始数据集;
步骤304:对初始数据集进行标准化处理,确定用于生产动态预测的标准数据集。
其中,上述用于模拟目标井开采的数值模拟模型是指利用计算机求解目标井开采的数学模型,可以用于模拟地下油水流动,从而给出某时刻油水分布,以预测油藏生产动态(如产油量等)。
在步骤301具体的实施过程中,可以根据单井数值模拟数据集中不同单井数值模拟数据组对应的地质参数,建立非常规油藏的概念化地质模型,并将此概念化地质模型导入非常规油藏数值模拟器中。可以根据上述非常规油藏的岩石与流体参数设置非常规油藏数值模拟器中的参数值,以及在非常规油藏数值模拟器中输入上述多级压裂水平井资料,从而建立数值模拟模型。
本发明实施例中,上述非常规油藏数值模拟例如可以包括:建立数学模型、建立数值模型和建立计算机模型。其中,建立数学模型主要是根据质量守恒定律建立致密油藏中流体渗流的偏微分方程组,并将该方程组与相应的辅助方程、定解条件(初始条件、边界条件)结合构成一个完整的数学模型。在建立数学模型的环节,可以将致密储层的非线性渗流机理、基质的应力敏感效应和压裂缝的动态闭合现象等因素考虑在内,以使优化结果更加准确,并使预测得到的累积产油量能够真实反映实际油藏的生产动态。
具体实施例中,建立数值模型可以包括:(1)离散化,将连续的偏微分方程组转换成离散的有限差分方程组;(2)线性化,将有限差分方程组中的非线性系数项线性化,从而得到线性代数方程组;(3)对线性代数方程组进行求解,常用方法可以包括但不限于:直接求解法和迭代求解法。进一步的,可以建立计算机模型,计算机模型就是将数学模型的数值求解过程编制成计算机程序,以便通过计算机快速模拟得到结果。计算机模型中可以包括但不限于以下至少之一:资料的输入、方程组的构建、方程组的求解、结果输出等。上述计算机程序可以称为非常规油藏数值模拟器或者非常规油藏数值模拟软件。
具体实施例中,生产动态数据例如可以包括预设时间段内的日产油量及累产油量数据,上述预设时间段可以为任意大于0的数值,其单位可以为:年、月、日、小时、分钟、秒等,具体的可以根据实际情况确定,本申请对此不作限定。例如:在希望预测目标井生产10年的生产动态的情况下,对应的预设时间段为10年。
实施例中,步骤304的具体实施过程包括:
删除初始数据集中不符合实际油藏情况的异常值和缺失值;
利用最大最小标准化方法,将删除完成后的初始数据集中的特征数据,转化为分布在0到1范围内;
根据转化后的特征数据和所述响应数据,构建所述标准数据集。
其中,异常值和缺失值是指初始数据集中因与实际生产不符而无法进行数值模拟导致的缺失数据和异常数据。上述标准化采用的方法是最大最小归一化,将删除完成后的初始数据集中的特征数据转化到0到1之间,避免不同特征计算公式差异引起的算法收敛困难等问题。
确定用于油藏生产动态预测的标准数据集后,根据该标准数据集,建立用于油藏生产动态预测的深度置信网络模型,具体过程包括:将标准数据集中的特征数据作为深度置信网络模型的输入,将标准数据集中的响应数据作为深度置信网络模型的输出,训练确定模型内部的权重和偏置等数据,生成用于油藏生产动态预测的深度置信网络模型。
生成用于油藏生产动态预测的深度置信网络模型后,利用深度置信网络模型,对目标井进行油藏生产动态预测,得到目标井的生产动态预测结果。具体实施时,获取目标井的特征数据;将目标井的特征数据,输入至训练好的深度置信网络模型中,得到目标井的生产动态预测结果。
为了寻求使得上述深度置信模型训练效果及效率最佳的超参数组合,具体实施例中,还可以利用贝叶斯优化算法和k折交叉验证方法,对上述深度置信网络模型的超参数进行优化,得到最优超参数配置下的深度置信网络模型。其中,深度置信网络模型的超参数是指机器学习模型训练前需要人为设置的结构及训练参数。
在具体的实施过程中,通过贝叶斯优化算法耦合k折交叉验证方法对深度置信网络模型的超参数进行优化,得到最优超参数配置下的深度置信网络模型。其中,需要优化的超参数包括:深度置信网络模型的隐藏层层数、隐藏层神经单元数目、学习率、迭代次数、批处理参数batch size、Dropout参数、激活函数等参数。对于不同的非常规油藏,需要设置不同的超参数,超参数的设置会直接影响深度置信网络模型训练和预测的效果及速度。
在具体的实施过程中,对深度置信模型超参数的优化可以通过手动调节的方式确定一个初始超参数组合。根据初始超参数组合设置模型,可以通过k折交叉验证方法计算深度置信模型的预测效果的综合性能评价指标。其中,上述评价指标可以是但不仅限于以下任意一种:决定系数(R2)、均方误差(RSM)、绝对均方根误差(RMSE)、平均绝对偏差(MAE)等,可以根据实际预测需求选择合适的综合性能评价指标,本申请对此不作限定。
