CN112241576B - 油气井完井处理方法及装置 - Google Patents
油气井完井处理方法及装置 Download PDFInfo
- Publication number
- CN112241576B CN112241576B CN201910639151.4A CN201910639151A CN112241576B CN 112241576 B CN112241576 B CN 112241576B CN 201910639151 A CN201910639151 A CN 201910639151A CN 112241576 B CN112241576 B CN 112241576B
- Authority
- CN
- China
- Prior art keywords
- target
- well completion
- geological
- well
- information
- 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
- 238000003672 processing method Methods 0.000 title abstract description 21
- 238000000034 method Methods 0.000 claims abstract description 44
- 238000004519 manufacturing process Methods 0.000 claims abstract description 26
- 238000012545 processing Methods 0.000 claims description 30
- 239000004576 sand Substances 0.000 claims description 30
- 239000011435 rock Substances 0.000 claims description 29
- 238000012549 training Methods 0.000 claims description 24
- 238000009826 distribution Methods 0.000 claims description 18
- 238000004590 computer program Methods 0.000 claims description 12
- 238000003860 storage Methods 0.000 claims description 11
- 230000035699 permeability Effects 0.000 claims description 10
- 238000013139 quantization Methods 0.000 claims description 10
- 239000011229 interlayer Substances 0.000 claims description 9
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 9
- 238000010801 machine learning Methods 0.000 claims description 8
- 238000011002 quantification Methods 0.000 claims description 3
- 230000015572 biosynthetic process Effects 0.000 description 13
- 238000010586 diagram Methods 0.000 description 11
- 238000004422 calculation algorithm Methods 0.000 description 8
- 238000005516 engineering process Methods 0.000 description 7
- 239000011159 matrix material Substances 0.000 description 7
- 238000004891 communication Methods 0.000 description 6
- 238000011156 evaluation Methods 0.000 description 6
- 238000013178 mathematical model Methods 0.000 description 6
- 239000011148 porous material Substances 0.000 description 6
- 230000008569 process Effects 0.000 description 6
- 230000006870 function Effects 0.000 description 4
- 239000000243 solution Substances 0.000 description 4
- 238000012360 testing method Methods 0.000 description 4
- 230000008901 benefit Effects 0.000 description 3
- 239000012530 fluid Substances 0.000 description 3
- 239000003129 oil well Substances 0.000 description 3
- BVKZGUZCCUSVTD-UHFFFAOYSA-L Carbonate Chemical compound [O-]C([O-])=O BVKZGUZCCUSVTD-UHFFFAOYSA-L 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000007689 inspection Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 230000000750 progressive effect Effects 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000007635 classification algorithm Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005553 drilling Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000002347 injection Methods 0.000 description 1
- 239000007924 injection Substances 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 239000010410 layer Substances 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 230000005055 memory storage Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000000638 solvent extraction Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
Images
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请实施例提供一种油气井完井处理方法及装置，方法包括：对目标油气井的地质特征信息进行地质特征属性划分，得到对应的目标地质特征属性；根据所述目标地质特征属性和完井分类预测模型，确定目标油气井的目标完井方式。本申请能够有效、准确和可靠的得到地质特征属性与完井方式的对应关系，快速便捷的获取待设计井的最优完井方式，提高完井工程的生产效率和可靠性。
Description
技术领域
本申请涉及油气井完井处理领域，具体涉及一种油气井完井处理方法及装置。
背景技术
完井是指裸眼井钻达设计井深后，使井底和油层以一定结构连通起来的工艺，完井是钻井工作最后一个重要环节，又是采油工程的开端，与以后采油、注水及整个油气田的开发紧密相连。而油井完井质量的好坏直接影响到油井的生产能力和经济寿命，甚至关系到整个油田能否得到合理的开发。
完井技术是整个油气井开采技术中至关重要的组成部分，完井方式是否选择得当，直接关系到油气井的产能﹑开采动态﹑寿命和综合经济效益等。一般在完井方式优选时，多仅依靠决策者的经验，由于与完井方式优选有关的因素繁多，而且多具有一定的模糊性和不确定性，因此可能会出现不同的选择，甚至错误的选择。
发明内容
针对现有技术中的问题，本申请提供一种油气井完井处理方法及装置，能够有效、准确和可靠的得到地质特征属性与完井方式的对应关系，快速便捷的获取待设计井的最优完井方式，提高完井工程的生产效率和可靠性。
为了解决上述问题中的至少一个，本申请提供以下技术方案：
第一方面，本申请提供一种油气井完井处理方法，包括：
对目标油气井的地质特征信息进行地质特征属性划分，得到对应的目标地质特征属性；
根据所述目标地质特征属性和完井分类预测模型，确定目标油气井的目标完井方式。
进一步地，所述地质特征信息为岩石类型信息、空隙类型信息、层间差异信息、井壁稳定性、出砂状态信息、地层砂分类信息、地层砂均匀系数信息、底水状态信息、分层状态信息和渗透率信息中的至少一种。
进一步地，所述对目标油气井的地质特征信息进行地质特征属性划分，得到对应的目标地质特征属性，包括：
对所述地质特征信息进行统一量化处理；
根据所述统一量化处理的结果确定所述目标地质特征属性。
进一步地，在所述根据所述目标地质特征属性和完井分类预测模型，确定目标油气井的目标完井方式之前，包括：
对历史地质特征信息进行属性划分得到历史地质特征属性；
将所述历史地质特征属性和对应的完井方式作为样本数据进行机器学习分类训练，得到所述完井分类预测模型。
进一步地，所述根据所述目标地质特征属性和完井分类预测模型，确定目标油气井的目标完井方式，包括：
根据所述目标地质特征属性和所述完井分类预测模型，确定与所述目标地质特征属性对应的完井方式预测后验概率分布；
将所述完井方式预测后验概率分布中最大概率数值对应的完井方式设定为所述目标完井方式。
第二方面，本申请提供一种油气井完井处理装置，包括：
目标地质特征属性确定模块，用于对目标油气井的地质特征信息进行地质特征属性划分，得到对应的目标地质特征属性；
完井方式确定模块，用于根据所述目标地质特征属性和完井分类预测模型，确定目标油气井的目标完井方式。
进一步地，所述地质特征信息为岩石类型信息、空隙类型信息、层间差异信息、井壁稳定性、出砂状态信息、地层砂分类信息、地层砂均匀系数信息、底水状态信息、分层状态信息和渗透率信息中的至少一种。
进一步地，所述目标地质特征属性确定模块包括：
统一量化处理单元，用于对所述地质特征信息进行统一量化处理；
目标地质特征属性确定单元，用于根据所述统一量化处理的结果确定所述目标地质特征属性。
进一步地，还包括：
历史地质特征属性确定单元，用于对历史地质特征信息进行属性划分得到历史地质特征属性；
完井分类预测模型确定单元，用于将所述历史地质特征属性和对应的完井方式作为样本数据进行机器学习分类训练，得到所述完井分类预测模型。
进一步地，所述完井方式确定模块包括：
后验概率分布确定单元，用于根据所述目标地质特征属性和所述完井分类预测模型，确定与所述目标地质特征属性对应的完井方式预测后验概率分布；
目标完井方式确定单元，用于将所述完井方式预测后验概率分布中最大概率数值对应的完井方式设定为所述目标完井方式。
第三方面，本申请提供一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现所述的油气井完井处理方法的步骤。
第四方面，本申请提供一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现所述的油气井完井处理方法的步骤。
由上述技术方案可知，本申请提供一种油气井完井处理方法及装置，通过确定影响完井方式选择的关键因素类型以及对应的具体地质特征属性，确定地质特征属性与完井方式之间的对应关系，即得到用于进行分类预测的完井分类预测模型，通过对目标油气井的地质特征信息进行地质特征属性划分，得到目标油气井的目标地质特征属性，并根据所述目标地质特征属性和所述完井分类预测模型，对目标油气井的完井方式进行预测，进而得到目标完井方式；本申请的完井分类预测模型能够准确表征地质特征属性与完井方式之间的对应关系，通过本申请的油气井完井处理方法能够快速、便捷和准确的对目标油气井进行完井方式的预测，提高了完井工程的生产效率和可靠性。
附图说明
为了更清楚地说明本申请实施例或现有技术中的技术方案，下面将对实施例或现有技术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申请的一些实施例，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为本申请实施例中的油气井完井处理方法的流程示意图之一；
图2为本申请实施例中的油气井完井处理方法的流程示意图之二；
图3为本申请实施例中的油气井完井处理方法的流程示意图之三；
图4为本申请实施例中的油气井完井处理方法的流程示意图之四；
图5为本申请实施例中的油气井完井处理装置的结构图之一；
图6为本申请实施例中的油气井完井处理装置的结构图之二；
图7为本申请实施例中的油气井完井处理装置的结构图之三；
图8为本申请实施例中的油气井完井处理装置的结构图之四；
图9为本申请实施例中的电子设备的结构示意图。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整的描述，显然，所描述的实施例是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。
考虑到完井技术是整个油气井开采技术中至关重要的组成部分，完井方式是否选择得当，直接关系到油气井的产能﹑开采动态﹑寿命和综合经济效益等。一般在完井方式优选时，多仅依靠决策者的经验，由于与完井方式优选有关的因素繁多，而且多具有一定的模糊性和不确定性，因此可能会出现不同的选择，甚至错误的选择的问题，本申请提供一种油气井完井处理方法及装置，通过确定影响完井方式选择的关键因素类型以及对应的具体地质特征属性，确定地质特征属性与完井方式之间的对应关系，即得到用于进行分类预测的完井分类预测模型，通过对目标油气井的地质特征信息进行地质特征属性划分，得到目标油气井的目标地质特征属性，并根据所述目标地质特征属性和所述完井分类预测模型，对目标油气井的完井方式进行预测，进而得到目标完井方式；本申请的完井分类预测模型能够准确表征地质特征属性与完井方式之间的对应关系，通过本申请的油气井完井处理方法能够快速、便捷和准确的对目标油气井进行完井方式的预测，提高了完井工程的生产效率和可靠性。
为了能够有效、准确和可靠的得到地质特征属性与完井方式的对应关系，快速便捷的获取待设计井的最优完井方式，提高完井工程的生产效率和可靠性，本申请提供一种油气井完井处理方法的实施例，参见图1，所述油气井完井处理方法具体包含有如下内容：
步骤S101：对目标油气井的地质特征信息进行地质特征属性划分，得到对应的目标地质特征属性。
可以理解的是，所述目标油气井为还未确定完井方式的待设计井，通过现有测井或物探技术能够获取所述目标油气井所处目标地层的地质特征信息，所述地质特征信息例如岩石类型、孔隙类型和层间差异，是能够影响完井方式的地质因素，本申请在此处对地质特征信息的具体类型和内容不做具体限定。
可以理解的是，可以将所述目标油气井的地质特征信息按照对应的所包含的地质特征属性进行划分分级，得到对应的目标地质特征属性。
在一种实施例中，所述目标油气井的一种地质特征信息具体为“岩石类型”，其所包含的所有可能的地质特征属性为“砂岩”、“碳酸盐”和“变质岩”，因此可以根据所述目标油气井所处目标地层的实际岩石类型对所述地质特征信息进行地质特性属性划分，得到对应的目标地质特征属性“岩石类型：砂岩”。
可选的，本申请的油气井完井处理方法依据精准可靠的数学模型，因此在进行目标完井方式的预测时，也需要输入与数学模型的预测运算对应的矩阵形式数据集，具体的，例如将上述得到的目标地质特征属性“岩石类型：砂岩”进行进一步的划分分级，划分分级的规则可以为“岩石类型：0-砂岩，1-碳酸盐，2-变质岩”，进而得到“岩石类型：0-砂岩”，其中的数字“0”即可用适用于后续数学模型的预测运算。
步骤S102：根据所述目标地质特征属性和完井分类预测模型，确定目标油气井的目标完井方式。
可以理解的是，所述完井分类预测模型的训练样本可以为已经成功完成完井的油气井的历史地质特征信息，具体的，在综合分析地层、流体及岩石等因素的基础上，确定影响完井方式的主要影响因素，有针对性地采集该井的历史地质特征信息，进而作为训练样本进行分类训练，得到所述完井分类预测模型。
可以理解的是，所述完井分类预测模型能够准确可靠地表征各地质特征属性与完井方式的对应关系，即各地质特征属性对应于各完井方式的概率，因此当向所述完井分类预测模型中输入目标油气井的目标地质特征属性后，所述完井分类预测模型能够输出目标油气井的目标完井方式。
从上述描述可知，本申请实施例提供的油气井完井处理方法，能够通过确定影响完井方式选择的关键因素类型以及对应的具体地质特征属性，确定地质特征属性与完井方式之间的对应关系，即得到用于进行分类预测的完井分类预测模型，通过对目标油气井的地质特征信息进行地质特征属性划分，得到目标油气井的目标地质特征属性，并根据所述目标地质特征属性和所述完井分类预测模型，对目标油气井的完井方式进行预测，进而得到目标完井方式；本申请的完井分类预测模型能够准确表征地质特征属性与完井方式之间的对应关系，通过本申请的油气井完井处理方法能够快速、便捷和准确的对目标油气井进行完井方式的预测，提高了完井工程的生产效率和可靠性。
为了能够选取影响完井方式选择的关键因素，在本申请的油气井完井处理方法的一实施例中，还可以具体包含有确定用于进行完井分类预测模型的样本训练的地质特征信息，所述地质特征信息为岩石类型信息、空隙类型信息、层间差异信息、井壁稳定性、出砂状态信息、地层砂分类信息、地层砂均匀系数信息、底水状态信息、分层状态信息和渗透率信息中的至少一种。
可以理解的是，在综合分析地层、流体及岩石等因素的基础上，可以确定影响完井方式的主要影响因素，根据该主要影响因素有针对性的采集油气井的地质特性信息。优选的，所述地质特性信息为岩石类型信息、空隙类型信息、层间差异信息、井壁稳定性、出砂状态信息、地层砂分类信息、地层砂均匀系数信息、底水状态信息、分层状态信息和渗透率信息中的至少一种，采用上述地质特征信息作为训练样本得到的完井分类预测模型能够准确可靠地表征地质特征属性与完井方式之间的对应关系，快速、便捷和准确的对目标油气井进行完井方式的预测。
为了消除各地质特征信息在用于模型训练时存在的计算差异(例如正逆性差异、量纲差异、量级差异以及性质差异)，提高模型训练的准确性和可靠性，在本申请的油气井完井处理方法的一实施例中，还可以具体包含有对原始的地质特征信息进行统一量化处理的步骤，参见图2，该步骤具体包含有如下内容：
步骤S201：对所述地质特征信息进行统一量化处理。
步骤S202：根据所述统一量化处理的结果确定所述目标地质特征属性。
可以理解的是，在采集得到地质特性信息之后，例如得到“岩石类型”、“井壁稳定性”、“出砂状态信息”和“地层砂分类信息”，由于各地质特征信息具有不同的量纲、不同的量级、不同的正逆性以及不同的性质，而本申请的油气井完井处理方法依据精准可靠的数学模型，因此在进行目标完井方式的预测时，需要输入与数学模型的预测运算对应的矩阵形式数据集，因此需要对所述地质特征信息进行统一量化处理。
在一种实施例中，例如可以将上述得到的目标地质特征属性“岩石类型：砂岩”进行进一步的划分分级，划分分级的规则可以为“岩石类型：0-砂岩，1-碳酸盐，2-变质岩”，进而得到“岩石类型：0-砂岩”，其中的数字“0”即可用适用于后续数学模型的预测运算。
为了能够快速、准确地对目标油气井的完井方式进行预测，在本申请的油气井完井处理方法的一实施例中，还可以具体包含有根据历史地质特性信息进行模型训练，得到用于进行目标油气井完井方式预测的完井分类预测模型的步骤，参见图3，该步骤具体包含有如下内容：
步骤S301：对历史地质特征信息进行属性划分得到历史地质特征属性。
步骤S302：将所述历史地质特征属性和对应的完井方式作为样本数据进行机器学习分类训练，得到所述完井分类预测模型。
可以理解的是，在综合分析地层、流体及岩石等因素的基础上，确定影响完井方式的主要影响因素，有针对性地采集已完成完井的油气井的历史地质特征信息，进而作为训练样本进行分类训练，得到所述完井分类预测模型。
可选的，对历史地质特性信息进行属性划分进而得到历史地质特征属性，不仅可以将具有不同的量纲、不同的量级、不同的正逆性以及不同的性质的历史特征信息转化为能够适用于模型训练的矩阵形式数据集，也可以通过历史地质特性属性的具体划分等级提高完井分类预测模型预测能力的准确性和可靠性。
可以理解的是，所述完井分类预测模型是一种基于机器学习的分类预测模型，优选的，可以采用高斯朴素贝叶斯、多项式朴素贝叶斯、伯努利朴素贝叶斯等方法计算训练样本中每种地质特性属性对应不同完井方式的联合条件概率。
为了能够根据目标油气井的目标地质特征属性和完井分类预测模型，快速、准确地得到目标油气井的完井方式，在本申请的油气井完井处理方法的一实施例中，还可以具体包含有根据完井分类预测模型的预测结果确定目标完井方式的步骤，参见图4，该步骤具体包含有如下内容：
步骤S401：根据所述目标地质特征属性和所述完井分类预测模型，确定与所述目标地质特征属性对应的完井方式预测后验概率分布。
步骤S402：将所述完井方式预测后验概率分布中最大概率数值对应的完井方式设定为所述目标完井方式。
可以理解的是，通过上述步骤S301至步骤S302得到的完井分类预测模型能够准确表征各地质特征属性与完井方式的对应关系，得到对应的完井方式预测后验概率分布，即一种目标地质特征属性分别对应于每种完井方式的概率的分布，例如当目标地质特性属性为“岩石类型：砂岩”时，对应于“完井方式：射孔完井”的概率为20％，对应于“完井方式：裸眼完井”的概率为35％，对应于“完井方式：衬管完井”的概率为18％，根据得到的完井凡是预测后验概率分布，将概率最大的数值所对应的完井方式设定为目标油气井的目标完井方式，例如将上述概率为35％的“完井方式：裸眼完井”设定为目标完井方式。
为了能够有效、准确和可靠的得到地质特征属性与完井方式的对应关系，快速便捷的获取待设计井的最优完井方式，提高完井工程的生产效率和可靠性，本申请提供一种用于实现所述油气井完井处理方法的全部或部分内容的油气井完井处理装置的实施例，参见图5，所述油气井完井处理装置具体包含有如下内容：
目标地质特征属性确定模块10，用于对目标油气井的地质特征信息进行地质特征属性划分，得到对应的目标地质特征属性。
完井方式确定模块20，用于根据所述目标地质特征属性和完井分类预测模型，确定目标油气井的目标完井方式。
从上述描述可知，本申请实施例提供的油气井完井处理装置，能够通过确定影响完井方式选择的关键因素类型以及对应的具体地质特征属性，确定地质特征属性与完井方式之间的对应关系，即得到用于进行分类预测的完井分类预测模型，通过对目标油气井的地质特征信息进行地质特征属性划分，得到目标油气井的目标地质特征属性，并根据所述目标地质特征属性和所述完井分类预测模型，对目标油气井的完井方式进行预测，进而得到目标完井方式；本申请的完井分类预测模型能够准确表征地质特征属性与完井方式之间的对应关系，通过本申请的油气井完井处理方法能够快速、便捷和准确的对目标油气井进行完井方式的预测，提高了完井工程的生产效率和可靠性。
为了能够选取影响完井方式选择的关键因素，在本申请的油气井完井处理装置的一实施例中，所述地质特征信息为岩石类型信息、空隙类型信息、层间差异信息、井壁稳定性、出砂状态信息、地层砂分类信息、地层砂均匀系数信息、底水状态信息、分层状态信息和渗透率信息中的至少一种。
为了消除各地质特征信息在用于模型训练时存在的计算差异(例如正逆性差异、量纲差异、量级差异以及性质差异)，提高模型训练的准确性和可靠性，在本申请的油气井完井处理装置的一实施例中，参见图6，所述目标地质特征属性确定模块10包括：
统一量化处理单元11，用于对所述地质特征信息进行统一量化处理。
目标地质特征属性确定单元12，用于根据所述统一量化处理的结果确定所述目标地质特征属性。
为了能够快速、准确地对目标油气井的完井方式进行预测，在本申请的油气井完井处理装置的一实施例中，参见图7，还包括：
历史地质特征属性确定单元31，用于对历史地质特征信息进行属性划分得到历史地质特征属性。
完井分类预测模型确定单元32，用于将所述历史地质特征属性和对应的完井方式作为样本数据进行机器学习分类训练，得到所述完井分类预测模型。
为了能够根据目标油气井的目标地质特征属性和完井分类预测模型，快速、准确地得到目标油气井的完井方式，在本申请的油气井完井处理装置的一实施例中，参见图8，所述完井方式确定模块20包括：
后验概率分布确定单元21，用于根据所述目标地质特征属性和所述完井分类预测模型，确定与所述目标地质特征属性对应的完井方式预测后验概率分布。
目标完井方式确定单元22，用于将所述完井方式预测后验概率分布中最大概率数值对应的完井方式设定为所述目标完井方式。
为了更进一步说明本方案，本申请还提供一种应用上述油气井完井处理装置实现油气井完井处理方法的具体应用实例，具体包含有如下内容：
(1)确定完井方式评价指标
在完井方式确定过程中，存在多项因素的影响，不同影响因素对目标的影响程度不同，且不同因素的组合影响下，完井方式也存在着差异。在优选影响因素分析的基础上，可以筛选出岩石类型、孔隙类型、层间差异、井壁稳定、是否出砂、地层砂分类、地层砂均匀系数、是否底水、是否分层、渗透率等主要影响因素，作为确定完井方式的评价指标(即确定所述地质特征信息的具体类型和具体内容)，参见表1：
表1完井方式评价指标
(2)数据样本采集
数据样本采集阶段一般需要采集尽可能多而全数据，这是由于通常并不能很好的知晓各个因素对目标的影响程度。在第一步确定完完井方式的评价指标之后，只需采集表1相应的数据样本进行后续的数据分析即可。数据样本采集结果参见表2：
表2数据样本采集表
(3)数据预处理
在采集完数据样本之后，由于各个数据样本以及评价指标之间存在差异，具体表现为正逆性差异、量纲差异、量级差异以及性质差异等，需要对其进行数据的预处理。在机器学习过程中输入的数据矩阵需要是定量的数据样本，故需要对上述采集的数据样本进行属性划分。对于各个评价指标，选择如下处理方法：
岩石类型中0代表砂岩，1代表碳酸盐岩，2代表变质岩；
孔隙类型中0代表孔隙型，1代表裂缝型，2代表孔隙裂缝型，孔隙溶洞型；
地层砂分类中0代表粗砂，1代表中砂，2代表细砂，3代表粉砂；
渗透率中以渗透率值作为数据样本；
其他各参数中0代表否，1代表是。
一般数据预处理需要进行数据清洗、数据集成、数据变换等，在该实例的运行过程中，只需在属性划分结束后存储数据样本即可。可输入的数据样本表如表3所示：
表3数据样本表
(4)算法模型的建立与应用
该实例就油井完井方式的优化选择，通过对比选用GaussianNB(高斯朴素贝叶斯)分类算法进行学习与分析。得到可输入的数据样本并选择好算法之后，建立相应的算法模型，并对算法模型进行评估。采集的数据样本需要划分为训练数据集和测试数据集，一般将采集数据样本70％的数据比例划分为训练数据集，剩下的30％的数据比例划分为测试数据集。此外数据标签(这里为表中完井方式栏相应数据)也要对应划分为训练数据集标签和测试数据集标签。输入数据矩阵与标签数据矩阵如下表4所示：
表4输入数据矩阵及数据标签
算法模型通过调用相应的程序包来建立，通过所提取的训练数据集进行算法模型的训练，再利用提取的测试数据集进行检验，评估算法模型的效果，检验结果的准确度达到合理值，则算法模型可行，可应用于新井完井方式的智能选择。
本申请的实施例还提供能够实现上述实施例中的油气井完井处理方法中全部步骤的一种电子设备的具体实施方式，参见图9，所述电子设备具体包括如下内容：
处理器(processor)601、存储器(memory)602、通信接口(CommunicationsInterface)603和总线604；
其中，所述处理器601、存储器602、通信接口603通过所述总线604完成相互间的通信；所述通信接口603用于实现油气井完井处理装置、在线业务系统、客户端设备以及其他参与机构之间的信息传输；
所述处理器601用于调用所述存储器602中的计算机程序，所述处理器执行所述计算机程序时实现上述实施例中的油气井完井处理方法中的全部步骤，例如，所述处理器执行所述计算机程序时实现下述步骤：
步骤S101：对目标油气井的地质特征信息进行地质特征属性划分，得到对应的目标地质特征属性。
步骤S102：根据所述目标地质特征属性和完井分类预测模型，确定目标油气井的目标完井方式。
从上述描述可知，本申请实施例提供的电子设备，能够通过确定影响完井方式选择的关键因素类型以及对应的具体地质特征属性，确定地质特征属性与完井方式之间的对应关系，即得到用于进行分类预测的完井分类预测模型，通过对目标油气井的地质特征信息进行地质特征属性划分，得到目标油气井的目标地质特征属性，并根据所述目标地质特征属性和所述完井分类预测模型，对目标油气井的完井方式进行预测，进而得到目标完井方式；本申请的完井分类预测模型能够准确表征地质特征属性与完井方式之间的对应关系，通过本申请的油气井完井处理方法能够快速、便捷和准确的对目标油气井进行完井方式的预测，提高了完井工程的生产效率和可靠性。
本申请的实施例还提供能够实现上述实施例中的油气井完井处理方法中全部步骤的一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，该计算机程序被处理器执行时实现上述实施例中的油气井完井处理方法的全部步骤，例如，所述处理器执行所述计算机程序时实现下述步骤：
步骤S101：对目标油气井的地质特征信息进行地质特征属性划分，得到对应的目标地质特征属性。
步骤S102：根据所述目标地质特征属性和完井分类预测模型，确定目标油气井的目标完井方式。
从上述描述可知，本申请实施例提供的计算机可读存储介质，能够通过确定影响完井方式选择的关键因素类型以及对应的具体地质特征属性，确定地质特征属性与完井方式之间的对应关系，即得到用于进行分类预测的完井分类预测模型，通过对目标油气井的地质特征信息进行地质特征属性划分，得到目标油气井的目标地质特征属性，并根据所述目标地质特征属性和所述完井分类预测模型，对目标油气井的完井方式进行预测，进而得到目标完井方式；本申请的完井分类预测模型能够准确表征地质特征属性与完井方式之间的对应关系，通过本申请的油气井完井处理方法能够快速、便捷和准确的对目标油气井进行完井方式的预测，提高了完井工程的生产效率和可靠性。
本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于硬件+程序类实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。
上述对本说明书特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下，在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外，在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中，多任务处理和并行处理也是可以的或者可能是有利的。
虽然本申请提供了如实施例或流程图所述的方法操作步骤，但基于常规或者无创造性的劳动可以包括更多或者更少的操作步骤。实施例中列举的步骤顺序仅仅为众多步骤执行顺序中的一种方式，不代表唯一的执行顺序。在实际中的装置或客户端产品执行时，可以按照实施例或者附图所示的方法顺序执行或者并行执行(例如并行处理器或者多线程处理的环境)。
上述实施例阐明的系统、装置、模块或单元，具体可以由计算机芯片或实体实现，或者由具有某种功能的产品来实现。一种典型的实现设备为计算机。具体的，计算机例如可以为个人计算机、膝上型计算机、车载人机交互设备、蜂窝电话、相机电话、智能电话、个人数字助理、媒体播放器、导航设备、电子邮件设备、游戏控制台、平板计算机、可穿戴设备或者这些设备中的任何设备的组合。
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。
内存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)。内存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。
本领域技术人员应明白，本说明书的实施例可提供为方法、系统或计算机程序产品。因此，本说明书实施例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。
本说明书实施例可以在由计算机执行的计算机可执行指令的一般上下文中描述，例如程序模块。一般地，程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践本说明书实施例，在这些分布式计算环境中，由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中，程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。
本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于系统实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本说明书实施例的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外，在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
以上所述仅为本说明书的实施例而已，并不用于限制本说明书实施例。对于本领域技术人员来说，本说明书实施例可以有各种更改和变化。凡在本说明书实施例的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本说明书实施例的权利要求范围之内。
Claims (4)
1.一种油气井完井处理方法，其特征在于，所述方法包括：
对目标油气井的地质特征信息进行地质特征属性划分，得到对应的目标地质特征属性；
根据所述目标地质特征属性和完井分类预测模型，确定目标油气井的目标完井方式；
其中，所述地质特征信息为岩石类型信息、空隙类型信息、层间差异信息、井壁稳定性、出砂状态信息、地层砂分类信息、地层砂均匀系数信息、底水状态信息、分层状态信息和渗透率信息中的至少一种；
其中，所述对目标油气井的地质特征信息进行地质特征属性划分，得到对应的目标地质特征属性，包括：
对所述地质特征信息进行统一量化处理；
根据所述统一量化处理的结果确定所述目标地质特征属性；
其中，在所述根据所述目标地质特征属性和完井分类预测模型，确定目标油气井的目标完井方式之前，包括：
对历史地质特征信息进行属性划分得到历史地质特征属性；
将所述历史地质特征属性和对应的完井方式作为样本数据进行机器学习分类训练，得到所述完井分类预测模型；
其中，所述根据所述目标地质特征属性和完井分类预测模型，确定目标油气井的目标完井方式，包括：
根据所述目标地质特征属性和所述完井分类预测模型，确定与所述目标地质特征属性对应的完井方式预测后验概率分布；
将所述完井方式预测后验概率分布中最大概率数值对应的完井方式设定为所述目标完井方式。
2.一种油气井完井处理装置，其特征在于，包括：
目标地质特征属性确定模块，用于对目标油气井的地质特征信息进行地质特征属性划分，得到对应的目标地质特征属性；
完井方式确定模块，用于根据所述目标地质特征属性和完井分类预测模型，确定目标油气井的目标完井方式；
其中，所述地质特征信息为岩石类型信息、空隙类型信息、层间差异信息、井壁稳定性、出砂状态信息、地层砂分类信息、地层砂均匀系数信息、底水状态信息、分层状态信息和渗透率信息中的至少一种；
其中，所述目标地质特征属性确定模块包括：
统一量化处理单元，用于对所述地质特征信息进行统一量化处理；
目标地质特征属性确定单元，用于根据所述统一量化处理的结果确定所述目标地质特征属性；
其中，所述装置还包括：
历史地质特征属性确定单元，用于对历史地质特征信息进行属性划分得到历史地质特征属性；
完井分类预测模型确定单元，用于将所述历史地质特征属性和对应的完井方式作为样本数据进行机器学习分类训练，得到所述完井分类预测模型；
其中，所述完井方式确定模块包括：
后验概率分布确定单元，用于根据所述目标地质特征属性和所述完井分类预测模型，确定与所述目标地质特征属性对应的完井方式预测后验概率分布；
目标完井方式确定单元，用于将所述完井方式预测后验概率分布中最大概率数值对应的完井方式设定为所述目标完井方式。
3.一种电子设备，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程序时实现权利要求1所述的油气井完井处理方法。
4.一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，该计算机程序被处理器执行时实现权利要求1所述的油气井完井处理方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910639151.4A CN112241576B (zh) | 2019-07-16 | 2019-07-16 | 油气井完井处理方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910639151.4A CN112241576B (zh) | 2019-07-16 | 2019-07-16 | 油气井完井处理方法及装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112241576A CN112241576A (zh) | 2021-01-19 |
| CN112241576B true CN112241576B (zh) | 2022-11-01 |
Family
ID=74166449
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910639151.4A Active CN112241576B (zh) | 2019-07-16 | 2019-07-16 | 油气井完井处理方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112241576B (zh) |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105760564A (zh) * | 2014-12-19 | 2016-07-13 | 中国石油天然气股份有限公司 | 分析油层套管失效的方法和装置 |
| CN108376295A (zh) * | 2018-01-31 | 2018-08-07 | 北京博达瑞恒科技有限公司 | 一种油气甜点预测方法及存储介质 |
