CN111694855B - 储层敏感性智能预测数据处理方法及装置 - Google Patents

储层敏感性智能预测数据处理方法及装置 Download PDF

Info

Publication number
CN111694855B
CN111694855B CN202010531272.XA CN202010531272A CN111694855B CN 111694855 B CN111694855 B CN 111694855B CN 202010531272 A CN202010531272 A CN 202010531272A CN 111694855 B CN111694855 B CN 111694855B
Authority
CN
China
Prior art keywords
reservoir sensitivity
reservoir
sensitivity
factor
database
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
CN202010531272.XA
Other languages
English (en)
Other versions
CN111694855A (zh
Inventor
蒋官澄
吴雄军
杨丽丽
贺垠博
董腾飞
全晓虎
彭春耀
罗绪武
谭宾
蔡军
梁兴
尤志良
王勇
李斌
郭永宾
管申
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 University of Petroleum Beijing
Original Assignee
China University of Petroleum Beijing
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 University of Petroleum Beijing filed Critical China University of Petroleum Beijing
Priority to CN202010531272.XA priority Critical patent/CN111694855B/zh
Publication of CN111694855A publication Critical patent/CN111694855A/zh
Application granted granted Critical
Publication of CN111694855B publication Critical patent/CN111694855B/zh
Priority to US17/345,904 priority patent/US11326450B2/en
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/23—Updating
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/27—Replication, distribution or synchronisation of data between databases or within a distributed database system; Distributed database system architectures therefor
    • G06F16/278—Data partitioning, e.g. horizontal or vertical partitioning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/28—Databases characterised by their database models, e.g. relational or object models
    • G06F16/284—Relational databases
    • G06F16/285—Clustering or classification
    • 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
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • 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

本发明实施例提供一种储层敏感性智能预测数据处理方法及装置，属于储层敏感性技术领域。所述方法包括：收集储层敏感性数据；将所述新的储层敏感性因素项与标准储层敏感性因素项进行比较得到比较结果；在所述比较结果指示所述新的储层敏感性因素项缺少一项储层敏感性影响因素的情况下，反演推算出缺少的储层敏感性影响因素的数值；判断反演推算出的所述缺少的储层敏感性影响因素的数值是否准确；若准确，则将反演推算出的储层敏感性数据及其反演数值作为一条新的储层敏感性数据存储至对应的数据库。本发明实施例能够建立准确地反映储层敏感性影响因素与敏感性结果之间的内在关系的数据库，从而提高储层敏感性智能预测的准确率。

