CN112211622B - 油藏压力场划分的方法和装置 - Google Patents
油藏压力场划分的方法和装置 Download PDFInfo
- Publication number
- CN112211622B CN112211622B CN201910627188.5A CN201910627188A CN112211622B CN 112211622 B CN112211622 B CN 112211622B CN 201910627188 A CN201910627188 A CN 201910627188A CN 112211622 B CN112211622 B CN 112211622B
- Authority
- CN
- China
- Prior art keywords
- regulation
- pressure
- region
- position information
- oil reservoir
- 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
- 238000000034 method Methods 0.000 title claims abstract description 38
- 230000033228 biological regulation Effects 0.000 claims abstract description 130
- 238000003062 neural network model Methods 0.000 claims abstract description 40
- 238000004088 simulation Methods 0.000 claims abstract description 17
- 238000000605 extraction Methods 0.000 claims abstract description 4
- 238000000638 solvent extraction Methods 0.000 claims description 17
- 238000010586 diagram Methods 0.000 claims description 11
- 238000013507 mapping Methods 0.000 claims description 8
- 238000002347 injection Methods 0.000 claims description 7
- 239000007924 injection Substances 0.000 claims description 7
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 7
- 238000011084 recovery Methods 0.000 claims description 2
- 238000005516 engineering process Methods 0.000 abstract description 3
- 230000001105 regulatory effect Effects 0.000 description 14
- 238000012545 processing Methods 0.000 description 11
- 230000001133 acceleration Effects 0.000 description 9
- 238000013528 artificial neural network Methods 0.000 description 7
- 230000006870 function Effects 0.000 description 7
- 230000002093 peripheral effect Effects 0.000 description 7
- 238000004891 communication Methods 0.000 description 6
- 230000003287 optical effect Effects 0.000 description 6
- 230000008569 process Effects 0.000 description 5
- 238000012549 training Methods 0.000 description 5
- 238000005259 measurement Methods 0.000 description 4
- 239000003086 colorant Substances 0.000 description 3
- 238000013473 artificial intelligence Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 239000000919 ceramic Substances 0.000 description 2