进一步的,根据上述计算获得的综合评价指标选择另一个超参数组合,重复训练过程,每次均通过k折交叉验证方法计算其综合性能评价指标并记录,将本次综合性能评价指标与记录中的所有综合性能评价指标进行对比,判断最优超参数可能分布的空间,根据最优超参数可能分布的空间,选择一组新的超参数组合,重新进行训练获取综合性能评价指标并对比,不断重复,直至达到预设次数或预设停止条件,得到的所有综合性能评价指标中最高的一组超参数即为深度置信模型的最优超参数。其中,上述预设次数可以为100次,预设优化条件可以为连续两次优化结果与记录最优结果比值小于0.1%,实际中可以根据需要的优化效果确定,本申请对此不做限定。
下面给出一具体实例说明本发明实施例如何进行油藏生产动态预测。然而,值得注意的是,该具体实施例仅是为了更好地说明本申请,并不构成对本申请的不当限定。
步骤S1:收集致密油藏地质参数、岩石与流体参数、多级压裂水平井施工资料。油藏的基本物性参数(包括:致密油藏地质参数、岩石与流体参数)如表1所示,原油组分参数如表2所示。
表1油藏基本物性参数
参数 | 单位 | 数值 |
模型网格数目 | - | 320×80×1 |
模型尺寸 | m | 3200×500×15 |
油藏温度 | ℃ | 118.33 |
油藏压力 | kPa | 53779 |
储层厚度 | m | 15 |
基质孔隙度 | - | 5% |
基质渗透率 | 10<sup>-3</sup>μm<sup>2</sup> | 0.05 |
压缩系数 | 1/kPa | 1.45×10<sup>-7</sup> |
初始含水饱和度 | - | 25% |
表2致密油藏组分参数
步骤S2:选择致密油藏生产动态的影响因子,确定单井数值模拟数据集。
根据收集的致密油藏地质参数、岩石流体参数、多级压裂水平井施工资料,分析不同因素对油田产量的影响,筛选出12个对生产动态具有显著影响的影响因子。这些影响因子分为致密油藏地质因素以及压裂和生产中的工程因素,每个影响因子都被称为方案的一个特征,选取的影响因子及其单位如表3所示。
表3选取的影响因子及其单位
影响因子 | 单位 |
水平井长 | m |
裂缝总数 | - |
段距 | m |
裂缝导流能力 | μm<sup>2</sup>·cm |
缝宽 | m |
裂缝半长 | m |
基质渗透率 | 10<sup>-3</sup>μm<sup>2</sup> |
天然裂缝渗透率 | 10<sup>-3</sup>μm<sup>2</sup> |
储层厚度 | m |
井底压力 | MPa |
压裂液日注入量 | m<sup>3</sup>/day |
压裂后焖井时间 | day |
由于实际致密油藏中各个影响因子存在不同的变化范围,因此根据每个影响因子的最大值及最小值,在最大值、最小值所构成的区间内选择5个不同的预设范围,其中第一个和最后一个预设范围分别对应于各影响因素的最小值和最大值,每个影响因子具体的预设范围选择如表4所示。
表4各影响因子预设范围选择
在构建单井数值模拟方案时,需要通过蒙特卡罗采样方法依次在上述每个影响因子的5个预设范围中随机选择一个。每一组单井数值模拟方案包含了12个特征的取值,采样重复进行1000次,形成了1000组单井数值模拟方案,生成1000个单井数值模拟数据组。针对目标区块,这些方案涵盖了实际致密油藏开发中地质和工程等各参数所有可能的范围,能够保证本方法广泛的适用性。
步骤S3:基于单井数值模拟数据集,进行油藏数值模拟,确定用于油藏生产动态预测的标准数据集。
根据单井数值模拟数据集中不同单井数值模拟数据组对应的地质参数,建立致密油藏的概念化地质模型。在概念化地质模型中设置岩石与流体参数,输入各级压裂水平井资料,从而建立致密油藏多级压裂水平井开采的数值模拟模型如图4所示。
进一步的,根据上述数值模拟方案中不同特征的取值对数值模拟模型中的对应参数进行设置,利用致密油藏数值模拟器进行模拟生产,获得致密油藏衰竭式生产20年的生产动态曲线,包括日产油量及累产油量数据,即可将上述输出数据作为其对应的数值模拟方案的响应数据。根据每条数值模拟方案依次进行数值模拟模型参数的更改与模拟生产,并将响应数据与特征数据一一对应,就形成了用于预测致密油开发生产动态数据的初始数据集。
