CN112308269A - 用于低渗透油气藏的产能预测方法及装置 - Google Patents

Abstract

本发明提供一种用于低渗透油气藏的产能预测方法，其包含：对目标区域内的生产井进行生产相关数据收集，得到目标区域内生产井的基础数据；计算得到目标域内单个生产井的产能预测值，并得到产能置信区间；确定影响生产井产能的影响参数组，对影响参数组中的影响参数进行筛选，得到优选影响参数组；基于产能预测值以及优选影响参数组，建立机器学习类产量预测模型组；根据机器学习产量预测模型组中不同模型的产量预测精度高低进行优选，选取一个最优产能预测模型对目标区域内生产井的产能进行预测。本发明可以快速高效的甄别和选取低渗透油气田的主要控制因素(主控因素)并用以建立和完善油田产能预测模型，预测结果更加精确，适应性更强。

Description

用于低渗透油气藏的产能预测方法及装置

技术领域

本发明涉及油气开发与钻完井工程领域，具体地说，涉及一种用于低渗透油气藏的产能预测方法及装置。

背景技术

低渗透油藏单井产量受诸多因素影响，包括地质油藏、钻完井方式、储改方式、生产制度等。现有技术中基于经验公式的产能预测方法考虑因素单一、应用局限性大、计算精度低，数值模拟方法建模繁复、模拟周期长，计算复杂。因而需要探索一种方法可以弥补两者不足，实现高维度变量非线性影响下油气产量的快速预测。

现有技术中，基于数据挖掘的页岩油气储层等非常规油气田的产能预测方法已经被讨论和研究，具备一种依据机器学习的基于钻完井等数据进行一元非线性和多元线性回归的产能预测方法，但是，一元非线性和多元线性回归方法适应性不强且精度较低。

因此，本发明提供了一种用于低渗透油气藏的产能预测方法及装置。

发明内容

为解决上述问题，本发明提供了一种用于低渗透油气藏的产能预测方法，所述方法包含以下步骤：

步骤一、对目标区域内的生产井进行生产相关数据收集，得到目标区域内生产井的基础数据；

步骤二、基于所述基础数据，采用分段递减模型，计算得到目标区域内单个生产井的产能预测值，并对目标区域内所有生产井的所述基础数据进行统计，得到产能置信区间；

步骤三、确定影响生产井产能的影响参数组，基于所述影响参数组进行影响参数与生产井产能之间的相关性分析，对所述影响参数组中的影响参数进行筛选，得到优选影响参数组；

步骤四、基于所述产能预测值以及所述优选影响参数组，建立机器学习类产量预测模型组；

步骤五、根据所述机器学习产量预测模型组中不同模型的产量预测精度高低进行优选，并利用数据交叉验证方法提升优化预测模型组中的产能预测模型，选取一个最优产能预测模型对目标区域内生产井的产能进行预测。

