CN111967677B - 一种非常规资源甜点分布的预测方法及装置 - Google Patents
一种非常规资源甜点分布的预测方法及装置 Download PDFInfo
- Publication number
- CN111967677B CN111967677B CN202010841068.8A CN202010841068A CN111967677B CN 111967677 B CN111967677 B CN 111967677B CN 202010841068 A CN202010841068 A CN 202010841068A CN 111967677 B CN111967677 B CN 111967677B
- Authority
- CN
- China
- Prior art keywords
- distance
- final recoverable
- value
- final
- model
- 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
- 238000009826 distribution Methods 0.000 title claims abstract description 138
- 238000000034 method Methods 0.000 title claims abstract description 102
- 235000021185 dessert Nutrition 0.000 title claims abstract description 54
- 239000011159 matrix material Substances 0.000 claims abstract description 79
- 238000011156 evaluation Methods 0.000 claims abstract description 64
- 238000004519 manufacturing process Methods 0.000 claims abstract description 41
- 238000004364 calculation method Methods 0.000 claims abstract description 26
- 230000006870 function Effects 0.000 claims description 102
- 238000005315 distribution function Methods 0.000 claims description 27
- 230000001186 cumulative effect Effects 0.000 claims description 24
- 241000039077 Copula Species 0.000 claims description 22
- 238000004088 simulation Methods 0.000 claims description 22
- 238000004590 computer program Methods 0.000 claims description 19
- 230000003247 decreasing effect Effects 0.000 claims description 17
- 235000011850 desserts Nutrition 0.000 claims description 14
- 238000003860 storage Methods 0.000 claims description 14
- 238000004458 analytical method Methods 0.000 claims description 13
- 238000005314 correlation function Methods 0.000 claims description 8
- 230000001788 irregular Effects 0.000 claims 4
- 239000004215 Carbon black (E152) Substances 0.000 description 12
- 238000010586 diagram Methods 0.000 description 12
- 229930195733 hydrocarbon Natural products 0.000 description 12
- 150000002430 hydrocarbons Chemical class 0.000 description 12
- 238000011161 development Methods 0.000 description 9
- 238000012545 processing Methods 0.000 description 6
- 238000004836 empirical method Methods 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 230000008901 benefit Effects 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 239000003129 oil well Substances 0.000 description 3
- 239000011435 rock Substances 0.000 description 3
- 235000009508 confectionery Nutrition 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000005553 drilling Methods 0.000 description 2
- 239000000284 extract Substances 0.000 description 2
- 238000007476 Maximum Likelihood Methods 0.000 description 1
- 235000015076 Shorea robusta Nutrition 0.000 description 1
- 244000166071 Shorea robusta Species 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000011065 in-situ storage Methods 0.000 description 1
- 229910052500 inorganic mineral Inorganic materials 0.000 description 1
- 230000035800 maturation Effects 0.000 description 1
- 239000011707 mineral Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000035699 permeability Effects 0.000 description 1
- 239000003208 petroleum Substances 0.000 description 1
- 239000003079 shale oil Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
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
- 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—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)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Theoretical Computer Science (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- Health & Medical Sciences (AREA)
- Development Economics (AREA)
- Agronomy & Crop Science (AREA)
- General Health & Medical Sciences (AREA)
- Marine Sciences & Fisheries (AREA)
