CN112016212B - 一种基于渗流控制方程的储层纵向非均质性评价方法 - Google Patents

一种基于渗流控制方程的储层纵向非均质性评价方法 Download PDF

Info

Publication number
CN112016212B
CN112016212B CN202010890024.4A CN202010890024A CN112016212B CN 112016212 B CN112016212 B CN 112016212B CN 202010890024 A CN202010890024 A CN 202010890024A CN 112016212 B CN112016212 B CN 112016212B
Authority
CN
China
Prior art keywords
reservoir
data
permeability
deep learning
sample
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
CN202010890024.4A
Other languages
English (en)
Other versions
CN112016212A (zh
Inventor
宋鹂影
宋洪庆
都书一
王九龙
于明旭
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.)
University of Science and Technology Beijing USTB
Original Assignee
University of Science and Technology Beijing USTB
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 University of Science and Technology Beijing USTB filed Critical University of Science and Technology Beijing USTB
Priority to CN202010890024.4A priority Critical patent/CN112016212B/zh
Publication of CN112016212A publication Critical patent/CN112016212A/zh
Application granted granted Critical
Publication of CN112016212B publication Critical patent/CN112016212B/zh
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
    • 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
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2111/00—Details relating to CAD techniques
    • G06F2111/10—Numerical modelling

Abstract

本发明提供一种基于渗流控制方程的储层纵向非均质性评价方法，属于油藏开发技术领域。该方法首先利用数值模拟技术获取油藏的样本数据集，然后建立基于油藏动态数据的特征提取器，设置多个特征提取器对动态数据进行特征提取，生成新的动态数据集，利用新的动态数据集与静态数据构建深度学习的训练集和测验集，基于物理约束条件定义新的损失函数，通过该函数去训练深度学习模型的权重与阈值，从而生成最优的纵向渗透率深度学习预测模型，利用测验集来测试深度学习的预测精度，根据深度学习的预测结果，定义了极差以及变异系数来表征储层的非均质性。本发明可应用于复杂地质情况下的对储层渗透率的预测，良好的解决复杂储层非均质性评价问题。