Description

储层敏感性智能预测数据处理方法及装置
技术领域
本发明涉及储层敏感性预测技术领域，具体地涉及储层敏感性智能预测数据处理方法及装置。
背景技术
储层敏感性是指油气储层与外来流体发生各种物理或化学作用而使储层原有孔隙结构和渗透性发生改变的性质。当储层与外来流体作用后，储层渗透性往往会变差，并在不同程度上损害油气储层，从而导致产能损失或产量下降。因此，储层敏感性又可理解为储层对于各种类型的储层损害所表现出来的敏感性程度。具体来讲，储层敏感性可被分为水敏、速敏、碱敏、酸敏、应力敏等五种。储层损害一旦发生，就需要对其损害机理、类型、损害程度进行预测，以便选择合适的处理技术来减轻或消除伤害。然而，长期以来，人们主要依靠实践经验，并通过反复室内评价实验来确定，不仅需要大量的储层岩心，而且操作起来费时、费力，效率极低。大多数情况下，即使可以通过室内评价研究来确定储层敏感性，但有时也因时间紧、任务重而不允许，其难以适应油田快速发展的需要。因此，快速、准确地开展储层敏感性的预测对于有效地避免储层损害并针对性地减轻或消除储层损害，提高油气井产量具有重要的意义。
近年来，随着储层评价技术和计算机技术的发展，储层保护研究人员建立起了诸如多组判别分析法、多元统计回归分析法、灰色系统理论法、专家系统法、模式识别法以及人工神经网络方法等储层敏感性智能预测方法。这些方法借助于数值分析模型、模糊统计理论或专家实践经验，通过机器运算，极大地提高了储层敏感性结果的获取速度，但由于上述方法大多是结合某一油田或区域数据而建立，数据处理方法各不相同，所建立的原始资料数据库或专家经验知识库难以准确地反映储层敏感性影响因素与敏感性结果之间的内在关系，导致预测准确率偏低、适用范围有限，难以有效推广应用。
发明内容
本发明实施例的目的是提供一种储层敏感性智能预测数据处理方法及装置，用于建立准确地反映储层敏感性影响因素与敏感性结果之间的内在关系的数据库，从而提高储层敏感性智能预测的准确率。
为了实现上述目的，本发明实施例提供一种储层敏感性智能预测数据处理方法，包括：收集储层敏感性数据，其中所述储层敏感性数据包括新的储层敏感性影响因素项、新的储层敏感性影响因素的数值及新的储层敏感性结果；将所述新的储层敏感性因素项与标准储层敏感性因素项进行比较得到比较结果；在所述比较结果指示所述新的储层敏感性因素项缺少一项储层敏感性影响因素的情况下，反演推算出缺少的储层敏感性影响因素的数值；判断反演推算出的所述缺少的储层敏感性影响因素的数值是否准确；以及在反演推算出的所述缺少的储层敏感性影响因素的数值准确的情况下，将反演推算出的所述缺少的储层敏感性影响因素的数值、所述新的储层敏感性影响因素的数值及所述新的储层敏感性结果作为一条新的储层敏感性数据存储至对应的数据库。
相应的，本发明实施例还提供一种储层敏感性智能预测数据处理装置，包括：收集模块，用于收集储层敏感性数据，其中所述储层敏感性数据包括新的储层敏感性影响因素项、新的储层敏感性影响因素的数值及新的储层敏感性结果；比较模块，用于将所述新的储层敏感性因素项与标准储层敏感性因素项进行比较得到比较结果；反演推算模块，用于在所述比较结果指示所述新的储层敏感性因素项缺少一项储层敏感性影响因素的情况下，反演推算出缺少的储层敏感性影响因素的数值；判断模块，用于判断反演推算出的所述缺少的储层敏感性影响因素的数值是否准确；以及存储模块，用于在反演推算出的所述缺少的储层敏感性影响因素的数值准确的情况下，将反演推算出的所述缺少的储层敏感性影响因素的数值、所述新的储层敏感性影响因素的数值及所述新的储层敏感性结果作为一条新的储层敏感性数据存储至对应的数据库。
相应的，本发明实施例还提供一种机器可读存储介质，所述机器可读存储介质上存储有指令，所述指令使得机器能够执行上述的储层敏感性智能预测数据处理方法。
通过上述技术方案，在新收集的储层敏感性数据中的新的储层敏感性因素项与标准储层敏感性因素项相比，缺少一项储层敏感性影响因素的情况下，反演推算出缺少的储层敏感性影响因素的数值，评估该数据值的准确性，在该数据准确的情况下，将演推算出的所述缺少的储层敏感性影响因素的数值、所述新的储层敏感性影响因素的数值及所述新的储层敏感性结果作为一条新的储层敏感性数据存储至对应的数据库。通过反演推算的方式能够增加整体数据库的样本分布，提高储层敏感性智能预测的准确率。
本发明实施例的其它特征和优点将在随后的具体实施方式部分予以详细说明。
附图说明
附图是用来提供对本发明实施例的进一步理解，并且构成说明书的一部分，与下面的具体实施方式一起用于解释本发明实施例，但并不构成对本发明实施例的限制。在附图中：
图1示出了根据本发明一实施例的储层敏感性智能预测数据处理方法的流程图；
图2示出了根据本发明一实施例的储层敏感性智能预测方法的流程示意图；
图3示出了根据本发明一实施例的储层敏感性智能预测数据处理装置的结构框图；以及
图4示出了根据本发明一实施例的储层敏感性智能预测装置的结构框图。
具体实施方式
以下结合附图对本发明实施例的具体实施方式进行详细说明。应当理解的是，此处所描述的具体实施方式仅用于说明和解释本发明实施例，并不用于限制本发明实施例。
以下结合附图对本发明实施例的具体实施方式进行详细说明。应当理解的是，此处所描述的具体实施方式仅用于说明和解释本发明实施例，并不用于限制本发明实施例。
目前，用于储层敏感性预测的技术主要有多元统计回归分析法、灰色系统理论法、专家系统法、模式识别法和人工神经网络法。
多元统计回归分析法常采用非线性回归或逐步回归法，即首先假定储层组成和结构特性参数与敏感性之间的关系符合某种数学模型，然后用已知的储层实验数据对模型进行回归分析，求出模型中的各项待定系数，从而得到能反映自变量与应变量间定量关系的回归方程，最后将未知敏感性的预测样本的储层组成和结构特性参数代入所得到的回归方程，求出待测样本的敏感性程度。多元统计回归分析法用于储层敏感性预测的优点是能够得到反映敏感性损害程度的具体数值，并能通过所得到的回归关系大致了解各主要因素对储层敏感性的影响大小；由于事先假定了储层组成结构参数与敏感性间的关系满足某一数学模型，如果选取不同的模型，则所得到的回归关系和预测结果就很可能不一致。因此，该方法受个人主观因素的影响较大，特别是当所选取的模型不合适时，得到的敏感性预测结果就极有可能与实际结果相差甚远。
灰色系统理论法是一种将系统论、信息论与模糊数学方法相结合而用来研究灰色系统的预测、建模与决策的理论方法。利用灰色系统理论对储层敏感性进行评价，不需要大量的样本和典型的分布规律，计算量小，且不会出现与定性分析不一致的结论，但是在研究过程中使用灰色关联度区分敏感性的强度和类型仍存在评价结果的分辨率低、评价值趋于均化、不易区分两级之间的差异等不足。
专家系统的概念则由美国斯坦福大学的费根鲍姆教授在上世纪70年代首次提出。经过几十年的发展，专家系统已成为人工智能研究领域中最为活跃的一个分支，并在各行业中得到了广泛的应用。相关研究都为专家系统在储层敏感性预测上的应用积累了一定的理论基础与实践经验，但是目前所建立的各专家系统仍存在知识库更新困难，无法准确表达复杂知识链等不足，仍需进一步的优化与改进。
模式识别是指对表征事物或现象的各种形式的信息进行处理和分析，从而对事物或现象进行辨认、描述、分类和解释的过程。随着计算机软硬件技术的高速发展使得模式识别的方法手段也越来越完善，其应用几乎遍布了包括地质、能源、气象、化工、冶金、航空等在内的各大学科领域。文献“模式识别在储层敏感性中的应用”建立了模式识别法预测储层敏感性的新模型，并以水敏为例，借助大港油田127组原始数据检验了该模型在储层敏感性预测中的应用效果。但是模式识别法的预测准确率过于依赖于特征提取的准确性，所建立的方法大多针对于某一原始资料相似的同一区块，普适性不足。
人工神经网络是人工智能研究中最为活跃且应用最为广泛的一个分支，已成为数学、物理学、神经学等众多领域共同关注的焦点。我国人工神经网络储层敏感性预测技术的相关研究始于20世纪90年代，通过十多年的研究，取得了一定的技术进展，但所建立的方法大多仅限于BP神经网络或改进的BP神经网络，仍存在收敛速度慢，网络训练易陷入局部极小等问题，且预测精度均较低，难以真正实现对储层敏感性的定量、高效预测。
总体而言，目前所建立的各种储层敏感性预测方法均具有一定的局限性，不能较好地实现对储层敏感性的准确、定量预测。主要表现在如下几个方面：(1)现有储层敏感性预测方法的知识获取手段较单一，建立用于预测的原始资料数据库时大多仅考虑资料的获取难易程度，未能贴切反映出不同影响因素对储层敏感性结果的影响程度；(2)现有储层敏感性方法主要用于对储层敏感性程度的定性评价，对储层敏感性的定量预测准确率不足；(3)现有储层敏感性预测方法大多针对单一油田或指定区块进行研究，所取得的研究成果难以被推广应用。
基于此，本发明实施例提供一种储层敏感性智能预测方法来克服相关技术中各种储层敏感性预测方法的缺陷。
在执行本发明实施例提供的储层敏感性智能预测方法之前，本发明实施例还提供一种储层敏感性智能预测数据处理方法，用于建立准确地反映储层敏感性影响因素与敏感性结果之间的内在关系的数据库，从而提高储层敏感性智能预测的准确率。
可以预先对储层敏感性因素进行分级分类。储层敏感性影响因素众多，各因素间的相互影响错综复杂，在原始数据来源充足的情况下，预测方法所考虑的影响因素越多，越能客观地反映出储层敏感性结果与各因素间的关系。但是实际生产中，各原始数据的测试单位关注的侧重点不同，难以同时获取所有的影响因素值。目前常用的敏感性智能预测方法所用数据大多来源于不同的油田企业的主要研究单位或测试部门，由于各单位实际测试过程中的关注点并不完全一致，数据汇总时往往出现储层敏感数影响因素种类繁多但数据并不完整，由此导致数据库建立过程中要么因为数据不全而不得不舍弃部分有益于智能预测的可信数据或主要影响因素齐全的原始数据，要么所建立的数据库影响因素涉及面不够，最终导致所建立的储层敏感性智能预测方法准确率不够或适用范围偏小。因此，需要对储层敏感性的影响因素进行分级分类处理。
本发明实施例提出结合领域专家共识、单因素对比评价实验结果、综合因素对比分析结论和近似原始数据的对比分析将储层敏感性的影响因素按照重要度进行排序，并结合收集到的原始资料的完整程度构建用于储层敏感性智能预测的原始资料数据库。若收集到的影响因素原始数据完整，则在原始资料数据库的建立过程中尽可能多的按照重要度排序纳入影响因素值，以提高智能预测的准确率。若收集到的影响因素不全时，可根据重要度排序进行影响因素选取，以提高智能预测方法的适用范围。
经验证，不同储层敏感性的影响因素重要度排序如下：
(1)水敏性影响因素：粘土矿物总量、蒙脱石相对含量、伊蒙混层相对含量、地层水矿化度、地层胶结类型、渗透率、孔隙度、泥质含量、绿蒙混层含量、伊利石含量、绿泥石含量、岩石线性膨胀率、高岭石含量、颗粒分选性、颗粒均值、阳离子交换量、碳酸盐含量、石英含量、地层孔喉半径等等。
(2)速敏性影响因素：孔隙度、渗透率、孔隙类型、胶结类型、粘土矿物总量、高岭石含量、颗粒分选性、地层水矿化度、伊利石含量、绿泥石含量、地层孔喉半径、绿蒙混层含量、蒙脱石含量、伊蒙混层含量、泥质含量、碳酸盐含量、石英含量、长石含量、地层温度、地层压力、方解石含量、原油粘度、云母含量、非晶质硅含量、敏感性矿物产状等等。
(3)酸敏性影响因素：粘土矿物总量、绿泥石含量、绿蒙混层含量、石英含量、胶结物含量、胶结类型、颗粒分选性、孔隙度、渗透率、伊利石含量、伊蒙混层含量、蒙脱石含量、高岭石含量、长石含量、铁方解石含量、敏感性矿物产状、黄铁矿、胶质+沥青质含量、H2S、铁白云石含量、赤铁矿含量、菱铁矿含量、水化黑云母含量、盐酸溶蚀率、土酸溶蚀率、K++Na+离子含量、Ca2+离子含量、Mg2+离子含量等等。
(4)碱敏性影响因素：地层水pH值、颗粒分选性、地层水矿化度、Ca2+离子含量、Mg2+离子含量、胶结类型、粘土矿物总量、孔隙度、渗透率、伊利石含量、蒙脱石含量、高岭石含量、石英含量、伊蒙混层含量、绿蒙混层含量、绿泥石含量、长石含量、蛋白石含量、碳酸盐含量、K++Na+离子含量、Cl-离子含量、白云石含量、石膏含量、敏感性矿物产状、地层温度等等。
在对储层敏感性影响因素按照重要度进行排序后，可以进一步的针对不同敏感性将储层敏感性影响因素分为核心参数、重要参数和辅助参数3类。其中：
核心参数是指对于储层敏感性智能预测必不可少的影响参数，即改变此类参数的大小可对储层敏感性结果产生直接且明显影响的参数。此类参数的确定途径包括但不限于：行业专家共识、单因素对比评价实验结果、综合因素对比分析结论和近似原始数据的对比分析等。
重要参数是根据现有认识水平和行业专家认识能够对储层敏感性结果产生一定影响但影响程度不高且影响规律不明确的参数。此类参数的引入可以有效提高储层敏感性智能预测方法准确性和适用范围，其确定途径包括但不限于行业专家的共识、单因素对比评价实验结果、综合因素对比分析结论和近似原始数据的对比分析等。
辅助参数是指根据现有认识水平和行业专家认识对储层敏感性结果影响较小且影响规律不明确的参数。此类参数大多为不同油田或区域的差异性数据。其确定途径包括但不限于行业专家的共识、单因素对比评价实验结果、综合因素对比分析结论和近似原始数据的对比分析等。
以水敏性为例进行说明，影响水敏性的因素分级分类如下：
核心参数：粘土矿物总量、蒙脱石相对含量、伊蒙混层相对含量、地层水矿化度、渗透率、孔隙度、地层胶结类型。
重要参数：泥质含量、孔隙类型、绿蒙混层含量、石英含量、高岭石含量、绿泥石含量、伊利石含量。
辅助参数：颗粒分选性、长石含量、地层流体pH值、方解石含量、地层温度、地层压力等。
除对储层敏感性因素进行分级分类之外，还需对储层敏感性影响因素原始数据进行收集。对于不同油区的储层敏感性数据进行分类收集。储层敏感性影响因素原始数据的分类收集的做法包括但不限于：按不同地层类型进行收集；按不同油田、作业区块进行收集；整体合并收集。其中所述整体合并收集是指按照核心参数、重要参数和辅助参数3类对已知的储层敏感性结果及其对应的影响因素进行全面收集。
按不同地层类型进行收集，即根据地层情况的不同进行储层敏感性原始数据的收集。地层的类型包括但不限于泥页岩、砂岩、砂砾岩、碳酸盐岩、碎屑岩、火成岩等。此收集方法可以提高原始数据的对比性，利于对现有规律性认识的论证，此类收集方法形成的数据库可进一步提高以数学模型等为主的数值模拟方法的准确性。同时，还可以用来对储层敏感性结果已知而部分影响因素原始数据缺损的反演推算和专家系统等智能预测方法结论的更新与修正。
按不同油田、作业区块进行收集：即根据我国不同油田或各大油田主要区块进行储层敏感性原始数据的收集。油田的划分包括但不限于胜利油田、大港油田、辽河油田等。作业区的划分根据各油田差异性作业区划分。此收集方法所获取的数据来源于按统一模式管理的独立单位或部门，原始数据的一致性更强，规范性更好，主要用于区域性智能预测方法的建立。适用于以专家系统法、模式识别法等为主的储层敏感性智能预测方法，有利于扩大储层敏感性智能预测数据库的原始数据量，增大预测方法的普适性。
整体合并收集：即按照核心参数、重要参数和辅助参数3类对已知的储层敏感性结果及其对应的影响因素进行全面收集。此收集方法收集到的数据广泛，但规律性表现不明。适用于在原始资料充足的条件下，利用灰色系统法、人工神经网络方法等机器学习方法更好地贴近储层敏感性结果与各影响因素之间的模糊关系，从而提高预测的准确性和适用范围。
分类收集到的储层敏感性数据为历史数据，每一条数据可以包括储层敏感性影响因素项、储层敏感性影响因素的数值、储层敏感性结果。可以使用收集到的储层敏感性数据来建立数据库。
由于各区域的关注点不同，储层敏感性影响因素项也各不相同。因此，可以根据核心参数、重要参数、辅助参数，来建立不同的数据库。例如，所建立的数据库可以包括：由全部核心参数组成的第一数据库；由全部所述核心参数、至少部分重要参数组成的第二数据库；由全部所述核心参数、全部重要参数、至少部分辅助参数组成的第三数据库。针对水敏、速敏、碱敏、酸敏、应力敏等五种储层敏感性，可以分别建立上述三种数据库。优选第二数据库可以由全部所述核心参数、全部重要参数组成，第三数据库可以由全部所述核心参数、全部重要参数、全部辅助参数组成。每一数据库中储层敏感性影响因素的项数是固定的。
优选的，可以对储层敏感性影响因素项的数值归一化后再存储至数据库中。
由于储层敏感性的各类影响因素既包括定性数据(如地层岩性、胶结类型等)，也包含定量数据(如孔隙度、渗透率、粘土矿物含量等)，且定量数据中各因素的取值范围差别较大(如孔隙度取值0-100％，渗透率取值0-∝，离子含量取值0-∝)，若不加处理，直接纳入数据库时，会出现定性数据无法识别，定量数据重要度无法体现的问题。
本发明实施例提出，对于定性数据采用多位专家赋值并加权求均值的方式进行归一化处理；对于定量数据则采用该因素对应的数值除以该因素在数据库中的最大值，使其取值范围均处于0-1之间，以利于用于储层敏感性智能预测的各因素的取值范围均处于同一范围，且最大限度地体现出同一组样本中各个数据的重要性，从而提高储层智能预测的准确率。当然，归一化处理的方式不限于上述方式，也可以使用任何其他适当的归一化处理方式。
以胶结类型为例说明定性数据的定量化处理：按照按岩矿鉴定标准，标准胶结类型可分为基底式、薄膜式、弱胶结式、孔隙式、接触式、凝块式、再生式、压嵌式等八种。在同一储层岩石中也有可出现两种或两种以上的胶结类型，可用复合命名法对其进行描述，如孔隙-接触式胶结、基底-接触式胶结、孔隙-基底式胶结等。对于不同的储层敏感性，胶结类型的影响程序并不一致，因此需针对不同的储层敏感性进行差异化赋值处理。不同胶结类型的专家赋值处理结果如下表1所示：
表1用于不同敏感性智能预测的胶结类型的专家赋值处理结果