- Mining & Mineral Resources (AREA)
- Primary Health Care (AREA)
- Life Sciences & Earth Sciences (AREA)
- Animal Husbandry (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Complex Calculations (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供一种非常规资源甜点分布的预测方法及装置，该方法包括获取评价区相同地质层位生产井单井最终可采储量数据；计算评价区任意两个样本点之间的欧式距离并建立距离矩阵；根据距离矩阵计算得到距离‑相关性矩阵，再根据所述距离‑相关性矩阵拟合得到距离‑相关性模型；对所有样本点的最终可采储量数据进行边缘分布拟合并确定其边缘分布类型；根据边缘分布类型及关联模型，获得最终可采储量模拟值，再对最终可采储量模拟值进行加权平均计算得到预测点处的最终可采储量预测值；根据预测点处的最终可采储量预测值预测非常规资源的甜点分布。该方法可在勘探初期进行甜点区预测，减少因数据有限带来的勘探风险，提高确定甜点区的准确度。
Description
技术领域
本发明涉及一种非常规资源甜点分布的预测方法及装置，属于数学地质技术领域。
背景技术
随着水平钻井和多段压裂技术的成熟和普及，页岩气和页岩油的勘探和开发在北美已经成为近年油气勘探和开发的两大热点。非常规油气资源主要指产于致密低孔隙度低渗透率储层，如致密砂岩，粉砂岩及具有天然裂缝的页岩中的石油及天然气资源。这些资源一般在区域一级的地质单元中呈连续分布状态，虽然构造对油气的汇聚有一定的作用，但构造不成为制约非常规油气资源分布的条件。这些非常规油气资源基本上都是近源或本身就在烃源岩中。昔日的烃源岩变成了如今油气的主要勘探目标。对这类油气资源勘探的风险很小，但开发和生产成本很高。虽然非常规油气在区域上大面积分布，但其丰度的空间分布是不均匀的。从近年北美非常规油气勘探的实践中，人们普遍认识到所谓非常规连续性的油气资源，并非如以前所想象的在其分布范围内随处都是。而真正具有经济意义的油气资源只局限在地质条件优越，或具有某些常规圈闭特征的部位，即分布在所谓的“甜点”部位。因此非常规油气资源的预测不仅要考虑原地地质资源量，而且需要考虑具有经济意义“甜点”部位的资源量及其空间的分布。因此勘探的重点是识别非常规油气资源的富集区，即所谓甜点(Sweet Spots)的位置，以确保探区中非常规油气资源在现今开发技术条件具经济意义。由于非常规油气资源的开采涉及水平钻井和多段压裂，开采成本是常规油气开采的数倍，盈利空间相对常规油气资源来说要小的多。在西方以市场经济为主导的土地矿产租赁体制下，抢先进入非常规油气资源的富集区，即所谓甜点区，是降低勘探开发成本和保证高回报至关重要的一步。
海外油气勘探区块在中国石油公司海外业务发展中发挥着重大作用。准确的评估海外项目的资源量是在国际油气合作中获取更好的经济效益的关键。中国石油公司涉足海外油气勘探开发始于20世纪90年代初，与西方石油公司在全球已有100年的油气勘探开发工业史相比起步晚、经验少，对全球含油气盆地缺乏认识，因此在海外谋求新的勘探机会中通常处于提供信息有限、资料局限的被动状态。在一些勘探程度较低的地区，相邻井距离间隔过大，少量的井数据只能得到可信度较低的甜点区预测，也是管理者无法接受的。因此，利用地质统计推断方法进行甜点区分布预测是低勘探程度地区的行之有效的方法。
现有技术中通常采用的非常规甜点分布预测方法的主要过程是：首先确定待开采的油井对应的非常规油气储层和非常规油气储层对应的各烃源岩之间的空间配置关系；然后根据空间配置关系，确定待开采的油井对应的至少一个源储组合类型；再在至少一个源储组合类型中，确定与预设源储组合类型匹配的源储组合类型；最后根据含油饱和度满足预设条件的源储组合类型，确定至少一个非常规油气甜点目标区。
此外现有比较成熟的预测方法还有基于空间插值法获取无井地区评价参数的甜点预测方法，空间插值法利用样本点之间的半变异函数关系并基于临近样本点对未知点进行插值预测，此种方法在已知样本点分布密集的区域效果较好，但是在样本稀疏区域则会出现较大误差。
因此提供一种新型的非常规资源甜点分布的预测方法及装置已经成为本领域亟需解决的技术问题。
发明内容
为了解决上述的缺点和不足，本发明的一个目的在于提供一种非常规资源甜点分布的预测方法。
本发明的另一个目的还在于提供一种非常规资源甜点分布的预测装置。
本发明的又一个目的还在于提供一种计算机设备。
本发明的再一个目的还在于提供一种计算机可读存储介质。
为了实现以上目的，一方面，本发明提供了一种非常规资源甜点分布的预测方法，其中，所述非常规资源甜点分布的预测方法包括：
获取评价区相同地质层位生产井单井最终可采储量数据；
计算评价区任意两个样本点(生产井)之间的欧式距离并建立距离矩阵；
根据距离矩阵计算得到距离-相关性矩阵，再根据所述距离-相关性矩阵拟合得到距离-相关性模型；
对所有样本点的最终可采储量数据进行边缘分布拟合并确定其边缘分布类型；
根据边缘分布类型及关联模型，获得最终可采储量模拟值，再对最终可采储量模拟值进行加权平均计算得到预测点处的最终可采储量预测值；
根据预测点处的最终可采储量预测值预测非常规资源的甜点分布。
在以上所述的方法中，优选地，当无法直接获取生产井单井最终可采储量数据时，首先获取评价区相同地质层位生产井的月产量数据，再根据所述生产井的月产量数据通过符合产量递减特征的单井递减模型获得单井最终可采储量数据。
在以上所述的方法中，优选地，所述单井递减模型为指数递减分析模型。
在以上所述的方法中，当所收集的为评价区相同地质层位生产井的月产量数据时，根据所述生产井的月产量数据，选择符合产量递减特征的单井递减模型并通过该模型获得单井最终可采储量数据；在本发明具体实施方式中，可以通过包括但不限于数值模拟法、解析法、经验方法拟合得到单井递减模型；其中，经验方法因为其计算简便、所需计算参数少，在油气工业得到了广泛的应用。
在本发明一具体实施方式中，经验方法拟合单井递减模型参数时采用最小二乘方法，选定的目标函数是残差平方和最小准则。
在以上所述的方法中，优选地，按照如下公式1)计算评价区任意两个样本点之间的欧式距离：
公式1)中，di，j和dj，i为评价区任意两个样本点之间的欧式距离；xi、xj分别为第i个，第j个样本点的经度，yi、yj分别为第i个，第j个样本点的纬度；i、j分别为1-n之间的整数，其中n为评价区样本点的总数。
在以上所述的方法中，评价区任意两个样本点之间的欧式距离单位应与经纬度单位一致，即为度分秒；但是实际计算时为了单位明晰，可选择适合的投影，将经纬度坐标转为大地坐标，此时距离单位为米。
在以上所述的方法中，优选地，建立如下公式2)所示的距离矩阵：
公式2)中，D为距离矩阵，n为评价区样本点的总数，n为正整数。
在以上所述的方法中，优选地，根据距离矩阵计算得到距离-相关性矩阵，再根据所述距离-相关性矩阵拟合得到距离-相关性模型，包括：
将距离矩阵转化为一维向量：将距离矩阵中所有任意两个样本点之间的欧式距离分布的区间划分为n份，所得一维向量记为h＝{h1，...hi...，hn}，其中h1＜h2＜，...hi...，＜hn；
对距离矩阵中所有任意两个样本点之间的欧式距离进行频率分析，其中距离在hi区间内的样本点处的最终可采储量之间的相关系数的计算按照如下公式3)进行；
公式3)中，z(x′)和z(x′+hi)是距离落于hi区间的最终可采储量点对，N(hi)表示距离落在hi区间内的点对的个数；
根据所述一维向量及相关系数得到距离-相关性矩阵再利用二次样条函数进行插值拟合，得到如下公式4)所示的距离-相关性模型：
公式4)中，a0、a1及a2为常数，βj为拟合系数(其可通过拟合方法，如最小二乘法常规获得)。
在以上所述的方法中，优选地，对所有样本点的最终可采储量数据进行边缘分布拟合并确定其边缘分布类型，包括：
首先计算所有样本点的最终可采储量数据的均值、标准差，然后计算不同边缘分布下各样本点的概率密度，得到每个样本点的概率密度值，再对所有样本点的概率密度值求乘积得到总概率密度值，当某一边缘分布对应的总概率密度值最大时，该边缘分布类型即作为样本点的最佳边缘分布，计算方法如下公式5)所示：
公式5)中，P为最大总概率密度值，f(zi，μ，σ)为每个样本点的概率密度值，n为评价区样本点的总数，μ，σ分别为所有样本点的最终可采储量数据的均值、标准差，zi是指第i个样本点的最终可采储量。
在以上所述的方法中，优选地，所述关联模型包括Gumbel Copula函数模型、Clayton Copula函数模型或Frank Copula函数模型。