Description

一种基于渗流控制方程的储层纵向非均质性评价方法
技术领域
本发明涉及油藏开发技术领域，特别是指一种基于渗流控制方程的储层纵向非均质性评价方法。
背景技术
油田开发过程中，储层的非均质性至关重要，对于采油井位置的确定，注采方式的选取，油井产量以及层间剩余油的预测等方面具有重要物理意义与实际应用价值。储层的非均质性与渗透率密切相关，对于储层渗透率的预测有利于制定合理高效的开采计划，并且对油田的开发具有重要意义。但是由于实际储层极为复杂，因此，数值模拟技术已经被广泛运用到油藏领域，通过数值方法求解一组非线性抛物型偏微分方程、辅助方程、边界条件和初始条件的问题，从而计算油藏的产量、含水率及压力等。然而数值模拟的模型往往较为复杂，需要的实际参数较多，并且一些参数的获取极为不易，同时利用这些参数进行历史匹配的时间过长。深度学习模型可以自动捕获数据中各参数之间的潜在特征并建立其中联系，这就使得我们可以在无物理模型的条件下通过学习实际数据中的特征来进行预测及分析。在石油开发中，数值模拟技术与深度学习模型相结合对该领域的发展会有很大的积极作用。
发明内容
本发明要解决的技术问题是提供一种基于渗流控制方程的储层纵向非均质性评价方法，该方法可应用于复杂地质情况下的对储层渗透率的预测，同时通过渗透率计算储层极差以及变异系数表征储层的非均质性，良好的解决复杂储层非均质性评价问题。
该方法首先利用数值模拟技术获取油藏的样本数据集，然后建立基于油藏动态数据的特征提取器，设置多个特征提取器对动态数据进行特征提取，生成新的动态数据集，再利用新的动态数据集与静态样本数据构建深度学习的训练集和测验集，基于物理约束条件定义新的损失函数，通过该函数训练深度学习模型的权重与阈值，从而生成最优的纵向渗透率深度学习预测模型，最后利用测验集来测试深度学习预测模型的预测精度，根据深度学习预测模型的预测结果，定义极差以及变异系数来表征储层的非均质性。
具体包括步骤如下：
(1)利用数值模拟技术获取油藏的样本数据集，包括动态样本数据和静态样本数据；
(2)建立基于油藏动态数据的特征提取器；
(3)设置多个特征提取器对动态样本数据进行特征提取，生成新的动态数据集；
(4)利用新的动态数据集与静态样本数据构建深度学习模型的训练集和测验集；
(5)基于物理约束条件，包括渗流控制方程及初始条件，定义新的损失函数，通过该函数去训练深度学习模型的权重与阈值，从而生成最优的纵向渗透率深度学习预测模型；
(6)利用测验集来测试深度学习预测模型的预测精度；
(7)根据深度学习预测模型的预测结果，定义极差以及变异系数来表征储层的非均质性。
其中，步骤(1)具体为：
根据储层的不同韵律性，设计纵向渗透率不同的储层条件，并记录每个样本储层中所有小层的渗透率，构建静态数据集S＝kn,l，其中，n表示样本储层号，l表示该样本储层的小层号，k表示渗透率(mD)；基于不同的样本储层，通过数值模拟技术，计算不同储层条件下的油井的动态生产数据，包括产油量(m3)、含水率(％)、井底流压(MPa)，构建了不同储层条件下的动态数据集D＝xn,w,i,t，其中，x表示某一样本数据，n表示样本储层号，w指代井号，i对应动态数据，依次为产油量(m3)、含水率(％)、井底流压(MPa)、注入量(m3)，t代表开采时间(天)；同时，获取每个样本储层条件下，压力场P＝P(n,a,b,c,t)以及含油饱和度场H＝Ho(n,a,b,c,t)的分布数据，其中，n为样本储层号，a、b、c指代三维网格坐标点位置，Ho为储层含油饱和度，t为开采时间。
步骤(2)中根据动态数据集中的不同参数，构建特征提取器，该提取器在一个时刻同时提取产油量(m3)、含水率(％)、井底流压(MPa)的数据特征。
步骤(3)中设置多个特征提取器，从不同角度提取动态数据集的特征，生成新的动态数据集