Figure BDA0002535302610000111
所述第一数据库、所述第二数据库或所述第三数据库可以用于储层敏感性数据收集过程中的反演推算。具体的，在收集到新的储层敏感性数据的情况下，若所述新的储层敏感性数据中储层敏感性结果已知而相对于所述第一数据库、所述第二数据库或所述第三数据库中的一者缺少一项储层敏感性影响因素，则使用所述第一数据库、所述第二数据库或所述第三数据库中的所述一者反演推算出所述缺少的储层敏感性影响因素的数值，其中，将反演推算出的所述缺少的储层敏感性影响因素的数值、所述新的储层敏感性影响因素的数值及所述新的储层敏感性结果作为一条新的储层敏感性数据存储至所述第一数据库、所述第二数据库或所述第三数据库中的所述一者。下面将参考图1对这样的过程进行详细描述。
图1示出了根据本发明一实施例的储层敏感性智能预测数据处理方法的流程图。如图1所示，本发明实施例提供一种储层敏感性智能预测数据处理方法，所述方法可以包括：
步骤S110，收集储层敏感性数据，其中所述储层敏感性数据包括新的储层敏感性影响因素项、新的储层敏感性影响因素的数值及新的储层敏感性结果。
步骤S120，将所述新的储层敏感性因素项与标准储层敏感性因素项进行比较得到比较结果。
这里的标准储层敏感性因素项是指数据库中的固定的储层敏感性因素项。
可选的，在执行步骤S110之后步骤S120之前，可以对新的储层敏感性影响因素的数值进行归一化处理对于定性数据采用多位专家赋值并加权求均值的方式进行归一化处理；对于定量数据则采用该因素对应的数值除以该因素在数据库中的最大值，使其取值范围均处于0-1之间。
步骤S130，在所述比较结果指示所述新的储层敏感性因素项缺少一项储层敏感性影响因素的情况下，反演推算出缺少的储层敏感性影响因素的数值。
可以将新的储层敏感性因素项与各数据库的固定的储层敏感性因素项分别进行比较，以确定是否针对某一数据库的固定的储层敏感性因素项而缺少一项储层敏感性影响因素。若相对于标准储层敏感性因素项缺少的项多于一项，则可以不对该条储层敏感性数据进行考虑。若不缺项，则可以直接加入数据库。
使用的反演推算方法包括但不限于人工神经网络方法，也可以使用根据对应的数据库建立的其它储层敏感性预测模型。人工神经网络方法可以是根据对应的数据库而被建立的。当收集到的数据中储层敏感性结果已知而某一项影响因素数值未知时，利用人工神经网络方法的自学习功能，以该影响因素的数值为输出项，以储层敏感性结果和其他影响因素的数值为输入项，进行反演推算，得到该影响因素的反演数值。其中所述人工神经网络方法为使用对应数据库建立的人工神经网络方法。人工神经网络方法的建立可以参考吴雄军、蒋官澄、赵琳等人2012年发表的论文“径向基神经网络优化及在储层敏感性定量预测中的应用”，这里将不再赘述。
步骤S140，判断反演推算出的所述缺少的储层敏感性影响因素的数值是否准确。
具体的，使用不包括所述一条新的储层敏感性数据的数据库作为样本生成的第一储层敏感性预测模型、测试的储层敏感性因素数值，得到第一储层敏感性结果；使用包括所述一条新的储层敏感性数据的数据库作为样本生成的第二储层敏感性预测模型、所述测试的储层敏感性因素数值，得到第二储层敏感性结果；计算所述第一储层敏感性结果相比于所述测试的储层敏感性因素数值对应的实际储层敏感性结果的第一预测准确率；计算所述第二储层敏感性结果相比于所述测试的储层敏感性因素数值对应的实际储层敏感性结果的第二预测准确率；在所述第二预测准确率与所述第一预测准确率之间的差值的绝对值不大于预设值的情况下，确定所述缺少的储层敏感性影响因素的数值准确。
第一储层敏感性预测模型、第二储层敏感性预测模型可以是人工神经网络方法。测试的储层敏感性因素数值及其储层敏感性结果均为已知值。预测准确率例如可以是预测的储层敏感性结果与实际储层敏感性结果的差值再除以实际储层敏感性结果得到的数值。所述第二预测准确率与所述第一预测准确率之间的差值的绝对值不大于预设值，说明使用包括所述一条新的储层敏感性数据的数据库作为样本生成的第二储层敏感性预测模型的预测准确率相对较高，则可以确定缺少的储层敏感性影响因素的数值准确，否则可以确定缺少的储层敏感性影响因素的数值不准确。可选的，可以使用多条测试的储层敏感性因素数值及其储层敏感性结果来进行判断，综合确定缺少的储层敏感性影响因素的数值的准确性。
可选的，在储层敏感性预测模型为径向基神经网络优化法的情况下，通过调节人工神经网络方法的径向基函数和散布常数等进行调节。使用调节后的人工神经网络方法重新反演得出缺少的储层敏感性影响因素的数值，并重新对其准确性进行判断。
可选的，除使用准确率以外，也可以在所述第二储层敏感性结果比所述第一储层敏感性结果更接近所述测试的储层敏感性因素数值对应的实际储层敏感性结果的情况下，确定所述缺少的储层敏感性影响因素的数值准确。如此在将反演推算出的所述缺少的储层敏感性影响因素的数值、所述新的储层敏感性影响因素的数值及所述新的储层敏感性结果作为一条新的储层敏感性数据存储至对应的数据库之后，可以增加基于该数据库生成的储层敏感性预测模型的预测准确率。
步骤S150，在反演推算出的所述缺少的储层敏感性影响因素的数值准确的情况下，将反演推算出的所述缺少的储层敏感性影响因素的数值、所述新的储层敏感性影响因素的数值及所述新的储层敏感性结果作为一条新的储层敏感性数据存储至对应的数据库。
例如，如果是根据第一数据库反演推算出缺少的储层敏感性影响因素的数值，则将反演推算出的所述缺少的储层敏感性影响因素的数值、所述新的储层敏感性影响因素的数值及所述新的储层敏感性结果作为一条新的储层敏感性数据存储至第一数据库。如果是根据第二数据库反演推算出缺少的储层敏感性影响因素的数值，则将其存储至第二数据库。如果是根据第三数据库反演推算出缺少的储层敏感性影响因素的数值，则将其存储至第三数据库。
在新收集的储层敏感性数据中的新的储层敏感性因素项与标准储层敏感性因素项相比，缺少一项储层敏感性影响因素的情况下，反演推算出缺少的储层敏感性影响因素的数值，评估该数据值的准确性，在该数据准确的情况下，将演推算出的所述缺少的储层敏感性影响因素的数值、所述新的储层敏感性影响因素的数值及所述新的储层敏感性结果作为一条新的储层敏感性数据存储至对应的数据库。通过反演推算的方式能够增加整体数据库的样本分布，提高储层敏感性智能预测的准确率。
进一步的本发明实施例提供的储层敏感性智能预测数据处理方法，还可以包括对所述数据库中一条特定的储层敏感性数据进行测试，所述一条特定的储层敏感性数据为所述数据库中的任意一条储层敏感性数据。也就是说，可以对数据库中的任意一条储层敏感性数据进行测试。
具体的，使用不包括所述一条特定的储层敏感性数据的数据库作为样本生成的第三储层敏感性预测模型、测试的储层敏感性因素数值，得到第三储层敏感性结果；使用包括所述一条特定的储层敏感性数据的数据库作为样本生成的第四储层敏感性预测模型、所述测试的储层敏感性因素数值，得到第四储层敏感性结果；以及计算所述第三储层敏感性结果相比于所述测试的储层敏感性因素数值对应的实际储层敏感性结果的第三预测准确率；计算所述第四储层敏感性结果相比于所述测试的储层敏感性因素数值对应的实际储层敏感性结果的第四预测准确率；在所述第三预测准确率与所述第四预测准确率之间的差值的绝对值大于预设值的情况下，确定所述一条特定的储层敏感性数据异常，并删除所述一条特定的储层敏感性数据；以及在所述第三预测准确率与所述第四预测准确率之间的差值的绝对值大于预设值的情况下，确定所述一条特定的储层敏感性数据无异常。所述预设值可以取任意合适的值，本发明实施例不作特别限定。
第三储层敏感性预测模型、第四储层敏感性预测模型可以是人工神经网络方法。测试的储层敏感性因素数值及其储层敏感性结果均为已知值。预测准确率例如可以是预测的储层敏感性结果与实际储层敏感性结果的差值再除以实际储层敏感性结果得到的数值。所述第三预测准确率与所述第四预测准确率之间的差值的绝对值不大于预设值，说明使用包括所述一条特定的储层敏感性数据的数据库作为样本生成的第四储层敏感性预测模型的预测准确率相对较高，则可以确定所述一条特定的储层敏感性数据无异常，否则确定所述一条特定的储层敏感性数据异常，需要对其进行剔除，以避免异常数据对最终预测结果的不利影响。
本发明实施例提供的储层敏感性智能预测数据处理方法具有以下优势：
(1)通过对储层敏感性影响因素的分级分类，提高储层敏感性智能预测数据库的适用性，并有利于在原始数据获取不充分时建立起实施智能预测的数据库。
(2)通过对储层敏感性影响因素原始数据的分类收集，针对性提高不同类型的储层敏感性智能预测方法的准确率和适用范围。
(3)通过对储层敏感性影响因素原始数据的反演推算补充，增加整体数据库的样本分布，从而提高各类智能预测方法的准确率。
(4)通过对数据库中内部数据测试、筛选与归一化处理，提高数据库的合理性，并明确储层敏感性各影响因素的重要度，从而提高敏感性预测的准确率。