根据本发明的一个实施例，所述基础数据包含：井位地理信息、岩性特征信息、钻完井参数信息以及单井历史生产信息。

根据本发明的一个实施例，步骤二中具体包含以下步骤：

在泄油范围没有超过储层改造区域时，采用双曲衰减模型对目标区域内单个生产井的产能预测值进行计算；

在泄油范围超过储层改造区域后，采用指数递减模型对目标区域内单个生产井的产能预测值进行计算。

根据本发明的一个实施例，所述双曲衰减模型包含以下公式：

其中，q表示油气的生产速度，q_i表示初始流量，D_i表示初始递减速率，b表示递减指数，t表示时间。

根据本发明的一个实施例，所述指数递减模型包含以下公式：

其中，q表示油气的生产速度，q_i表示初始流量，D_{terminal t}表示末期递减速率，t表示时间。

根据本发明的一个实施例，步骤二中还包含以下步骤：统计区域内所有生产井的典型曲线极值，选取所述产能置信区间的置信上限以及置信下限。

根据本发明的一个实施例，步骤三具体包含以下步骤：计算在不同生产时期累计产量与所述影响参数组中任一影响参数的关联性。

根据本发明的一个实施例，通过以下公式计算所述关联性：

其中，r表示关联性相关系数，N表示样本数量，x_i表示第i个样本的影响参数值，y_i表示第i个样本的累计产量值。

根据本发明的一个实施例，所述产量预测模型组中包含：随机森林产能预测模型、梯度提升产能预测模型以及神经网络产量预测模型。

根据本发明的另一个方面，还提供了一种用于低渗透油气藏的产能预测装置，所述装置包含：

第一模块，其用于对目标区域内的生产井进行生产相关数据收集，得到目标区域内生产井的基础数据；

第二模块，其用于基于所述基础数据，采用分段递减模型，计算得到目标区域内单个生产井的产能预测值，并对目标区域内所有生产井的所述基础数据进行统计，得到产能置信区间；

第三模块，其用于确定影响生产井产能的影响参数组，基于所述影响参数组进行影响参数与生产井产能之间的相关性分析，对所述影响参数组中的影响参数进行筛选，得到优选影响参数组；

第四模块，其用于基于所述产能预测值以及所述优选影响参数组，建立机器学习类产量预测模型组；

第五模块，其用于根据所述机器学习产量预测模型组中不同模型的产量预测精度高低进行优选，并利用数据交叉验证方法提升优化预测模型组中的产能预测模型，选取一个最优产能预测模型对目标区域内生产井的产能进行预测。

本发明提供的用于低渗透油气藏的产能预测方法及装置可以快速高效的甄别和选取低渗透油气田的主要控制因素(主控因素)并用以建立和完善油田产能预测模型，优选后的机器学习模型预测结果更加精确，适应性更强。另外通过相关系数方法鉴别主控因素在时间序列上的影响变化，可以在预测长期产能的同时兼顾考虑在短中期钻完井参数设计的优化选择，对于特定时间段中甄别影响产量的主控参数、建立和优选机器学习模型大有裨益。

本发明的其它特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本发明而了解。本发明的目的和其他优点可通过在说明书、权利要求书以及附图中所特别指出的结构来实现和获得。

附图说明

附图用来提供对本发明的进一步理解，并且构成说明书的一部分，与本发明的实施例共同用于解释本发明，并不构成对本发明的限制。在附图中：

图1显示了根据本发明的一个实施例的用于低渗透油气藏的产能预测方法流程图；

图2显示了根据本发明的另一个实施例的用于低渗透油气藏的产能预测方法流程图；

图3显示了根据本发明的一个实施例的数据收集预处理以及数据库初建示意图；

图4显示了根据本发明的一个实施例的利用分段递减模型预测非常规储层产能的曲线图；

图5显示了根据本发明的一个实施例的利用决策树方法预测产能示意图；

图6显示了根据本发明的一个实施例的利用随机森林方法预测产能示意图；

图7显示了根据本发明的一个实施例的利用交叉验证法降低模型误差率的方法流程图；以及

图8显示了根据本发明的一个实施例的用于低渗透油气藏的产能预测装置结构框图。

具体实施方式

为使本发明的目的、技术方案和优点更加清楚，以下结合附图对本发明实施例作进一步地详细说明。

本发明主要是基于大数据的角度，深入挖掘低渗透储层中井位地理信息、储层物性和工程参数等与特定时间节点累计产量的相关性研究方法和产能的预测流程，有助于从地质、油藏和工程等参数等更加全面的视角预测产量并提供一体化钻完井参数设计解决方案。

图1显示了根据本发明的一个实施例的用于低渗透油气藏的产能预测方法流程图。

如图1，在步骤S101中，对目标区域内的生产井进行生产相关数据收集，得到目标区域内生产井的基础数据。

在一个实施例中，基础数据包含：井位地理信息、岩性特征信息、钻完井参数信息以及单井历史生产信息。

在步骤S102中，基于基础数据，采用分段递减模型，计算得到目标区域内单个生产井的产能预测值，并对目标区域内所有生产井的基础数据进行统计，得到产能置信区间。

在一个实施例中，在泄油范围没有超过储层改造区域时，采用双曲衰减模型对目标区域内单个生产井的产能预测值进行计算；在泄油范围超过储层改造区域后，采用指数递减模型对目标区域内单个生产井的产能预测值进行计算。

优选地，双曲衰减模型包含以下公式：

其中，q表示油气的生产速度，q_i表示初始流量，D_i表示初始递减速率，b表示递减指数，t表示时间。

优选地，指数递减模型包含以下公式：

其中，q表示油气的生产速度，q_i表示初始流量，D_{terminal t}表示末期递减速率，t表示时间。

在一个实施例中，统计区域内所有生产井的典型曲线极值，选取产能置信区间的置信上限以及置信下限。

在步骤S103中，确定影响生产井产能的影响参数组，基于影响参数组进行影响参数与生产井产能之间的相关性分析，对影响参数组中的影响参数进行筛选，得到优选影响参数组。

在一个实施例中，计算在不同生产时期累计产量与影响参数组中任一影响参数的关联性。

优选地，通过以下公式计算关联性：

其中，r表示关联性相关系数，N表示样本数量，x_i表示第i个样本的影响参数值，y_i表示第i个样本的累计产量值。

在步骤S104中，基于产能预测值以及优选影响参数组，建立机器学习类产量预测模型组。

在一个实施例中，产量预测模型组中包含：随机森林产能预测模型、梯度提升产能预测模型以及神经网络产量预测模型。

在步骤S105中，根据机器学习产量预测模型组中不同模型的产量预测精度高低进行优选，并利用数据交叉验证方法提升优化预测模型组中的产能预测模型，选取一个最优产能预测模型对目标区域内生产井的产能进行预测。

如图1所示的方法，可以实现低渗透油气藏中地质、油藏、岩性和钻完井等参数的影响权重值计算，快速甄别影响产能主控因素并建立起高维机器学习预测模型。该模型对油气田开发提质增效起到了关键作用，帮助低渗透油田实现甜点的快速选择和优化相关钻完井参数设计。

在一个实施例中，开元环境中运行的机器学习模型可以快速的在15分钟以内完成对目标区域所有水平井(1000+口)进行训练和目标井产能预测，可以有效地辅助低渗透油气田钻井甜点选择与相应的工程参数优化。

图2显示了根据本发明的另一个实施例的用于低渗透油气藏的产能预测方法流程图。

如图2所示的产能预测方法从数据挖掘角度出发，提出了低渗透储层最终采收量与井位地理信息、储层物性和工程参数等的相关性研究方法和预测流程。通过对研究区域的有所水平井数据的单因素敏感性测试、单井递减曲线计算和典型井分析，建立与完善结构化数据库；之后从多种机器学习方法中优选出的，例如随机森林、梯度提升等回归或分类预测模型计算目标井在特定时间节点上的产量或产能的大小。

如图2所示的预测方法是通过采用下述技术方案实现的：

第一步：目标油气田数据收集与预处理。

首先，针对目标低渗透油气藏区块即目标区域进行数据收集，数据来源可以是来自于公共数据库的表格数据，也可以是作业者内部的岩心实验室报告、钻完井日报和测录井的LAS文件等，通过创建兼容接口、文件自动识别或手动输入的方式录入原始数据库(可以为表格形式)。数据种类则主要根据传统油气田开发的不同分工职能属性分为四大类数据，第一种为井位地理信息；第二种为岩性特征信息；第三种为钻完井参数信息；第四种为单井历史生产信息。

需要说明的是，为了更好地研究低渗透油气储层的产量高低与完井参数，即水平井压裂参数在早期生产中的联系，可以利用单井12个月累产量作为划分依据将目标区域内的所有水平井(具有生产能力的生产井)分为高产井、中产井和低产井。

图3显示了根据本发明的一个实施例的数据收集预处理以及数据库初建示意图。

数据库主要分为分成两大部分，第一部分是用作自变量的输入参数x，包括井位坐标等参数(井位地理信息)、岩石性质等参数(岩性特征信息)和钻完井工程参数(钻完井参数)；第二部分是用作因变量的标签参数y，包含单井在不同时间节点的累计产量，可以将累产3个月、6个月、9个月、12个月和36个月作为关键节点用以后续数据库的优化和模型建立。

其中，输入参数中，第一类为井位地理信息，利用单井井号或经纬度坐标标定每一个训练参数或者测试参数的地理位置，预测的井位根据距离远近参考周围井对其影响的大小，具体来说，认为用以参与预测的训练井离预测井越近则影响权重系数越大，反之则越小。第2类为岩性特征信息，主要包括有机质含量 (TOC，％)、镜质体放射率(VRE，％)、孔隙度、油气含量和储层厚度(砂体厚度)等重要的数据，一般来说在低渗透储层中的中长期开发中岩性特征信息将起到至关重要的作用。第3类为钻完井参数，主要包括水平井段长度、总压裂级数、井斜方位角、泵入支撑剂量等20余种压裂施工参数，一般来讲在低渗透储层中的短中期开发工程参数设计的好坏将对其经济可行性起到决定性作用。

如图2，第二步：单井采收率计算与因变量标定。

现有技术中，对于单井的产能预测存在着严重的偏差与误导性，为了减小误差，本发明使用IHS DeclinePlus分析软件来自动导入并分析1000+口水平井的递减系数，得出递减指数的取值范围。目标区域内所有生产井的典型曲线经过快速抽查并手动修正明显的噪点，并经过DCA分析软件自动生成最佳比对典型曲线，能够最大程度上的减少模型的误差，并可作为可靠的自变量为接下来的多元回归、模拟和数学插值分析做准备。

在一个实施例中，低渗透储层的产量分析采取分段递减模型，第一段为双曲衰减模型，第二段则为指数递减模型。最终计算结果分为两个部分：第一部分是单井的产能计算值(产能预测值)，用于之后机器学习训练、测试和预测的因变量(也称为标签函数)；第二部分是基于大区内所有单井产能的正态分布图上获取P90和P10的极值，用于在之后的预测中设立置信上下限，即当预测值低于P90 或当预测值高于P10时，模型自动识别为预测可信度低。

需要说明的是，P90指在所有统计变量中排位最低的10％的上值；P10表示在所有统计变量中排位最高的10％上的值。

非常规油气藏的产能预测比较复杂，本发明利用分段递减模型建立单井整个生命周期的递减状态，分段递减模型包括初始生产阶段的双曲递减模型和生产达到一个稳定值后的指数型递减模型。双曲衰减模型的计算公式如下：

公式中，q代表油气的生产速度，q_i代表初始流量，D_i为初始递减速率，b代表递减指数，t代表时间。一般来说，q_i由最初的峰值流量确定，可依据预测者的需求来定，一般会采用前15天或30天的平均生产速率。D_i值一般则需要同时参考岩性参数和工程参数。当泄油范围超过储层改造区域后，指数递减模型将会被应用，它的计算公式如下；

其中，D_{terminal t}代表末期递减速率。

图4显示了根据本发明的一个实施例的利用分段递减模型预测非常规储层产能的曲线图。显示了一口典型井利用两个分段递减模型进行非常规储层的预测，其中包括了前期的双曲递减模型与后期的指数递减模型。

需要说明的是，非常规油藏中b值往往大于1，意味着过渡阶段经历了较长的一个时间，而当b值显示为0到1之间时，显示了油藏的边界效应开始主导整个递减趋势。根据分段递减方法计算的单井计算产能可以作为后续模型的因变量 (如图3所示)；利用区域内所有井分析的典型曲线极值，即P90和P10可以作为预测置信区间的上限以及下限，防止出现过于离谱的产能预测值。

如图2，第三步：主控因素的筛选与自变量标定。

为了探究各项地理信息、岩性参数和完井参数与水平井累计产量的相关程度，首先利用Pearson相关系数(也称作积差相关系数)的方法计算了在不同生产时期中(3、6、9、12、36个月累计产能)产量与每一项输入参数的关联性，即单因素相关性分析计算，通过对比以不同特定时期产量或产能与输入自变量的影响程度以及变化，可以快速的锁定主控因素(主要影响产能的输入参数)和主控因素在时间序列上影响峰值的关键节点。

除了利用Pearson相关系数方法计算敏感系数，本发明也同时使用随机森林方法，从多元角度评估了输入参数的影响程度排名风暴图，可以从侧面印证之前单因素主控因素筛选结果。筛选和验证后的主控因素将作为输入参数为下一步机器学习模型建立做好准备。

为了探究各项输入参数(影响参数)与水平井累计产量或产能的相关程度，利用Pearson相关系数(也称作积差相关系数)的方法计算了在不同生产时期中(3、6、9、12、36个月累计产能)累计产量与每一项参数的关联性，计算公式如下：

其中，r表示关联性相关系数，N代表参与运算的变量数量(样本数量)， x_i为第i个样本的影响参数值，y_i为第i个样本的累计产量值。相关系数的绝对值越大，相关性越强；相关系数越接近1或-1则相关度越强，相关数越接近0则相关度越弱。通过对比以不同特定时期产量或产能与输入自变量的影响程度以及变化，可以快速的锁定主控因素和主控因素在时间序列上影响峰值的关键节点。

如图2，第四步：基于数据挖掘的多元模型建立。

数据挖掘的核心在于能够找到数据自变量与因变量之间的关系，本发明中利用数据挖掘技术去提取各种数据和变量之间的相互关系，从而精炼数据。在一个实施例中，除了通过利用多种机器学习方法建立产量预测模型组，也利用传统的一元非线性或多元线性回归方法建立了对比产能预测模型。

在如图3所示的结构化数据库的基础上，分别通过建立一元非线性回归模型、多元线性回归模型和高维机器学习模型分析输入参数与标签函数之间的关联性，从而预测特定时间节点的累计产量或单井产能。

其中，所有用于预测产能的参数将会被称为自变量。假设数据库中包含的数据m∈N水平井集合，n∈N因自变量集合(为各个需要被预测产能的参数)。就可以预测来自x_i∈Rⁿ(子数据库中的某个油田)的特定时间节点的累计产量或产能

(R为i的子数据库的总集合)。这种方法属于“监督回归学习”。

y_i被称为是x_i的标签，包含自变量与相应标签的集合记做P＝{P₁，...，P_m}，其中P_i＝(x_i，y_i)＝(x_i1，...，x_in，y_i)∈Rⁿ⁺¹。另外，分别归类的自变量集合与对应标签集合也被描述成X＝{X₁，...，X_m}以及Y＝{Y₁，...，Y}。在使用多重集合数学表达式的前提下，重复使用P、X和Y中的数据是被允许的。此处以随机森林为例，如图5决策树预测产能方法流程和图6随机森林方法流程。

需要说明的是，决策树是一种树形结构，其中每个内部节点表示一个属性上的测试，每个分支代表一个测试输出，每个叶节点代表一种类别。在本发明中，任何一口井样本井都有很多的属性参数，比如孔隙度、渗透率、有机质含量和排量等等，不同的属性附在不同的叶子节点上，利用计算机遍历每一个叶子节点，做出是与非的判断，最终得到一个分类判断；随机森林的方法是利用多棵决策树来对样本进行训练并预测的一种分类器，通过遍历成百上千的策树的可能性后可以得到一个统计出来的最终产量或产能的预测值或预测区间。

如图2，第五步：模型优化优选与数据交叉验证。

所有用以优选的产能预测模型，无论是一元非线性、多元线性还是随机森林、梯度提升机等机器学习方法都基于相同的输入参数与标签函数，并且在设计训练库与测试库的数据比例中也保持一致；另外为了提高模型训练的可靠性，针对中小型数据体的预测目标可以利用数据交叉验证方法提升优化预测模型，扩充数据库训练精密度，提高了低渗砂岩储层产能模型的预测精度。优选和优化后产能预测方法与评估策略可以应用在低渗透油气藏中，测试案例表明，此种利用机器学习方法进行的产能分类预测精度达到90％以上。

为了训练和验证模型，P集合中的数据需要进行适当的划分。为了达成这一目的，t子库/基数被设计出来，1＜t＜m，并且所有所选参数都出自

集合。P_T数集为训练数集并且属于P集合，P_V被称为自变量集合，属于P并与P_T被称为互补，

P_V＝P\P_T＝{pv₁，...，pv_k}。最终通过对比预测y′_i与标签y_i值之间的差值，这里称为损耗或误差函数，如图7，来判断模型的好坏。损耗函数有标准方差(Root Mean Squared Error：RMSE)、平均方差(Mean Squared Error：MSE) 和Spearman关联系数(Pearson and SpearmanCorrelation Coefficient)等。

本发明提出了多种机器学习算法。利用不同算法来优选预测模型，就可以使用他们去精确地验证和计算模型在“隐形数据”测试的效果。然而，如果数据量太小而导致从P集合选出的训练集合在进行训练和测试时将会深受损耗函数的影响，预测结果将失准。为了在小数据库或中型数据库中得到相对可靠地错误统计值，比如本项发明，将使用交叉验证方技术来弥补数据不足的缺陷，如图6，这种方法多次采集P集合中的数据，并以不同的数据组合方式来建立不同的训练集和测试集。基于每一个因变量集合上，对所预测出的结果的损耗函数求平均，所得平均值称为模型f_T；λ的泛化误差。最终的学习算法在调整相关参数的基础上被优选，以求提高预测精度。通过优选井位和在关键时间节点上调整钻完井参数，显著的增加了低渗透油气田潜在商业价值。

本发明从数据挖掘角度出发，提出了低渗透储层特定累产值与井位地理信息、储层物性和工程参数等的相关性研究方法和预测流程。首先针对研究区域内所有水平井数据进行预处理和单因素敏感性测试，进而完成了主控因素的特征筛选，建立并完善结构化数据库；同时利用递减曲线分析方法(DCA)计算了区域内所有水平井的产能预测值。然后，利用随机森林等机器学习的方法建立了产量与地理/储层物理/工程参数之间的关联性，建立一个用以预测低渗砂岩储层产能的优选模型。

为了提高模型训练的可靠性，本研究通过交叉验证的方法扩充了数据库训练精密度，提高了低渗砂岩储层产能模型的预测精度。这种基于数据挖掘与机器学习技术的新型的综合产能预测方法与钻完井评估策略的分类预测有效的提高预测精度。

图8显示了根据本发明的一个实施例的用于低渗透油气藏的产能预测装置结构框图。如图8，产能预测装置800包含第一模块801、第二模块802、第三模块 803、第四模块804以及第五模块805。

其中，第一模块801用于对目标区域内的生产井进行生产相关数据收集，得到目标区域内生产井的基础数据。

第二模块802用于基于基础数据，采用分段递减模型，计算得到目标域内单个生产井的产能预测值，并对目标区域内所有生产井的基础数据进行统计，得到产能置信区间。

第三模块803用于确定影响生产井产能的影响参数组，基于影响参数组进行影响参数与生产井产能之间的相关性分析，对影响参数组中的影响参数进行筛选，得到优选影响参数组。

第四模块804用于基于产能预测值以及优选影响参数组，建立机器学习类产量预测模型组。

第五模块805用于根据机器学习产量预测模型组中不同模型的产量预测精度高低进行优选，并利用数据交叉验证方法提升优化预测模型组中的产能预测模型，选取一个最优产能预测模型对目标区域内生产井的产能进行预测。

综上，本发明提供的用于低渗透油气藏的产能预测方法及装置可以快速高效的甄别和选取低渗透油气田的主要控制因素(主控因素)并用以建立和完善油田产能预测模型，优选后的机器学习模型预测结果更加精确，适应性更强。另外通过相关系数方法鉴别主控因素在时间序列上的影响变化，可以在预测长期产能的同时兼顾考虑在短中期钻完井参数设计的优化选择，对于特定时间段中甄别影响产量的主控参数、建立和优选机器学习模型大有裨益。

应该理解的是，本发明所公开的实施例不限于这里所公开的特定结构、处理步骤或材料，而应当延伸到相关领域的普通技术人员所理解的这些特征的等同替代。还应当理解的是，在此使用的术语仅用于描述特定实施例的目的，而并不意味着限制。

说明书中提到的“一个实施例”或“实施例”意指结合实施例描述的特定特征、结构或特性包括在本发明的至少一个实施例中。因此，说明书通篇各个地方出现的短语“一个实施例”或“实施例”并不一定均指同一个实施例。

虽然本发明所公开的实施方式如上，但所述的内容只是为了便于理解本发明而采用的实施方式，并非用以限定本发明。任何本发明所属技术领域内的技术人员，在不脱离本发明所公开的精神和范围的前提下，可以在实施的形式上及细节上作任何的修改与变化，但本发明的专利保护范围，仍须以所附的权利要求书所界定的范围为准。

Claims (10)

1.一种用于低渗透油气藏的产能预测方法，其特征在于，所述方法包含以下步骤：

步骤一、对目标区域内的生产井进行生产相关数据收集，得到目标区域内生产井的基础数据；

步骤二、基于所述基础数据，采用分段递减模型，计算得到目标区域内单个生产井的产能预测值，并对目标区域内所有生产井的所述基础数据进行统计，得到产能置信区间；

步骤三、确定影响生产井产能的影响参数组，基于所述影响参数组进行影响参数与生产井产能之间的相关性分析，对所述影响参数组中的影响参数进行筛选，得到优选影响参数组；

步骤四、基于所述产能预测值以及所述优选影响参数组，建立机器学习类产量预测模型组；

步骤五、根据所述机器学习产量预测模型组中不同模型的产量预测精度高低进行优选，并利用数据交叉验证方法提升优化预测模型组中的产能预测模型，选取一个最优产能预测模型对目标区域内生产井的产能进行预测。

2.如权利要求1所述的方法，其特征在于，所述基础数据包含：井位地理信息、岩性特征信息、钻完井参数信息以及单井历史生产信息。

3.如权利要求1-2中任一项所述的方法，其特征在于，步骤二中具体包含以下步骤：

在泄油范围没有超过储层改造区域时，采用双曲衰减模型对目标区域内单个生产井的产能预测值进行计算；

在泄油范围超过储层改造区域后，采用指数递减模型对目标区域内单个生产井的产能预测值进行计算。

4.如权利要求3所述的方法，其特征在于，所述双曲衰减模型包含以下公式：

其中，q表示油气的生产速度，q_i表示初始流量，D_i表示初始递减速率，b表示递减指数，t表示时间。

5.如权利要求3所述的方法，其特征在于，所述指数递减模型包含以下公式：

其中，q表示油气的生产速度，q_i表示初始流量，D_{terminal t}表示末期递减速率，t表示时间。

6.如权利要求3所述的方法，其特征在于，步骤二中还包含以下步骤：统计区域内所有生产井的典型曲线极值，选取所述产能置信区间的置信上限以及置信下限。

7.如权利要求1所述的方法，其特征在于，步骤三具体包含以下步骤：计算在不同生产时期累计产量与所述影响参数组中任一影响参数的关联性。

8.如权利要求7所述的方法，其特征在于，通过以下公式计算所述关联性：

其中，r表示关联性相关系数，N表示样本数量，x_i表示第i个样本的影响参数值，y_i表示第i个样本的累计产量值。

9.如权利要求1所述的方法，其特征在于，所述产量预测模型组中包含：随机森林产能预测模型、梯度提升产能预测模型以及神经网络产量预测模型。

10.一种用于低渗透油气藏的产能预测装置，其特征在于，所述装置包含：

第一模块，其用于对目标区域内的生产井进行生产相关数据收集，得到目标区域内生产井的基础数据；

第二模块，其用于基于所述基础数据，采用分段递减模型，计算得到目标区域内单个生产井的产能预测值，并对目标区域内所有生产井的所述基础数据进行统计，得到产能置信区间；

第三模块，其用于确定影响生产井产能的影响参数组，基于所述影响参数组进行影响参数与生产井产能之间的相关性分析，对所述影响参数组中的影响参数进行筛选，得到优选影响参数组；

第四模块，其用于基于所述产能预测值以及所述优选影响参数组，建立机器学习类产量预测模型组；

第五模块，其用于根据所述机器学习产量预测模型组中不同模型的产量预测精度高低进行优选，并利用数据交叉验证方法提升优化预测模型组中的产能预测模型，选取一个最优产能预测模型对目标区域内生产井的产能进行预测。

Images