Figure BDA0002656615160000031
步骤(4)中基于动态数据集
Figure BDA0002656615160000032
和静态数据集S＝kn,l，按照一定比例构建深度学习模型所需的训练集和测验集，数据储层数据总计为3000个，其中，训练集储层数据总计2400个，训练集的输入数据为
Figure BDA0002656615160000033
输出数据为
Figure BDA0002656615160000034
测验集储层数据总计600个，测验集的输入数据为
Figure BDA0002656615160000035
测验集的输出数据为
Figure BDA0002656615160000036
其中，
Figure BDA0002656615160000037
n为样本储层号，w为井号，z为特征提取后的特征序号，x为动态样本数据，动态样本数据包括产量、含水率、井底流压、注水量，
Figure BDA0002656615160000038
n为样本储层号，l为该样本储层下第l小层，k为静态渗透率。
步骤(5)具体为
定义渗透率的损失函数为：
Figure BDA0002656615160000039
其中，
Figure BDA00026566151600000310
为第n个储层l小层的深度学习模型的预测渗透率值，kn,l为实际期望值；
定义生产井的残差为：
Figure BDA00026566151600000311
其中，NNP(an,bn,cn,tn)为深度学习模型预测的压力值，qn,w为第n个储层条件下w号井的的产油量，Hn,o为含油饱和度，gn,w为第n个样本储层下第w号井的残差，K为已知的不同方向的相渗透率；因此，考虑了控制方程的产油井的损失函数为：
Figure BDA0002656615160000041
初始条件的残差为：
gn,Ini＝NNP(an,bn,cn,tn,Ini)-Pe+NNH(an,bn,cn,tn,Ini)-Hoc (2)
其中，NNP(an,bn,cn,tn,Ini)和NNH(an,bn,cn,tn,Ini)为深度学习预测出来的压力以及含油饱和度，Pe及Hoc为初始时刻的实际压力和含油饱和度，tn,Ini表示第n个储层的初始时刻；
则初始时刻的损失函数可表示为：
Figure BDA0002656615160000042
最终的损失函数为：
LOSS＝α·lossK+β·losscon+γ·lossIni (4)
其中，α、β和γ分别为渗透率损失、控制方程损失以及初始条损失的权重值。
步骤(6)中利用测验集的数据对该深度学习预测模型进行测试时，将测验集的输入
Figure BDA0002656615160000043
导入至深度学习预测模型中，通过比重矩阵与阈值矩阵的加权计算得到模型的预测Z_predict(test)，求得的
Figure BDA0002656615160000044
与测验集的输出数据
Figure BDA0002656615160000045
比较，并映射求取平均绝对误差，来对比分析预测结果。
步骤(7)中根据步骤(6)中经由深度学习方法预测结果计算储层变异系数以及极差，表征储层的非均质性，利用深度
Figure BDA0002656615160000051
学习预测的渗透率定义储层极差和变异系数：
Figure BDA0002656615160000052
Figure BDA0002656615160000053
其中，
Figure BDA0002656615160000054
表示第n个样本储层中所有小层的渗透率的最大值，
Figure BDA0002656615160000055
表示第n个样本储层所有小层中渗透率的最小值，kn,j为第n个储层的极差，kn,v为第n个储层的变异系数，kn,ave为第n个储层的平均渗透率，l为储层中的小层数。