对初始数据集进行标准化,减少数据结构问题对模型训练效果的影响,形成致密油生产动态的标准数据集。首先对初始数据集中响应数据缺失的样本进行剔除,响应数据缺失的原因是随机采样可能会产生不符合致密油藏实际的方案,则其对应的数值模拟不会产生输出。利用最大最小归一化方法对剔除后的初始数据集的特征数据进行处理,最大最小归一化是指将每个特征的数据转换到0到1范围内,可以避免不同特征量纲差距过大引起的模型收敛困难等问题。对特征数据进行最大最小归一化处理的公式可以采用下式表示:
上式中,x为原始特征数据,xmin为同一特征数据中的最小值,xmax为特征数据中的最大值,x*为归一化处理后的特征数据。
步骤S4:建立深度置信网络模型,并对模型内的超参数进行优化。
基于预处理后的标准数据集,训练并生成深度置信网络模型,对深度置信网络模型的超参数进行优化。机器学习模型的超参数是指模型的结构、学习速度等需要人为设置的对模型训练效果有着关键影响作用的参数。对深度置信网络模型中超参数的优化主要采用手动调节与贝叶斯优化算法自动调节相结合的方式。对超参数的优化需要设置一个综合评价指标,当综合评价指标达到最大时,模型的预测效果最好。选择决定系数R2作为综合评价指标,决定系数的计算公式为:
将标准数据集中的响应数据按照日产油量与累产油量划分为两部分,以累产油量为例,首先通过手动调节确定深度置信网络模型的激活函数以及dropout比例,设置模型激活函数分别为sigmoid、tanh、ReLU,dropout分别为0、0.1、0.2,将标准数据集按照8:2的比例随机划分为训练集与测试集,利用训练集训练模型,利用测试集验证模型效果,计算模型当前决定系数,对不同情况下决定系数进行对比,对比效果如图5(a)和图5(b)所示。最终确定模型采用ReLU函数作为激活函数,dropout比例为0。
根据手动调节确定最优超参数所在的区间并选择一个贝叶斯优化的初始值,深度置信网络模型需要自动调节的参数、优化空间和初始值如表5所示。根据上述优化空间对贝叶斯优化算法的空间域进行设置,同时设置寻优迭代次数为100次。将选定的初始超参数组合Q0对深度置信网络模型进行设置,利用10折交叉验证方法计算当前超参数取值下的决定系数R0。
表5超参数优化空间及初始值
具体来说,10折交叉验证方法即将样本集随机地划分为数量相等的10份,首先选择第1份作为测试集,其余9份作为训练集对深度置信模型进行训练,并将测试集的特征数据作为训练后模型的输入,将得到的输出数据与测试集的响应数据进行对比计算其决定系数R01;紧接着选择第2份数据作为测试集,剩余9份作为训练集,训练计算其决定系数R02;将训练计算过程共重复10次,获得10个不同的决定系数R01,R02,……,R010。对这10个决定系数取平均值,即可得到当前超参数组合Q0下的综合评价指标决定系数R0的取值,并记录在集合R*中,其中R*为:
R*={R0,R1,……,Rk}
其中,Rk为第k步迭代时超参数组合下模型的决定系数,k为当前优化迭代进行的步数。
进一步的,根据R*中决定系数的取值及其对应的超参数取值,确定下一步迭代时超参数组合Q1,对深度置信网络模型进行设置并重复上述交叉验证过程,得到对应的决定系数R1,进而对集合R*进行更新。以此类推,重复上述过程,根据R*选择合适的超参数组合并计算对应的决定系数,直至重复迭代次数达到设置的最大迭代次数,即可结束优化过程。在集合R*中选择最大的决定系数,其对应的超参数组合即为当前数据下深度置信网络模型的最优超参数。对日产油量进行相同优化过程,最终确定的日产油量与累产油量的最优超参数组合如表6所示。
表6最优超参数组合
超参数 | 日产油量最优取值 | 累产油量最优取值 |
隐藏层神经元数目 | 155 | 185 |
RBM学习率 | 0.02 | 0.08 |
总学习率 | 0.02 | 0.02 |
RBM迭代次数 | 16 | 28 |
训练周期 | 260 | 350 |
Batch size | 7 | 7 |
步骤S5:对最优配置下的深度置信网络模型进行训练,利用训练后的模型预测目标井的生产动态。
利用上述日产油量与累产油量的最优超参数组合分别对深度置信网络模型进行设置,利用上述标准数据集对模型进行训练,训练过程中累产油量预测模型损失函数的下降过程如图6所示,日产油量预测模型损失函数的下降过程如图7所示。在训练迭代达到一定次数时损失函数达到最低。
进一步的,将目标井的特征数据与标准数据集的特征数据进行相同的处理,输入训练后的预测模型中,输出结果即为对应的累产油量及日产油量预测值。选取一个未在训练过程中考虑的案例进行预测以验证模型的预测效果,日产油量与累产油量预测结果与实际结果的对比如图8所示,模型各项预测指标如表7所示,可见模型预测效果较好。因此,可以理解的是,相对于实际油藏中的一个案例,图8所示的预测曲线即为最终确定的目标井的生产动态预测数据。