在以上所述的方法中，优选地，所述Gumbel Copula函数模型如下公式6)所示：
C1'＝exp(-((-logu')α'+(logv')α')1/α') 公式6)；
公式6)中，C1'表示Gumbel Copula函数模型的函数值，u'和v'分别表示两个井点位置的最终可采储量的概率值F(z(x′))、F(z(x′+h))，其中F(x)为使得公式5)P最大的f(x)对应的累积分布函数，α'表示与u'和v'两个井点最终可采储量之间的相关系数相关联的参数，α'的取值范围为0-1；
所述Clayton Copula函数模型如下公式7)所示：
C2'＝(max(u'-α'+v'-α'-1,0))-1/α 公式7)；
公式7)中，C2'表示Clayton Copula函数模型的函数值，u'和v'分别表示两个井点位置的最终可采储量的概率值F(z(x′))、F(z(x′+h))，其中F(x)为使得公式5)P最大的f(x)对应的累积分布函数，α'表示与u'和v'两个井点最终可采储量之间的相关系数相关联的参数，α'的取值范围为0-1；
所述Frank Copula函数模型如下公式8)所示：
公式8)中，C3'表示Frank Copula函数模型的函数值，u'和v'分别表示两个井点位置的最终可采储量的概率值F(z(x′))、F(z(x′+h))，其中F(x)为使得公式5)P最大的f(x)对应的累积分布函数，α'表示与u'和v'两个井点最终可采储量之间的相关系数相关联的参数，α'的取值范围为0-1。
在以上所述的方法中，获取如上公式6)-公式8)所示的Gumbel Copula函数、Clayton Copula函数和Frank Copula函数中参数包括以下具体步骤：
计算样本点单井最终可采储量数据的均值及标准差，应用极大似然法设定函数中参数的初始值后，通过迭代得出相应函数中的最优参数。
在以上所述的方法中，优选地，根据边缘分布类型及关联模型，获得最终可采储量模拟值，包括：
根据距离-相关性模型，获取得到任意两样本点之间的距离h所对应的两样本点之间的最终可采储量的相关系数ρ；
再根据ρ确定关联模型中的参数α'，包括：
设与模拟点x′距离最近的两个井点，即u'和v'所在的井点与模拟点x′的距离为h′u、h′v，设h′＝min{h′u、h′v}，则
公式9)中，Cj-1(u，v)为将落入[hj-1，hj)区间内所有点对距离的平均值代入公式4)所得的相关系数ρj，再根据ρj确定关联模型中的参数α′j，从而得到hj区间的关联函数；lj为区间[hj-1，hj)的中点；
再按照如下公式10)确定最终可采储量模拟值；
公式10)中，z′(xi，yi)为最终可采储量模拟值，为F(x)的逆函数，F(x)为使得公式5)中P最大的f(x)对应的累积分布函数，n为评价区样本点的总数。
其中，公式10)中即是求取当/>时，x的值。
在以上所述的方法中，优选地，对最终可采储量模拟值按照公式11)进行加权平均计算得到预测点处的最终可采储量预测值：
公式11)中，hi为点(xi，yi)与点(x*，y*)之间的距离落入的区间段，为根据距离-相关性模型得到的相关性数值，n为评价区样本点的总数，z′(xi，yi)为最终可采储量模拟值。
在以上所述的方法中，本领域技术人员可以根据现场作业需要合理选择预测点的位置及数量等。
在以上所述的方法中，最终可采储量的单位与获取得到的生产井单井最终可采储量数据单位一致，可采用国际通行的单位，例如对于油，单位为百万桶(MMBOE)，对于气，单位为亿立方英尺(BCF)或者油当量(TOE)等。
以上所述的方法还包括：对多组预测点处的最终可采储量预测值求取中位数、均值和不确定性区间(置信区间)等，并根据最终可采储量预测值的中位数、均值和不确定性区间(置信区间)等预测非常规资源的甜点分布。
另一方面，本发明还提供了一种非常规资源甜点分布的预测装置，其中，所述非常规资源甜点分布的预测装置包括：
数据获取模块，用于获取评价区相同地质层位生产井单井最终可采储量数据；
距离矩阵建立模块，用于计算评价区任意两个样本点之间的欧式距离并建立距离矩阵；
距离-相关性模型建立模块，用于根据距离矩阵计算得到距离-相关性矩阵，再根据所述距离-相关性矩阵拟合得到距离-相关性模型；
边缘分布拟合及边缘分布类型确定模块，用于对所有样本点的最终可采储量数据进行边缘分布拟合并确定其边缘分布类型；
预测点处的最终可采储量预测值获取模块，用于根据边缘分布类型及关联模型，获得最终可采储量模拟值，再对最终可采储量模拟值进行加权平均计算得到预测点处的最终可采储量预测值；
非常规资源的甜点分布预测模块，用于根据预测点处的最终可采储量预测值预测非常规资源的甜点分布。
在以上所述的装置中，优选地，当无法直接获取生产井单井最终可采储量数据时，所述数据获取模块具体用于：首先获取评价区相同地质层位生产井的月产量数据，再根据所述生产井的月产量数据通过符合产量递减特征的单井递减模型获得单井最终可采储量数据。
在以上所述的装置中，优选地，所述单井递减模型为指数递减分析模型。
在以上所述的装置中，优选地，所述距离矩阵建立模块包括欧式距离计算单元，所述欧式距离计算单元用于按照如下公式1)计算评价区任意两个样本点之间的欧式距离：
公式1)中，di，j和dj，i为评价区任意两个样本点之间的欧式距离；xi、xj分别为第i个，第j个样本点的经度，yi、yj分别为第i个，第j个样本点的纬度；i、j分别为1-n之间的整数，其中n为评价区样本点的总数。
在以上所述的装置中，优选地，所述距离矩阵建立模块还包括距离矩阵建立单元，所述距离矩阵建立单元用于建立如下公式2)所示的距离矩阵：
公式2)中，D为距离矩阵，n为评价区样本点的总数，n为正整数。
在以上所述的装置中，优选地，所述距离-相关性模型建立模块具体用于：
将距离矩阵转化为一维向量：将距离矩阵中所有任意两个样本点之间的欧式距离分布的区间划分为n份，所得一维向量记为h＝{h1，...hi...，hn}，其中h1＜h2＜，...hi...，＜hn；
对距离矩阵中所有任意两个样本点之间的欧式距离进行频率分析，其中距离在hi区间内的样本点处的最终可采储量之间的相关系数的计算按照如下公式3)进行；
公式3)中，z(x′)和z(x′+hi)是距离落于hi区间的最终可采储量点对，N(hi)表示距离落在hi区间内的点对的个数；
根据所述一维向量及相关系数得到距离-相关性矩阵再利用二次样条函数进行插值拟合，得到如下公式4)所示的距离-相关性模型：
公式4)中，a0、a1及a2为常数，βj为拟合系数。
在以上所述的装置中，优选地，所述边缘分布拟合及边缘分布类型确定模块具体用于：
首先计算所有样本点的最终可采储量数据的均值、标准差，然后计算不同边缘分布下各样本点的概率密度，得到每个样本点的概率密度值，再对所有样本点的概率密度值求乘积得到总概率密度值，当某一边缘分布对应的总概率密度值最大时，该边缘分布类型即作为样本点的最佳边缘分布，计算方法如下公式5)所示：
公式5)中，P为最大总概率密度值，f(zi，μ，σ)为每个样本点的概率密度值，n为评价区样本点的总数，μ，σ分别为所有样本点的最终可采储量数据的均值、标准差，zi是指第i个样本点的最终可采储量。
在以上所述的方法中，可以采用拟合优度检验选择边缘分布，其中可以采用矩估计方法估计边缘分布参数。
在以上所述的装置中，优选地，所述关联模型包括Gumbel Copula函数模型、Clayton Copula函数模型或Frank Copula函数模型。
在以上所述的装置中，优选地，所述Gumbel Copula函数模型如下公式6)所示：
C1'＝exp(-((-logu')α'+(logv')α')1/α') 公式6)；
公式6)中，C1'表示Gumbel Copula函数模型的函数值，u'和v'分别表示两个井点位置的最终可采储量的概率值F(z(x′))、F(z(x′+h))，其中F(x)为使得公式5)P最大的f(x)对应的累积分布函数，α'表示与u'和v'两个井点最终可采储量之间的相关系数相关联的参数，α'的取值范围为0-1；
所述Clayton Copula函数模型如下公式7)所示：
C2'＝(max(u'-α'+v'-α'-1,0))-1/α 公式7)；
公式7)中，C2'表示Clayton Copula函数模型的函数值，u'和v'分别表示两个井点位置的最终可采储量的概率值F(z(x′))、F(z(x′+h))，其中F(x)为使得公式5)P最大的f(x)对应的累积分布函数，α'表示与u'和v'两个井点最终可采储量之间的相关系数相关联的参数，α'的取值范围为0-1；
公式8)中，C3'表示Frank Copula函数模型的函数值，u'和v'分别表示两个井点位置的最终可采储量的概率值F(z(x′))、F(z(x′+h))，其中F(x)为使得公式5)P最大的f(x)对应的累积分布函数，α'表示与u'和v'两个井点最终可采储量之间的相关系数相关联的参数，α'的取值范围为0-1。