本发明的上述技术方案的有益效果如下：
1、该方法设计一种预测储层纵向渗透率的深度学习框架，只需要油田中较容易获取的各个井的动态生产数据就可以预测储层纵向渗透率；
2、该方法提出了一种特征提取器，对动态生产数据中的不同参数进行特征提取；
3、本方法结合油水两相的控制方程以及初始条件，重新定义深度学习模型中的损失函数，更好的适用于油藏开发，可以快速准确的训练该深度学习预测模型；
4、该方法基于深度学习预测结果，可以快速有效的计算储层极差以及变异系数表征储层的非均质性。
附图说明
图1为本发明基于深度学习的储层纵向渗透率预测方法流程示意图；
图2为本发明数值模拟建立的储层、井位以及储层不同的韵律性示意图，其中，(a)为整体结构，(b)为正韵律储层，(c)为反韵律储层，(d)为复合韵律储层一，(e)为无规则储层，(f)为均质储层，(g)为复合韵律储层二；
图3为本发明预测的渗透率与实际渗透率的散点交汇示意图。
具体实施方式
为使本发明要解决的技术问题、技术方案和优点更加清楚，下面将结合附图及具体实施例进行详细描述。
本发明提供一种基于渗流控制方程的储层纵向非均质性评价方法。
如图1所示，本方法首先利用数值模拟技术获取油藏的样本数据集，然后建立基于油藏动态数据的特征提取器，设置多个特征提取器对动态数据进行特征提取，生成新的动态数据集，再利用新的动态数据集与静态样本数据构建深度学习的训练集和测验集，基于物理约束条件定义新的损失函数，通过该函数训练深度学习模型的权重与阈值，从而生成最优的纵向渗透率深度学习预测模型，最后利用测验集来测试深度学习预测模型的预测精度，根据深度学习预测模型的预测结果，定义极差以及变异系数来表征储层的非均质性。
具体包括步骤如下：
(1)利用数值模拟技术获取油藏的样本数据集，包括动态样本数据和静态样本数据；
(2)建立基于油藏动态数据的特征提取器；
(3)设置多个特征提取器对动态样本数据进行特征提取，生成新的动态数据集；
(4)利用新的动态数据集与静态样本数据构建深度学习模型的训练集和测验集；
(5)基于物理约束条件，包括渗流控制方程及初始条件，定义新的损失函数，通过该函数去训练深度学习模型的权重与阈值，从而生成最优的纵向渗透率深度学习预测模型；
(6)利用测验集来测试深度学习预测模型的预测精度；
(7)根据深度学习预测模型的预测结果，定义极差以及变异系数来表征储层的非均质性。
下面结合具体实施例予以说明。
实施例1
第一步，首先利用数值模拟获取数据集，该数据集包含静态数据与动态数据。如图2所示，建立一个10×10×5的立体网格结构来模拟实际的储层，储层的正中心为注水井，四角均为生产井。在水平层面上是均质地层，即水平层面内每个网格的渗透率是相同的。纵方向上设计有5个小层，赋予每个小层不同的渗透率来模拟纵向的非均质储层。如图2所示，长度表示渗透率的大小，根据纵向的非均质性我们将其划分为以下五种类型：正韵律储层，反韵律储层，均质储层，复合韵律储层以及无规则储层。正韵律储层即是每个小层的渗透率在纵方向上呈现递增的趋势并且为等差数列，反韵律储层则是呈现递减的趋势，均质储层指每个小层渗透率相同，复合韵律指代渗透率先呈现递增趋势再呈现递减趋势，或者先呈现递减趋势再呈现递增趋势，无规则储层指小层的渗透率呈现无规则变化。每个小层的渗透率取值范围均在1～500(mD)之间。每个样本储层为[k1,k2,k3,k4,k5]，例如，k1指代的是第一个小层的渗透率。
根据不同的初始值以及级差，设计正韵律、反韵律和复合韵律的样本。以正韵律为例，假如第一个小层的初始渗透率为5mD，级差也为5，那么正韵律储层的小层渗透率依次为[5,10,15,20,25](mD),反韵律为[25,20,15,10,5](mD),复合韵律为[5,10,15,10,5](mD)以及[15,10,5,10,15](mD)。根据初始渗透率和级差的不同，本次实验设计的正韵律、反韵律以及复合韵律的样本数分别为200、200、400；均质储层每个小层渗透率是相同的，因此根据渗透率取值范围1～500(mD)，设计了500个均质储层的样本；无规则储层的每个小层的渗透率在1～500(mD)之间的随机取值，本次随机了1700个无规则储层样本；