表7实际案例预测效果指标
基于同一发明构思,本发明实施例还提供一种油藏生产动态预测装置,由于油藏生产动态预测装置所解决问题的原理与油藏生产动态预测方法相似,因此油藏生产动态预测装置的实施可以参见油藏生产动态预测方法的实施,重复之处不再赘述,具体结构如图9所示:
数据获取模块901,用于获取目标井所在的非常规油藏的地质参数、岩石与流体参数以及多级压裂水平井施工资料;该非常规油藏为致密油藏或页岩油藏;
第一数据集模块902,用于根据地质参数、岩石与流体参数以及施工资料,确定单井数值模拟数据集;
第二数据集模块903,用于基于单井数值模拟数据集,进行油藏数值模拟,确定用于油藏生产动态预测的标准数据集;
模型建立模块904,用于根据标准数据集,建立用于油藏生产动态预测的深度置信网络模型;
预测模块905,用于利用深度置信网络模型,对目标井进行油藏生产动态预测,得到目标井的生产动态预测结果。
具体实施例中,第一数据集模块902具体用于:
在地质参数、岩石与流体参数以及施工资料中,确定对目标井的生产动态具有关键影响作用的影响因子,并确定影响因子在油藏中的取值范围;
根据取值范围,在取值范围内进行等分,确定多个预设范围;
在每个预设范围中,利用抽样法,生成多个单井数值模拟数据组;
根据多个单井数值模拟数据组,确定单井数值模拟数据集。
具体实施例中,第二数据集模块903具体用于:
根据单井数值模拟数据集,设置非常规油藏数值模拟器参数,建立用于预测目标井生产动态的数值模拟模型;
根据数值模拟模型,确定单井数值模拟数据集对应的生产动态数据;
将单井数值模拟数据集作为特征数据,将生产动态数据作为响应数据,构建初始数据集;
对初始数据集进行标准化处理,确定用于生产动态预测的标准数据集。
具体实施例中,模型建立模块904具体用于将标准数据集中的特征数据作为深度置信网络模型的输入,将标准数据集中的响应数据作为深度置信网络模型的输出,训练生成用于油藏生产动态预测的深度置信网络模型。
具体实施例中,预测模块905具体用于,获取目标井的特征数据;将目标井的特征数据,输入至训练好的深度置信网络模型中,得到目标井的生产动态预测结果。
本发明实施例还提供一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现上述油藏生产动态预测方法。
本发明实施例还提供一种计算机可读存储介质,存储有执行上述油藏生产动态预测方法的计算机程序。
本发明实施方式还提供了一种电子设备,具体可以参阅图10所示的基于本申请实施例提供的油藏生产动态预测电子设备组成结构示意图,电子设备具体可以包括输入设备1001、处理器1002、存储器1003。其中,输入设备1001具体可以用于输入目标井所在非常规油藏的地质参数、岩石与流体参数和多级压裂水平井资料。处理器1002具体可以用于根据上述地质参数、岩石与流体参数和多级压裂水平井的施工资料,确定单井数值模拟数据集;基于单井数值模拟数据集,进行油藏数值模拟,确定用于油藏生产动态预测的标准数据集;根据标准数据集,建立用于油藏生产动态预测的深度置信网络模型;利用该深度置信网络模型,对目标井进行油藏生产动态预测,得到目标井的生产动态预测结果。存储器1003具体可以用于存储目标井的致密非常规油藏地质参数、非常规油藏岩石与流体参数、多级压裂水平井资料、预测结果等参数。
在本实施方式中,输入设备具体可以是用户和计算机系统之间进行信息交换的主要装置之一。输入设备可以包括键盘、鼠标、摄像头、扫描仪、光笔、手写输入板、语音输入装置等;输入设备用于把原始数据和处理这些数的程序输入到计算机中。输入设备还可以获取接收其他模块、单元、设备传输过来的数据。处理器可以按任何适当的方式实现。例如,处理器可以采取例如微处理器或处理器以及存储可由该(微)处理器执行的计算机可读程序代码(例如软件或固件)的计算机可读介质、逻辑门、开关、专用集成电路(ApplicationSpecific Integrated Circuit,ASIC)、可编程逻辑控制器和嵌入微控制器的形式等等。存储器具体可以是现代信息技术中用于保存信息的记忆设备。存储器可以包括多个层次,在数字系统中,只要能保存二进制数据的都可以是存储器;在集成电路中,一个没有实物形式的具有存储功能的电路也叫存储器,如RAM、FIFO等;在系统中,具有实物形式的存储设备也叫存储器,如内存条、TF卡等。
在本实施方式中,该电子设备具体实现的功能和效果,可以与其它实施方式对照解释,在此不再赘述。
综上所述,本发明实施例提供的油藏生产动态预测方法及装置具有如下优点:
通过获取目标井所在的非常规油藏的地质参数、非常规油藏的岩石与流体参数以及多级压裂水平井施工资料;根据地质参数、岩石与流体参数以及施工资料,确定单井数值模拟数据集;基于单井数值模拟数据集,进行油藏数值模拟,确定用于生产动态预测的标准数据集;通过所建立的深度置信网络模型,可以快速准确地对各种情形下非常规油藏中油井的生产动态进行预测;通过选取对目标井的生产动态具有关键影响作用的影响因子,确定单井数值模拟数据集,从而使得进一步的深度置信网络模型训练中所使用的数据能够充分考虑非常规油藏的开发特征和关键影响因素,提高方法的准确性和适用范围。对于给定的区块,深度置信网络模型可以无限次使用,无需目标井投产使用,而且预测每口井的生产动态时只需花费数秒,而传统的油藏数值模拟方法则需要数小时到几天;由于现场在进行压裂工艺优化设计时,需要对成千上万个方案进行生产动态预测并对比预测得到的开发效果,因此采用此方法将大大缩短压裂工艺优化设计所需要的时间,提供工作效率。同时模型考虑了压裂工艺参数和油井工作制度,有利于合理优化压裂设计和油井生产方案,为致密油/页岩油的高效开发提供指导。
本领域内的技术人员应明白,本发明的实施例可提供为方法、装置、或计算机程序产品。因此,本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、装置和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
以上所述仅为本发明的优选实施例而已,并不用于限制本发明,对于本领域的技术人员来说,本发明实施例可以有各种更改和变化。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种油藏生产动态预测方法,其特征在于,包括:
获取目标井所在的非常规油藏的地质参数、所述非常规油藏的岩石与流体参数以及多级压裂水平井施工资料;所述非常规油藏为致密油藏或页岩油藏;
根据所述地质参数、所述岩石与流体参数以及所述施工资料,确定单井数值模拟数据集,包括:在所述地质参数、所述岩石与流体参数以及所述施工资料中,确定对目标井的生产动态具有关键影响作用的影响因子,并确定所述影响因子在所述油藏中的取值范围;根据所述取值范围,在取值范围内进行等分,确定多个预设范围;在每个预设范围中,利用抽样法建立单井数值模拟方案,生成多个单井数值模拟数据组;根据所述多个单井数值模拟数据组,确定单井数值模拟数据集,其中,所述单井数值模拟方案为在除选取的影响因子外的其他参数设置为目标井所在非常规油藏典型参数的情况下,为考虑选取的影响因子对目标井的油藏生产动态的影响,对选取的影响因子取不同值构建的多组数值模拟方案,且选取的影响因子可为任意个数;
基于所述单井数值模拟数据集,进行油藏数值模拟,确定用于油藏生产动态预测的标准数据集;
根据所述标准数据集,建立用于油藏生产动态预测的深度置信网络模型;
利用所述深度置信网络模型,对所述目标井进行油藏生产动态预测,得到目标井的生产动态预测结果。
2.如权利要求1所述的方法,其特征在于,所述影响因子至少包括:
基质渗透率、天然裂缝渗透率、储层有效厚度、水平井长、井底压力、裂缝数量、段间距、裂缝半长、缝宽、裂缝导流能力、压裂液注入量和焖井时间其中之一或任意组合。
3.如权利要求1所述的方法,其特征在于,基于所述单井数值模拟数据集,进行油藏数值模拟,确定用于油藏生产动态预测的标准数据集,包括:
根据所述单井数值模拟数据集,设置非常规油藏数值模拟器参数,建立用于预测目标井生产动态的数值模拟模型;
根据所述数值模拟模型,确定所述单井数值模拟数据集对应的生产动态数据;
将所述单井数值模拟数据集作为特征数据,将所述生产动态数据作为响应数据,构建初始数据集;
对所述初始数据集进行标准化处理,确定用于生产动态预测的标准数据集。
4.如权利要求3所述的方法,其特征在于,对所述初始数据集进行标准化处理,确定用于生产动态预测的标准数据集,包括:
删除所述初始数据集中不符合实际油藏情况的异常值和缺失值;
利用最大最小标准化方法,将删除完成后的初始数据集中的特征数据,转化为分布在0到1范围内;
根据所述转化后的特征数据和所述响应数据,构建所述标准数据集。
5.如权利要求3或4所述的方法,其特征在于,根据所述标准数据集,建立用于油藏生产动态预测的深度置信网络模型,包括:
将所述标准数据集中的特征数据作为深度置信网络模型的输入,将所述标准数据集中的响应数据作为深度置信网络模型的输出,训练生成用于油藏生产动态预测的深度置信网络模型。
6.如权利要求5所述的方法,其特征在于,还包括:
利用贝叶斯优化算法和k折交叉验证方法,对所述深度置信网络模型的超参数进行优化,得到最优超参数配置下的深度置信网络模型。
7.如权利要求5所述的方法,其特征在于,利用所述深度置信网络模型,对所述目标井进行油藏生产动态预测,得到目标井的生产动态预测结果,包括:
获取目标井的特征数据;
将目标井的特征数据,输入至训练好的深度置信网络模型中,得到目标井的生产动态预测结果。
8.一种油藏生产动态预测装置,其特征在于,包括:
数据获取模块,用于获取目标井所在的非常规油藏的地质参数、所述非常规油藏的岩石与流体参数以及多级压裂水平井施工资料;所述非常规油藏为致密油藏或页岩油藏;
第一数据集模块,用于根据所述地质参数、所述岩石与流体参数以及所述施工资料,确定单井数值模拟数据集,进一步用于:在所述地质参数、所述岩石与流体参数以及所述施工资料中,确定对目标井的生产动态具有关键影响作用的影响因子,并确定所述影响因子在所述油藏中的取值范围;根据所述取值范围,在取值范围内进行等分,确定多个预设范围;在每个预设范围中,利用抽样法建立单井数值模拟方案,生成多个单井数值模拟数据组;根据所述多个单井数值模拟数据组,确定单井数值模拟数据集,其中,所述单井数值模拟方案为在除选取的影响因子外的其他参数设置为目标井所在非常规油藏典型参数的情况下,为考虑选取的影响因子对目标井的油藏生产动态的影响,对选取的影响因子取不同值构建的多组数值模拟方案,且选取的影响因子可为任意个数;
第二数据集模块,用于基于所述单井数值模拟数据集,进行油藏数值模拟,确定用于油藏生产动态预测的标准数据集;
模型建立模块,用于根据所述标准数据集,建立用于油藏生产动态预测的深度置信网络模型;
预测模块,用于利用所述深度置信网络模型,对所述目标井进行油藏生产动态预测,得到目标井的生产动态预测结果。
9.一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1至7任一所述方法。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质存储有执行权利要求1至7任一所述方法的计算机程序。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010391407.7A CN111441767B (zh) | 2020-05-11 | 2020-05-11 | 油藏生产动态预测方法及装置 |
US17/193,849 US20210350208A1 (en) | 2020-05-11 | 2021-03-05 | Method and device for predicting production performance of oil reservoir |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010391407.7A CN111441767B (zh) | 2020-05-11 | 2020-05-11 | 油藏生产动态预测方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111441767A CN111441767A (zh) | 2020-07-24 |
CN111441767B true CN111441767B (zh) | 2022-05-20 |
Family
ID=71656615
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010391407.7A Active CN111441767B (zh) | 2020-05-11 | 2020-05-11 | 油藏生产动态预测方法及装置 |
Country Status (2)
Country | Link |
---|---|
US (1) | US20210350208A1 (zh) |
CN (1) | CN111441767B (zh) |
Families Citing this family (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112228054B (zh) * | 2020-11-06 | 2022-11-08 | 中国石油大学(北京) | 基于卷积神经网络的页岩气产量确定方法、装置和设备 |
CN112559957B (zh) * | 2020-11-17 | 2022-05-03 | 中海油田服务股份有限公司 | 一种渗透率计算方法和装置 |