在以上所述的装置中，优选地，所述预测点处的最终可采储量预测值获取模块包括最终可采储量模拟值获取单元，所述最终可采储量模拟值获取单元用于：
根据距离-相关性模型，获取得到任意两样本点之间的距离h所对应的两样本点之间的最终可采储量的相关系数ρ；
再根据ρ确定关联模型中的参数α'，包括：
设与模拟点x′距离最近的两个井点，即u'和v'所在的井点与模拟点x′的距离为h′u、h′v，设h′＝min{h′u、h′v}，则
公式9)中，Cj-1(u，v)为将落入[hj-1，hj)区间内所有点对距离的平均值代入公式4)所得的相关系数ρj，再根据ρj确定关联模型中的参数α′j，从而得到hj区间的关联函数；lj为区间[hj-1，hj)的中点；
再按照如下公式10)确定最终可采储量模拟值；
公式10)中，z′(xi，yi)为最终可采储量模拟值，为F(x)的逆函数，F(x)为使得公式5)中P最大的f(x)对应的累积分布函数，n为评价区样本点的总数。
在以上所述的装置中，优选地，所述预测点处的最终可采储量预测值获取模块还包括预测点处的最终可采储量预测值获取单元，所述预测点处的最终可采储量预测值获取单元用于：
对最终可采储量模拟值按照公式11)进行加权平均计算得到预测点处的最终可采储量预测值：
公式11)中，hi为点(xi，yi)与点(x*，y*)之间的距离落入的区间段，为根据距离-相关性模型得到的相关性数值，n为评价区样本点的总数，z′(xi，yi)为最终可采储量模拟值。
又一方面，本发明还提供了一种计算机设备，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，其中，所述处理器执行所述计算机程序时实现以上所述非常规资源甜点分布的预测方法的步骤。
再一方面，本发明还提供了一种计算机可读存储介质，其上存储有计算机程序，其中，所述计算机程序被处理器执行时实现以上所述非常规资源甜点分布的预测方法的步骤。
本发明所提供的非常规资源甜点分布预测方法及装置是一种基于空间关联模型的非常规资源甜点分布预测方法及装置，所述方法包括收集评价区生产井的月产量数据资料，建立递减模型，根据递减模型估计已知生产井位置处的最终可采储量，再通过最终可采储量数据拟合边缘概率分布函数及相关关系函数的基础上，利用关联函数构建各井点位置最终可采储量的联合概率分布函数(公式9)所示的分布函数)，通过联合概率分布函数模拟最终可采储量的模拟数据，从而获取任意点位置的最终可采储量的中位数、均值和不确定性区间，进而实现非常规资源甜点分布预测。
与现有技术相比，本发明所提供的所述非常规资源甜点分布的预测方法及装置的优点在于：
本发明通过样本点的空间分布规律及相邻点之间距离与数值之间的相关关系对最终可采储量进行预测，具有很强的创新意义；
本发明通过已有井点数据来预测未知地区的最终可采储量，完成对甜点区的预测；
本发明只需少量样本点便可预测整个区域的最终可采储量，也就意味着可以在勘探初期进行甜点区的预测，减少由于数据有限带来的勘探风险，提高确定甜点区的准确度。
相比于空间插值法，本发明从单井最终可采储量切入，用已知产区生产数据做空间关联模型，不仅克服了已有方法的不足，而且采用单井最终可采储量拟合方法能够明确不同位置单井最终可采储量的分布规律，并有效提取甜点分布特征，对于非常规资源评估和甜点分布预测有重要意义。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，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为本发明实施例所提供的非常规资源甜点分布的预测方法的工艺流程图。
图2为某非常规油气甜点的分布图。
图3为实施例中基于200口井EUR数据的预测图。
图4为实施例中基于不同距离下最终可采储量关联系数的散点示意图。
图5为本发明实施例所提供的非常规资源甜点分布的预测装置的结构示意图。
具体实施方式
为了对本发明的技术特征、目的和有益效果有更加清楚的理解，现结合以下具体实施例对本发明的技术方案进行以下详细说明，但不能理解为对本发明的可实施范围的限定。
图1为本发明实施例所提供的非常规资源甜点分布的预测方法的工艺流程图，从图1中可以看出，所述方法包括：
S101：获取评价区相同地质层位生产井单井最终可采储量数据；
S102：计算评价区任意两个样本点之间的欧式距离并建立距离矩阵；
S103：根据距离矩阵计算得到距离-相关性矩阵，再根据所述距离-相关性矩阵拟合得到距离-相关性模型；
S104：对所有样本点的最终可采储量数据进行边缘分布拟合并确定其边缘分布类型；
S105：根据边缘分布类型及关联模型，获得最终可采储量模拟值，再对最终可采储量模拟值进行加权平均计算得到预测点处的最终可采储量预测值；
S106：根据预测点处的最终可采储量预测值预测非常规资源的甜点分布。
下面将以连续性油气藏某一生产井为例，详细说明本发明实施例所提供的非常规资源甜点分布的预测方法，其中，非常规油气甜点的分布图如图2所示，所述方法包括以下具体步骤：
1.收集评价区生产井的月产量数据资料。
本具体实施中生产井为油井，产量数据的时间尺度为月；若生产井为气井，则需要将产量数据换算为相应的油当量。其中，用x，y表示经纬度，z表示最终可采储量，n表示样本点数目。
2.建立递减模型估计最终可采储量。
本具体实施中递减模型选择指数递减分析法(简称为SEPD模型)，经验方法拟合递减模型参数时采用最小二乘方法，选定的目标函数是残差平方和最小准则。
3.计算样本点之间的欧式距离。
计算两两样本点之间的距离得到对称的距离方阵，记为D，例如D中(2,3)点的值即为第一个样本与第二个样本的距离值，(3,2)点处的值与之相等，显然对角线上的值全部都为0；
这里
4.计算距离-相关性矩阵，拟合距离-相关性模型。
首先将距离矩阵转化为相应的一维向量，对该向量进行频率分析，将di，j的值分布的区间划分为n份，记为h＝{h1，...，hn}，其中h1＜h2＜，...，＜hn；
其中相关系数按照如下公式进行计算：
其中，z(x′)和z(x′+hi)是距离落于hi区间的最终可采储量点对，N(hi)表示距离落在hi区间内的点对的个数；
根据所述一维向量及相关系数得到距离-相关性矩阵再利用二次样条函数进行插值拟合得到相关函数模型，采用的参数估计方法为最小二乘法：
其中，a0、a1及a2为常数，βj为拟合系数。
5.最终可采储量分布拟合：需要计算最终可采储量样本的均值、标准差，然后进行不同边缘分布下各样本值得概率密度计算，得到每个样本点的概率值，然后对所有样本点的概率值求乘积，不同的边缘分布最终会得到不同的总概率值，当某一边缘分布对应的总概率值最大时，该边缘分布类型即作为样本的最佳边缘分布，计算方法如下：
其中，P为最大总概率密度值，f(zi，μ，σ)为每个样本点的概率密度值，n为评价区样本点的总数，μ，σ分别为所有样本点的最终可采储量数据的均值、标准差，zi是指第i个样本点的最终可采储量。
6.关联模型的选择：
相关性模型具体可以为Gumbel Copula函数、Clayton Copula函数和FrankCopula函数。其中，可以采用下述公式分别表示Gumbel Copula函数、Clayton Copula函数和Frank Copula函数：
所述Gumbel Copula函数如下所示：
C1'＝exp(-((-logu')α'+(logv')α')1/α')
其中，C1'表示Gumbel Copula函数的函数值，u'和v'分别表示两个井点位置的最终可采储量的概率值F(z(x′))、F(z(x′+h))，其中F(x)为使得P最大的f(x)对应的累积分布函数，α'表示与u'和v'两个井点最终可采储量之间的相关系数相关联的参数。
进一步地，基于所述最终可采储量分布数据，对与所述α'相关联的预设构造似然函数进行一阶偏导处理，可以得到所述α'的值，所述α'的取值范围可以为0-1。
所述Clayton Copula函数如下所示：
C2'＝(max(u'-α'+v'-α'-1,0))-1/α
其中，C2'表示Clayton Copula函数的函数值，u'和v'分别表示两个井点位置的最终可采储量的概率值F(z(x′))、F(z(x′+h))，其中F(x)为使得P最大的f(x)对应的累积分布函数，α'表示与u'和v'两个井点最终可采储量之间的相关系数相关联的参数。
进一步地，基于所述最终可采储量分布数据，对与所述α'相关联的预设构造似然函数进行一阶偏导处理，可以得到所述α'的值，所述α'的取值范围可以为0-1。
所述Frank Copula函数如下所示：
