CN112360411B - 基于图神经网络的局部井网注水开发优化方法 - Google Patents
基于图神经网络的局部井网注水开发优化方法 Download PDFInfo
- Publication number
- CN112360411B CN112360411B CN202011372672.7A CN202011372672A CN112360411B CN 112360411 B CN112360411 B CN 112360411B CN 202011372672 A CN202011372672 A CN 202011372672A CN 112360411 B CN112360411 B CN 112360411B
- Authority
- CN
- China
- Prior art keywords
- well
- water injection
- neural network
- graph neural
- production
- 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
Images
Classifications
-
- E—FIXED CONSTRUCTIONS
- E21—EARTH DRILLING; MINING
- E21B—EARTH DRILLING, e.g. DEEP 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
- E21B43/16—Enhanced recovery methods for obtaining hydrocarbons
- E21B43/20—Displacing by water
-
- E—FIXED CONSTRUCTIONS
- E21—EARTH DRILLING; MINING
- E21B—EARTH DRILLING, e.g. DEEP 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
- E21B43/30—Specific pattern of wells, e.g. optimizing the spacing of wells
-
- E—FIXED CONSTRUCTIONS
- E21—EARTH DRILLING; MINING
- E21B—EARTH DRILLING, e.g. DEEP 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Abstract
本发明公开了一种基于图神经网络的局部井网注水开发优化方法,具体包括:(1)获取局部目标井网的几何信息,根据注水井与采油井的拓补结构特点构建注采井网的图神经网络结构;(2)获取目标井网的历史生产数据;(3)利用步骤(2)所述历史生产数据对步骤(1)所述图神经网络结构进行训练,建立图神经网络模型;(4)利用图神经网络模型对注采井网参数进行敏感性分析,得到注采井网中的敏感性因素。本发明为注水开发提供调整注水量的依据,对产油量进行预测,同时给出每个井网中的不同井以及不同静态参数的重要性,在调整注水量时区分主要影响井和次要影响井点。
Description
技术领域
本发明涉及油气勘探开发技术领域,尤其涉及一种基于图神经网络的局部井网注水开发优化方法。
背景技术
向储层注水可以有效保持油层压力,提高油藏采油速度和采收率,是油气勘探开发的重要手段。注水开发过程中油井产量变化规律预测是油藏工程研究的核心内容,也是编制与调整开发方案的重要依据。
然而,面对平面非均质严重的中高渗透油藏、低渗透裂缝油藏等复杂地质情况,由于高渗透层见水快、低渗透层注入水很难扩大波及体积,常规的注水方式很难得到较好的开发效果,需要实施不稳定注水方案。针对不稳定注水,不仅需要研究不稳定注水的注采参数,注水方案的及时调整尤为重要。
发明内容
发明目的:针对以上问题,本发明提出一种基于图神经网络的局部井网注水开发优化方法,能够快速预测局部井网注水开发效果,从而完成对局部油田注水方案的优化分析。
技术方案:为实现本发明的目的,本发明所采用的技术方案是:一种基于图神经网络的局部井网注水开发优化方法,具体方法如下:
(1)获取局部目标井网的几何信息,根据注水井与采油井的拓补结构特点构建注采井网的图神经网络结构;
所述几何信息包括注水井数量、采油井数量、各个井点之间的距离和各个井点之间的相对位置;所述图神经网络结构的不同节点代表不同的采油井点和注水井点;
(2)获取目标井网的历史生产数据;所述历史生产数据包括注水天数、注水量、泵压、油压、孔隙度、层厚、渗透率、饱和度、采油量和产液量;
(3)利用步骤(2)所述历史生产数据对步骤(1)所述图神经网络结构进行训练,建立图神经网络模型,具体方法如下:
(31)对步骤(1)所述图神经网络结构根据采油井划分得到图神经网络的基本训练单元,并确定训练遍历流程;
所述基本训练单元为五点注采井,具体为一个采油井为中心,周围包括四个注水井;
(32)对所述基本训练单元构建五点注采井的无向图,用度矩阵表示:
(33)对获取得到的历史生产数据进行预处理,将注水天数、注水量、泵压、油压、孔隙度、层厚、渗透率、饱和度作为输入值,采油井的采油量、含水率和流压作为输出值对图神经网络的基本训练单元进行训练;
(34)根据步骤(33)测试得到不同度矩阵下的目标函数值,得到预测准确度;若预测准确度达到训练阈值,则表示图神经网络模型训练符合要求;
其中,对图神经网络进行训练,目标函数:
(35)对图神经网络的基本训练单元按照步骤(31)所述训练遍历流程均进行步骤(32)-步骤(34),得到目标井网中全部基本训练单元的图神经网络模型;所述目标井网的图神经网络模型由基本训练单元的图神经网络模型连接构成。
(4)通过注采井网参数对目标井网的基本训练单元的图神经网络模型进行学习与预测,分别得到影响采油井采油量的主要注水井和次要注水井,具体方法如下:
(41)将注采井网参数区分为动态参数和静态参数;所述动态参数包括注水量和采油量;静态参数包括渗透率、饱和度和采油量;
(42)通过研究目标井网在相同注水量下由于静态参数的不同而导致的采油量变化,进而推断得到对采油量影响的主导静态参数;
(43)根据对目标井网中每一个基本训练单元的动态参数均进行敏感性分析,得到影响采油井采油量的主要注水井和次要注水井,具体方法如下:
调整基本训练单元中一个注水井的注水量变化,同时保持其他注水井的注水量不变,得到相应的度矩阵与采油量,并根据相应的度矩阵对该注水井和采油井计算相关系数,由此得到影响采油井采油量的主要注水井和次要注水井。
有益效果:一种基于图神经网络的局部井网注水开发优化方法,能够快速预测局部井网注水开发效果,从而完成对局部油田注水方案的优化分析;为注水开发提供调整注水量的依据,对采油量进行预测,同时给出每个井网中的不同井以及不同静态参数的重要性,在调整注水量时区分主要影响井和次要影响井点。
附图说明
图1为本发明技术方案的具体流程图;
图2为注水开发井网及图神经网络训练遍历的路径;
图3为图神经网络训练的基本训练单元—五点注采井网;
图4为图神经网络的网络结构。
具体实施方式
下面结合附图和实施例对本发明的技术方案作进一步的说明。
本发明所述的一种基于图神经网络的局部井网注水开发优化方法,具体方法如下:
(1)获取局部目标井网的几何信息,根据注水井与采油井的拓补结构特点构建注采井网的图神经网络结构;
所述几何信息包括注水井数量、采油井数量、各个井点之间的距离和各个井点之间的相对位置;所述图神经网络结构的不同节点代表不同的采油井点和注水井点;
(2)获取目标井网的历史生产数据;所述历史生产数据包括注水天数、注水量、泵压、油压、孔隙度、层厚、渗透率、饱和度、采油量和产液量;
(3)利用步骤(2)所述历史生产数据对步骤(1)所述图神经网络结构进行训练,建立图神经网络模型,具体方法如下:
(31)对步骤(1)所述图神经网络结构根据采油井划分得到图神经网络的基本训练单元,并确定训练遍历流程,参考图2和图3;
所述基本训练单元为五点注采井,具体为一个采油井为中心,周围包括四个注水井;
(32)对所述基本训练单元构建五点注采井的无向图,用度矩阵表示:
(33)对获取得到的历史生产数据进行预处理,将注水天数、注水量、泵压、油压、孔隙度、层厚、渗透率、饱和度作为输入值,采油井的采油量、含水率和流压作为输出值对图神经网络的基本训练单元进行训练;
(34)根据步骤(33)测试得到不同度矩阵下的目标函数值,得到预测准确度;若预测准确度达到训练阈值,则表示图神经网络模型训练符合要求;
其中,对图神经网络进行训练,目标函数:
(35)对图神经网络的基本训练单元按照步骤(31)所述训练遍历流程均进行步骤(32)-步骤(34),得到目标井网中全部基本训练单元的图神经网络模型;所述目标井网的图神经网络模型由基本训练单元的图神经网络模型连接构成。
(4)通过注采井网参数对目标井网的基本训练单元的图神经网络模型进行学习与预测,分别得到影响采油井采油量的主要注水井和次要注水井,具体方法如下:
(41)将注采井网参数区分为动态参数和静态参数;所述动态参数包括注水量和采油量;静态参数包括渗透率、饱和度和采油量;
(42)通过研究目标井网在相同注水量下由于静态参数的不同而导致的采油量变化,进而推断得到对采油量影响的主导静态参数;
(43)根据对目标井网中每一个基本训练单元的动态参数均进行敏感性分析,得到影响采油井采油量的主要注水井和次要注水井,具体方法如下:
调整基本训练单元中一个注水井的注水量变化,同时保持其他注水井的注水量不变,得到相应的度矩阵与采油量,并根据相应的度矩阵对该注水井和采油井计算相关系数,由此得到影响采油井采油量的主要注水井和次要注水井。
Claims (5)
1.一种基于图神经网络的局部井网注水开发优化方法,其特征在于,具体方法如下:
(1)获取局部目标井网的几何信息,根据注水井与采油井的拓补结构特点构建注采井网的图神经网络结构;
所述几何信息包括注水井数量、采油井数量、各个井点之间的距离和各个井点之间的相对位置;所述图神经网络结构的不同节点代表不同的采油井点和注水井点;
(2)获取目标井网的历史生产数据;
(3)利用步骤(2)所述历史生产数据对步骤(1)所述图神经网络结构进行训练,建立图神经网络模型,具体方法包括:
(31)对步骤(1)所述图神经网络结构根据采油井划分得到图神经网络的基本训练单元,并确定训练遍历流程;
所述基本训练单元为五点注采井,具体为一个采油井为中心,周围包括四个注水井;
(32)对所述基本训练单元构建五点注采井的无向图,用度矩阵表示:
其中,K为度矩阵;r为下标对应两个元素的内积;rij表示第i号和第j号井的采油量或注水量的内积;
(33)对获取得到的历史生产数据进行预处理,将注水天数、注水量、泵压、油压、孔隙度、层厚、渗透率、饱和度作为输入值,采油井的采油量、含水率和流压作为输出值对图神经网络的基本训练单元进行训练;
(34)根据步骤(33)测试得到不同度矩阵下的目标函数值,得到预测准确度;若预测准确度达到训练阈值,则表示图神经网络模型训练符合要求;
(35)对图神经网络的基本训练单元按照步骤(31)所述训练遍历流程均进行步骤(32)-步骤(34),得到目标井网中全部基本训练单元的图神经网络模型;所述目标井网的图神经网络模型由基本训练单元的图神经网络模型连接构成;
(4)通过注采井网参数对目标井网的基本训练单元的图神经网络模型进行学习与预测,分别得到影响采油井采油量的主要注水井和次要注水井。
2.根据权利要求1所述的一种基于图神经网络的局部井网注水开发优化方法,其特征在于,步骤(2)所述历史生产数据包括注水天数、注水量、泵压、油压、孔隙度、层厚、渗透率、饱和度、采油量和产液量。
3.根据权利要求1所述的一种基于图神经网络的局部井网注水开发优化方法,其特征在于,步骤(34)所述目标函数值的计算公式如下:
Loss(x1,x2,x3,x4,y)=[J(x1,x2,x3,x4)-y]2
式中,xi是第i号注水井的注水量;y是采油量;J代表神经网络;Loss是损失函数。
4.根据权利要求1所述的一种基于图神经网络的局部井网注水开发优化方法,其特征在于,步骤(4)的具体方法如下:
(41)将注采井网参数区分为动态参数和静态参数;所述动态参数包括注水量和采油量;静态参数包括渗透率和饱和度;
(42)通过研究在相同注水量下由于静态参数的不同而导致采油井的采油量变化,进而推断得到对采油量影响的主导静态参数;
(43)根据动态参数的敏感性分析得到影响采油井采油量的主要注水井和次要注水井。
5.根据权利要求4所述的一种基于图神经网络的局部井网注水开发优化方法,其特征在于,步骤(43)的具体方法如下:
调整一个注水井的注水量变化,同时保持其他注水井的注水量不变,得到相应的度矩阵与采油量,并根据相应的度矩阵对该注水井和采油井计算相关系数,由此得到影响采油井采油量的主要注水井和次要注水井。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011372672.7A CN112360411B (zh) | 2020-11-30 | 2020-11-30 | 基于图神经网络的局部井网注水开发优化方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011372672.7A CN112360411B (zh) | 2020-11-30 | 2020-11-30 | 基于图神经网络的局部井网注水开发优化方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112360411A CN112360411A (zh) | 2021-02-12 |
CN112360411B true CN112360411B (zh) | 2022-02-01 |
Family
ID=74536430
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011372672.7A Active CN112360411B (zh) | 2020-11-30 | 2020-11-30 | 基于图神经网络的局部井网注水开发优化方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112360411B (zh) |
Families Citing this family (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112926771B (zh) * | 2021-02-22 | 2022-10-25 | 中国石油大学(华东) | 一种基于改进的时空图卷积网络产油量预测方法及系统 |
CN113006774B (zh) * | 2021-03-16 | 2022-05-17 | 西南石油大学 | 一种压裂施工中油压峰值的在线图神经网络预测方法 |
CN113435662B (zh) * | 2021-07-14 | 2022-10-04 | 中国石油大学(华东) | 水驱油藏产量预测方法、装置及存储介质 |
CN113837501B (zh) | 2021-11-25 | 2022-03-08 | 中国科学院地质与地球物理研究所 | 基于图神经网络的页岩总有机碳预测方法、系统和设备 |
CN115099539A (zh) * | 2022-08-25 | 2022-09-23 | 大庆正方软件科技股份有限公司 | 一种基于吸水剖面的大数据人工智能注水方法 |
CN115169761B (zh) * | 2022-09-08 | 2022-12-13 | 中科数智能源科技(深圳)有限公司 | 基于gnn和lstm的复杂井网油田产量预测方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101443767A (zh) * | 2004-11-29 | 2009-05-27 | 切夫里昂美国公司 | 使用基于动态组成的可扩展面向对象体系结构仿真物理系统中的流体流动的方法、系统和程序存储设备 |
CN103939066A (zh) * | 2014-04-04 | 2014-07-23 | 中国石油大学(华东) | 一种一注多采井组定注水量确定油井产液量的方法 |
CN104484556A (zh) * | 2014-11-28 | 2015-04-01 | 中国石油天然气股份有限公司 | 一种油田开发评价方法 |
US20190292908A1 (en) * | 2018-03-20 | 2019-09-26 | QRI Group, LLC | Data-driven methods and systems for improving oil and gas drilling and completion processes |
Family Cites Families (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP1994488B1 (en) * | 2006-03-02 | 2013-07-17 | ExxonMobil Upstream Research Company | Method for quantifying reservoir connectivity using fluid travel times |
CN105089649B (zh) * | 2014-04-17 | 2018-03-13 | 中国石油化工股份有限公司 | 一种井间连通性模型建立方法 |
RU2014146091A (ru) * | 2014-11-17 | 2016-06-10 | Государственное бюджетное образовательное учреждение высшего профессионального образования "Альметьевский государственный нефтяной институт" | Способ оптимизации процесса разработки и выработки запасов нефтяных и газовых месторождений |
US10577894B1 (en) * | 2015-06-08 | 2020-03-03 | DataInfoCom USA, Inc. | Systems and methods for analyzing resource production |
CN107291667B (zh) * | 2016-04-01 | 2020-11-13 | 中国石油化工股份有限公司 | 一种井间连通程度确定方法及系统 |
CN106837297B (zh) * | 2016-12-22 | 2020-04-10 | 中国石油天然气股份有限公司 | 一种识别井间连通性及油水动态预测的方法 |
CN107829718B (zh) * | 2017-02-10 | 2019-11-08 | 中国石油化工股份有限公司 | 基于均衡水驱理念的油藏井网及注采方案优化设计方法 |
CN109209307A (zh) * | 2017-07-06 | 2019-01-15 | 中国石油化工股份有限公司 | 一种定量分析低渗透油藏注水开发效果的方法 |
CN107939372B (zh) * | 2017-10-23 | 2020-03-06 | 南京特雷西能源科技有限公司 | 针对小断块油藏的最优井位部署方法和装置 |
CN109446538B (zh) * | 2018-06-21 | 2021-08-17 | 北京国双科技有限公司 | 注水与采油井关系模型获得方法及产量和注水量确定方法 |
CN109523072A (zh) * | 2018-11-02 | 2019-03-26 | 中国石油化工股份有限公司 | 基于lstm的油田产油量预测方法 |
CN109447532B (zh) * | 2018-12-28 | 2021-10-22 | 中国石油大学(华东) | 一种基于数据驱动的油藏井间连通性确定方法 |
CN109763800A (zh) * | 2019-03-18 | 2019-05-17 | 哈尔滨理工大学 | 一种油田分层注水量预测方法 |
CN111364953B (zh) * | 2020-03-09 | 2022-02-22 | 中国石油大学(华东) | 一种基于图神经网络的井间动态连通性识别方法及系统 |
CN111173507B (zh) * | 2020-03-17 | 2023-04-07 | 中国石油化工股份有限公司 | 高含水油田剩余油预测方法 |
CN111723517B (zh) * | 2020-05-26 | 2022-09-02 | 河海大学 | 一种融合机器学习原理和逐渐变形法的地球物理模型优化方法 |
-
2020
- 2020-11-30 CN CN202011372672.7A patent/CN112360411B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101443767A (zh) * | 2004-11-29 | 2009-05-27 | 切夫里昂美国公司 | 使用基于动态组成的可扩展面向对象体系结构仿真物理系统中的流体流动的方法、系统和程序存储设备 |
CN103939066A (zh) * | 2014-04-04 | 2014-07-23 | 中国石油大学(华东) | 一种一注多采井组定注水量确定油井产液量的方法 |
CN104484556A (zh) * | 2014-11-28 | 2015-04-01 | 中国石油天然气股份有限公司 | 一种油田开发评价方法 |
US20190292908A1 (en) * | 2018-03-20 | 2019-09-26 | QRI Group, LLC | Data-driven methods and systems for improving oil and gas drilling and completion processes |
Non-Patent Citations (1)
Title |
---|
A Machine Learning Method to Infer Inter-Well Connectivity Using Bottom-Hole Pressure Data;Liu, 等;《JOURNAL OF ENERGY RESOURCES TECHNOLOGY-TRANSACTIONS OF THE ASME》;20201001;第142卷(第10期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN112360411A (zh) | 2021-02-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112360411B (zh) | 基于图神经网络的局部井网注水开发优化方法 | |
CN102041995B (zh) | 复杂油藏水淹状况监测系统 | |
CN109543828B (zh) | 一种基于小样本条件下的吸水剖面预测方法 | |
CN105386751B (zh) | 一种基于油藏渗流模型的水平井测井产能预测方法 | |
CN109763800A (zh) | 一种油田分层注水量预测方法 | |
CN103912248A (zh) | 水驱油田预测含水率方法 | |
CN112282714B (zh) | 基于深度学习和图论的全井网注水开发优化方法 | |
CN105631078A (zh) | 天然裂缝性油藏自适应介质的数值模拟方法 | |
CN115526086A (zh) | 一种基于代理模型的碳酸盐岩油藏水驱突破时间预测方法 | |
CN107545102B (zh) | 一种预测新开发区蒸汽辅助重力泄油开发指标的方法 | |
CN115146446A (zh) | 基于近似梯度算法和嵌入式离散裂缝模型的油藏优化方法 | |
CN113836695B (zh) | 一种基于无网格连接元的油藏数值模拟方法 | |
CN111456709A (zh) | 一种基于测井曲线的水平井多级压裂分段分簇方法 | |
CN114462262A (zh) | 一种基于时间和空间双重维度的历史拟合预测方法 | |
CN106481315B (zh) | 陆上砂岩油藏单井可采储量快速确定模型及建立方法 | |
CN114997452A (zh) | 基于维诺图及时空图卷积神经网络的产油量预测方法 | |
CN114218877B (zh) | 缝洞型油藏数值模拟方法及系统 | |
CN114528767A (zh) | 基于嵌入式图神经网络的井间动态连通性预测方法及系统 | |
Mantilla et al. | Feedback control of polymer flooding process considering geologic uncertainty | |
CN105718705B (zh) | 油气田动态分析方法 | |
CN113722999A (zh) | 一种基于线性动态系统的油气田注采产量动态预测方法 | |
CN114547978A (zh) | 基于异构图神经网络的多层系注水量劈分方法及系统 | |
CN115705452A (zh) | 整装砂岩油藏开发中后期的新型采收率预测方法 | |
CN112324429B (zh) | 确定有水气藏的合理生产压差的方法 | |
CN114429085A (zh) | 一种用于分析缝洞型油藏流体势的方法及系统 |
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 |