- 239000000243 solution Substances 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000011478 gradient descent method Methods 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 230000005055 memory storage Effects 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000003208 petroleum Substances 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000009877 rendering Methods 0.000 description 1
- 230000006641 stabilisation Effects 0.000 description 1
- 238000011105 stabilization Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 230000009466 transformation Effects 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
- 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
-
- 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
- E21B47/00—Survey of boreholes or 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
- E21B47/00—Survey of boreholes or wells
- E21B47/06—Measuring temperature or pressure
Landscapes
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Geology (AREA)
- Mining & Mineral Resources (AREA)
- Physics & Mathematics (AREA)
- Environmental & Geological Engineering (AREA)
- Fluid Mechanics (AREA)
- General Life Sciences & Earth Sciences (AREA)
- Geochemistry & Mineralogy (AREA)
- Geophysics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请公开了一种油藏压力场划分的方法和装置,属于采油工程技术领域。所述方法包括:基于对目标油藏的数值模拟,获取所述目标油藏各网格区域的位置信息和压力值;将所述目标油藏各网格区域的位置信息和压力值输入到压力场划分神经网络模型中,得到所述目标油藏各调控区的位置信息,其中,所述各调控区包括高压调控区、中压调控区和低压调控区。采用本申请,可以有效解决相关技术中缺乏一种油藏压力场划分的方法,不利于油藏开采的技术问题。
Description
技术领域
本申请涉及采油工程技术领域,具体涉及一种油藏压力场划分的方法和装置。
背景技术
石油是国家重要的战略资源,是国民经济发展的重要命脉。因此,对油藏进行高效的开采十分重要。
油藏压力场是衡量油藏能量分布状况的一项重要指标,通过油藏压力场可以了解油藏不同区域的能量的高低,从而便于工作人员根据油藏不同区域的能量高低进行相应的调控。例如,降低油藏能量高的区域的能量,提高油藏能量低的区域的能量,使得油藏不同区域的能量平衡,有利于油藏的开采。
在实现本申请的过程中,发明人发现相关技术至少存在以下问题:
相关技术中,缺乏一种对油藏压力场划分的方法,造成对油藏压力场的分析困难,不利于对油藏的调控,进而不利于油藏的开采。
发明内容
为了解决相关技术中存在的技术问题,本申请实施例提供了一种油藏压力场划分的方法和装置。所述油藏压力场划分的方法和装置的技术方案如下:
第一方面,提供了一种油藏压力场划分的方法,所述方法包括:
基于对目标油藏的数值模拟,获取所述目标油藏各网格区域的位置信息和压力值;
将所述目标油藏各网格区域的位置信息和压力值输入到压力场划分神经网络模型中,得到所述目标油藏各调控区的位置信息,其中,所述各调控区包括高压调控区、中压调控区和低压调控区。
可选的,所述压力场划分神经网络模型为自组织特征映射神经网络模型。
可选的,所述得到所述目标油藏各调控区的位置信息之后,还包括:
基于所述各调控区的位置信息,在所述目标油藏的压力场分布图中,标记出所述目标油藏的高压调控区、中压调控区和低压调控区。
可选的,所述将所述目标油藏各网格区域的位置信息和压力值输入到压力场划分神经网络模型中,得到所述目标油藏各调控区的位置信息,包括:
将所述目标油藏各网格区域的位置信息和压力值输入到压力场划分神经网络模型中,得到所述各网格区域的位置信息对应的调控区标识;
基于所述各网格区域的位置信息和所述各网格区域的位置信息对应的调控区标识,确定所述目标油藏各调控区的位置信息。
第二方面,提供了一种油藏压力场划分的装置,所述装置包括:
获取模块,用于基于对目标油藏的数值模拟,获取所述目标油藏各网格区域的位置信息和压力值;
划分模块,用于将所述目标油藏各网格区域的位置信息和压力值输入到压力场划分神经网络模型中,得到所述目标油藏各调控区的位置信息,其中,所述各调控区包括高压调控区、中压调控区和低压调控区。