其中，C3'表示Frank Copula函数的函数值，u'和v'分别表示两个井点位置的最终可采储量的概率值F(z(x′))、F(z(x′+h))，其中F(x)为使得P最大的f(x)对应的累积分布函数，α'表示与u'和v'两个井点最终可采储量之间的相关系数相关联的参数。
7.根据边缘分布类型及关联模型，获得最终可采储量模拟值，包括：
根据距离-相关性模型，获取得到任意两样本点之间的距离h所对应的两样本点之间的最终可采储量的相关系数ρ；
再根据ρ确定关联模型中的参数α'，包括：
设与模拟点x′距离最近的两个井点，即u'和v'所在的井点与模拟点x′的距离为h′u、h′v，设h′＝min{h′u、h′v}，则
其中，Cj-1(u，v)为将落入[hj-1，hj)区间内所有点对距离的平均值代入公式4)所得的相关系数ρj，再根据ρj确定关联模型中的参数α′j，从而得到hj区间的关联函数；lj为区间[hj-1，hj)的中点；
再按照如下公式确定最终可采储量模拟值；
其中，z′(xi，yi)为最终可采储量模拟值，为F(x)的逆函数，F(x)为使得公式5)中P最大的f(x)对应的累积分布函数，n为评价区样本点的总数。
8.基于边缘分布及关联模型，产生多组模拟值z′(x1，y1),z′(x2，y1),…,z′(xn，yn)。对最终可采储量模拟值按照以下公式进行加权平均计算得到预测点处(待估位置x*，y*处)的最终可采储量预测值：
其中，hi为点(xi，yi)与(x*，y*)点之间的距离落入的区间段。为由第4步距离-相关性模型得到的数值，n为评价区样本点的总数，z′(xi，yi)为最终可采储量模拟值。
本实施例中，基于1445口井的EUR数据的插值图如图2所示，其中横纵轴分别表示经纬度坐标经过投影转换后的(X，Y)坐标。色标表示的是EUR除以单井控制面积后的EUR单位面积上的值随颜色变化的情况，在该图中颜色越深表示单位面积EUR越大，即是甜点区，图2展示的是根据大量的单井EUR数据，经过插值得到的真实的该地区的甜点区分布图；
本实施例中，基于200口井EUR数据通过本发明的方法针对单位面积的EUR的预测图如图3所示；将图3与图2进行对比可知，通过本发明提供的方法有效提取少量(200口)单井EUR间的距离相关性模型后，对待预测点计算EUR的预测值，可以得到与实际甜点区位置分布相同的结果。
本实施例中，基于不同距离下最终可采储量关联系数的散点示意图如图4所示。该图4是将本实施例中200个井点间的距离，划分为小于4000，小于6000，小于8000及小于10000的四个区间，并将相应区间内相邻两井点的EUR数值做标准化，将其转化为[0，1]区间上的小数，便于观察，以其中一个井点的EUR值做横坐标，另一个井点的EUR值做纵坐标，做图后即可得图4。从图4中可以观测到，随着区间长度变大，相邻两井点的EUR的线性相关性变差。
9.置信区间的估计，多次模拟，产生多组模拟值z1(x*，y*),…,zn(x*，y*)，可得z(x*，y*)的分布数据，将模拟值由小到大排列，取2.5％×a处的估计值为95％置信区间的置信下限，97.5％×a处的值为95％置信区间的置信上限，其中，a为模拟的总次数。
基于同一发明构思，本发明实施例还提供了一种非常规资源甜点分布的预测装置，由于该装置解决问题的原理与非常规资源甜点分布的预测方法相似，因此该装置的实施可以参见方法的实施，重复之处不再赘述。以下所使用的，术语“模块”、“单元”可以实现预定功能的软件和/或硬件的组合。以下实施例所描述的装置较佳地以硬件来实现，但是软件或者软件和硬件的组合的实现也是可能并被构想的。
图5为本发明实施例所提供的非常规资源甜点分布的预测装置的结构示意图，如图5所示，所述非常规资源甜点分布的预测装置包括：
数据获取模块101，用于获取评价区相同地质层位生产井单井最终可采储量数据；
距离矩阵建立模块102，用于计算评价区任意两个样本点之间的欧式距离并建立距离矩阵；
距离-相关性模型建立模块103，用于根据距离矩阵计算得到距离-相关性矩阵，再根据所述距离-相关性矩阵拟合得到距离-相关性模型；
边缘分布拟合及边缘分布类型确定模块104，用于对所有样本点的最终可采储量数据进行边缘分布拟合并确定其边缘分布类型；
预测点处的最终可采储量预测值获取模块105，用于根据边缘分布类型及关联模型，获得最终可采储量模拟值，再对最终可采储量模拟值进行加权平均计算得到预测点处的最终可采储量预测值；
非常规资源的甜点分布预测模块106，用于根据预测点处的最终可采储量预测值预测非常规资源的甜点分布。
在一实施例中，当无法直接获取生产井单井最终可采储量数据时，所述数据获取模块具体用于：首先获取评价区相同地质层位生产井的月产量数据，再根据所述生产井的月产量数据通过符合产量递减特征的单井递减模型获得单井最终可采储量数据。
在一实施例中，所述单井递减模型为指数递减分析模型。
在一实施例中，所述距离矩阵建立模块包括欧式距离计算单元，所述欧式距离计算单元用于按照如下公式1)计算评价区任意两个样本点之间的欧式距离：
公式1)中，di，j和dj，i为评价区任意两个样本点之间的欧式距离；xi、xj分别为第i个，第j个样本点的经度，yi、yj分别为第i个，第j个样本点的纬度；i、j分别为1-n之间的整数，其中n为评价区样本点的总数。
在一实施例中，所述距离矩阵建立模块还包括距离矩阵建立单元，所述距离矩阵建立单元用于建立如下公式2)所示的距离矩阵：
公式2)中，D为距离矩阵，n为评价区样本点的总数，n为正整数。
在一实施例中，所述距离-相关性模型建立模块具体用于：
将距离矩阵转化为一维向量：将距离矩阵中所有任意两个样本点之间的欧式距离分布的区间划分为n份，所得一维向量记为h＝{h1，...hi...，hn}，其中h1＜h2＜，...hi...，＜hn；
对距离矩阵中所有任意两个样本点之间的欧式距离进行频率分析，其中距离在hi区间内的样本点处的最终可采储量之间的相关系数的计算按照如下公式3)进行；
公式3)中，z(x′)和z(x′+hi)是距离落于hi区间的最终可采储量点对，N(hi)表示距离落在hi区间内的点对的个数；
根据所述一维向量及相关系数得到距离-相关性矩阵再利用二次样条函数进行插值拟合，得到如下公式4)所示的距离-相关性模型：
公式4)中，a0、a1及a2为常数，βj为拟合系数。
在一实施例中，所述边缘分布拟合及边缘分布类型确定模块具体用于：
首先计算所有样本点的最终可采储量数据的均值、标准差，然后计算不同边缘分布下各样本点的概率密度，得到每个样本点的概率密度值，再对所有样本点的概率密度值求乘积得到总概率密度值，当某一边缘分布对应的总概率密度值最大时，该边缘分布类型即作为样本点的最佳边缘分布，计算方法如下公式5)所示：
公式5)中，P为最大总概率密度值，f(zi，μ，σ)为每个样本点的概率密度值，n为评价区样本点的总数，μ，σ分别为所有样本点的最终可采储量数据的均值、标准差，zi是指第i个样本点的最终可采储量。
在一实施例中，所述关联模型包括Gumbel Copula函数模型、Clayton Copula函数模型或Frank Copula函数模型。
在一实施例中，所述Gumbel Copula函数模型如下公式6)所示：
C1'＝exp(-((-logu')α'+(logv')α')1/α') 公式6)；
公式6)中，C1'表示Gumbel Copula函数模型的函数值，u'和v'分别表示两个井点位置的最终可采储量的概率值F(z(x′))、F(z(x′+h))，其中F(x)为使得公式5)P最大的f(x)对应的累积分布函数，α'表示与u'和v'两个井点最终可采储量之间的相关系数相关联的参数，α'的取值范围为0-1；
所述Clayton Copula函数模型如下公式7)所示：
C2'＝(max(u'-α'+v'-α'-1,0))-1/α 公式7)；
公式7)中，C2'表示Clayton Copula函数模型的函数值，u'和v'分别表示两个井点位置的最终可采储量的概率值F(z(x′))、F(z(x′+h))，其中F(x)为使得公式5)P最大的f(x)对应的累积分布函数，α'表示与u'和v'两个井点最终可采储量之间的相关系数相关联的参数，α'的取值范围为0-1；
所述Frank Copula函数模型如下公式8)所示：
公式8)中，C3'表示Frank Copula函数模型的函数值，u'和v'分别表示两个井点位置的最终可采储量的概率值F(z(x′))、F(z(x′+h))，其中F(x)为使得公式5)P最大的f(x)对应的累积分布函数，α'表示与u'和v'两个井点最终可采储量之间的相关系数相关联的参数，α'的取值范围为0-1。
在一实施例中，所述预测点处的最终可采储量预测值获取模块包括最终可采储量模拟值获取单元，所述最终可采储量模拟值获取单元用于：
根据距离-相关性模型，获取得到任意两样本点之间的距离h所对应的两样本点之间的最终可采储量的相关系数ρ；