CN113052371B (zh) * | 2021-03-16 | 2022-05-31 | 中国石油大学(华东) | 基于深度卷积神经网络的剩余油分布预测方法及装置 |
CN113297803B (zh) * | 2021-06-17 | 2022-12-06 | 东北石油大学 | 一种油气产量智能模拟预估方法和系统 |
US11578596B2 (en) * | 2021-07-08 | 2023-02-14 | Saudi Arabian Oil Company | Constrained natural fracture parameter hydrocarbon reservoir development |
CN114114414A (zh) * | 2021-11-18 | 2022-03-01 | 电子科技大学长三角研究院(湖州) | 一种页岩储层“甜点”信息人工智能预测方法 |
WO2023121641A1 (en) * | 2021-12-20 | 2023-06-29 | Landmark Graphics Corporation | Machine learning assisted parameter matching and production forecasting for new wells |
CN114282725A (zh) * | 2021-12-24 | 2022-04-05 | 山东大学 | 基于深度学习的瞬态油藏代理模型的构建及油藏预测方法 |
CN114595608B (zh) * | 2022-03-11 | 2023-06-27 | 中国石油大学(华东) | 一种压裂施工参数和工作制度参数优化方法及系统 |
CN114662414B (zh) * | 2022-05-25 | 2022-09-27 | 中国石油大学(华东) | 一种基于图小波神经网络模型的油藏生产预测方法 |
CN115238986B (zh) * | 2022-07-19 | 2023-09-26 | 西南石油大学 | 一种沥青分布预测方法、装置及计算机可读存储介质 |
CN116044391A (zh) * | 2023-03-09 | 2023-05-02 | 西南石油大学 | 用于确定低渗油藏水平井调剖剂用量的方法 |
CN117541070B (zh) * | 2023-10-24 | 2024-04-12 | 北京科技大学 | 基于机器学习与博弈论的油井多层合采产量劈分方法 |
CN117408396B (zh) * | 2023-12-15 | 2024-02-23 | 北京天安智慧信息技术有限公司 | 一种基于深度学习的油气井产量预测方法与预测系统 |
CN117541082B (zh) * | 2024-01-05 | 2024-04-05 | 中国石油大学(华东) | 基于油藏-井筒-设备评价指标集成的综合评价方法 |
CN117703325B (zh) * | 2024-02-06 | 2024-05-07 | 西安思坦仪器股份有限公司 | 油田波码分注注水地面控制系统 |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105528648B (zh) * | 2015-11-30 | 2019-07-09 | 中国石油天然气股份有限公司 | 缝洞单元的生产动态预测方法及装置 |
CN108661631B (zh) * | 2017-04-01 | 2021-06-15 | 中国石油化工股份有限公司 | 一种产量预测方法 |
CN108446797B (zh) * | 2018-03-06 | 2020-02-07 | 西南石油大学 | 一种致密油藏水平井体积压裂初期产能预测方法 |
CN109736790B (zh) * | 2018-12-28 | 2022-05-24 | 新疆工程学院 | 基于深度信念网络的测井岩性识别方法 |
CN109948841B (zh) * | 2019-03-11 | 2020-10-27 | 中国石油大学(华东) | 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 |
CN110400006B (zh) * | 2019-07-02 | 2022-06-03 | 中国石油化工股份有限公司 | 基于深度学习算法的油井产量预测方法 |
-
2020
- 2020-05-11 CN CN202010391407.7A patent/CN111441767B/zh active Active