可选的,所述压力场划分神经网络模型为自组织特征映射神经网络模型。
可选的,所述装置还包括标记模块,用于:
基于所述各调控区的位置信息,在所述目标油藏的压力场分布图中,标记出所述目标油藏的高压调控区、中压调控区和低压调控区。
可选的,所述划分模块,用于:
将所述目标油藏各网格区域的位置信息和压力值输入到压力场划分神经网络模型中,得到所述各网格区域的位置信息对应的调控区标识;
基于所述各网格区域的位置信息和所述各网格区域的位置信息对应的调控区标识,确定所述目标油藏各调控区的位置信息。
第三方面,提供了一种终端,所述终端包括处理器和存储器,所述存储器中存储有至少一条指令,所述至少一条指令由所述处理器加载并执行以实现如第一方面所述的油藏压力场划分的方法。
第四方面,提供了一种计算机可读存储设备,所述计算机可读存储设备中存储有至少一条指令,所述至少一条指令由处理器加载并执行以实现如第一方面所述的油藏压力场划分的方法。
本申请实施例提供的技术方案带来的有益效果至少包括:
本申请实施例提供的方法,通过基于对目标油藏的数值模拟,获取目标油藏各网格区域的位置信息和压力值。并将目标油藏各网格区域的位置信息和压力值输入到压力场划分神经网络模型中,得到目标油藏各调控区的位置信息。从而,将目标油藏的压力场划分为高压调控区、中压调控区和低压调控区,便于对压力场的分析,有利于对油藏的调控,进而有利于油藏的开采。
附图说明
为了更清楚地说明本申请实施例中的技术方案,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是本申请实施例提供的一种油藏压力场划分的方法的流程图;
图2是本申请实施例提供的一种油藏压力场划分的装置的结构示意图;
图3是本申请实施例提供的一种终端的结构框图。
具体实施方式
为使本申请的目的、技术方案和优点更加清楚,下面将结合附图对本申请实施方式作进一步地详细描述。
本申请实施例提供了一种油藏压力场划分的方法,该方法可以由计算机设备实现。其中,该计算机设备可以是手机、平板电脑、笔记本等移动终端,也可以是台式计算机等固定终端。
本申请实施例提供的方法可以应用在采油工程技术领域,具体的用于油藏压力场的划分。首先,对目标油藏进行数值模拟,然后,基于数值模拟的结果获取目标油藏各网格区域的位置信息和压力值。然后,将各区域的位置信息和压力值输入到压力场划分神经网络模型中,得到目标油藏各调控区的位置信息。从而,将目标油藏的压力场划分为高压调控区、中压调控区和低压调控区。然后,工作人员可以根据不同的调控区进行相应的调控,使油藏各区域的能量趋于平衡,进而使得油藏更加利于开采。例如,降低高压调控区的压力(如减少注水量),提升低压调控区的压力(如增设注水井,增加注水量)。
如图1所示,该方法的处理流程可以如下所述:
在步骤101中,基于对目标油藏的数值模拟,获取目标油藏各网格区域的位置信息和压力值。
其中,网格区域的位置信息,可以是网格区域的坐标,坐标可以是各网格区域某一点的坐标,也可以是各网格区域某几个点的坐标。例如,可以是网格区域的中心点的坐标,也可以是网格区域四个顶点的坐标。压力值可以是各网格区域中某一点的压力值,也可以是各网格区域中某几点的压力值的平均值。
在实施中,首先,选取好目标油藏,然后,采集数值模拟所需的目标油藏的数据,并根据采集得到的数据对目标油藏进行数值模拟,进行数值模拟时对目标油藏进行了网格划分,则最终可以确定目标油藏各网格区域的位置信息和压力值。然后,计算机设备可以获取基于数值模拟得到的目标油藏不同网格区域的位置信息和压力值。
基于数值模拟获取目标油藏各网格区域的位置信息和压力值,不必人工对目标油藏各区域的压力值进行测量,节省了大量的人力,并且,基于数值模拟可以获取目标油藏不同时期的各区域的压力值,从而,便于对目标油藏未来的压力场进行划分,便于工作人员对目标油藏未来的压力场进行预测。
可选的,还可以通过人工测量确定油藏各区域的位置信息和压力值。然后,将人工测量确定的各区域的位置信息和压力值存储下来,则计算机设备可以获取预先存储的各区域的位置信息和压力值。其中,各区域的位置信息可以是各区域的坐标,坐标可以是各区域的某一点的坐标,也可以是各区域的某几个点的坐标。例如,各区域可以均为矩形区域,坐标可以是矩形区域的中心点的坐标,也可以是矩形区域四个顶点的坐标。各区域的大小可以根据实际经验设置,各区域的面积越小,最终划分得到的各调控区越精确。压力值可以是各区域中某一测量点的压力值,也可以是各区域中某几个测量点的压力值的平均值。
在实施中,首先,选取好目标油藏,然后,测量目标油藏各区域的压力值,并记录各区域的位置信息。然后,将测试得到的目标油藏各区域的压力值和位置信息进行存储。存储的形式可以如表1所示,在表1中,位置信息用该区域中的某一点(如中心点)的坐标表示。
将各区域的位置信息和压力值存储之后,计算机设备即可以获取预先存储的位置信息和压力值存储。
位置信息 | 压力值 |
(x1,y1) | z1 |
(x2,y2) | z2 |
... | ... |
表1
在步骤102中,将目标油藏各网格区域的位置信息和压力值输入到压力场划分神经网络模型中,得到目标油藏各调控区的位置信息。
其中,各调控区包括高压调控区、中压调控区和低压调控区。压力场划分神经网络模型为无监督的神经网络模型,从而,压力场划分神经网络模型不需要有标记的训练样本进行训练。