再根据ρ确定关联模型中的参数α'，包括：
设与模拟点x′距离最近的两个井点，即u'和v'所在的井点与模拟点x′的距离为h′u、h′v，设h′＝min{h′u、h′v}，则
公式9)中，Cj-1(u，v)为将落入[hj-1，hj)区间内所有点对距离的平均值代入公式4)所得的相关系数ρj，再根据ρj确定关联模型中的参数α′j，从而得到hj区间的关联函数；lj为区间[hj-1，hj)的中点；
再按照如下公式10)确定最终可采储量模拟值；
公式10)中，z′(xi，yi)为最终可采储量模拟值，为F(x)的逆函数，F(x)为使得公式5)中P最大的f(x)对应的累积分布函数，n为评价区样本点的总数。
在一实施例中，所述预测点处的最终可采储量预测值获取模块还包括预测点处的最终可采储量预测值获取单元，所述预测点处的最终可采储量预测值获取单元用于：
对最终可采储量模拟值按照公式11)进行加权平均计算得到预测点处的最终可采储量预测值：
公式11)中，hi为点(xi，yi)与点(x*，y*)之间的距离落入的区间段，为根据距离-相关性模型得到的相关性数值，n为评价区样本点的总数，z′(xi，yi)为最终可采储量模拟值。
本发明实施例还提供了一种计算机设备，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，其中，所述处理器执行所述计算机程序时实现以上所述非常规资源甜点分布的预测方法的步骤。
本发明实施例还提供了一种计算机可读存储介质，其上存储有计算机程序，其中，所述计算机程序被处理器执行时实现以上所述非常规资源甜点分布的预测方法的步骤。
本发明实施例所提供的非常规资源甜点分布预测方法及装置是一种基于空间关联模型的非常规资源甜点分布预测方法及装置，所述方法包括收集评价区生产井的月产量数据资料，建立递减模型，根据递减模型估计已知生产井位置处的最终可采储量，再通过最终可采储量数据拟合边缘概率分布函数及相关关系函数的基础上，利用关联函数构建各井点位置最终可采储量的联合概率分布函数，通过联合概率分布函数模拟最终可采储量的模拟数据，从而获取任意点位置的最终可采储量的中位数、均值和不确定性区间，进而实现非常规资源甜点分布预测。
与现有技术相比，本发明实施例所提供的所述非常规资源甜点分布的预测方法及装置的优点在于：
本发明通过样本点的空间分布规律及相邻点之间距离与数值之间的相关关系对最终可采储量进行预测，具有很强的创新意义；
本发明通过已有井点数据来预测未知地区的最终可采储量，完成对甜点区的预测；
本发明只需少量样本点便可预测整个区域的最终可采储量，也就意味着可以在勘探初期进行甜点区的预测，减少由于数据有限带来的勘探风险，提高确定甜点区的准确度。
相比于空间插值法，本发明从单井最终可采储量切入，用已知产区生产数据做空间关联模型，不仅克服了已有方法的不足，而且采用单井最终可采储量拟合方法能够明确不同位置单井最终可采储量的分布规律，并有效提取甜点分布特征，对于非常规资源评估和甜点分布预测有重要意义。
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、设备(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，仅为本发明的具体实施例，不能以其限定发明实施的范围，所以其等同组件的置换，或依本发明专利保护范围所作的等同变化与修饰，都应仍属于本专利涵盖的范畴。另外，本发明中的技术特征与技术特征之间、技术特征与技术发明之间、技术发明与技术发明之间均可以自由组合使用。
Claims (20)
1.一种非常规资源甜点分布的预测方法，其特征在于，所述非常规资源甜点分布的预测方法包括：
获取评价区相同地质层位生产井单井最终可采储量数据；
计算评价区任意两个样本点之间的欧式距离并建立距离矩阵；
根据距离矩阵计算得到距离-相关性矩阵，再根据所述距离-相关性矩阵拟合得到距离-相关性模型，包括：
将距离矩阵转化为一维向量：将距离矩阵中所有任意两个样本点之间的欧式距离分布的区间划分为n份，所得一维向量记为h＝{h1,…hi…,hn}，其中h1<h2<,…hi…,<hn；
对距离矩阵中所有任意两个样本点之间的欧式距离进行频率分析，其中距离在hi区间内的样本点处的最终可采储量之间的相关系数的计算按照如下公式3)进行；
公式3)中，z(x′)和z(x′+hi)是距离落于hi区间的最终可采储量点对，N(hi)表示距离落在hi区间内的点对的个数；
根据所述一维向量及相关系数得到距离-相关性矩阵再利用二次样条函数进行插值拟合，得到如下公式4)所示的距离-相关性模型：
公式4)中，a0、a1及a2为常数，βj为拟合系数；
对所有样本点的最终可采储量数据进行边缘分布拟合并确定其边缘分布类型；
根据边缘分布类型及关联模型，获得最终可采储量模拟值，再对最终可采储量模拟值进行加权平均计算得到预测点处的最终可采储量预测值；
其中，根据边缘分布类型及关联模型，获得最终可采储量模拟值，包括：
根据距离-相关性模型，获取得到任意两样本点之间的距离h所对应的两样本点之间的最终可采储量的相关系数ρ；
再根据ρ确定关联模型中的参数α'，包括：
设与模拟点x′距离最近的两个井点，即u'和v'所在的井点与模拟点x′的距离为h′u、h′v，设h′＝min{h′u、h′v}，则
公式9)中，Cj-1(u,v)为将落入[hj-1,hj)区间内所有点对距离的平均值代入公式4)所得的相关系数ρj，再根据ρj确定关联模型中的参数α′j，从而得到hj区间的关联函数；lj为区间[hj-1,hj)的中点；
再按照如下公式10)确定最终可采储量模拟值；
公式10)中，z′(xi,yi)为最终可采储量模拟值，为F(x)的逆函数，F(x)为使得公式5)中P最大的f(x)对应的累积分布函数，n为评价区样本点的总数；
根据预测点处的最终可采储量预测值预测非常规资源的甜点分布。
2.根据权利要求1所述的方法，其特征在于，当无法直接获取生产井单井最终可采储量数据时，首先获取评价区相同地质层位生产井的月产量数据，再根据所述生产井的月产量数据通过符合产量递减特征的单井递减模型获得单井最终可采储量数据。
3.根据权利要求2所述的方法，其特征在于，所述单井递减模型为指数递减分析模型。
4.根据权利要求1所述的方法，其特征在于，按照如下公式1)计算评价区任意两个样本点之间的欧式距离：
公式1)中，di,j和dj,i为评价区任意两个样本点之间的欧式距离；xi、xj分别为第i个，第j个样本点的经度，yi、yj分别为第i个，第j个样本点的纬度；i、j分别为1-n之间的整数，其中n为评价区样本点的总数。
5.根据权利要求4所述的方法，其特征在于，建立如下公式2)所示的距离矩阵：
公式2)中，D为距离矩阵，n为评价区样本点的总数，n为正整数。
6.根据权利要求1所述的方法，其特征在于，对所有样本点的最终可采储量数据进行边缘分布拟合并确定其边缘分布类型，包括：
首先计算所有样本点的最终可采储量数据的均值、标准差，然后计算不同边缘分布下各样本点的概率密度，得到每个样本点的概率密度值，再对所有样本点的概率密度值求乘积得到总概率密度值，当某一边缘分布对应的总概率密度值最大时，该边缘分布类型即作为样本点的最佳边缘分布，计算方法如下公式5)所示：
公式5)中，P为最大总概率密度值，f(zi,μ,σ)为每个样本点的概率密度值，n为评价区样本点的总数，μ,σ分别为所有样本点的最终可采储量数据的均值、标准差，zi是指第i个样本点的最终可采储量。
7.根据权利要求1所述的方法，其特征在于，所述关联模型包括Gumbel Copula函数模型、Clayton Copula函数模型或Frank Copula函数模型。
8.根据权利要求7所述的方法，其特征在于，所述Gumbel Copula函数模型如下公式6)所示：
公式6)中，C1'表示Gumbel Copula函数模型的函数值，u'和v'分别表示两个井点位置的最终可采储量的概率值F(z(x′))、F(z(x′+h))，其中F(x)为使得公式5)P最大的f(x)对应的累积分布函数，α'表示与u'和v'两个井点最终可采储量之间的相关系数相关联的参数，α'的取值范围为0-1；
所述Clayton Copula函数模型如下公式7)所示：
C2'＝(max(u'-α'+v'-α'-1,0))-1/α 公式7)；
公式7)中，C2′表示Clayton Copula函数模型的函数值，u′和v′分别表示两个井点位置的最终可采储量的概率值F(z(x′))、F(z(x′+h))，其中F(x)为使得公式5)P最大的f(x)对应的累积分布函数，α′表示与u′和v′两个井点最终可采储量之间的相关系数相关联的参数，α'的取值范围为0-1；
所述Frank Copula函数模型如下公式8)所示：