所有类型储层共计3000个样本。因此静态数据集为S＝kn,l，例如，第100个样本第3小层的渗透率为k100,3。基于不同的样本储层条件下，利用油水两相渗流模型及有限差分的方法，计算每口井的动态生产数据，包括每口井的产油量(m3)，含水率(％)，井底流压(MPa)，注水井注入量(m3)，模拟时间为1080天。因此对应的动态生产数据为D＝xn,w,i,t。其中，x表示某一样本数据；n是在第n个样本储层条件下；w指代是井号；i对应动态数据，依次为产油量(m3)、含水率(％)、井底流压(MPa)，注入量(m3)；t代表开采时间。例如第8个样本储层条件下1号生产井第200天的含水率为x8,1,2,200。同时，获取每个样本储层条件下，压力场P＝P(n,a,b,c,t)以及含油饱和度场H＝Ho(n,a,b,c,t)的分布数据，其中n为第n个样本储层，a、b、c指代三维网格坐标点位置，Ho为储层含油饱和度，t为开采的时间。
第二步，生成特征提取器。对于生产井的动态数据样本，以生产井为例，他的维度可以是3×1080，3行分别指代的是产油量、含水率、井底流压，1080表示时间上的维度。建立一个特征提取器，该特征提取器是由3×10个网格组成。对于每一个参数变量，计算相对应的随机区间，并在特征提取器相应的位置随机取值，取值范围落在该区间内。以产油量为例，计算产油量的数学期望
Figure BDA0002656615160000081
与方差σ2(无量纲)，并计算其产油量随机区间，公式如下：
Figure BDA0002656615160000082
其中，α根据经验设置成0.06，
Figure BDA0002656615160000083
的取值可以参照标准正态分布表(无量纲)。从而算出关于产油量的随机区间
Figure BDA0002656615160000084
然后，特征提取器中第一行(表示产油量特征)10个网格中每个网格在该随机区间内随机取值。同理，分别计算含水率和井底流压的取值区间，最后生成该特征提取器。
第三步，对动态数据进行特征提取。利用特征提取器在样本数据上滑动提取数据，步长为10。每个样本中动态数据维度为3×1080，该特征提取器的维度为3×10，令其特征提取器与动态数据相应位置的值对应相乘并相加，使得经过该特征提取后数据维度变为1×108。我们设置30个特征提取器，并将每个特征提取器得到的数据串联起来，形成了新的数据集，维度为1×3240(108*30)。因此，新得到的动态数据集为
Figure BDA0002656615160000085
其中n为样本储层，w为井号，z为特征提取后的特征序号(1～3240)。
第四步，构建训练集与测验集。样本储层总数为3000，每个样本中都包含了相应的动态数据集
Figure BDA0002656615160000086
以及静态数据集S＝kn,l。首先按照8:2的比例来划分训练集与测验集，训练集数量为2400个样本，测验集的数量为600个样本。在每个样本中，动态数据作为深度学习的输入集，静态数据作为的输出集。因此，训练集的输入数据为
Figure BDA0002656615160000087
其中
Figure BDA0002656615160000088
输出数据为
Figure BDA0002656615160000091
其中Kn＝kn,l；测验集的输入数据为
Figure BDA0002656615160000092
测验集的输出数据为
Figure BDA0002656615160000093
