CN112324429B - 确定有水气藏的合理生产压差的方法 - Google Patents

Abstract

本公开提供了一种用于确定有水气藏的合理生产压差的方法，属于油气田开发领域。所述方法包括：以有水气藏的边水为圆心，将边水四周的区域划分为多个环形且同心的圈层；在所有圈层中确定出目标圈层；基于目标圈层的静态参数和边水的动态参数，确定目标圈层的数值模型；确定气井的所有敏感性参数的种类；根据目标圈层的数值模型，确定不同敏感性参数的数值与气井的见水时间之间的对应关系；基于对应关系，建立气井的神经网络算法模型；根据神经网络算法模型，计算目标圈层中气井的最优见水时间，将最优见水时间所对应的生产压差确定为气井的合理生产压差。本公开提供的方法可以提高确定合理生产压差的效率。

Description

确定有水气藏的合理生产压差的方法

技术领域

本公开属于油气田开发领域，特别涉及一种用于确定有水气藏的合理生产压差的方法。

背景技术

有水气藏的开发过程中，若气井一旦见水，不仅仅对地面处理等工程方面造成很多麻烦，同时还会大大降低气井的产能，造成气井过早产量降低而关井。因此，确定有水气藏开发时的合理生产压差对采收率及最终开发效果至关重要。

相关技术中，通常采用气藏工程方法来确定有水气藏中的合理生产压差。具体是先建立地质模型，然后在地质模型的基础上建立数值模型。接着，根据有水气藏的属性分布及历史拟合，来对有水气藏中的合理生产压差进行预测，以指导生产。

然而，上述方法需要建立复杂的地质模型，且需要结合有水气藏的属性分布及历史拟合，导致确定合理生产压差的效率非常低。

发明内容

本公开实施例提供了一种用于确定有水气藏的合理生产压差的方法，可以提高确定合理生产压差的效率。技术方案如下：

本公开实施例提供了一种用于确定有水气藏的合理生产压差的方法，应用于计算机设备，所述方法包括：

以有水气藏的边水为圆心，将所述边水四周的区域划分为多个环形且同心的圈层，每个所述圈层中至少具有一个气井；

在所有所述圈层中确定出目标圈层，所述目标圈层为其中的所述气井未见水，且距离已见水的所述气井最近的所述圈层；

基于所述目标圈层的静态参数和所述边水的动态参数，确定所述目标圈层的数值模型，所述静态参数包括所述气井的孔隙度、渗透率、压力和厚度，所述动态参数包括所述边水的水体大小、所述边水和所述气井的间距；

根据非稳态水侵模型及所述气井的相关经验参数，确定所述气井的所有敏感性参数的种类，所述敏感性参数为影响所述气井的见水时间的参数，且所述敏感性参数包括生产压差；

根据所述目标圈层的数值模型，确定不同所述敏感性参数的数值与所述气井的见水时间之间的对应关系；

基于所述对应关系，建立所述气井的神经网络算法模型；

根据所述神经网络算法模型，计算所述目标圈层中所述气井的最优见水时间，将所述最优见水时间所对应的生产压差确定为所述气井的合理生产压差。

可选地，在所述基于所述边水和所述目标圈层的气井的测井参数，确定所述目标圈层的数值模型之后，所述方法包括：

对所述目标圈层的数值模型中所述边水的水体大小、所述边水和所述气井的间距进行校正。

可选地，所述对所述目标圈层的数值模型中的所述边水的水体大小、所述边水和所述气井的间距进行校正，包括：

将已经见水的所述圈层确定为对比圈层，所述对比圈层包括至少一个见水井；

基于所述对比圈层的静态参数和所述边水的动态参数，确定所述对比圈层的数值模型；

根据所述对比圈层的数值模型、所述边水和所述见水井的测井参数，获取所述对比圈层的模拟见水时间；

将所述模拟见水时间与所述见水井的实际见水时间进行对比拟合，校正所述对比圈层的数值模型中所述边水的水体大小、所述边水和所述见水井的间距；

基于校正后的所述对比圈层的数值模型中所述边水的水体大小、所述边水和所述见水井的间距，确定所述目标圈层的数值模型中的所述边水的水体大小和所述边水和所述气井的间距。

可选地，所述非稳态水侵模型包括：

ΔP_j＝(P_j-1-P_j+1)/2；

U＝10⁶V_a(C_f+C_w)/5.615；

其中，W_e(t)为水侵量；U为水体常数；ΔP_j为压力降；W_D为无因次水侵函数；α为无因次时间常数；Va为水体体积；W_r为油藏宽度；L_a为水体长度；C_f为岩石压缩系数；C_w为水压缩系数；k为渗透率；φ为孔隙度；μ_w为水体粘度；W_r为油藏厚度；h为储层厚度；n、j为常数。

可选地，所述气井的相关经验参数包括：渗透率变异系数和生产压差。

可选地，在所述确定所述气井的所有敏感性参数的种类之后，所述方法还包括：

根据皮尔逊积矩相关系数，确定所述气井的敏感性参数的种类的合理性。

可选地，在所述根据所述目标圈层的数值模型，确定不同所述敏感性参数的数值与所述气井的见水时间之间的对应关系之前，还包括：

确定各所述敏感性参数的取值范围、取值方式和取值数量，从而确定所述敏感性参数的数值。

可选地，所述确定各所述敏感性参数的取值范围，包括：

基于所述气井的实际测井参数，确定各所述敏感性参数的取值范围，且各所述敏感性参数的取值范围涵盖所述实际测井参数中所有值。

可选地，所述确定各所述敏感性参数的取值方式，包括：

各所述敏感性参数的取值方式为等间距分布取值或几何分布取值。

可选地，所述计算所述目标圈层中所述气井的最优见水时间，包括：

根据1.5倍二阶差分异常值检测方法，计算所述气井的最优见水时间。

本公开实施例提供的技术方案带来的有益效果是：

对于本公开实施例提供的用于确定有水气藏的合理生产压差的方法，首先，以有水气藏的边水为圆心，将边水四周的区域划分为多个环形且同心的圈层，每个圈层中至少具有一个气井，从而便于后续确定目标圈层，避免引出复杂的地质模型。然后，在所有圈层中确定出目标圈层，目标圈层为其中的气井未见水，且距离已见水的气井最近的圈层，通过研究目标圈层即可研究具有见水风险的气井，从而避免研究所有的气井。再然后，基于目标圈层的静态参数和边水的动态参数，确定目标圈层的数值模型，静态参数包括气井的孔隙度、渗透率、压力和厚度，动态参数包括边水的水体大小、边水和气井的间距，从而便于后续通过目标圈层的数值模型确定敏感性参数与气井见水时间的对应关系。

接着，根据非稳态水侵模型及气井的相关经验参数，确定气井的所有敏感性参数的种类，敏感性参数为影响气井的见水时间的参数，且敏感性参数包括生产压差，通过气井的敏感性参数，可以确定出静态参数、动态参数与见水时间的关联规律，从而也就便于后续通过数值模型得到多种不同敏感性参数与气井见水时间的对应关系，避免重复的对应的关系。再接着，根据目标圈层的数值模型，确定不同敏感性参数的数值与气井的见水时间之间的对应关系，通过多个对应关系，便于后续神经网络算法模型学习与模拟。再然后，基于对应关系，建立气井的神经网络算法模型，从而确定气井的生产压差和见水时间的关系。最后，根据神经网络算法模型，计算目标圈层中气井的最优见水时间，将最优见水时间所对应的生产压差确定为气井的合理生产压差，从而最终根据神经网络算法模型快速确定出气井的合理生产压差。

也就是说，本公开提高的用于确定有水气藏的合理生产压差的方法，通过目标圈层的数值模型和神经网络算法模型，可以快速实现对有水气藏的合理生产压差确定，避免建立地质模型及确定属性分布及历史拟合的过程，大大提高了工作效率。

附图说明

为了更清楚地说明本公开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公开的一些实施例，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是本公开实施例提供的一种用于确定有水气藏的合理生产压差的方法流程图；

图2是本公开实施例提供的另一种用于确定有水气藏的合理生产压差的方法流程图；

图3是本公开实施例提供的边水入侵气井的示意图；

图4是本公开实施例提供的目标圈层的数值模型的结构示意图；

图5是本公开实施例提供的W₁气井的生产压差与见水时间采样点绘图；

图6是本公开实施例提供的W₂气井的生产压差与见水时间采样点绘图。

具体实施方式

为使本公开的目的、技术方案和优点更加清楚，下面将结合附图对本公开实施方式作进一步地详细描述。

图1是本公开实施例提供的一种用于确定有水气藏的合理生产压差的方法流程图，应用于计算机设备，如图1所示，该方法包括：

S101、以有水气藏的边水为圆心，将边水四周的区域划分为多个环形且同心的圈层，每个圈层中至少具有一个气井。

S102、在所有圈层中确定出目标圈层，目标圈层为其中的气井未见水，且距离已见水的气井最近的圈层。

S103、基于目标圈层的静态参数和边水的动态参数，确定目标圈层的数值模型。

步骤S103中，静态参数包括气井的孔隙度、渗透率、压力和厚度，动态参数包括边水的水体大小、边水和气井的间距。

S104、根据非稳态水侵模型及气井的相关经验参数，确定气井的所有敏感性参数的种类。

步骤S104中，敏感性参数为影响气井的见水时间的参数，且敏感性参数包括生产压差。

S105、根据目标圈层的数值模型，确定不同敏感性参数的数值与气井的见水时间之间的对应关系。

S106、基于对应关系，建立气井的神经网络算法模型。

S107、根据神经网络算法模型，计算目标圈层中气井的最优见水时间，将最优见水时间所对应的生产压差确定为气井的合理生产压差。

对于本公开实施例提供的用于确定有水气藏的合理生产压差的方法，首先，以有水气藏的边水为圆心，将边水四周的区域划分为多个环形且同心的圈层，每个圈层中至少具有一个气井，从而便于后续确定目标圈层，避免引出复杂的地质模型。然后，在所有圈层中确定出目标圈层，目标圈层为其中的气井未见水，且距离已见水的气井最近的圈层，通过研究目标圈层即可研究具有见水风险的气井，从而避免研究所有的气井。再然后，基于目标圈层的静态参数和边水的动态参数，确定目标圈层的数值模型，静态参数包括气井的孔隙度、渗透率、压力和厚度，动态参数包括边水的水体大小、边水和气井的间距，从而便于后续通过目标圈层的数值模型确定敏感性参数与气井见水时间的对应关系。

接着，根据非稳态水侵模型及气井的相关经验参数，确定气井的所有敏感性参数的种类，敏感性参数为影响气井的见水时间的参数，且敏感性参数包括生产压差，通过气井的敏感性参数，可以确定出静态参数、动态参数与见水时间的关联规律，从而也就便于后续通过数值模型得到多种不同敏感性参数与气井见水时间的对应关系，避免重复的对应的关系。再接着，根据目标圈层的数值模型，确定不同敏感性参数的数值与气井的见水时间之间的对应关系，通过多个对应关系，便于后续神经网络算法模型学习与模拟。再然后，基于对应关系，建立气井的神经网络算法模型，从而确定气井的生产压差和见水时间的关系。最后，根据神经网络算法模型，计算目标圈层中气井的最优见水时间，将最优见水时间所对应的生产压差确定为气井的合理生产压差，从而最终根据神经网络算法模型快速确定出气井的合理生产压差。

也就是说，本公开提高的用于确定有水气藏的合理生产压差的方法，通过目标圈层的数值模型和神经网络算法模型，可以快速实现对有水气藏的合理生产压差确定，避免建立地质模型及确定属性分布及历史拟合的过程，大大提高了工作效率。

另外，该方法利用气藏的静态参数和动态参数，通过神经网络算法模型能够快速预测气井见水时间，迅速确定见水风险气井的临界生产压差和合理生产压差。能够适应现场气井生产状态灵活多变的需求，满足气井实时配产的要求，为建立智能气田自动配产奠定了基础。

图2是本公开实施例提供的另一种用于确定有水气藏的合理生产压差的方法流程图，如图2所示，该方法包括：

S201、以有水气藏的边水为圆心，将边水四周的区域划分为多个环形且同心的圈层，每个圈层中至少具有一个气井。

在上述实施方式中，不同的有水气藏的布井方式与水侵规律具有一定差异，通过多个圈层可以将布井方式与水侵规律区分开来。

图3是本公开实施例提供的边水入侵气井的示意图，如图3所示，将与边水距离小于2个井距的气井划分为Ⅰ圈层(例如：W₁)，将气藏内部与Ⅰ圈层相邻一个井距的气井划分为Ⅱ圈层(例如：W₂和W₄)，将气藏内部与Ⅱ圈层相邻一个井距的气井划分为Ⅲ圈层(例如：W₃)以此类推，可把气藏分为n个圈层。由于Ⅱ圈层井至n圈层的气井见水规律相似。因此，后续数值模型可以简化为模拟Ⅰ圈层井和Ⅱ圈层的气井见水时间，大于Ⅱ圈层井不再单独进行数值模拟。对Ⅰ圈层的气井预测边水从水区流至该气井底的时间，对Ⅱ圈层的气井预测水从其相邻Ⅰ圈层的气井流至该气井底的时间，对n圈层井预测水从其相邻n-1圈的气层井流至该气井底的时间。

S202、在所有圈层中确定出目标圈层，目标圈层为其中的气井未见水，且距离已见水的气井最近的圈层。

在上述实施方式中，通过研究目标圈层从而即可研究具有见水风险的气井，从而提高研究效率。

S203、基于目标圈层的静态参数和边水的动态参数，确定目标圈层的数值模型。

步骤S203中，静态参数包括气井的孔隙度、渗透率、压力和厚度，动态参数包括边水的水体大小、边水和气井的间距。

需要说明的是，边水的水体大小通过常规气藏工程方法(容积法、气藏物质平衡法)初步确定。对于Ⅰ圈层的气井与边水距离需要通过测试资料(试井资料、构造剖面图等)确定，对于Ⅱ圈层至n圈层的气井，当邻井见水时，该气井与邻井之间的井距即为气井与边水的距离，且会受到Ⅰ圈层的气井生产情况的影响。也就是说，Ⅱ圈层至n圈层的气井的见水规律与Ⅰ圈层存在差异。所以可以建立分别包含Ⅰ、Ⅱ圈层井的数值模型。

图4是本公开实施例提供的目标圈层的数值模型的结构示意图，如图4所示，通过数值模型可以描述边水和气井的特征以及内在联系。

S204、对目标圈层的数值模型中边水的水体大小、边水和气井的间距进行校正。

步骤S204包括：

a、将已经见水的圈层确定为对比圈层，对比圈层包括至少一个见水井。

b、基于对比圈层的静态参数和边水的动态参数，确定对比圈层的数值模型，见水井为已经见水的气井。

c、根据对比圈层的数值模型、边水和见水井的测井参数，获取对比圈层的模拟见水时间。

d、将模拟见水时间与见水井的实际见水时间进行对比拟合，校正对比圈层的数值模型中边水的水体大小、边水和见水井的间距。

e、基于校正后的对比圈层的数值模型中边水的水体大小、边水和见水井的间距，确定目标圈层的数值模型中的边水的水体大小和边水和气井的间距。

在上述实施方式中，通过将对比圈层的实际见水实际和模拟见水时间进行对比，可以校正边水的水体大小和边水和气井的间距，从而提高目标圈层的数值模型的可靠性。

S205、根据非稳态水侵模型及气井的相关经验参数，确定气井的所有敏感性参数的种类。

其中，敏感性参数为影响气井的见水时间的参数，且敏感性参数包括生产压差；

(1)非稳态水侵模型包括：

可选地，所述非稳态水侵模型包括：

ΔP_j＝(P_j-1-P_j+1)/2； (2)

U＝10⁶V_a(C_f+C_w)/5.615 (4)

其中，W_e(t)为水侵量；U为水体常数；ΔP_j为压力降；W_D为无因次水侵函数；α为无因次时间常数；Va为水体体积；W_r为油藏宽度；L_a为水体长度；C_f为岩石压缩系数；C_w为水压缩系数；k为渗透率；φ为孔隙度；μ_w为水体粘度；W_r为油藏厚度；h为储层厚度；n、j为常数。

需要说明的是，非稳态水侵模型中孔隙度、岩石压缩系数、水压缩系数、水粘度变化较小，本次不作为气井的敏感性参数。

(2)气井的相关经验参数包括：

渗透率变异系数和生产压差。

在上述实施方式中，一方面，渗透率单一取值时不能体现渗透率在纵向上的差异性，由此，公开引入渗透率变异系数来表征渗透率纵向上的非均质性，选取平均渗透率和渗透率变异系数两个参数综合表征储层渗透率。其中，渗透率变异系数通过以下公式求算：

其中，V_k为渗透率变异系数；K_i为网格渗透率；K为所有网格渗透率平均值；i为常数；n为纵向上网格数量。

另一方面，生产压差作为气井生产控制参数，影响井底流压和产量，加入气井的敏感性参数。

S206、根据皮尔逊积矩相关系数，确定所述气井的敏感性参数的种类的合理性。

在上述实施方式中，皮尔逊积矩相关系数可以确定敏感性参数的合理性。

表1为敏感性参数的相关系数及显著性指标表，各敏感参数如下表：

表1敏感性参数的相关系数及显著性指标表

敏感性参数(X)	皮尔逊相关性系数(r)	显著性指标(p)
			渗透率	-0.479	2.2242e-22
变异系数	-0.120	0.0216
			有效厚度	0.181	0.0005
气井至水体距离	0.185	0.0003
			水体大小	0.064	0.2188
生产压差	-0.380	5.0692e-14

由根据表1计算得到的显著性指标可以确定敏感性参数的合理性，当显著性指标小于0.05，即表示选取的敏感性参数与见水时间相关，即选取的敏感性参数合理。计算结果显示，选取的敏感性参数(渗透率、变异系数、有效厚度、气井至水体距离和生产压差)与气井的见水时间具有一定的相关性，而水体大小根据已知的见水规律可知也与见水时间具有一定的相关性。因此，上述表1中的敏感参数均符合敏感性参数分析要求。

S207、确定各所述敏感性参数的取值范围、取值方式和取值数量，从而确定敏感性参数的数值。

(1)确定各所述敏感性参数的取值范围，包括：

基于气井的实际测试资料，确定各敏感性参数的取值范围，且各敏感性参数的取值范围涵盖实际测试资料中对应的所有值。

在上述实施方式中，各敏感性参数的取值范围涵盖已知的实际测试资料中对应的所有值，从而能够增大数值模型的通用性和适应性。

表2为气井的敏感性参数及参数范围表，其具体参数范围如表2：

表2气井的敏感性参数及参数范围表

模型选取参数	圈层(平均值)	参数范围
			有效厚度(m)	57.6	20-120
平均渗透率(mD)	41.3	4-96
			变异系数	0.9	0.5-2
水体大小(104m3)	6000	200-10000
			距水体距离(m)	850	200-1600
生产压差(MPa)	<4	1-6
			孔隙度(f)	4.3	-

需要说明的是，实际测试资料包括测井、试井和测压等资料。

(2)确定各所述敏感性参数的取值方式，包括：

各所述敏感性参数的取值方式为等间距分布取值或几何分布取值。

需要说明的是，由合达西定律由此可知气井与水体距离、有效厚度、平均渗透率、生产压差与见水时间呈线性关系，故采用等间距分布取值。另外，渗透率变异系数表征储层垂向非均质性，渗透率的标准差与平均值的比值无法直接赋值，而由垂向网格渗透率计算得到。各垂向网格渗透率通过随机函数自动生成，并计算得到变异系数。随机生成的垂向网格渗透率平均值需满足平均渗透率的取值规则，故渗透率变异系数采用等间距分布取值。

其中，达西定律满足以下公式：

其中，Q为流量；K为渗透率；L为多孔介质的水平段长度；ΔP为压力差；A为多孔介质的横截面积；μ为液体粘度。

而根据非稳态水侵模型可知，水体大小与水侵量成幂函数关系。在取值时，水体大小采用几何分布的方式取值，可取得更好的模拟效果。

(3)确定各敏感性参数的取值数量。

取值数量主要根据神经网络算法模型预测精度来确定，预测已见水井见水时间与实际见水时间误差小于10％。初始数量按照每个敏感性参数6个取值。如神经网络算法模型的计算结果不满足精度要求，后续再增加取值数量。

S208、根据目标圈层的数值模型，确定不同敏感性参数与气井的见水时间之间的对应关系。

在上述实施方式中，通过多个对应关系，便于后续神经网络算法模型学习与模拟。

S209、基于对应关系，建立气井的神经网络算法模型。

在上述实施方式中，通过神经网络算法模型可以确定气井的生产压差和见水时间的对应关系。

需要说明的是，神经网络算法模型是一种对大量数据进行分布式并行信息处理的算法模型，其利用向量乘法识别气井见水模式，建立气井边水水侵预测自适应系统，对圈层的数值模型的计算结果进行参数训练，能实现机器学习及复杂系统的自动控制。

S210、根据神经网络算法模型和根据1.5倍二阶差分(IQR)异常值检测方法，计算目标圈层中气井的最优见水时间，将最优见水时间所对应的生产压差确定为气井的合理生产压差。

在上述实施方式中，1.5倍二阶差分异常值检测方法，可以快速计算气井的合理生产压差。

需要说明的是，对于离散数据，一阶差分等同于连续数据的一阶微分，反应原始曲线的变化情况。二阶差分表现离散数据速度变化趋势的指标，二阶差分的最小值(全段离散数据的二阶差分最小值)反应的是离散数据变化速度已达最快，该值附近的离散数据通常伴有剧烈波动。对于气井水侵过程来说，二阶差分的最小值反应气井在当前生产压差下水侵速度变化达到最快，故将该值作为合理配产时最大生产压差的临界值。但是该值并非最优，根据统计学原理，对于非规则分布的离散数据，利用1.5倍二阶差分异常值检测方法，该方法各种异常检测的适用性较强，该值为二阶差分波动异常的起始点，故取该值作为气井的合理生产压差。步骤如下：

(1)通过以下公式计算气井不同生产压差下的见水时间：

dp从0.1MPa开始，到P_max结束，以0.1MPa为间隔进行采样,采样点总为N个，用有序集p表示dp。

由生产压差与见水时间的神经网络算法模型关系Y_t＝h(dp)，可以得到见水时间Y_t的有序集Y的对应有序数据点，即：

(2)对数据点进行差分计算

定义φ与Ξ，如下：

(3)定义有序数列序号数

其中，arg为参数返回函数，返回有序数列的序号数，η₁为见水时间Y_t的一阶差分第一个极小值对应的序号数，η₂为一阶差分的最小值对应的序号数，ζ₁为见水时间Y_t的二阶差分第一个极小值对应的序号数，ζ₂为二阶差分的最小值对应的序号数。

p_{first_diff_1}为见水时间Y_t的一阶差分第一个极小值对应的生产压差，p_{min_diff_1}为一阶差分的最小值对应的生产压差，p_{first_diff_2}为见水时间Y_t的二阶差分第一个极小值对应的生产压差，p_{min_diff_2}为二阶差分的最小值对应的生产压差。

4)计算1.5倍二阶差分异常值

p_{1.5IQR_diff_2}＝p_λ； (21)

其中，为上四分位值函数，/>为下四分位值函数，p_{1.5IQR_diff_2}为利用1.5二阶差分法找出的见水时间Y_t的二阶差分的第一个异常值。

以下结合具体实施例对上述方法进行说明：

利用Python软件对W₁、W₂井不同生产压差下的见水时间进行采样，生产压差采样范围从0.0至6.0MPa，采样间隔为0.1MPa，采样点总数为61个。并求取采样点数据一阶差分、二阶差分的极小值和最小值以及1.5倍二阶差分值。其中，W₁井一阶差分的极小值为0.6MPa，一阶差分的最小值为1.9MPa，二阶差分的极小值为0.4MPa，二阶差分的最小值为1.1MPa，1.5倍二阶差分值为1.0MPa。一阶差分的最小值为1.9MPa，二阶差分的极小值为0.3MPa，二阶差分的最小值为1.1MPa，1.5倍二阶差分值为0.8MPa。由此，确定W₁井的合理生产压差为1.0MPa，最大临界生产压差为1.1MPa(见图5)。确定W₂井的合理生产压差为0.8MPa，最大临界生产压差为1.1MPa(见图6)。

以上仅为本公开的可选实施例，并不用以限制本公开，凡在本公开的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本公开的保护范围之内。

Claims (9)

1.一种用于确定有水气藏的合理生产压差的方法，其特征在于，应用于计算机设备，所述方法包括：

以有水气藏的边水为圆心，将所述边水四周的区域划分为多个环形且同心的圈层，每个所述圈层中至少具有一个气井；

在所有所述圈层中确定出目标圈层，所述目标圈层为其中的所述气井未见水，且距离已见水的所述气井最近的所述圈层；

基于所述目标圈层的静态参数和所述边水的动态参数，确定所述目标圈层的数值模型，所述静态参数包括所述气井的孔隙度、渗透率、压力和厚度，所述动态参数包括所述边水的水体大小、所述边水和所述气井的间距；

根据非稳态水侵模型及所述气井的相关经验参数，确定所述气井的所有敏感性参数的种类，所述敏感性参数为影响所述气井的见水时间的参数，且所述敏感性参数包括生产压差；

所述非稳态水侵模型包括：

其中，W_e(t)为水侵量；U为水体常数；∆P_j为压力降；W_D为无因次水侵函数；α为无因次时间常数；Va为水体体积；W_r为油藏宽度；L_a为水体长度；C_f为岩石压缩系数；C_w为水压缩系数；k为渗透率；φ为孔隙度；μ_w为水体粘度；W_r为油藏厚度；h为储层厚度；n、j为常数；

根据所述目标圈层的数值模型，确定不同所述敏感性参数的数值与所述气井的见水时间之间的对应关系；

基于所述对应关系，建立所述气井的神经网络算法模型；

根据所述神经网络算法模型，计算所述目标圈层中所述气井的最优见水时间，将所述最优见水时间所对应的生产压差确定为所述气井的合理生产压差。

2.根据权利要求1的所述方法，其特征在于，在所述基于所述边水和所述目标圈层的气井的测井参数，确定所述目标圈层的数值模型之后，所述方法包括：

对所述目标圈层的数值模型中所述边水的水体大小、所述边水和所述气井的间距进行校正。

3.根据权利要求2的所述方法，其特征在于，所述对所述目标圈层的数值模型中的所述边水的水体大小、所述边水和所述气井的间距进行校正，包括：

将已经见水的所述圈层确定为对比圈层，所述对比圈层包括至少一个见水井；

基于所述对比圈层的静态参数和所述边水的动态参数，确定所述对比圈层的数值模型；

根据所述对比圈层的数值模型、所述边水和所述见水井的测井参数，获取所述对比圈层的模拟见水时间；

将所述模拟见水时间与所述见水井的实际见水时间进行对比拟合，校正所述对比圈层的数值模型中所述边水的水体大小、所述边水和所述见水井的间距；

基于校正后的所述对比圈层的数值模型中所述边水的水体大小、所述边水和所述见水井的间距，确定所述目标圈层的数值模型中的所述边水的水体大小和所述边水和所述气井的间距。

4.根据权利要求1的所述方法，其特征在于，所述气井的相关经验参数包括：渗透率变异系数和生产压差。

5.根据权利要求1的所述方法，其特征在于，在所述确定所述气井的所有敏感性参数的种类之后，所述方法还包括：

根据皮尔逊积矩相关系数，确定所述气井的敏感性参数的种类的合理性。

6.根据权利要求1的所述方法，其特征在于，在所述根据所述目标圈层的数值模型，确定不同所述敏感性参数的数值与所述气井的见水时间之间的对应关系之前，还包括：

确定各所述敏感性参数的取值范围、取值方式和取值数量，从而确定所述敏感性参数的数值。

7.根据权利要求6的所述方法，其特征在于，所述确定各所述敏感性参数的取值范围，包括：

基于所述气井的实际测井参数，确定各所述敏感性参数的取值范围，且各所述敏感性参数的取值范围涵盖所述实际测井参数中所有值。

8.根据权利要求6的所述方法，其特征在于，所述确定各所述敏感性参数的取值方式，包括：

各所述敏感性参数的取值方式为等间距分布取值或几何分布取值。

9.根据权利要求1-8任意一项的所述方法，其特征在于，所述计算所述目标圈层中所述气井的最优见水时间，包括：

根据1.5倍二阶差分异常值检测方法，计算所述气井的最优见水时间。