公式8)中，C3′表示Frank Copula函数模型的函数值，u′和v′分别表示两个井点位置的最终可采储量的概率值F(z(x′))、F(z(x′+h))，其中F(x)为使得公式5)P最大的f(x)对应的累积分布函数，α′表示与u′和v′两个井点最终可采储量之间的相关系数相关联的参数，α'的取值范围为0-1。
9.根据权利要求1所述的方法，其特征在于，对最终可采储量模拟值按照公式11)进行加权平均计算得到预测点处的最终可采储量预测值：
公式11)中，hi为点(xi,yi)与点(x*,y*)之间的距离落入的区间段，为根据距离-相关性模型得到的相关性数值，n为评价区样本点的总数，z′(xi,yi)为最终可采储量模拟值。
10.一种非常规资源甜点分布的预测装置，其特征在于，所述非常规资源甜点分布的预测装置包括：
数据获取模块，用于获取评价区相同地质层位生产井单井最终可采储量数据；
距离矩阵建立模块，用于计算评价区任意两个样本点之间的欧式距离并建立距离矩阵；
距离-相关性模型建立模块，用于根据距离矩阵计算得到距离-相关性矩阵，再根据所述距离-相关性矩阵拟合得到距离-相关性模型，具体用于将距离矩阵转化为一维向量：将距离矩阵中所有任意两个样本点之间的欧式距离分布的区间划分为n份，所得一维向量记为h＝{h1,…hi…,hn}，其中h1<h2<,…hi…,<hn；
对距离矩阵中所有任意两个样本点之间的欧式距离进行频率分析，其中距离在hi区间内的样本点处的最终可采储量之间的相关系数的计算按照如下公式3)进行；
公式3)中，z(x′)和z(x′+hi)是距离落于hi区间的最终可采储量点对，N(hi)表示距离落在hi区间内的点对的个数；
根据所述一维向量及相关系数得到距离-相关性矩阵再利用二次样条函数进行插值拟合，得到如下公式4)所示的距离-相关性模型：
公式4)中，a0、a1及a2为常数，βj为拟合系数；
边缘分布拟合及边缘分布类型确定模块，用于对所有样本点的最终可采储量数据进行边缘分布拟合并确定其边缘分布类型；
预测点处的最终可采储量预测值获取模块，用于根据边缘分布类型及关联模型，获得最终可采储量模拟值，再对最终可采储量模拟值进行加权平均计算得到预测点处的最终可采储量预测值；
其中，所述预测点处的最终可采储量预测值获取模块包括最终可采储量模拟值获取单元，所述最终可采储量模拟值获取单元用于：
根据距离-相关性模型，获取得到任意两样本点之间的距离h所对应的两样本点之间的最终可采储量的相关系数ρ；
再根据ρ确定关联模型中的参数α′，包括：
设与模拟点x′距离最近的两个井点，即u′和v′所在的井点与模拟点x′的距离为h′u、h′v，设h′＝min{h′u、h′v}，则
公式9)中，Cj-1(u,v)为将落入[hj-1,hj)区间内所有点对距离的平均值代入公式4)所得的相关系数ρj，再根据ρj确定关联模型中的参数α′j，从而得到hj区间的关联函数；lj为区间[hj-1,hj)的中点；
再按照如下公式10)确定最终可采储量模拟值；
公式10)中，z′(xi,yi)为最终可采储量模拟值，为F(x)的逆函数，F(x)为使得公式5)中P最大的f(x)对应的累积分布函数，n为评价区样本点的总数；
非常规资源的甜点分布预测模块，用于根据预测点处的最终可采储量预测值预测非常规资源的甜点分布。
11.根据权利要求10所述的装置，其特征在于，当无法直接获取生产井单井最终可采储量数据时，所述数据获取模块具体用于：首先获取评价区相同地质层位生产井的月产量数据，再根据所述生产井的月产量数据通过符合产量递减特征的单井递减模型获得单井最终可采储量数据。
12.根据权利要求11所述的装置，其特征在于，所述单井递减模型为指数递减分析模型。
13.根据权利要求10所述的装置，其特征在于，所述距离矩阵建立模块包括欧式距离计算单元，所述欧式距离计算单元用于按照如下公式1)计算评价区任意两个样本点之间的欧式距离：
公式1)中，di,j和dj,i为评价区任意两个样本点之间的欧式距离；xi、xj分别为第i个，第j个样本点的经度，yi、yj分别为第i个，第j个样本点的纬度；i、j分别为1-n之间的整数，其中n为评价区样本点的总数。
14.根据权利要求13所述的装置，其特征在于，所述距离矩阵建立模块还包括距离矩阵建立单元，所述距离矩阵建立单元用于建立如下公式2)所示的距离矩阵：
公式2)中，D为距离矩阵，n为评价区样本点的总数，n为正整数。
15.根据权利要求10所述的装置，其特征在于，所述边缘分布拟合及边缘分布类型确定模块具体用于：
首先计算所有样本点的最终可采储量数据的均值、标准差，然后计算不同边缘分布下各样本点的概率密度，得到每个样本点的概率密度值，再对所有样本点的概率密度值求乘积得到总概率密度值，当某一边缘分布对应的总概率密度值最大时，该边缘分布类型即作为样本点的最佳边缘分布，计算方法如下公式5)所示：
公式5)中，P为最大总概率密度值，f(zi,μ,σ)为每个样本点的概率密度值，n为评价区样本点的总数，μ,σ分别为所有样本点的最终可采储量数据的均值、标准差，zi是指第i个样本点的最终可采储量。
16.根据权利要求10所述的装置，其特征在于，所述关联模型包括Gumbel Copula函数模型、Clayton Copula函数模型或Frank Copula函数模型。
17.根据权利要求16所述的装置，其特征在于，所述Gumbel Copula函数模型如下公式6)所示：
C1'＝exp(-((-log u')α'+(log v')α')1/α') 公式6)；
公式6)中，C1'表示Gumbel Copula函数模型的函数值，u′和v′分别表示两个井点位置的最终可采储量的概率值F(z(x′))、F(z(x′+h))，其中F(x)为使得公式5)P最大的f(x)对应的累积分布函数，α′表示与u′和v′两个井点最终可采储量之间的相关系数相关联的参数，α'的取值范围为0-1；
所述Clayton Copula函数模型如下公式7)所示：
C2'＝(max(u'-α'+v'-α'-1,0))-1/α 公式7)；
公式7)中，C2′表示Clayton Copula函数模型的函数值，u′和v′分别表示两个井点位置的最终可采储量的概率值F(z(x′))、F(z(x′+h))，其中F(x)为使得公式5)P最大的f(x)对应的累积分布函数，α′表示与u′和v′两个井点最终可采储量之间的相关系数相关联的参数，α'的取值范围为0-1；
所述Frank Copula函数模型如下公式8)所示：
公式8)中，C3′表示Frank Copula函数模型的函数值，u′和v′分别表示两个井点位置的最终可采储量的概率值F(z(x′))、F(z(x′+h))，其中F(x)为使得公式5)P最大的f(x)对应的累积分布函数，α′表示与u′和v′两个井点最终可采储量之间的相关系数相关联的参数，α'的取值范围为0-1。
18.根据权利要求10所述的装置，其特征在于，所述预测点处的最终可采储量预测值获取模块还包括预测点处的最终可采储量预测值获取单元，所述预测点处的最终可采储量预测值获取单元用于：
对最终可采储量模拟值按照公式11)进行加权平均计算得到预测点处的最终可采储量预测值：
公式11)中，hi为点(xi,yi)与点(x*,y*)之间的距离落入的区间段，为根据距离-相关性模型得到的相关性数值，n为评价区样本点的总数，z′(xi,yi)为最终可采储量模拟值。
19.一种计算机设备，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1-9任一项所述非常规资源甜点分布的预测方法的步骤。
20.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1-9任一项所述非常规资源甜点分布的预测方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010841068.8A CN111967677B (zh) | 2020-08-20 | 2020-08-20 | 一种非常规资源甜点分布的预测方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010841068.8A CN111967677B (zh) | 2020-08-20 | 2020-08-20 | 一种非常规资源甜点分布的预测方法及装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111967677A CN111967677A (zh) | 2020-11-20 |
| CN111967677B true CN111967677B (zh) | 2024-04-30 |
Family
ID=73389470