第五步，基于物理约束条件定义新的损失函数，从而更好的训练深度学习模型。深度学习模型中主要是根据损失函数计算误差梯度，从而通过反向传播算法更新模型的权重和阈值，使得预测结果不断毕竟真实值。本次实验考虑了物理约束条件，在损失函数中添加了控制方程以及边界条件等，可以更好的储层纵向渗透率进行预测。
对于渗透率的损失函数为：
Figure BDA0002656615160000094
其中
Figure BDA0002656615160000095
为第n个储层l小层的深度学习模型的预测渗透率值，kn,l为实际期望值。生产井的残差为：
Figure BDA0002656615160000096
其中，NNP(an,bn,cn,tn)为深度学习模型预测的压力值，qn,w为第n个储层条件下w号井的的产油量，Hn,o为含油饱和度，gn,w为第n个样本储层下第w号井的残差，K为已知的不同方向的相渗透率。因此，考虑了控制方程的产油井的损失函数为：
Figure BDA0002656615160000097
初始条件的残差为：
gn,Ini＝NNP(an,bn,cn,tn,Ini)-Pe+NNH(an,bn,cn,tn,Ini)-Hoc (10)
其中，NNP(an,bn,cn,tn,Ini)和NNH(an,bn,cn,tn,Ini)为深度学习预测出来的压力以及含油饱和度，Pe及Hoc为初始时刻的实际压力和含油饱和度，tn,Ini表示第n个储层的初始时刻。则初始时刻的损失函数可表示为：
Figure BDA0002656615160000098
最终的损失函数为：
LOSS＝α·lossK+β·losscon+γ·lossIni (12)
其中，LOSS为考虑了物理约束的新的损失函数，α、β和γ分别为渗透率损失、控制方程损失以及初始条损失的权重值。本次实验就是基于该损失函数来训练深度学习模型。
第六步，利用测验集测试深度学习模型的预测效果。由于训练集被用于模型的训练，因此该深度学习中会有对训练集数据的记忆，需要一组新的数据集来测试该模型的有效性，将测验集的输入
Figure BDA0002656615160000101
导入至深度学习中，通过最优的比重矩阵与阈值矩阵的加权计算得到模型的预测Z_predict(test)，求得的
Figure BDA0002656615160000102
与测验集的
Figure BDA0002656615160000103
(期望的真实值)并映射求取平均绝对误差，来对比分析预测结果。本次实验样本平均误差为17.14mD。如图3所示，预测值与真实值基本都集中在y＝x这条理想状态的直线上，说明预测较为准确。
第七步，根据模型的预测结果评价储层非均质性。以测验集为例，最后得到的储层纵向渗透率的预测值为
Figure BDA0002656615160000104
其中
Figure BDA0002656615160000105
利用深度学习预测的渗透率定义储层极差和变异系数：
Figure BDA0002656615160000106
Figure BDA0002656615160000107
其中，
Figure BDA0002656615160000108
表示第n个样本储层中所有小层的渗透率的最大值，
Figure BDA0002656615160000109
表示第n个样本储层所有小层中渗透率的最小值，kn,j为第n个储层的极差，kn,v第n个储层为变异系数，kn,ave为第n个储层的平均渗透率，l为储层中的小层数。因此，当极差与变异系数越大，说明储层非均质性越强。
以上所述是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明所述原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。