上文描述了建立第一数据库、第二数据库、第三数据库的具体建立方式。在使用数据库执行储层敏感性智能预测时，可以根据待预测的储层敏感性影响因素项选择对应的数据库来执行预测。例如，若待预测的储层敏感性影响因素项仅包括全部的核心参数，则可以使用第一数据库来预测储层敏感性。为了进一步提高智能预测的准确率，本发明实施例进一步提出按照边界值对第一数据库、第二数据库、第三数据库进行进一步的划分。
具体的，可以按照数据库中储层敏感性结果的范围对数据库进行进一步划分。所述第一数据库可以被进一步划分为：由储层敏感性结果处于上边界的储层敏感性数据组成的第一上边界数据库、由储层敏感性结果处于中间值的储层敏感性数据组成的第一中间数据库、由储层敏感性结果处于下边界的储层敏感性数据组成的第一下边界数据库。所述第二数据库可以被进一步划分为：由储层敏感性结果处于上边界的储层敏感性数据组成的第二上边界数据库、由储层敏感性结果处于中间值的储层敏感性数据组成的第二中间数据库、由储层敏感性结果处于下边界的储层敏感性数据组成的第二下边界数据库。所述第三数据库可以被进一步划分为：由储层敏感性结果处于上边界的储层敏感性数据组成的第三上边界数据库、由储层敏感性结果处于中间值的储层敏感性数据组成的第三中间数据库、由储层敏感性结果处于下边界的储层敏感性数据组成的第三下边界数据库。
在本发明实施例中，所述上边界的范围是不小于0.95且不大于1.00，所述下边界的范围是不小于0且不大于0.10，所述中间值的范围是大于0.10且小于0.95。本发明实施例所述的上边界、中间值、下边界的范围是根据已有数据进行多次试验而获得的，上边界、中间值、下边界的范围可以随着数据库中数据的不断积累而被调整。
在执行储层敏感性智能预测时，按照储层敏感性影响因素与边界值的接近程度执行差异化预测。图2示出了根据本发明一实施例的储层敏感性智能预测方法。如图2所示，本发明实施例提供一种储层敏感性智能预测方法，包括步骤S210至步骤S260。
在步骤S210，获取与待预测的储层敏感性结果相关的储层敏感性影响因素项及对应的储层敏感性影响因素的数值。
与待预测的储层敏感性结果相关的储层敏感性影响因素项及对应的储层敏感性影响因素的数值可以由用户输入获得。
在步骤S220，根据所述储层敏感性影响因素项确定对应类型的数据库。
根据储层敏感性影响因素项可以确定是使用第一数据库、第二数据库、还是第三数据库。例如，若储层敏感性影响因素项仅包括全部的核心参数，则使用第一数据库。若储层敏感性影响因素项包括全部的核心参数、至少部分重要参数，则使用第二数据库。若储层敏感性因素包括全部的核心参数、全部重要参数、至少部分辅助参数，则使用第三数据库。
在步骤S230，判断所述储层敏感性影响因素的数值中与核心参数对应的储层敏感性影响因素的数值中是否具有第一上边界值或第一下边界值。
可选的，在执行所述判断之前，可以首先对储层敏感性影响因素的数值进行归一化处理，然后判断归一化处理后的所述储层敏感性影响因素的数值中与核心参数对应的储层敏感性影响因素的数值中是否具有第一上边界值或第一下边界值。可以如前所述，对于定性数据采用多位专家赋值并加权求均值的方式进行归一化处理；对于定量数据则采用该因素对应的数值除以该因素在对应类型的数据库中的最大值，使其取值范围均处于0-1之间。
可选的，可以考虑全部的核心参数，判断与全部的核心参数对应的储层敏感性影响因素的数值中是否具有第一上边界值或第一下边界值。或者，根据实际情况的不同，可以考虑全部的核心参数中按照重要度排序之后，排名在前的预设数量的核心参数，判断与所述预设数量的核心参数对应的储层敏感性影响因素的数值中是否具有第一上边界值或第一下边界值。
在本发明实施例中，所述第一上边界值的范围是不小于0.90且不大于1.00，所述第一下边界值的范围是不小于0且不大于0.05。本发明实施例所述的第一上边界值的范围、第一下边界值的范围是根据已有数据进行多次试验而获得的，第一上边界值的范围、第一下边界值的范围可以随着数据库中数据的不断积累而被调整。
在步骤S240，若具有所述第一上边界值，则使用由所述对应类型的数据库划分的上边界数据库作为样本根据专家系统法计算所述待预测的储层敏感性结果。
在步骤S250，若具有所述第一下边界值，则使用由所述对应类型的数据库划分的下边界数据库作为样本根据所述专家系统法计算所述待预测的储层敏感性结果。
在步骤S260，若不具有所述第一上边界值或所述第一下边界值，则使用由所述对应类型的数据库划分的中间数据库作为样本根据人工神经网络方法计算所述待预测的储层敏感性结果。
本发明实施例所述的专家系统法包括但不限于蒋官澄、张卫行、吴雄军等人2011年发表的文献“一种新的油层敏感性预测方法研究”中所给出的模糊专家系统法。例如，可以预先分别根据第一上边界数据库、第二上边界数据库、第三上边界数据库结合专家系统法建立不同的第一储层敏感性智能预测模型。在执行储层敏感性智能预测时，若判断出使用与第一上边界数据库对应的储层敏感性智能预测模型，则将与待预测的储层敏感性结果相关的储层敏感性影响因素的数值作为与第一上边界数据库对应的储层敏感性智能预测模型的输入项，以计算得到待预测的储层敏感性结果。例如，可以预先分别根据第一下边界数据库、第二下边界数据库、第三下边界数据库结合专家系统法建立不同的第二储层敏感性智能预测模型。在执行储层敏感性智能预测时，若判断出使用与第一下边界数据库对应的储层敏感性智能预测模型，则将与待预测的储层敏感性结果相关的储层敏感性影响因素的数值作为与第一下边界数据库对应的储层敏感性智能预测模型的输入项，以计算得到待预测的储层敏感性结果。
本发明实施例所述的人工神经网络方法包括但不限于吴雄军、蒋官澄、赵琳等人2012年发表的论文“径向基神经网络优化及在储层敏感性定量预测中的应用”中给出的方法。例如，可以预先分别根据第一中间数据库、第二中间数据库、第三中间数据库结合人工神经网络方法建立不同的第三储层敏感性智能预测模型。在执行储层敏感性智能预测时，若判断出使用与第一中间数据库对应的储层敏感性智能预测模型，则将与待预测的储层敏感性结果相关的储层敏感性影响因素的数值作为与第一中间数据库对应的储层敏感性智能预测模型的输入项，以计算得到待预测的储层敏感性结果。
在原始数据充足的条件下，对于影响因素数值处于中间值的储层敏感性的预测，人工神经网络的准确率最高，但对于影响因素数值处于边界值的储层敏感性的预测，由于供人工神经网络方法自主学习、迭代的样本数和学习样本测试准确率难以有效保障，预测准确率不足。专家系统法则主要基于领域专家的规律性认识，对于影响因素数值处于中间值的储层敏感性的预测，预测准确率低于人工神经网络，但是对于影响因素数值处于边界值的储层敏感性的预测，因为规律性认识更充分，定量预测准确率更高。因此，将两种方法进行有机结合，可进一步提高储层智能预测的准确率。
可选的，预测出的储层敏感性结果机器相关的储层敏感性影响因素的数值可以作为新的样本加入至数据库中，以进一步丰富数据库。进一步的，还可以如前文所述，对数据库中的该新的样本进行测试，对比包括和不包括该新的样本的储层敏感性数据的数据库对测试的储层敏感性因素数值的预测结果。若两种情况下，预测准确率的变化不大于预设值，则可以确定可以将预测出的储层敏感性结果机器相关的储层敏感性影响因素的数值可以作为新的样本加入至数据库中。
本发明实施例中，针对与待预测的储层敏感性结果相关的储层敏感性影响因素的数值中与核心参数对应的储层敏感性影响因素的数值具有边界值和不具有边界值的情况，使用不同的方法计算出待预测的储层敏感性结果，即，根据待预测样本各影响因素数值与边界值接近程度采用不同的预测方法进行差异化处理，从而有效提高储层敏感性智能预测方法的准确率和适用范围，为储层保护措施的制定提供准确的依据，提高储层保护效果。
下面以一具体实例来对本发明实施例所述的储层敏感性智能预测方法的效果进行描述。在该实例中，以对水敏性进行测试为例，其中实验测试值对应的敏感性影响因素项和数值如下表2所示。在执行具体计算时，可以首先对表2中各敏感性影响因素的值进行归一化处理。
表2
Figure BDA0002535302610000211
所采用的数据库是由全部核心参数组成的第一数据库，分别使用人工神经网络法和专家系统法，结合第一上边界数据库、第一下边界数据库、第一中间数据库、整体的第一数据库进行敏感性预测，预测结果如下表3所示。表3备注一栏中“下边界”表示采用了第一下边界数据库(因为归一化后的影响因素里面具有下边界值)、“上边界”表示采用了第一上边界数据库(因为归一化后的影响因素里面具有上边界值)。
表3
Figure BDA0002535302610000221