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010841068.8A Active CN111967677B (zh) | 2020-08-20 | 2020-08-20 | 一种非常规资源甜点分布的预测方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111967677B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116913410B (zh) * | 2023-07-12 | 2024-05-17 | 中国科学院地理科学与资源研究所 | 一种元素浓度值确定方法和装置 |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104747171A (zh) * | 2013-12-26 | 2015-07-01 | 中国石油化工股份有限公司 | 砂岩底水油藏水锥定量描述方法 |
| CN105134191A (zh) * | 2015-08-25 | 2015-12-09 | 中国石油天然气股份有限公司 | 致密油油井储量的评价方法 |
| CN105741549A (zh) * | 2016-04-18 | 2016-07-06 | 北京航空航天大学 | 一种基于空间copula理论的交通流量预测方法 |
| CN106326526A (zh) * | 2016-07-29 | 2017-01-11 | 陈柏宇 | 一种无窄谱约束条件下海浪设计波高的推算方法 |
| CN106896419A (zh) * | 2017-03-28 | 2017-06-27 | 中国石油天然气股份有限公司 | 一种确定油气资源量的方法及装置 |
| CN109033578A (zh) * | 2018-07-11 | 2018-12-18 | 河海大学 | 一种河口沿程淡水保证率的反演方法 |
| CN109711429A (zh) * | 2018-11-22 | 2019-05-03 | 中国石油天然气股份有限公司 | 一种储层评价分类方法及装置 |
-
2020
- 2020-08-20 CN CN202010841068.8A patent/CN111967677B/zh active Active
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104747171A (zh) * | 2013-12-26 | 2015-07-01 | 中国石油化工股份有限公司 | 砂岩底水油藏水锥定量描述方法 |
| CN105134191A (zh) * | 2015-08-25 | 2015-12-09 | 中国石油天然气股份有限公司 | 致密油油井储量的评价方法 |
| CN105741549A (zh) * | 2016-04-18 | 2016-07-06 | 北京航空航天大学 | 一种基于空间copula理论的交通流量预测方法 |
| CN106326526A (zh) * | 2016-07-29 | 2017-01-11 | 陈柏宇 | 一种无窄谱约束条件下海浪设计波高的推算方法 |
| CN106896419A (zh) * | 2017-03-28 | 2017-06-27 | 中国石油天然气股份有限公司 | 一种确定油气资源量的方法及装置 |
| CN109033578A (zh) * | 2018-07-11 | 2018-12-18 | 河海大学 | 一种河口沿程淡水保证率的反演方法 |
| CN109711429A (zh) * | 2018-11-22 | 2019-05-03 | 中国石油天然气股份有限公司 | 一种储层评价分类方法及装置 |
Non-Patent Citations (2)
| Title |
|---|
| 水驱曲线法在高含水油田上市储量评估中的应用;周焱斌等;特种油气藏;20190329;第26卷(第3期);第123-127页 * |
| 肖冠宇等.phthon3快速入门与实战.机械工业出版社,2019,第263页. * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111967677A (zh) | 2020-11-20 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108897066B (zh) | 碳酸盐岩裂缝密度定量预测方法及装置 | |
| CN106372402A (zh) | 一种大数据环境下模糊区域卷积神经网络的并行化方法 | |
| CN105804730B (zh) | 使用历史井数据的资源识别的方法和系统 | |
| CN111425193B (zh) | 一种基于聚类分析测井岩石物理相划分的储层可压性评价方法 | |
| RU2709047C1 (ru) | Способ адаптации гидродинамической модели продуктивного пласта нефтегазоконденсатного месторождения с учетом неопределенности геологического строения | |
| CN107798425A (zh) | 一种基于大数据的时空混淆暴露度评估系统及方法 | |
| CN102576370B (zh) | 空隙度分析的系统和方法 | |
| CN107895092B (zh) | 一种基于复杂非线性注采建模的井间连通定量评价方法 | |
| CA3019180A1 (en) | Methods, systems and devices for modelling reservoir properties | |
| US20230111179A1 (en) | Predicting oil and gas reservoir production | |
| CN107316341B (zh) | 一种多点地质统计学沉积相建模方法 | |
| CN111967677B (zh) | 一种非常规资源甜点分布的预测方法及装置 | |
| WO2015016985A1 (en) | System and method for remaining resource mapping | |
| CN108765562B (zh) | 基于三维地质模型的油气产能评价方法 | |
| US11927717B2 (en) | Optimized methodology for automatic history matching of a petroleum reservoir model with Ensemble Kalman Filter (EnKF) | |
| RU2754741C1 (ru) | Способ адаптации геолого-гидродинамической модели пласта | |
| Huang et al. | The temperature-based localization for the application of EnKF on automatic history matching of the SAGD process | |
| Becerra et al. | Petroleum reservoir uncertainty mitigation through the integration with production history matching | |
| CN107871028B (zh) | 一种层序地层的级别划分方法及装置 | |
| Howley et al. | Developing an integrated structural modelling workflow | |
| CN116911216B (zh) | 一种储层油井产能因素评估与预测方法 | |
| CN105512749A (zh) | 一种水淹层产水率定量预测方法 | |
| CN113720952B (zh) | 用于储层解释评价的图版生成方法、装置、设备及介质 | |
| Munroe | A methodology for calculating tonnage uncertainty in vein-type deposits | |
| CN117831660A (zh) | 一种致密储层的含气性能评价方法、装置、设备及介质 |
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 |