Claims (7)

1.一种基于渗流控制方程的储层纵向非均质性评价方法，其特征在于：
包括步骤如下：
(1)利用数值模拟技术获取油藏的样本数据集，包括动态样本数据和静态样本数据；
(2)建立基于油藏动态数据的特征提取器；
(3)设置多个特征提取器对动态样本数据进行特征提取，生成新的动态数据集；
(4)利用新的动态数据集与静态样本数据构建深度学习模型的训练集和测验集；
(5)基于物理约束条件，定义新的损失函数，通过该函数去训练深度学习模型的权重与阈值，从而生成最优的纵向渗透率深度学习预测模型；
(6)利用测验集来测试深度学习预测模型的预测精度；
(7)根据深度学习预测模型的预测结果，定义极差以及变异系数来表征储层的非均质性；
所述步骤(5)具体为:
定义渗透率的损失函数为：
Figure FDA0003111131470000011
其中，
Figure FDA0003111131470000012
为第n个储层l小层的深度学习模型的预测渗透率值，kn,l为第n个储层l小层的渗透率，N为储层样本总数，lossK为渗透率预测的损失；
定义生产井的残差为：
Figure FDA0003111131470000013
其中，NNP(an,bn,cn,tn)为深度学习模型预测的压力值，qn,w为第n个样本储层条件下w号井的产油量，Hn,o为含油饱和度，gn,w为第n个样本储层下第w号井的残差，K为已知的不同方向的相渗透率，a、b、c分别为三维网格坐标点位置,t为开采时间；
因此，考虑了控制方程的产油井的损失函数为：
Figure FDA0003111131470000021
初始条件的残差为：
gn,Ini＝NNP(an,bn,cn,tn,Ini)-Pe+NNH(an,bn,cn,tn,Ini)-Hoc
其中，NNP(an,bn,cn,tn,Ini)和NNH(an,bn,cn,tn,Ini)为深度学习模型预测出来的压力以及含油饱和度，Pe及Hoc分别为初始时刻的实际压力和含油饱和度，tn,Ini表示第n个储层的初始时刻；
则初始时刻的损失函数为：
Figure FDA0003111131470000022
最终的损失函数为：
LOSS＝α·lossK+β·losscon+γ·lossIni
其中，α、β和γ分别为渗透率损失、控制方程损失以及初始时刻损失的权重值。
2.根据权利要求1所述的基于渗流控制方程的储层纵向非均质性评价方法，其特征在于：所述步骤(1)具体为：
根据储层的不同韵律性，设计纵向渗透率不同的储层条件，并记录每个样本储层中所有小层的渗透率，构建静态数据集S＝kn,l，其中，n表示样本储层号，l表示该样本储层的小层号，k表示渗透率，单位为mD；基于不同的样本储层，通过数值模拟技术，计算不同储层条件下的油井的动态生产数据，构建不同储层条件下的动态数据集D＝xn,w,i,t，其中，x表示某一样本数据，n表示样本储层号，w为井号，i对应动态数据，i依次为产油量，单位为m3、含水率，单位为％、井底流压，单位为MPa、注入量，单位为m3，t为开采时间，单位为天；同时，获取每个样本储层条件下，压力场P＝P(n,a,b,c,t)以及含油饱和度场H＝Ho(n,a,b,c,t)的分布数据，其中，n为样本储层号，Ho为储层含油饱和度，a、b、c分别为三维网格坐标点位置，t为开采时间。
3.根据权利要求1所述的基于渗流控制方程的储层纵向非均质性评价方法，其特征在于：所述步骤(2)中根据动态数据集中的不同参数，构建特征提取器，特征提取器在一个时刻同时提取产油量、含水率、井底流压的数据特征。
4.根据权利要求2所述的基于渗流控制方程的储层纵向非均质性评价方法，其特征在于：所述步骤(3)中设置多个特征提取器，从不同角度提取动态数据集的特征，生成新的动态数据集
Figure FDA0003111131470000031
其中，x表示某样本数据；n样本储层号；w指代井号；z为特征提取后的特征序号，特征提取器数量不少于两个。
5.根据权利要求4所述的基于渗流控制方程的储层纵向非均质性评价方法，其特征在于：所述步骤(4)中基于新的动态数据集
Figure FDA0003111131470000032
和静态数据集S＝kn,l，构建深度学习模型所需的训练集和测验集，数据储层数据总计为3000个，其中，训练集储层数据总计2400个，训练集的输入数据为
Figure FDA0003111131470000033
输出数据为
Figure FDA0003111131470000034
测验集储层数据总计600个，测验集的输入数据为
Figure FDA0003111131470000035
测验集的输出数据为
Figure FDA0003111131470000036
其中，
Figure FDA0003111131470000037
n为样本储层号，w为井号，z为特征提取后的特征序号，
Figure FDA0003111131470000038
为新的动态样本数据，动态样本数据包括产量、含水率、井底流压、注水量，
Figure FDA0003111131470000039
n为样本储层号，l为该样本储层下第l小层，k为渗透率。
6.根据权利要求5所述的基于渗流控制方程的储层纵向非均质性评价方法，其特征在于：所述步骤(6)中利用测验集的数据对该深度学习预测模型进行测试时，将测验集的输入
Figure FDA00031111314700000310
导入至深度学习预测模型中，通过比重矩阵与阈值矩阵的加权计算得到模型的预测Z_predict(test)，求得的
Figure FDA0003111131470000041
与测验集的输出数据
Figure FDA0003111131470000042
比较，映射求取平均绝对误差，对比分析预测结果。
7.根据权利要求1所述的基于渗流控制方程的储层纵向非均质性评价方法，其特征在于：所述步骤(7)中根据步骤(6)中经由深度学习预测模型的预测结果计算储层变异系数以及极差，表征储层的非均质性，利用深度学习预测的渗透率定义储层极差和变异系数：
Figure FDA0003111131470000043
Figure FDA0003111131470000044
其中
Figure FDA0003111131470000045
其中，
Figure FDA0003111131470000046
表示第n个样本储层中所有小层的渗透率的最大值，
Figure FDA0003111131470000047
表示第n个样本储层所有小层中渗透率的最小值，kn,j为第n个储层的极差，kn,v为第n个储层的变异系数，kn,ave为第n个储层的平均渗透率，l为储层中的小层数。
CN202010890024.4A 2020-08-28 2020-08-28 一种基于渗流控制方程的储层纵向非均质性评价方法 Active CN112016212B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010890024.4A CN112016212B (zh) 2020-08-28 2020-08-28 一种基于渗流控制方程的储层纵向非均质性评价方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010890024.4A CN112016212B (zh) 2020-08-28 2020-08-28 一种基于渗流控制方程的储层纵向非均质性评价方法