各调控区的位置信息可以是各调控区包含的所有区域的位置信息(例如,区域的坐标点),也可以是各调控区的边界区域的位置信息。各调控区的位置信息可以包含多个高压调控区的位置信息、多个中压调控区的位置信息和多个低压调控区的位置信息。
压力场划分神经网络模型可以是BP(Back Propagation)神经网路模型。
BP神经网络是1986年由Rumelhart和McClelland为首的科学家提出的概念,是一种按照误差逆向传播算法训练的多层前馈神经网络,是目前应用最广泛的神经网络。人工神经网络无需事先确定输入输出之间映射关系的数学方程,仅通过自身的训练,学习某种规则,在给定输入值时得到最接近期望输出值的结果。作为一种智能信息处理系统,人工神经网络实现其功能的核心是算法。BP神经网络是一种按误差反向传播(简称误差反传)训练的多层前馈网络,其算法称为BP算法,它的基本思想是梯度下降法,利用梯度搜索技术,以期使网络的实际输出值和期望输出值的误差均方差为最小。基本BP算法包括信号的前向传播和误差的反向传播两个过程。即计算误差输出时按从输入到输出的方向进行,而调整权值和阈值则从输出到输入的方向进行。正向传播时,输入信号通过隐含层作用于输出节点,经过非线性变换,产生输出信号,若实际输出与期望输出不相符,则转入误差的反向传播过程。误差反传是将输出误差通过隐含层向输入层逐层反传,并将误差分摊给各层所有单元,以从各层获得的误差信号作为调整各单元权值的依据。通过调整输入节点与隐层节点的联接强度和隐层节点与输出节点的联接强度以及阈值,使误差沿梯度方向下降,经过反复学习训练,确定与最小误差相对应的网络参数(权值和阈值),训练即告停止。此时经过训练的神经网络即能对类似样本的输入信息,自行处理输出误差最小的经过非线形转换的信息。
压力场划分神经网络模型可以为自组织特征映射神经网络模型,自组织特征映射神经网络模型也可以称为SOM(Self-Organizing Feature Mapping,自组织特征映射)神经网络模型。
在实施中,首先需要构建压力场划分神经网络模型,具体操作时,需要设置好压力场划分神经网络模型的迭代次数、初始权值和网络节点等参数。
然后,将各网格区域的位置信息和压力值输入到压力场划分神经网络模型中,得到目标油藏各调控区的位置信息。
压力场划分神经网络模型实质上是对各网格区域的位置信息进行聚类,即基于各网格区域的位置信息和压力值,对各网格区域的位置信息进行分类。将各网格区域的位置信息分为三类,可选的,第一类位置信息属于高压调控区,第二类位置信息属于中压调控区,第三类位置信息属于低压调控区。然后,可以基于分类好的位置信息,确定目标油藏各调控区的位置信息。
可选的,将各网格区域的位置信息和压力值输入到压力场划分神经网络模型中,得到目标油藏各调控区的位置信息的具体过程可以如下所述,将各网格区域的位置信息和压力值输入到压力场划分神经网络模型中,可以得到各网格区域的位置信息对应的调控区标识。每个网格区域的位置信息均对应有一个调控区标识,调控区标识可以是高压调控区标识、低压调控区标识或中压调控区标识。然后,基于各网格区域的位置信息和各网格区域的位置信息对应的调控区标识,确定目标油藏各调控区的位置信息。即将具有相同调控区标识的位置信息归为一类,进而,通过不同类别的位置信息,得到各调控区的位置信息。
具体的,可以将具有低压调控区标识的所有位置信息,确定为低压调控区的位置信息;将具有中压调控区标识的所有位置信息,确定为中压调控区的位置信息;将具有高压调控区标识的所有位置信息,确定为高压调控区的位置信息。
还可以是基于具有低压调控区标识的所有位置信息,确定低压调控区的边界的位置信息,作为低压调控区的位置信息;基于具有中压调控区标识的所有位置信息,确定中压调控区的边界的位置信息,作为中压调控区的位置信息;基于具有高压调控区标识的所有位置信息,确定高压调控区的边界的位置信息,作为高压调控区的位置信息。其中,上述各调控区的边界的位置信息,可以为各调控区边界上的各区域的坐标。
通过上述操作将目标油藏划分为高压调控区、中压调控区和低压调控区之后,然后,可以根据划分的不同调控区,对各调控区进行相应的调控。具体的,在低压调控区增设注水井,使得低压调控区的能量升高;在高压调控区减少注水,使得高压调控区的能量降低。从而,使目标油藏各区域的能量,也即压力趋于平衡,从而使得目标油藏更加利于开采。
可选的,在得到目标油藏各调控区的位置信息之后,可以显示各调控区,相应的处理过程可以如下所述,基于各调控区的位置信息,在目标油藏的压力场分布图中,标记出目标油藏的高压调控区、中压调控区和低压调控区。
在实施中,在目标油藏的压力场分布图中,基于各调控区的位置信息,在压力场分布图中,将目标油藏的调控区标记出来,可选的,可以用不同颜色将不同调控区进行标记,例如,将不同调控区填充为不同的颜色,并在图中标记出不同颜色代表的调控区。
本申请实施例提供的方法,通过基于对目标油藏的数值模拟,获取目标油藏各网格区域的位置信息和压力值。并将目标油藏各网格区域的位置信息和压力值输入到压力场划分神经网络模型中,得到目标油藏各调控区的位置信息。从而,将目标油藏的压力场划分为高压调控区、中压调控区和低压调控区,便于对压力场的分析,有利于对油藏的调控,进而有利于油藏的开采。
基于相同的技术构思,本申请实施例还提供了一种油藏压力场划分的装置,该装置可以为上述实施例中的终端,如图2所示,该装置包括:
获取模块201,用于基于对目标油藏的数值模拟,获取目标油藏各网格区域的位置信息和压力值;