从敏感性果已知的测试样本的预测情况可以看出，对于实际敏感性结果处于边界值的测试样本，采用专家系统法结合边界数据库进行预测时，准确率最高；对于实际敏感性结果处于中间值的测试样本，采用人工神经网络法结合中间值数据库进行预测时，准确率最高。从整体的预测结果可以看出，对于实际敏感性结果处于边界值的测试样本，采用专家系统法预测时准确率更高；而对于实际敏感性结果处于中间值的测试样本，采用人工神经网络法预测时准确率更高。此外，无论采用人工神经网络法或是专家系统法进行预测时，所采用的数据库与待测试样本越接近，准确率越高。
图3示出了根据本发明一实施例的储层敏感性智能预测数据处理装置的结构框图。如图3所示，本发明实施例还提供一种储层敏感性智能预测数据处理装置，所述装置可以包括：收集模块310，用于收集储层敏感性数据，其中所述储层敏感性数据包括新的储层敏感性影响因素项、新的储层敏感性影响因素的数值及新的储层敏感性结果；比较模块320，用于将所述新的储层敏感性因素项与标准储层敏感性因素项进行比较得到比较结果；反演推算模块330，用于在所述比较结果指示所述新的储层敏感性因素项缺少一项储层敏感性影响因素的情况下，反演推算出缺少的储层敏感性影响因素的数值；判断模块340，用于判断反演推算出的所述缺少的储层敏感性影响因素的数值是否准确；以及存储模块350，用于在反演推算出的所述缺少的储层敏感性影响因素的数值准确的情况下，将反演推算出的所述缺少的储层敏感性影响因素的数值、所述新的储层敏感性影响因素的数值及所述新的储层敏感性结果作为一条新的储层敏感性数据存储至对应的数据库。
在一些可选实施例中，判断模块用于根据以下步骤判断反演推算出的所述缺少的储层敏感性影响因素的数值是否准确：使用不包括所述一条新的储层敏感性数据的数据库作为样本生成的第一储层敏感性预测模型、测试的储层敏感性因素数值，得到第一储层敏感性结果；使用包括所述一条新的储层敏感性数据的数据库作为样本生成的第二储层敏感性预测模型、所述测试的储层敏感性因素数值，得到第二储层敏感性结果；计算所述第一储层敏感性结果相比于所述测试的储层敏感性因素数值对应的实际储层敏感性结果的第一预测准确率；计算所述第二储层敏感性结果相比于所述测试的储层敏感性因素数值对应的实际储层敏感性结果的第二预测准确率；在所述第二预测准确率与所述第一预测准确率之间的差值的绝对值不大于预设值的情况下，确定所述缺少的储层敏感性影响因素的数值准确。
在一些可选实施例中，所述装置还包括测试模块，用于对所述数据库中一条特定的储层敏感性数据进行测试，包括：使用不包括所述一条特定的储层敏感性数据的数据库作为样本生成的第三储层敏感性预测模型、测试的储层敏感性因素数值，得到第三储层敏感性结果；使用包括所述一条特定的储层敏感性数据的数据库作为样本生成的第四储层敏感性预测模型、所述测试的储层敏感性因素数值，得到第四储层敏感性结果；以及计算所述第三储层敏感性结果相比于所述测试的储层敏感性因素数值对应的实际储层敏感性结果的第三预测准确率；计算所述第四储层敏感性结果相比于所述测试的储层敏感性因素数值对应的实际储层敏感性结果的第四预测准确率；在所述第三预测准确率与所述第四预测准确率之间的差值的绝对值大于预设值的情况下，确定所述一条特定的储层敏感性数据异常，并删除所述一条特定的储层敏感性数据；以及在所述第三预测准确率与所述第四预测准确率之间的差值的绝对值大于预设值的情况下，确定所述一条特定的储层敏感性数据无异常，其中所述一条特定的储层敏感性数据为所述数据库中的任意一条储层敏感性数据。
本发明实施例提供的储层敏感性智能预测数据处理装置的具体工作原理及益处与上述本发明实施例提供的储层敏感性智能预测数据处理方法的具体工作原理及益处相同，这里将不再赘述。
所述储层敏感性智能预测数据处理装置可包括处理器和存储器，上述个模块等均作为程序单元存储在存储器中，由处理器执行存储在存储器中的上述程序单元来实现相应的功能。
处理器中包含内核，由内核去存储器中调取相应的程序单元。内核可以设置一个或以上，通过调整内核参数来实现本发明实施例提供的储层敏感性智能预测数据处理方法。
存储器可包括计算机可读介质中的非永久性存储器、随机存取存储器(RAM)和/或非易失性内存等形式，如只读存储器(ROM)或闪存(flash RAM)，存储器包括至少一个存储芯片。
图4示出了根据本发明一实施例的储层敏感性智能预测装置的结构框图。如图4所示，本发明实施例还提供一种储层敏感性智能预测装置，可以包括：获取模块410，用于获取与待预测的储层敏感性结果相关的储层敏感性影响因素项及对应的储层敏感性影响因素的数值；确定模块420，用于根据所述储层敏感性影响因素项确定对应类型的数据库；判断模块430，用于判断所述储层敏感性影响因素的数值中与核心参数对应的储层敏感性影响因素的数值中是否具有第一上边界值或第一下边界值；以及预测模块440，用于：若具有所述第一上边界值，则使用由所述对应类型的数据库划分的上边界数据库作为样本根据专家系统法生成的第一储层敏感性智能预测模型计算所述待预测的储层敏感性结果；若具有所述第一下边界值，则使用由所述对应类型的数据库划分的下边界数据库作为样本根据所述专家系统法生成的第二储层敏感性智能预测模型计算所述待预测的储层敏感性结果；以及若不具有所述第一上边界值或所述第一下边界值，则使用由所述对应类型的数据库划分的中间数据库作为样本根据人工神经网络方法生成的第三储层敏感性智能预测模型计算所述待预测的储层敏感性结果。
在一些可选实施例中，判断模块可以首先对所述储层敏感性影响因素的数值进行归一化处理，然后判断归一化处理后的所述储层敏感性影响因素的数值中与核心参数对应的储层敏感性影响因素的数值中是否具有第一上边界值或第一下边界值。
本发明实施例所述的储层敏感性智能预测装置的具体工作原理及益处与上述本发明实施例所述的储层敏感性智能预测方法的具体工作原理及益处相同，这里将不再赘述。
所述储层敏感性智能预测装置装置包括处理器和存储器，上述各模块等均作为程序单元存储在存储器中，由处理器执行存储在存储器中的上述程序单元来实现相应的功能。
处理器中包含内核，由内核去存储器中调取相应的程序单元。内核可以设置一个或以上，通过调整内核参数来执行本发明实施例所述的储层敏感性智能预测方法。
存储器可能包括计算机可读介质中的非永久性存储器，随机存取存储器(RAM)和/或非易失性内存等形式，如只读存储器(ROM)或闪存(flash RAM)，存储器包括至少一个存储芯片。
本发明实施例还提供一种机器可读存储介质，所述机器可读存储介质上存储有指令，所述指令使得机器能够执行根据本发明任意实施例所述的储层敏感性智能预测数据处理方法和/或本发明任意实施例所述的储层敏感性智能预测方法。
本发明实施例提供了一种处理器，所述处理器用于运行程序，其中，所述程序运行时执行根据本发明任意实施例所述的储层敏感性智能预测数据处理方法和/或本发明任意实施例所述的储层敏感性智能预测方法。
本发明实施例提供了一种设备，设备包括处理器、存储器及存储在存储器上并可在处理器上运行的程序，处理器执行程序时实现根据本发明任意实施例所述的储层敏感性智能预测数据处理方法和/或本发明任意实施例所述的储层敏感性智能预测方法。
本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请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，本申请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。
本申请是参照根据本申请实施例的方法、设备(系统)、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。
在一个典型的配置中，计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。
存储器可能包括计算机可读介质中的非永久性存储器，随机存取存储器(RAM)和/或非易失性内存等形式，如只读存储器(ROM)或闪存(flash RAM)。存储器是计算机可读介质的示例。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带，磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括暂存电脑可读媒体(transitory media)，如调制的数据信号和载波。
还需要说明的是，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、商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、商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，并不排除在包括要素的过程、方法、商品或者设备中还存在另外的相同要素。
以上仅为本申请的实施例而已，并不用于限制本申请。对于本领域技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本申请的权利要求范围之内。

Claims (10)

1.一种储层敏感性智能预测数据处理方法，其特征在于，包括：
收集储层敏感性数据，其中所述储层敏感性数据包括新的储层敏感性影响因素项、新的储层敏感性影响因素的数值及新的储层敏感性结果；
将所述新的储层敏感性因素项与标准储层敏感性因素项进行比较得到比较结果；
在所述比较结果指示所述新的储层敏感性因素项缺少一项储层敏感性影响因素的情况下，反演推算出缺少的储层敏感性影响因素的数值；
判断反演推算出的所述缺少的储层敏感性影响因素的数值是否准确；以及
在反演推算出的所述缺少的储层敏感性影响因素的数值准确的情况下，将反演推算出的所述缺少的储层敏感性影响因素的数值、所述新的储层敏感性影响因素的数值及所述新的储层敏感性结果作为一条新的储层敏感性数据存储至对应的数据库，
其中，所述对应的数据库包括：由全部核心参数组成的第一数据库；由全部所述核心参数、至少部分重要参数组成的第二数据库；由全部所述核心参数、全部重要参数、至少部分辅助参数组成的第三数据库。
2.根据权利要求1所述的方法，其特征在于，所述判断反演推算出的所述缺少的储层敏感性影响因素的数值是否准确包括：
使用不包括所述一条新的储层敏感性数据的数据库作为样本生成的第一储层敏感性预测模型、测试的储层敏感性因素数值，得到第一储层敏感性结果；
使用包括所述一条新的储层敏感性数据的数据库作为样本生成的第二储层敏感性预测模型、所述测试的储层敏感性因素数值，得到第二储层敏感性结果；
计算所述第一储层敏感性结果相比于所述测试的储层敏感性因素数值对应的实际储层敏感性结果的第一预测准确率；
计算所述第二储层敏感性结果相比于所述测试的储层敏感性因素数值对应的实际储层敏感性结果的第二预测准确率；
在所述第二预测准确率与所述第一预测准确率之间的差值的绝对值不大于预设值的情况下，确定所述缺少的储层敏感性影响因素的数值准确。
3.根据权利要求1所述的方法，其特征在于，所述方法还包括对所述数据库中一条特定的储层敏感性数据进行测试，包括：
使用不包括所述一条特定的储层敏感性数据的数据库作为样本生成的第三储层敏感性预测模型、测试的储层敏感性因素数值，得到第三储层敏感性结果；
使用包括所述一条特定的储层敏感性数据的数据库作为样本生成的第四储层敏感性预测模型、所述测试的储层敏感性因素数值，得到第四储层敏感性结果；以及
计算所述第三储层敏感性结果相比于所述测试的储层敏感性因素数值对应的实际储层敏感性结果的第三预测准确率；
计算所述第四储层敏感性结果相比于所述测试的储层敏感性因素数值对应的实际储层敏感性结果的第四预测准确率；
在所述第三预测准确率与所述第四预测准确率之间的差值的绝对值大于预设值的情况下，确定所述一条特定的储层敏感性数据异常，并删除所述一条特定的储层敏感性数据；以及
在所述第三预测准确率与所述第四预测准确率之间的差值的绝对值大于预设值的情况下，确定所述一条特定的储层敏感性数据无异常，
其中所述一条特定的储层敏感性数据为所述数据库中的任意一条储层敏感性数据。
4.根据权利要求1所述的方法，其特征在于，在收集储层敏感性数据的步骤之后、将所述新的储层敏感性因素项与标准储层敏感性因素项进行比较得到比较结果之前，所述方法还包括：
对所述新的储层敏感性影响因素的数值进行归一化处理。
5.根据权利要求1所述的方法，其特征在于，所述收集储层敏感性数据包括：按不同地层类型进行收集；按不同油田、作业区块进行收集；以及整体合并收集，
其中所述整体合并收集是指按照核心参数、重要参数和辅助参数3类对已知的储层敏感性结果及其对应的影响因素进行全面收集。
6.一种储层敏感性智能预测数据处理装置，其特征在于，包括：
收集模块，用于收集储层敏感性数据，其中所述储层敏感性数据包括新的储层敏感性影响因素项、新的储层敏感性影响因素的数值及新的储层敏感性结果；
比较模块，用于将所述新的储层敏感性因素项与标准储层敏感性因素项进行比较得到比较结果；
反演推算模块，用于在所述比较结果指示所述新的储层敏感性因素项缺少一项储层敏感性影响因素的情况下，反演推算出缺少的储层敏感性影响因素的数值；
判断模块，用于判断反演推算出的所述缺少的储层敏感性影响因素的数值是否准确；以及
存储模块，用于在反演推算出的所述缺少的储层敏感性影响因素的数值准确的情况下，将反演推算出的所述缺少的储层敏感性影响因素的数值、所述新的储层敏感性影响因素的数值及所述新的储层敏感性结果作为一条新的储层敏感性数据存储至对应的数据库，
其中，所述对应的数据库包括：由全部核心参数组成的第一数据库；由全部所述核心参数、至少部分重要参数组成的第二数据库；由全部所述核心参数、全部重要参数、至少部分辅助参数组成的第三数据库。
7.根据权利要求6所述的装置，其特征在于，所述判断模块用于根据以下步骤判断反演推算出的所述缺少的储层敏感性影响因素的数值是否准确：
使用不包括所述一条新的储层敏感性数据的数据库作为样本生成的第一储层敏感性预测模型、测试的储层敏感性因素数值，得到第一储层敏感性结果；
使用包括所述一条新的储层敏感性数据的数据库作为样本生成的第二储层敏感性预测模型、所述测试的储层敏感性因素数值，得到第二储层敏感性结果；
计算所述第一储层敏感性结果相比于所述测试的储层敏感性因素数值对应的实际储层敏感性结果的第一预测准确率；
计算所述第二储层敏感性结果相比于所述测试的储层敏感性因素数值对应的实际储层敏感性结果的第二预测准确率；
在所述第二预测准确率与所述第一预测准确率之间的差值的绝对值不大于预设值的情况下，确定所述缺少的储层敏感性影响因素的数值准确。
8.根据权利要求6所述的装置，其特征在于，所述装置还包括测试模块，用于对所述数据库中一条特定的储层敏感性数据进行测试，包括：
使用不包括所述一条特定的储层敏感性数据的数据库作为样本生成的第三储层敏感性预测模型、测试的储层敏感性因素数值，得到第三储层敏感性结果；
使用包括所述一条特定的储层敏感性数据的数据库作为样本生成的第四储层敏感性预测模型、所述测试的储层敏感性因素数值，得到第四储层敏感性结果；以及
计算所述第三储层敏感性结果相比于所述测试的储层敏感性因素数值对应的实际储层敏感性结果的第三预测准确率；
计算所述第四储层敏感性结果相比于所述测试的储层敏感性因素数值对应的实际储层敏感性结果的第四预测准确率；
在所述第三预测准确率与所述第四预测准确率之间的差值的绝对值大于预设值的情况下，确定所述一条特定的储层敏感性数据异常，并删除所述一条特定的储层敏感性数据；以及
在所述第三预测准确率与所述第四预测准确率之间的差值的绝对值大于预设值的情况下，确定所述一条特定的储层敏感性数据无异常，
其中所述一条特定的储层敏感性数据为所述数据库中的任意一条储层敏感性数据。
9.根据权利要求6所述的装置，其特征在于，所述收集模块收集储层敏感性数据包括：按不同地层类型进行收集；按不同油田、作业区块进行收集；以及整体合并收集，
其中所述整体合并收集是指按照核心参数、重要参数和辅助参数3类对已知的储层敏感性结果及其对应的影响因素进行全面收集。
10.一种机器可读存储介质，其特征在于，所述机器可读存储介质上存储有指令，所述指令使得机器能够执行根据权利要求1至5中任一项所述的储层敏感性智能预测数据处理方法。
CN202010531272.XA 2020-06-11 2020-06-11 储层敏感性智能预测数据处理方法及装置 Active CN111694855B (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN202010531272.XA CN111694855B (zh) 2020-06-11 2020-06-11 储层敏感性智能预测数据处理方法及装置
US17/345,904 US11326450B2 (en) 2020-06-11 2021-06-11 Intelligent prediction method and apparatus for reservoir sensitivity

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010531272.XA CN111694855B (zh) 2020-06-11 2020-06-11 储层敏感性智能预测数据处理方法及装置

Publications (2)

Publication Number Publication Date
CN111694855A CN111694855A (zh) 2020-09-22
CN111694855B true CN111694855B (zh) 2021-03-16

Family

ID=72480400

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010531272.XA Active CN111694855B (zh) 2020-06-11 2020-06-11 储层敏感性智能预测数据处理方法及装置

Country Status (1)

Country Link
CN (1) CN111694855B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113673111B (zh) * 2020-08-26 2022-08-05 中国石油大学(北京) 聚合物吸附损害油气层建模方法、损害程度时空演化4d定量与智能诊断技术
CN113049784A (zh) * 2021-03-24 2021-06-29 陕西延长石油（集团）有限责任公司 一种适用于泥页岩储层水敏的预测方法

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104853822A (zh) * 2014-09-19 2015-08-19 杨顺伟 一种评价页岩气储层及寻找甜点区的方法
CN106353820A (zh) * 2015-07-17 2017-01-25 中国石油化工股份有限公司 一种基于知识模型的测井解释方法
CN109636094A (zh) * 2018-10-30 2019-04-16 中国石油天然气股份有限公司 低渗透油田储层类型识别方法和装置

Family Cites Families (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8239181B2 (en) * 2008-07-23 2012-08-07 Exxonmobil Upstream Research Company Inversion of CSEM data with measurement system signature suppression
CN103135135B (zh) * 2013-02-26 2016-01-06 中国石油天然气股份有限公司 一种基于疏松砂岩模型进行烃类定量预测的方法和装置
CN104732359A (zh) * 2015-04-08 2015-06-24 陕西延长石油（集团）有限责任公司 油田地理信息与勘探开发协同工作平台系统
CN105069303A (zh) * 2015-08-17 2015-11-18 中国海洋石油总公司 一种低渗透储层产能定量评价方法
CN106530108B (zh) * 2016-12-15 2020-02-28 西南石油大学 一种基于因素表示的油气层损害智能识别方法与系统
CN108897906B (zh) * 2018-05-24 2022-03-18 西安石油大学 一种基于数字岩心模型的储层敏感性伤害模拟方法
CN110009150B (zh) * 2019-04-02 2019-11-19 中国石油大学(华东) 数据驱动的致密储层物性参数智能预测方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104853822A (zh) * 2014-09-19 2015-08-19 杨顺伟 一种评价页岩气储层及寻找甜点区的方法
CN106353820A (zh) * 2015-07-17 2017-01-25 中国石油化工股份有限公司 一种基于知识模型的测井解释方法
CN109636094A (zh) * 2018-10-30 2019-04-16 中国石油天然气股份有限公司 低渗透油田储层类型识别方法和装置

Also Published As

Publication number Publication date
CN111694855A (zh) 2020-09-22

Similar Documents

Publication Publication Date Title
CN111694856B (zh) 储层敏感性智能预测方法及装置
CN108491970B (zh) 一种基于rbf神经网络的大气污染物浓度预测方法
CN108009716B (zh) 一种水平井体积压裂效果影响因素多层次评价方法
US11326450B2 (en) Intelligent prediction method and apparatus for reservoir sensitivity
CN102682601B (zh) 基于优化svm的高速公路交通事件检测方法
CN111694855B (zh) 储层敏感性智能预测数据处理方法及装置
CN109636094A (zh) 低渗透油田储层类型识别方法和装置
AU2009241409A1 (en) System and method for interpretation of well data
Zhu et al. Rapid identification of high-quality marine shale gas reservoirs based on the oversampling method and random forest algorithm
Alhasan et al. Wavelet filter design for pavement roughness analysis
CN106803010A (zh) 用于低渗透储层定量评价的模糊灰色综合评判方法和装置
CN104569344A (zh) 页岩储层脆性矿物地震定量表征方法
CN114529110A (zh) 一种基于深度神经网络模型的岩相反演方法及系统
CN112796738A (zh) 一种阵列声波测井和常规测井结合的地层渗透率计算方法
CN110489844B (zh) 一种适用于软岩隧道不均匀大变形等级预测方法
Zhao et al. Lithofacies identification of shale reservoirs using a tree augmented Bayesian network: A case study of the lower Silurian Longmaxi formation in the changning block, South Sichuan basin, China
CN112576238B (zh) 一种低渗透油藏剩余油位置与含量测定系统、方法及应用
CN109447026A (zh) 一种基于支持向量机的桩身完整性类别自动识别方法
CN105718720A (zh) 一种复杂气藏储量品质分类综合评价方法
CN1563902A (zh) 基于支持向量机的软测量仪表建模方法
Zhu et al. Quantitative evaluation of low-permeability gas reservoirs based on an improved fuzzy-gray method
Zhan et al. Research on neural network prediction method for upgrading scale of natural gas reserves
CN115983088B (zh) 一种基于集成学习建立的海相页岩原地气量预测模型
CN113222236A (zh) 数据分布自适应的跨区域尾气排放预测方法及系统
Li et al. Studies on natural gas reserves multi-cycle growth law in Sichuan Basin based on multi-peak identification and peak parameter prediction

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
TA01 Transfer of patent application right
TA01 Transfer of patent application right

Effective date of registration: 20210222

Address after: 102249 Beijing city Changping District Road No. 18

Applicant after: China University of Petroleum (Beijing)

Address before: 102249 Beijing city Changping District Road No. 18

Applicant before: China University of Petroleum (Beijing)

Applicant before: BEIJING SHIDABOCHENG TECHNOLOGY Co.,Ltd.

GR01 Patent grant
GR01 Patent grant