Publications (2)

Publication Number Publication Date
CN112016212A CN112016212A (zh) 2020-12-01
CN112016212B true CN112016212B (zh) 2021-08-03

Family

ID=73504085

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010890024.4A Active CN112016212B (zh) 2020-08-28 2020-08-28 一种基于渗流控制方程的储层纵向非均质性评价方法

Country Status (1)

Country Link
CN (1) CN112016212B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113095352A (zh) * 2021-03-01 2021-07-09 中国地质大学（武汉） 融合静动态特征的缝洞型油藏半监督学习储层含油气性评价方法
CN113379029B (zh) * 2021-04-22 2022-08-30 中国地质大学（武汉） 基于物理定律和过程驱动的深度学习模型的水质预测方法
CN116629112B (zh) * 2023-05-22 2024-05-07 中国科学院沈阳自动化研究所 一种基于科学智能的油藏属性参数反演方法及系统

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104500050B (zh) * 2014-10-31 2017-03-22 中国石油大学(华东) 一种裂缝性储层渗透率张量及各向异性定量预测方法
EP3631710A4 (en) * 2017-05-23 2020-11-11 Services Pétroliers Schlumberger SYSTEMS AND PROCEDURES FOR OPTIMIZING OIL PRODUCTION
CN109800521A (zh) * 2019-01-28 2019-05-24 中国石油大学(华东) 一种基于机器学习的油水相对渗透率曲线计算方法
CN111027249B (zh) * 2019-12-10 2021-02-26 北京科技大学 一种基于机器学习的井间连通性评价方法
CN111489034B (zh) * 2020-04-10 2022-04-22 华中科技大学 一种油气储层渗透率预测模型的构建方法及其应用

Also Published As

Publication number Publication date
CN112016212A (zh) 2020-12-01

Similar Documents

Publication Publication Date Title
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
US20210350208A1 (en) Method and device for predicting production performance of oil reservoir
US6230101B1 (en) Simulation method and apparatus
EP3362640B1 (en) History matching of hydrocarbon production from heterogenous reservoirs
CN105069303A (zh) 一种低渗透储层产能定量评价方法
CN114154427B (zh) 基于深度学习的体积压裂裂缝扩展预测方法和系统
CN110056346B (zh) 一种基于趋势变化函数的油藏三维原始含水饱和度模拟方法
CN113553780B (zh) 一种基于机器学习的地层孔隙压力预测方法
CN106150477A (zh) 一种确定单井控制储量的方法
CN108959679A (zh) 一种页岩气井压裂效果的评价方法和评价装置
CN114693005B (zh) 基于卷积傅里叶神经网络的三维地下油藏动态预测方法
CN104272140A (zh) 用于校准在储藏层建模中使用的渗透性的系统和方法
CN106353820A (zh) 一种基于知识模型的测井解释方法
CN106503407A (zh) 存在部分连通断层的线性水侵油藏的试井分析方法及装置
CN111027249B (zh) 一种基于机器学习的井间连通性评价方法
CN114066084B (zh) 一种基于机器学习的相渗曲线预测方法及系统
CN114638401A (zh) 一种基于历史及预测油藏知识的剩余油分布预测方法及装置
Bahari et al. Intelligent drilling rate predictor
CN111155980B (zh) 一种水流优势通道识别方法及装置
CN110486009A (zh) 一种无限大地层的参数自动反求方法及系统
Li et al. Bridging Computational Stratigraphy and Reservoir Simulation for Geologically Realistic High-Resolution Reservoir Modeling
CN107704646B (zh) 一种致密储层体积改造后的建模方法
CN113960288B (zh) 一种源-汇系统定量评价方法
CN114764546A (zh) 基于生成对抗神经网络的断块油藏剩余油预测方法
CN112302638B (zh) 一种油藏的流线场表征方法及装置

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