划分模块202,用于将目标油藏各网格区域的位置信息和压力值输入到压力场划分神经网络模型中,得到目标油藏各调控区的位置信息,其中,各调控区包括高压调控区、中压调控区和低压调控区。
可选的,压力场划分神经网络模型为自组织特征映射神经网络模型。
可选的,装置还包括标记模块,用于:
基于各调控区的位置信息,在目标油藏的压力场分布图中,标记出目标油藏的高压调控区、中压调控区和低压调控区。
可选的,划分模块202,用于:
将目标油藏各网格区域的位置信息和压力值输入到压力场划分神经网络模型中,得到各网格区域的位置信息对应的调控区标识;
基于各网格区域的位置信息和各网格区域的位置信息对应的调控区标识,确定目标油藏各调控区的位置信息。
关于上述实施例中的装置,其中各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述,此处将不做详细阐述说明。
需要说明的是:上述实施例提供的油藏压力场划分的装置在划分油藏压力场时,仅以上述各功能模块的划分进行举例说明,实际应用中,可以根据需要而将上述功能分配由不同的功能模块完成,即将设备的内部结构划分成不同的功能模块,以完成以上描述的全部或者部分功能。另外,上述实施例提供的油藏压力场划分的装置与油藏压力场划分的方法实施例属于同一构思,其具体实现过程详见方法实施例,这里不再赘述。
图3是本申请实施例提供的一种终端的结构框图。该终端300可以是便携式移动终端,比如:智能手机、平板电脑。终端300还可能被称为用户设备、便携式终端等其他名称。
通常,终端300包括有:处理器301和存储器302。
处理器301可以包括一个或多个处理核心,比如4核心处理器、4核心处理器等。处理器301可以采用DSP(Digital Signal Processing,数字信号处理)、FPGA(Field-Programmable Gate Array,现场可编程门阵列)、PLA(Programmable Logic Array,可编程逻辑阵列)中的至少一种硬件形式来实现。处理器301也可以包括主处理器和协处理器,主处理器是用于对在唤醒状态下的数据进行处理的处理器,也称CPU(Central ProcessingUnit,中央处理器);协处理器是用于对在待机状态下的数据进行处理的低功耗处理器。在一些实施例中,处理器301可以在集成有GPU(Graphics Processing Unit,图像处理器),GPU用于负责显示屏所需要显示的内容的渲染和绘制。一些实施例中,处理器301还可以包括AI(Artificial Intelligence,人工智能)处理器,该AI处理器用于处理有关机器学习的计算操作。
存储器302可以包括一个或多个计算机可读存储介质,该计算机可读存储介质可以是有形的和非暂态的。存储器302还可包括高速随机存取存储器,以及非易失性存储器,比如一个或多个磁盘存储设备、闪存存储设备。在一些实施例中,存储器302中的非暂态的计算机可读存储介质用于存储至少一个指令,该至少一个指令用于被处理器301所执行以实现本申请中提供的油藏压力场划分的方法。
在一些实施例中,终端300还可选包括有:外围设备接口303和至少一个外围设备。具体地,外围设备包括:射频电路304、显示屏305、摄像头组件306、音频电路307、定位组件308和电源309中的至少一种。
外围设备接口303可被用于将I/O(Input/Output,输入/输出)相关的至少一个外围设备连接到处理器301和存储器302。在一些实施例中,处理器301、存储器302和外围设备接口303被集成在同一芯片或电路板上;在一些其他实施例中,处理器301、存储器302和外围设备接口303中的任意一个或两个可以在单独的芯片或电路板上实现,本实施例对此不加以限定。
射频电路304用于接收和发射RF(Radio Frequency,射频)信号,也称电磁信号。射频电路304通过电磁信号与通信网络以及其他通信设备进行通信。射频电路304将电信号转换为电磁信号进行发送,或者,将接收到的电磁信号转换为电信号。可选地,射频电路304包括:天线系统、RF收发器、一个或多个放大器、调谐器、振荡器、数字信号处理器、编解码芯片组、用户身份模块卡等等。射频电路304可以通过至少一种无线通信协议来与其它终端进行通信。该无线通信协议包括但不限于:万维网、城域网、内联网、各代移动通信网络(2G、3G、4G及5G)、无线局域网和/或WiFi(Wireless Fidelity,无线保真)网络。在一些实施例中,射频电路304还可以包括NFC(Near Field Communication,近距离无线通信)有关的电路,本申请对此不加以限定。
显示屏305用于显示UI(User Interface,用户界面)。该UI可以包括图形、文本、图标、视频及其它们的任意组合。显示屏305还具有采集在显示屏305的表面或表面上方的触摸信号的能力。该触摸信号可以作为控制信号输入至处理器301进行处理。显示屏305用于提供虚拟按钮和/或虚拟键盘,也称软按钮和/或软键盘。在一些实施例中,显示屏305可以为一个,设置终端300的前面板;在另一些实施例中,显示屏305可以为至少两个,分别设置在终端300的不同表面或呈折叠设计;在再一些实施例中,显示屏305可以是柔性显示屏,设置在终端300的弯曲表面上或折叠面上。甚至,显示屏305还可以设置成非矩形的不规则图形,也即异形屏。显示屏305可以采用LCD(Liquid Crystal Display,液晶显示器)、OLED(Organic Light-Emitting Diode,有机发光二极管)等材质制备。
摄像头组件306用于采集图像或视频。可选地,摄像头组件306包括前置摄像头和后置摄像头。通常,前置摄像头用于实现视频通话或自拍,后置摄像头用于实现照片或视频的拍摄。在一些实施例中,后置摄像头为至少两个,分别为主摄像头、景深摄像头、广角摄像头中的任意一种,以实现主摄像头和景深摄像头融合实现背景虚化功能,主摄像头和广角摄像头融合实现全景拍摄以及VR(Virtual Reality,虚拟现实)拍摄功能。在一些实施例中,摄像头组件306还可以包括闪光灯。闪光灯可以是单色温闪光灯,也可以是双色温闪光灯。双色温闪光灯是指暖光闪光灯和冷光闪光灯的组合,可以用于不同色温下的光线补偿。
音频电路307用于提供用户和终端300之间的音频接口。音频电路307可以包括麦克风和扬声器。麦克风用于采集用户及环境的声波,并将声波转换为电信号输入至处理器301进行处理,或者输入至射频电路304以实现语音通信。出于立体声采集或降噪的目的,麦克风可以为多个,分别设置在终端300的不同部位。麦克风还可以是阵列麦克风或全向采集型麦克风。扬声器则用于将来自处理器301或射频电路304的电信号转换为声波。扬声器可以是传统的薄膜扬声器,也可以是压电陶瓷扬声器。当扬声器是压电陶瓷扬声器时,不仅可以将电信号转换为人类可听见的声波,也可以将电信号转换为人类听不见的声波以进行测距等用途。在一些实施例中,音频电路307还可以包括耳机插孔。
定位组件308用于定位终端300的当前地理位置,以实现导航或LBS(LocationBased Service,基于位置的服务)。定位组件308可以是基于美国的GPS(GlobalPositioning System,全球定位系统)、中国的北斗系统或俄罗斯的伽利略系统的定位组件。
电源309用于为终端300中的各个组件进行供电。电源309可以是交流电、直流电、一次性电池或可充电电池。当电源309包括可充电电池时,该可充电电池可以是有线充电电池或无线充电电池。有线充电电池是通过有线线路充电的电池,无线充电电池是通过无线线圈充电的电池。该可充电电池还可以用于支持快充技术。
在一些实施例中,终端300还包括有一个或多个传感器310。该一个或多个传感器310包括但不限于:加速度传感器311、陀螺仪传感器312、压力传感器313、指纹传感器314、光学传感器315以及接近传感器316。
加速度传感器311可以检测以终端300建立的坐标系的三个坐标轴上的加速度大小。比如,加速度传感器311可以用于检测重力加速度在三个坐标轴上的分量。处理器301可以根据加速度传感器311采集的重力加速度信号,控制显示屏305以横向视图或纵向视图进行用户界面的显示。加速度传感器311还可以用于游戏或者用户的运动数据的采集。
陀螺仪传感器312可以检测终端300的机体方向及转动角度,陀螺仪传感器312可以与加速度传感器311协同采集用户对终端300的3D动作。处理器301根据陀螺仪传感器312采集的数据,可以实现如下功能:动作感应(比如根据用户的倾斜操作来改变UI)、拍摄时的图像稳定、游戏控制以及惯性导航。
压力传感器313可以设置在终端300的侧边框和/或显示屏305的下层。当压力传感器313设置在终端300的侧边框时,可以检测用户对终端300的握持信号,根据该握持信号进行左右手识别或快捷操作。当压力传感器313设置在显示屏305的下层时,可以根据用户对显示屏305的压力操作,实现对UI界面上的可操作性控件进行控制。可操作性控件包括按钮控件、滚动条控件、图标控件、菜单控件中的至少一种。
指纹传感器314用于采集用户的指纹,以根据采集到的指纹识别用户的身份。在识别出用户的身份为可信身份时,由处理器301授权该用户执行相关的敏感操作,该敏感操作包括解锁屏幕、查看加密信息、下载软件、支付及更改设置等。指纹传感器314可以被设置终端300的正面、背面或侧面。当终端300上设置有物理按键或厂商Logo时,指纹传感器314可以与物理按键或厂商Logo集成在一起。
光学传感器315用于采集环境光强度。在一个实施例中,处理器301可以根据光学传感器315采集的环境光强度,控制显示屏305的显示亮度。具体地,当环境光强度较高时,调高显示屏305的显示亮度;当环境光强度较低时,调低显示屏305的显示亮度。在另一个实施例中,处理器301还可以根据光学传感器315采集的环境光强度,动态调整摄像头组件306的拍摄参数。
接近传感器316,也称距离传感器,通常设置在终端300的正面。接近传感器316用于采集用户与终端300的正面之间的距离。在一个实施例中,当接近传感器316检测到用户与终端300的正面之间的距离逐渐变小时,由处理器301控制显示屏305从亮屏状态切换为息屏状态;当接近传感器316检测到用户与终端300的正面之间的距离逐渐变大时,由处理器301控制显示屏305从息屏状态切换为亮屏状态。
本领域技术人员可以理解,图3中示出的结构并不构成对终端300的限定,可以包括比图示更多或更少的组件,或者组合某些组件,或者采用不同的组件布置。
在示例性实施例中,还提供了一种计算机可读存储介质,存储介质中存储有至少一条指令,至少一条指令由处理器加载并执行以实现上述实施例中油藏压力场划分的方法。例如,所述计算机可读存储介质可以是ROM、随机存取存储器(RAM)、CD-ROM、磁带、软盘和光数据存储设备等。
本领域普通技术人员可以理解实现上述实施例的全部或部分步骤可以通过硬件来完成,也可以通过程序来指令相关的硬件完成,所述的程序可以存储于一种计算机可读存储介质中,上述提到的存储介质可以是只读存储器,磁盘或光盘等。
以上所述仅为本发明的较佳实施例,并不用以限制本发明,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 (8)
1.一种油藏压力场划分的方法,其特征在于,所述方法应用在采油工程技术领域的油藏压力场的划分,所述方法包括:
基于对目标油藏的数值模拟,获取所述目标油藏各网格区域的位置信息和压力值;
将所述目标油藏各网格区域的位置信息和压力值输入到压力场划分神经网络模型中,得到所述目标油藏各调控区的位置信息,其中,所述各调控区包括高压调控区、中压调控区和低压调控区;
基于所述各调控区的位置信息,在所述目标油藏的压力场分布图中,标记出所述目标油藏的高压调控区、中压调控区和低压调控区,所述调控区用于注水调控。
2.根据权利要求1所述的方法,其特征在于,所述压力场划分神经网络模型为自组织特征映射神经网络模型。
3.根据权利要求1所述的方法,其特征在于,所述将所述目标油藏各网格区域的位置信息和压力值输入到压力场划分神经网络模型中,得到所述目标油藏各调控区的位置信息,包括:
将所述目标油藏各网格区域的位置信息和压力值输入到压力场划分神经网络模型中,得到所述各网格区域的位置信息对应的调控区标识;
基于所述各网格区域的位置信息和所述各网格区域的位置信息对应的调控区标识,确定所述目标油藏各调控区的位置信息。
4.一种油藏压力场划分的装置,其特征在于,所述装置应用在采油工程技术领域的油藏压力场的划分,所述装置包括:
获取模块,用于基于对目标油藏的数值模拟,获取所述目标油藏各网格区域的位置信息和压力值;
划分模块,用于将所述目标油藏各网格区域的位置信息和压力值输入到压力场划分神经网络模型中,得到所述目标油藏各调控区的位置信息,其中,所述各调控区包括高压调控区、中压调控区和低压调控区;
标记模块,用于:基于所述各调控区的位置信息,在所述目标油藏的压力场分布图中,标记出所述目标油藏的高压调控区、中压调控区和低压调控区,所述调控区用于注水调控。
5.根据权利要求4所述的装置,其特征在于,所述压力场划分神经网络模型为自组织特征映射神经网络模型。
6.根据权利要求4所述的装置,其特征在于,所述划分模块,用于:
将所述目标油藏各网格区域的位置信息和压力值输入到压力场划分神经网络模型中,得到所述各网格区域的位置信息对应的调控区标识;
基于所述各网格区域的位置信息和所述各网格区域的位置信息对应的调控区标识,确定所述目标油藏各调控区的位置信息。
7.一种终端,其特征在于,所述终端包括处理器和存储器,所述存储器中存储有至少一条指令,所述至少一条指令由所述处理器加载并执行以实现如权利要求1-3任一项所述的油藏压力场划分的方法。
8.一种计算机可读存储介质,其特征在于,所述计算机可读存储设备中存储有至少一条指令,所述至少一条指令由处理器加载并执行以实现如权利要求1-3任一项所述的油藏压力场划分的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910627188.5A CN112211622B (zh) | 2019-07-11 | 2019-07-11 | 油藏压力场划分的方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910627188.5A CN112211622B (zh) | 2019-07-11 | 2019-07-11 | 油藏压力场划分的方法和装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112211622A CN112211622A (zh) | 2021-01-12 |
CN112211622B true CN112211622B (zh) | 2023-02-07 |
Family
ID=74048186
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910627188.5A Active CN112211622B (zh) | 2019-07-11 | 2019-07-11 | 油藏压力场划分的方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112211622B (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN203594426U (zh) * | 2013-09-18 | 2014-05-14 | 刘其成 | 底水稠油油藏蒸汽驱二维比例物理模拟装置 |
CN104121014A (zh) * | 2014-06-16 | 2014-10-29 | 西南石油大学 | 基于神经网络融合技术的钻井井漏类型诊断方法 |
CN104265211A (zh) * | 2007-09-13 | 2015-01-07 | M-I有限公司 | 使用压力场特征预测注入井异常的方法 |
CN104912548A (zh) * | 2014-03-13 | 2015-09-16 | 中国石油化工股份有限公司 | 基于动力学分析的不同压力环境下的油藏预测方法 |
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 |
CN109826593A (zh) * | 2018-12-25 | 2019-05-31 | 内江师范学院 | 基于bp神经网络的储层气体钻井安全风险分析系统 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10167704B2 (en) * | 2013-08-28 | 2019-01-01 | Board Of Regents, The University Of Texas System | Reservoir pressure prediction and methods of execution |
-
2019
- 2019-07-11 CN CN201910627188.5A patent/CN112211622B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104265211A (zh) * | 2007-09-13 | 2015-01-07 | M-I有限公司 | 使用压力场特征预测注入井异常的方法 |
CN203594426U (zh) * | 2013-09-18 | 2014-05-14 | 刘其成 | 底水稠油油藏蒸汽驱二维比例物理模拟装置 |
CN104912548A (zh) * | 2014-03-13 | 2015-09-16 | 中国石油化工股份有限公司 | 基于动力学分析的不同压力环境下的油藏预测方法 |
CN104121014A (zh) * | 2014-06-16 | 2014-10-29 | 西南石油大学 | 基于神经网络融合技术的钻井井漏类型诊断方法 |
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 |
CN109826593A (zh) * | 2018-12-25 | 2019-05-31 | 内江师范学院 | 基于bp神经网络的储层气体钻井安全风险分析系统 |
Non-Patent Citations (1)
Title |
---|
随钻地层压力动态监测技术研究;王湘平;《中国优秀博硕士学位论文全文数据库(博士)基础科学辑》;20160115(第1期);第34-35、65-69、90-98页 * |
Also Published As
Publication number | Publication date |
---|---|
CN112211622A (zh) | 2021-01-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110348543B (zh) | 眼底图像识别方法、装置、计算机设备及存储介质 | |
CN110083791B (zh) | 目标群组检测方法、装置、计算机设备及存储介质 | |
CN109886208B (zh) | 物体检测的方法、装置、计算机设备及存储介质 | |
CN111192262A (zh) | 基于人工智能的产品缺陷分类方法、装置、设备及介质 | |
CN112581358B (zh) | 图像处理模型的训练方法、图像处理方法及装置 | |
CN110570460A (zh) | 目标跟踪方法、装置、计算机设备及计算机可读存储介质 | |
CN111178343A (zh) | 基于人工智能的多媒体资源检测方法、装置、设备及介质 | |
CN110705614A (zh) | 模型训练方法、装置、电子设备及存储介质 | |
CN112398819A (zh) | 异常识别的方法及装置 | |
CN111857793A (zh) | 网络模型的训练方法、装置、设备及存储介质 | |
CN111193604B (zh) | 虚拟网络功能链的部署方法、装置、设备及存储介质 | |
CN112925922A (zh) | 获取地址的方法、装置、电子设备及介质 | |
CN112211622B (zh) | 油藏压力场划分的方法和装置 | |
CN112132222B (zh) | 车牌的类别识别方法、装置及存储介质 | |
CN114720932A (zh) | 一种电池管理系统信号采样精度测试方法、装置、上位机及存储介质 | |
CN110853704B (zh) | 蛋白质数据获取方法、装置、计算机设备及存储介质 | |
CN113779868A (zh) | 一种矩形孔金属板屏蔽效能预测方法、系统、终端及存储介质 | |
CN110580561B (zh) | 一种油井增油效果的分析方法、装置及存储介质 | |
CN111859549A (zh) | 单一配置整车重量与重心信息的确定方法及相关设备 | |
CN112200689B (zh) | 确定油藏渗流场潜力分散度的方法和装置 | |
CN112990424A (zh) | 神经网络模型训练的方法和装置 | |
CN111984738A (zh) | 数据关联方法、装置、设备及存储介质 | |
CN116681755B (zh) | 位姿预测方法和装置 | |
CN112182986B (zh) | 确定面积波及信息的方法、装置、设备及存储介质 | |
CN113689484B (zh) | 深度信息的确定方法、装置、终端及存储介质 |
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 |