| CN109542884A (zh) * | 2018-11-01 | 2019-03-29 | 清能艾科（深圳）能源技术有限公司 | 采用大数据耦合参数以优化破岩效率的方法和系统 |
| 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 |
-
2019
- 2019-07-16 CN CN201910639151.4A patent/CN112241576B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105760564A (zh) * | 2014-12-19 | 2016-07-13 | 中国石油天然气股份有限公司 | 分析油层套管失效的方法和装置 |
| CN108376295A (zh) * | 2018-01-31 | 2018-08-07 | 北京博达瑞恒科技有限公司 | 一种油气甜点预测方法及存储介质 |
| 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 |
| CN109542884A (zh) * | 2018-11-01 | 2019-03-29 | 清能艾科（深圳）能源技术有限公司 | 采用大数据耦合参数以优化破岩效率的方法和系统 |
Non-Patent Citations (2)
| Title |
|---|
| 应用模糊数学原理对水平井完井方式进行优选与评价;伍强;《重庆科技学院学报(自然科学版)》;20110215(第01期);全文 * |
| 油气完井产能分析设计预测软件ComPAD业务建模和功能设计;杨汝琦等;《中国石油和化工》;20151005(第10期);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112241576A (zh) | 2021-01-19 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110717249B (zh) | 页岩气储层测井孔隙度快速预测方法及系统 | |
| CN109115987B (zh) | 一种基于岩石物理模型的流体因子的评价方法及装置 | |
| CN109636094A (zh) | 低渗透油田储层类型识别方法和装置 | |
| CN106896406A (zh) | 基于阻抗域属性预测优质储层的方法和装置 | |
| US11326450B2 (en) | Intelligent prediction method and apparatus for reservoir sensitivity | |
| CN108894775B (zh) | 一种致密油甜点区的评价方法和装置 | |
| Tao et al. | A new productivity prediction hybrid model for multi-fractured horizontal wells in tight oil reservoirs | |
| CN108319743B (zh) | 古老海相碳酸盐岩油气资源丰度预测方法及装置 | |
| CN108681793B (zh) | 深层油藏采油指数预测方法及装置 | |
| CN108227033B (zh) | 砂岩储层的孔隙度的预测方法、装置及计算机存储介质 | |
| CN112241576B (zh) | 油气井完井处理方法及装置 | |
| CN109870743B (zh) | 一种页理缝的空间展布预测方法和装置 | |
| CN111323814A (zh) | 基于岩石物理模板定量确定砂岩储层含水饱和度的方法 | |
| CN112817059B (zh) | 峰峰组内幕储层确定方法及装置 | |
| CN109063228B (zh) | 一种水驱油藏含水上升率变化的确定方法及装置 | |
| CN112114357B (zh) | 缝洞型储层连通性预测方法及装置 | |
| Alfonso et al. | A machine learning methodology for rock-typing using relative permeability curves | |
| CN113946931A (zh) | 一种测井遇阻遇卡的主导因素确定方法及装置 | |
| Akinshin et al. | Automate Well Logging Data Interpretation with Digital Assistant | |
| CN113010501A (zh) | 采收率预测模型获取方法、采收率预测方法和产品 | |
| Kelkar et al. | Dynamic vs. Static ranking: Comparison and contrast in application to geo-cellular models | |
| CN113914853B (zh) | 深水沉积体系砂泥岩薄互层砂岩储层含水饱和度确定方法 | |
| CN112052631B (zh) | 完钻新井目标井段初期无阻流量参数确定方法和装置 | |
| CN111983677B (zh) | 基于Russell属性因子的储层孔隙度预测方法及装置 | |
| Zhang et al. | Research and development of B/S-based data mining system for petroleum information |
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 |