CN112395763B - 一种自动历史拟合方法 - Google Patents
一种自动历史拟合方法 Download PDFInfo
- Publication number
- CN112395763B CN112395763B CN202011298687.3A CN202011298687A CN112395763B CN 112395763 B CN112395763 B CN 112395763B CN 202011298687 A CN202011298687 A CN 202011298687A CN 112395763 B CN112395763 B CN 112395763B
- Authority
- CN
- China
- Prior art keywords
- data
- model
- center point
- permeability
- models
- 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 21
- 230000009467 reduction Effects 0.000 claims abstract description 23
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 15
- 238000004364 calculation method Methods 0.000 claims abstract description 11
- 230000035699 permeability Effects 0.000 claims description 27
- 239000013598 vector Substances 0.000 claims description 27
- 239000011159 matrix material Substances 0.000 claims description 19
- 238000009826 distribution Methods 0.000 claims description 8
- 238000004088 simulation Methods 0.000 claims description 8
- 238000005259 measurement Methods 0.000 claims description 7
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 6
- 230000000694 effects Effects 0.000 claims description 5
- 238000000513 principal component analysis Methods 0.000 claims description 5
- 238000006467 substitution reaction Methods 0.000 claims description 5
- 238000011160 research Methods 0.000 claims description 4
- 230000002159 abnormal effect Effects 0.000 claims description 2
- 238000006243 chemical reaction Methods 0.000 claims description 2
- 238000002347 injection Methods 0.000 claims description 2
- 239000007924 injection Substances 0.000 claims description 2
- 238000002360 preparation method Methods 0.000 claims description 2
- 238000010206 sensitivity analysis Methods 0.000 claims description 2
- 238000000605 extraction Methods 0.000 claims 1
- 230000000717 retained effect Effects 0.000 claims 1
- 238000011161 development Methods 0.000 abstract description 5
- 238000005457 optimization Methods 0.000 abstract description 2
- 230000008569 process Effects 0.000 abstract description 2
- 239000003921 oil Substances 0.000 description 12
- 238000004519 manufacturing process Methods 0.000 description 9
- 230000015572 biosynthetic process Effects 0.000 description 4
- 238000000354 decomposition reaction Methods 0.000 description 3
- 230000000704 physical effect Effects 0.000 description 3
- 239000000243 solution Substances 0.000 description 3
- 239000010779 crude oil Substances 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- NAWXUBYGYWOOIX-SFHVURJKSA-N (2s)-2-[[4-[2-(2,4-diaminoquinazolin-6-yl)ethyl]benzoyl]amino]-4-methylidenepentanedioic acid Chemical compound C1=CC2=NC(N)=NC(N)=C2C=C1CCC1=CC=C(C(=O)N[C@@H](CC(=C)C(O)=O)C(O)=O)C=C1 NAWXUBYGYWOOIX-SFHVURJKSA-N 0.000 description 1
- 238000012935 Averaging Methods 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 238000007906 compression Methods 0.000 description 1
- 230000006835 compression Effects 0.000 description 1
- 239000013256 coordination polymer Substances 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 239000012530 fluid Substances 0.000 description 1
- 238000009472 formulation Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000012847 principal component analysis method Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 239000011435 rock Substances 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
-
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
- G06F18/2135—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on approximation criteria, e.g. principal component analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
- G06F18/24155—Bayesian classification
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/02—Agriculture; Fishing; Forestry; Mining
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/10—Numerical modelling
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A10/00—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE at coastal zones; at river basins
- Y02A10/40—Controlling or monitoring, e.g. of flood or hurricane; Forecasting, e.g. risk assessment or mapping
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Mathematical Physics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Probability & Statistics with Applications (AREA)
- Business, Economics & Management (AREA)
- Computational Mathematics (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Software Systems (AREA)
- Computer Hardware Design (AREA)
- Algebra (AREA)
- Databases & Information Systems (AREA)
- Geometry (AREA)
- Agronomy & Crop Science (AREA)
- Animal Husbandry (AREA)
- Marine Sciences & Fisheries (AREA)
- Mining & Mineral Resources (AREA)
- Computing Systems (AREA)
- Health & Medical Sciences (AREA)
- Economics (AREA)
- General Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Investigation Of Foundation Soil And Reinforcement Of Foundation Soil By Compacting Or Drainage (AREA)
Abstract
本发明公开了一种多模型自动历史拟合方法。包括,(1)PCA降维方法对模型进行数据降维,提升计算效率;(2)使用K‑Medoids聚类方法挑选指定数量个特征差异最大的实现作为初始模型,使得以较少的模型数量反映较多的地下可能情况;(3)择同时扰动随机逼近算法(SPSA)作为自动历史拟合的最优化方法并对算法进行针对性的改进。本发明的优点是:传统工艺通常仅建立单个随机地质模型,采用人工历史拟合方式获得符合油藏动态的地质模型。但由于地质资料相对稀少且地层存在非均质性,无法保证准确反映地下真实情况。而多模型能更完整的反映地下的真实情况,产生的预测结果不再是单一动态曲线,而是具有多种开发可能性的一系列曲线,使预测更为科学可靠。
Description
技术领域
本发明涉及油气田开发技术领域,特别针对历史拟合技术。
背景技术
油气藏数值模拟是现代油气藏开发方案制定的重要依据。常规数值模拟研究中,只选用一个初始模型进行历史拟合,采用人工历史拟合方法,对地质模型进行人为调整,然后使用拟合后的模型进行方案预测,为方案制定提供依据。人工历史拟合过程中,不仅需要耗费大量的时间和精力,而且由于每个油藏工程师工作经验不同,在模型调整时往往会带有较强的主观色彩,在调整参数的种类以及调整范围上会做出不同的决定,这也使得拟合后的模型存在较强不确定性,所提供的预测结果也就显得不是十分可靠。拟合结果的不确定性正体现了历史拟合问题的多解性。
随着数值模拟理论的不断完善以及计算机技术的快速发展,油气藏数值模拟逐渐由人工历史拟合向自动历史拟合发展,由传统的单模型预测向多模型预测改进。多模型能更完整的反映地下的真实情况,产生的预测结果不再是单一动态曲线,而是具有多种开发可能性的一系列曲线,使预测更为科学可靠。
发明内容
本发明针对现有方法的不足,提供了一种确定多模型自动历史拟合方法。
本发明的方法原理如下:
具体步骤如下:
1.主成分分析法降维
主成分分析(PCA)是由Hotelling提出的数据降维方法,通过对原始变量的相关矩阵或协方差矩阵结构的研究,将多个随机变量转换为少数几个新的随机变量(同时保留原始变量绝大部分特征信息),从而达到降维目的。
式中为降维矩阵,式(1)通过特征分解可得
P*=arg p min PTCP (2)
其中:
将降维矩阵和原始参数向量相乘可将模型的参数向量由Nm维转化为n维,Nm>>n,样本矩阵M和单个实现数据向量m的降维可由式(4)计算
S=PMt,s=Pmt (4)
式中:Mt、mt分别为M、m标准化后的形式,数据标准化可以使得所有特征参数具有相似的尺度,保证降维效果;S、s分别为M、m的降维结果。
2.改进的K中心点聚类
设数据集合X中有m条n维数据,每条数据xi为一个对象。当k个初始中心点对象随机或按照一定依据选定后,将剩余的n-k个非中心点被划分为k个组,分组的规则是:将非中心点对象化归到离它最近的中心点。两个对象的距离或相异度d计算公式如式(5):
式中所使用的曼哈顿距离,根据不同情况可以选择欧氏距离等其他形式的距离。
初始中心点确定并划分好簇后,随后每一步随机使用一个非中心点对象Or替换现有中心点对象Oi,提高聚类质量。为了确定Or是否是中心点Oi好的替代,每次进行替换尝试都需要考虑四种情况,其中Cj,r表示Oi被Or替换后对象Oj所需付出的代价:
对于所有m-k个非代表对象Oj,一次替代所造成的总代价为:
若Ct小于0,则认为本次替换可以提高聚类质量,认可本次替换,反之则拒绝替换。
常规K中心点聚类时间复杂度很高,最多需要k(m-k)2次计算判断,尤其对初始中心点的选择异常敏感;基于领域的K中心点算法通过对中心点设定邻域半径,选取相互距离较远的k个处于样本分布密集区域的数据作为K中心点算法的初始聚类中心,即可以在初期找到佳中心点或到达最佳中心点附近,减少中心点替换次数,又能避免初始中心点处于同一簇造成重复计算。
数据对象的邻域半径R定义为:
式中:cr为邻域半径系数,0<cr≤1。对于任意数据对象xi,以xi为中心,半径为R的圆形区域内的数据对象称为数据对象xi的邻域,用δ表示。δ的数学表达式为:
δi={xi|0<d(xi,xj)<R} (8)
3.自动历史拟合模型参数
在自动历史拟合研究中,需要将参数表示为向量的形式。如同时对孔隙度、渗透率、饱和度、相对渗透率和水体参数进行调整,设控制变量集合为m,则由油藏参数组成的控制变量Nm维向量m表示为:
m=(φ,k,s,kr,aq)T (9)
式中:φ为地质模型每个网格的孔隙度数据所组成的向量;
k是地质模型每个网格渗透率数据所组成的向量;
s为地质模型每个网格的饱和度数据所组成的向量;
kr为相对渗透率参数向量;
aq为描述水体特征的向量;
为了得到统一的历史数据格式,即每项数据在每个时间点都有数值,对应时间步测量则为测量值,没有测量也必须填写任意值,通常为0;
4.目标函数
基于贝叶斯理论目标函数近年来被广泛用于自动历史拟合领域,其不仅可以考虑动态历史和模型响应之间的偏差,同时可以充分利用随机实现中的先验信息,使得拟合后的模型更为符合实际地质统计规律。目标函数的表达式为:
式中:dobs是实际观测动态数据;Nobs是时间步数;g(m)是真实油藏参数下所获得的数值模拟结果;CD为实际观测数据和数值模拟结果误差的协方差矩阵;σi为测量误差的标准差;m是由孔隙度、渗透率等油藏静态参数组成的Nm维向量;mpr为先验油藏模型估计,可由大量先验模型求均值获得,即CM为随机模型参数矩阵M的协方差矩阵,将式(5)带入式(10)可得模型降维后目标函数式(11),可有效减少求解的计算量。
5.SPSA优化算法及改进
SPSA算法可以一次同时扰动所有控制变量,每次迭代仅需扰动两次即可求取随机梯度,随机梯度的期望为真实梯度,且恒为上山方向,在解决多变量的历史拟合问题时,效率高且收敛速度快。本次在SPSA算法的基础上,为了使随机梯度更接近真实梯度,提高算法稳定性,采用在每个迭代步中求取多个随机梯度,以其均值作为搜索方式,即:
附图说明
图1是本发明实施多模型历史拟合完整流程;
图2是本发明实施参考模型参数场分布图;
图3是本发明实施参考模型生产曲线;
图4是本发明主成分特征贡献率;
图5是本发明实施5个初始模型的渗透率参数场;
图6是本发明实施拟合后的渗透率模型;
图7是本发明实施A井产油量;
图8是本发明实施C井产油量;
图9是本发明实施B井井底流压;
图10是本发明实施D井井底流压;
具体实施方式
为使本发明的目的、技术方案及优点更加清楚明白,以下列举实施例,对本发明做进一步详细说明。
一种多模型自动历史拟合方法,包括以下步骤:
1.数据准备及随机实现的生成
以一反五点井网模型为例,研究面积为,网格划分为,网格尺寸为,包含1口注水井(I)和4口采油井(A、B、C、D)。储层参数见表1、5口井的物性如表2所示。
表1地层参数表
地层参数 | 数值 | 地层参数 | 数值 |
原始地层压力 | 25.36,MPa | 原油粘度 | 2,cp |
储层平均孔隙度 | 0.2 | 原油密度 | 855,kg/m<sup>3</sup> |
储层平均渗透率 | 0.2,mD | 地层深度 | 2200,m |
岩石压缩系数 | 2.21×10<sup>-5</sup>,MPa<sup>-1</sup> |
表2井的物性参数表
井名 | 渗透率,mD | 孔隙度,f | 净毛比(NTG) |
A | 16.9 | 0.17 | 0.81 |
B | 13.4 | 0.19 | 0.63 |
C | 25.1 | 0.22 | 0.72 |
D | 10.3 | 0.18 | 0.65 |
I | 31.2 | 0.21 | 0.88 |
依据5口井的地质资料,使用序贯高斯模拟随机生成701组孔隙度、渗透率和净毛比的属性模型。选择其中一个作为参考模型,对其进行数模运算后作为油藏历史数据。参考模型属性分布如图2示。
该模型一共模拟7200天,前6000天作为历史数据,用于历史拟合,后1200天作为未来真实动态,用于和历史拟合模型后的参数预测做对比,分析预测的不确定性。模型中的四口采油井采用定液量的方式生产,产量变化如图3所示。
2.模型降维及初始模型的聚类挑选
使用PCA算法对700个随机实现进行降维,每个实现包含孔隙度、渗透率和净毛比三类共个625×3=1875数据,经降维计算,前221个主成分即可表达原始数据90%以上的特征信息。由此每个实现的参数数据可由1875维降至221维。主成分所能表达原始数据特征的情况如图4示。降维后的模型数据量大大减少,可以明显减少聚类计算量以及拟合阶段需要调整的参数数量。
对降维后的数据使用改进的K中心点聚类算法挑选出5个实现作为初始模型,初始模型的渗透率分布如图5所示,观察可知,五个初始模型的渗透率分布具有明显差别,各初始模型能很好的作为一类实现的代表,从而更广泛地包含储层物性的分布。
3.自动历史拟合及预测
本例中仅考虑孔隙度、渗透率和净毛比三类变量对历史拟合的影响;首先,经敏感性分析,发现渗透率对拟合效果产生较大影响,孔隙度和净毛比影响可以忽略,且迭代超过30次后,目标函数已趋于收敛。在本例中将渗透率作为拟合参数,设定最大扰动次数为30次。其余参数设置为N▽=3,A=10,c=0.6,a=0.3。拟合后的渗透率分布如图6所示。部分井的产油量及井底流压拟合如图7~图10所示。
由图10可知,产油量和井底流压拟合效果较好。五个模型中渗透率场存在差异,但都能获得相似的生产历史拟合结果,反映了储层反演问题的多解性。同时从6000~7200天的预测结果也可以看出,任意一个拟合后的模型结果都不能完全准确预测未来产量和井底流压,但多个模型所预测的范围却能将真实值包含在内,也验证了多模型预测的合理性和必要性。
本领域的普通技术人员将会意识到,这里所述的实施例是为了帮助读者理解本发明的实施方法,应被理解为本发明的保护范围并不局限于这样的特别陈述和实施例。本领域的普通技术人员可以根据本发明公开的这些技术启示做出各种不脱离本发明实质的其它各种具体变形和组合,这些变形和组合仍然在本发明的保护范围内。
Claims (1)
1.一种自动历史拟合方法,其特征在于可针对多个地质模型进行筛选,避免只选择一个地质模型导致计算结果产生偏差,包括以下步骤:
步骤1,数据准备及随机实现的生成;
以一反五点井网模型为例,研究面积为1000m×1000m,网格划分为25×25×1,网格尺寸为40m×40m×20m,包含1口注水井(I)和4口采油井(A、B、C、D),依据5口井的地质资料,使用序贯高斯模拟随机生成701组孔隙度、渗透率和净毛比的属性模型,选择其中一个作为参考模型,对其进行数模运算后作为油藏历史数据;
步骤2,模型降维及初始模型的聚类挑选;
(1)、使用PCA算法对多个随机实现进行降维
主成分分析是由Hotelling提出的数据降维方法,通过对原始变量的相关矩阵或协方差矩阵结构的研究,将多个随机变量转换为少数几个新的随机变量,同时保留原始变量绝大部分特征信息,从而达到降维目的;
将降维矩阵和原始参数向量相乘可将模型的参数向量由Nm维转化为n维,Nm>>n,样本矩阵M和单个实现数据向量m的降维可由式(2)计算;
S=PMt,s=Pmt (2)
式中:Mt、mt分别为M、m标准化后的形式,数据标准化可以使得所有特征参数具有相似的尺度,保证降维效果;S、s分别为M、m的降维结果;
使用PCA算法对700个随机实现进行降维,每个实现包含孔隙度、渗透率和净毛比三类共625×3=1875个数据,经降维计算,前221个主成分即可表达原始数据90%以上的特征信息,由此每个实现的参数数据可由1875维降至221维;
(2)、K中心点聚类
多个地质模型经过聚类,将属性相近的地质模型归并成一类,可以减少用于历史拟合的模型数量,本次采用K中心点聚类方法进行聚类,主要原理如下:设数据集合X中有m条n维数据,每条数据xi为一个对象;当k个初始中心点对象随机后,将剩余的n-k个非中心点被划分为k个组,分组的规则是:将非中心点对象化归到离它最近的中心点,两个对象的距离或相异度d计算公式如式(3):
式中所使用的曼哈顿距离,根据不同情况可以选择欧氏距离;初始中心点确定并划分好簇后,随后每一步随机使用一个非中心点对象Or替换现有中心点对象Oi,提高聚类质量;为了确定Or是否是中心点Oi好的替代,每次进行替换尝试都需要考虑四种情况,其中Cj,r表示Oi被Or替换后对象Oj所需付出的代价:对于所有m-k个非代表对象Oj,一次替代所造成的总代价为:
若Ct小于0,则认为本次替换可以提高聚类质量,认可本次替换,反之则拒绝替换;
常规K中心点聚类时间复杂度很高,最多需要k(m-k)2次计算判断,尤其对初始中心点的选择异常敏感;基于领域的K中心点算法通过对中心点设定邻域半径,选取相互距离较远的k个处于样本分布密集区域的数据作为K中心点算法的初始聚类中心,即可以在初期找到佳中心点或到达最佳中心点附近,减少中心点替换次数,又能避免初始中心点处于同一簇造成重复计算;
数据对象的邻域半径R定义为:
式中:cr为邻域半径系数,0<cr≤1;对于任意数据对象xi,以xi为中心,半径为R的圆形区域内的数据对象称为数据对象xi的邻域,用δ表示,δ的数学表达式为:
δi={xi|0<d(xi,xj)<R} (6)
对降维后的数据使用改进的K中心点聚类算法挑选出5个实现作为初始模型;
步骤3,自动历史拟合及预测;
在自动历史拟合研究中,需要将参数表示为向量的形式,同时对孔隙度、渗透率、饱和度、相对渗透率和水体参数进行调整,设控制变量集合为m,则由油藏参数组成的控制变量Nm维向量m表示为:
m=(φ,k,s,kr,aq)T (7)
式中:φ为地质模型每个网格的孔隙度数据所组成的向量;k是地质模型每个网格渗透率数据所组成的向量;s为地质模型每个网格的饱和度数据所组成的向量;kr为相对渗透率参数向量;aq为描述水体特征的向量;
为了得到统一的历史数据格式,即每项数据在每个时间点都有数值,对应时间步测量则为测量值,没有测量也必须填写任意值;
仅考虑孔隙度、渗透率和净毛比三类变量对历史拟合的影响;首先,经敏感性分析,发现渗透率对拟合效果产生较大影响,孔隙度和净毛比影响可以忽略,且迭代超过30次后,目标函数已趋于收敛,在本例中将渗透率作为拟合参数,设定最大扰动次数为30次,其余参数设置为N▽=3,A=10,c=0.6,a=0.3;
其中N▽为当前迭代步估计真实梯度时所使用随机梯度的个数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011298687.3A CN112395763B (zh) | 2020-11-19 | 2020-11-19 | 一种自动历史拟合方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011298687.3A CN112395763B (zh) | 2020-11-19 | 2020-11-19 | 一种自动历史拟合方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112395763A CN112395763A (zh) | 2021-02-23 |
CN112395763B true CN112395763B (zh) | 2022-09-02 |
Family
ID=74606752
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011298687.3A Active CN112395763B (zh) | 2020-11-19 | 2020-11-19 | 一种自动历史拟合方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112395763B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113033042B (zh) * | 2021-03-08 | 2024-01-09 | 西北工业大学 | 连续纤维增韧陶瓷基复合材料自然孔隙信息拟合方法 |
CN113486556B (zh) * | 2021-07-08 | 2022-03-11 | 山东大学 | 一种改进的油气藏高效自动历史拟合方法 |
CN116464437B (zh) * | 2023-04-23 | 2024-04-12 | 西南石油大学 | 一种碳酸盐岩气藏地层水产水量的预测方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP3020913A1 (en) * | 2014-11-17 | 2016-05-18 | Repsol, S.A. | Method of managing petro-chemical reservoir production and program product therefor |
CN105808311A (zh) * | 2014-12-29 | 2016-07-27 | 中国石油化工股份有限公司 | 一种基于降维策略的油藏模拟快速拟合方法 |
CN106295199A (zh) * | 2016-08-15 | 2017-01-04 | 中国地质大学(武汉) | 基于自动编码器和多目标优化的自动历史拟合方法及系统 |
CN106844993A (zh) * | 2017-02-09 | 2017-06-13 | 朱亚婷 | 一种基于spss的油井分类和油藏分区的方法 |
CN109002574A (zh) * | 2018-06-06 | 2018-12-14 | 西安石油大学 | 一种多层油藏脉冲周期注水开发指标预测方法 |
CN110084435A (zh) * | 2019-05-07 | 2019-08-02 | 合肥工业大学 | 一种油气藏参数解释方法及系统 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102708241B (zh) * | 2012-05-07 | 2014-12-17 | 中国石油天然气股份有限公司 | 一种用于油藏历史拟合的快速粒子群方法 |
-
2020
- 2020-11-19 CN CN202011298687.3A patent/CN112395763B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP3020913A1 (en) * | 2014-11-17 | 2016-05-18 | Repsol, S.A. | Method of managing petro-chemical reservoir production and program product therefor |
CN105808311A (zh) * | 2014-12-29 | 2016-07-27 | 中国石油化工股份有限公司 | 一种基于降维策略的油藏模拟快速拟合方法 |
CN106295199A (zh) * | 2016-08-15 | 2017-01-04 | 中国地质大学(武汉) | 基于自动编码器和多目标优化的自动历史拟合方法及系统 |
CN106844993A (zh) * | 2017-02-09 | 2017-06-13 | 朱亚婷 | 一种基于spss的油井分类和油藏分区的方法 |
CN109002574A (zh) * | 2018-06-06 | 2018-12-14 | 西安石油大学 | 一种多层油藏脉冲周期注水开发指标预测方法 |
CN110084435A (zh) * | 2019-05-07 | 2019-08-02 | 合肥工业大学 | 一种油气藏参数解释方法及系统 |
Non-Patent Citations (2)
Title |
---|
"Estimation and simulation for geospatial porosity and permeability data";Ossiander, Mina等;《ENVIRONMENTAL AND ECOLOGICAL STATISTICS》;20170331;第24卷(第1期);109-130 * |
"数据挖掘在优势渗流通道表征的应用实践";陈博洋;《中国优秀博硕士学位论文全文数据库(硕士) 工程科技Ⅰ辑》;20190115;B019-18 * |
Also Published As
Publication number | Publication date |
---|---|
CN112395763A (zh) | 2021-02-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112395763B (zh) | 一种自动历史拟合方法 | |
CN109611087B (zh) | 一种火山岩油藏储层参数智能预测方法及系统 | |
Jeong et al. | Efficient global optimization (EGO) for multi-objective problem and data mining | |
Emerick et al. | Combining sensitivities and prior information for covariance localization in the ensemble Kalman filter for petroleum reservoir applications | |
EP3362640B1 (en) | History matching of hydrocarbon production from heterogenous reservoirs | |
CN110807544B (zh) | 一种基于机器学习的油田剩余油饱和度分布的预测方法 | |
CN113360854B (zh) | 基于自适应协方差膨胀的资料同化方法 | |
CN112733449A (zh) | 一种cnn井震联合反演方法、系统、存储介质、设备及应用 | |
CN112633328A (zh) | 一种基于深度学习的致密油藏改造效果评价方法 | |
CN111340069A (zh) | 基于交替学习的不完整数据精细建模及缺失值填补方法 | |
Malo et al. | Eagle ford-introducing the big bad wolf | |
CN113780420A (zh) | 基于gru-gcn的变压器油中溶解气体浓度预测方法 | |
CN114861519B (zh) | 复杂地质条件下初始地应力场加速优化反演方法 | |
Śliwiak et al. | Computational assessment of smooth and rough parameter dependence of statistics in chaotic dynamical systems | |
CN114091333A (zh) | 一种基于机器学习的页岩含气量人工智能预测方法 | |
CN110362911A (zh) | 一种面向设计过程的代理模型选择方法 | |
NO20200978A1 (en) | Optimized methodology for automatic history matching of a petroleum reservoir model with ensemble kalman filter | |
CN116882323A (zh) | 一种考虑时序性及细分任务的自适应代理策略优化方法 | |
CN116011337A (zh) | 一种抗数值噪声的高效工程设计方法 | |
CN113177078B (zh) | 基于条件生成模型的近似查询处理算法 | |
CN115099357A (zh) | 一种基于多核支持向量机的致密砂岩储层分类方法 | |
Chaki et al. | A novel framework based on SVDD to classify water saturation from seismic attributes | |
Hendrikse et al. | A bootstrap approach to eigenvalue correction | |
CN112766336A (zh) | 一种最大化随机平滑下提高模型可验证防御性能的方法 | |
CN113255212A (zh) | 一种基于pca和贝叶斯分类器的换流阀冷却系统选型方法 |
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 |