-
2021
- 2021-03-05 US US17/193,849 patent/US20210350208A1/en active Pending
Also Published As
Publication number | Publication date |
---|---|
CN111441767A (zh) | 2020-07-24 |
US20210350208A1 (en) | 2021-11-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111441767B (zh) | 油藏生产动态预测方法及装置 | |
CN113052371B (zh) | 基于深度卷积神经网络的剩余油分布预测方法及装置 | |
CN114595608B (zh) | 一种压裂施工参数和工作制度参数优化方法及系统 | |
CN105488583A (zh) | 预测致密油待评价区域可采储量的方法及装置 | |
CN115345378B (zh) | 一种基于机器学习的页岩气井产量评价方法 | |
CN113792479B (zh) | 一种基于物理约束的煤层气藏压裂效果评价方法 | |
CN115906675B (zh) | 基于时序多目标预测模型的井位及注采参数联合优化方法 | |
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 | |
CN109252855B (zh) | 确定气井最终累积产量的方法及装置 | |
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 | |
Park et al. | Rapid modeling of injection and production phases of hydraulically fractured shale wells using the fast marching method | |
WO2012109191A1 (en) | A quantitative method of determining safe steam injection pressure for enhanced oil recovery operations | |
CN110924935B (zh) | 致密油藏井底流压调控方案确定方法、装置和设备 | |
CN114580261A (zh) | 可采储量预测模型建立方法、可采储量预测方法和装置 | |
Ali et al. | A semi-analytical method for history matching and improving geological models of layered reservoirs: CGM analytical method | |
CN115705452A (zh) | 整装砂岩油藏开发中后期的新型采收率预测方法 | |
CN109490983B (zh) | 一种储层地质力学参数自动拟合方法及系统 | |
CN115130268A (zh) | 油藏注采方案设计方法、系统、存储介质及电子设备 | |
CN108921415B (zh) | 一种油藏措施增油效果影响因素的分析方法 | |
CN117627608A (zh) | 一种低渗油藏增能压裂效果高效预测方法 | |
CN115062552B (zh) | 一种缝洞油藏氮气吞吐效果预测方法及系统 | |
Alizadeh | ARTIFICIAL NEURAL NETWORK WITH EXPERIMENTAL DESIGN: A FAST TOOL FOR RISK ANALYSIS AND FORECASTING IN AN OIL RESERVOIR, A CASE STUDY | |
CN116011309A (zh) | 一种稠油油藏多轮次吞吐后氮气泡沫调剖潜力评价方法 | |
전종영 | Stochastic Sequential Optimization for Full Field Development of Gas Condensate Reservoirs | |
CN109858196B (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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |