CN112487699A - 动液面确定方法、动液面确定模型获得方法及相关设备 - Google Patents
动液面确定方法、动液面确定模型获得方法及相关设备 Download PDFInfo
- Publication number
- CN112487699A CN112487699A CN201910858692.6A CN201910858692A CN112487699A CN 112487699 A CN112487699 A CN 112487699A CN 201910858692 A CN201910858692 A CN 201910858692A CN 112487699 A CN112487699 A CN 112487699A
- Authority
- CN
- China
- Prior art keywords
- data
- working fluid
- fluid level
- production well
- oil
- 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.)
- Pending
Links
Images
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请公开了一种动液面确定方法、动液面确定模型获得方法及相关设备，可以获得第一采油井的油层数据、所述第一采油井的生产数据以及与所述第一采油井具有连通关系的注水井的生产数据；将获得的各数据输入预先训练得到的动液面确定模型中，获得所述动液面确定模型输出的所述第一采油井的动液面深度。本申请可以通过预先训练得到的动液面确定模型自动获得动液面深度，无需人工测量，因此可以频繁地获得动液面深度。由于获得的动液面深度更多，因此更好的根据动液面深度对采油井生产过程中的生产参数进行设定与优化。
Description
技术领域
本申请涉及石油生产领域，尤其涉及动液面确定方法、动液面确定模型获得方法及相关设备。
背景技术
动液面是采油井在正常生产时，油管和套管之间的环形空间的一个液面。动液面深度可以用从采油井的井口至动液面的距离表示，也可用从油层中部至动液面的距离表示。
动液面直接反应储层对于井筒的供液能力，因此采油井生产过程中的生产参数设定与优化、生产故障判断及措施制定都以动液面深度作为判断依据之一。
目前，采油井生产过程中均采用人工低压测试的方式来获取动液面深度。现有的动液面深度获得方式无法频繁获得动液面深度。
发明内容
鉴于上述问题，本申请提供一种克服上述问题或者至少部分地解决上述问题的动液面确定方法、动液面确定模型获得方法及相关设备，技术方案如下：
第一方面，提供了一种动液面确定方法，包括：
获得第一采油井的油层数据、所述第一采油井的生产数据以及与所述第一采油井具有连通关系的注水井的生产数据；
将获得的各数据输入预先训练得到的动液面确定模型中，获得所述动液面确定模型输出的所述第一采油井的动液面深度，其中，所述动液面确定模型根据标注有动液面深度的训练数据进行机器学习得到，所述训练数据包括：至少一个采油井的油层数据、所述至少一个采油井的生产数据以及与所述至少一个采油井具有连通关系的注水井的生产数据。
结合第一方面，在一些实施例中，所述油层数据包括：油层深度和/或原油密度；
和/或，所述采油井的生产数据包括：产液量、冲程、冲次、采油井油压、采油井套压、生产故障中的至少一个；
和/或，所述注水井的生产数据包括：注水量、注水井油压、注水井套压中的至少一个。
结合第一方面，在一些实施例中，所述训练数据为在第一历史时间段内记录的数据。
第二方面，提供了一种动液面确定模型获得方法，包括：
将第一历史时间段内记录的第一采油井组中各采油井的油层数据、所述第一采油井组中各采油井的生产数据以及与所述第一采油井组中各采油井具有连通关系的注水井的生产数据确定为训练数据；
根据数据记录时刻，为所述训练数据标注所述第一历史时间段内记录的所述第一采油井组中采油井的动液面深度；
使用至少一种机器学习方法对带有动液面深度标注的所述训练数据进行机器学习，获得至少一个动液面确定模型，所述至少一个动液面确定模型的输入均为：采油井的油层数据、采油井的生产数据以及与采油井具有连通关系的注水井的生产数据；所述至少一个动液面确定模型的输出均为：动液面深度。
结合第二方面，在一些实施例中，一种动液面确定模型获得方法还包括：
将测试数据分别输入各所述动液面确定模型中，获得各所述动液面确定模型输出的动液面深度，其中，所述测试数据包括：第二历史时间段内记录的第二采油井组中各采油井的油层数据、所述第二采油井组中各采油井的生产数据以及与所述第二采油井组中各采油井具有连通关系的注水井的生产数据；所述第二采油井组与所述第一采油井组相同或不同；
根据各所述动液面确定模型输出的动液面深度确定各所述动液面确定模型的准确度；
根据所述准确度对所述至少一个动液面确定模型进行筛选。
第三方面，提供了一种动液面确定系统，包括：数据采集单元和数据输入单元，
所述数据采集单元，用于获得第一采油井的油层数据、所述第一采油井的生产数据以及与所述第一采油井具有连通关系的注水井的生产数据；
所述数据输入单元，用于将获得的各数据输入预先训练得到的动液面确定模型中，获得所述动液面确定模型输出的所述第一采油井的动液面深度，其中，所述动液面确定模型根据标注有动液面深度的训练数据进行机器学习得到，所述训练数据包括：至少一个采油井的油层数据、所述至少一个采油井的生产数据以及与所述至少一个采油井具有连通关系的注水井的生产数据。
第四方面，提供了一种动液面确定模型获得系统，包括：数据获得单元、标注单元和训练单元，
所述数据获得单元，用于将第一历史时间段内记录的第一采油井组中各采油井的油层数据、所述第一采油井组中各采油井的生产数据以及与所述第一采油井组中各采油井具有连通关系的注水井的生产数据确定为训练数据；
所述标注单元，用于根据数据记录时刻，为所述训练数据标注所述第一历史时间段内记录的所述第一采油井组中采油井的动液面深度；
所述训练单元，用于使用至少一种机器学习方法对带有动液面深度标注的所述训练数据进行机器学习，获得至少一个动液面确定模型，所述至少一个动液面确定模型的输入均为：采油井的油层数据、采油井的生产数据以及与采油井具有连通关系的注水井的生产数据；所述至少一个动液面确定模型的输出均为：动液面深度。
结合第四方面，在一些实施例中，一种动液面确定模型获得系统还包括：测试单元、准确度确定单元和筛选单元，
所述测试单元，用于将测试数据分别输入各所述动液面确定模型中，获得各所述动液面确定模型输出的动液面深度，其中，所述测试数据包括：第二历史时间段内记录的第二采油井组中各采油井的油层数据、所述第二采油井组中各采油井的生产数据以及与所述第二采油井组中各采油井具有连通关系的注水井的生产数据；所述第二采油井组与所述第一采油井组相同或不同；
所述确度确定单元，用于根据各所述动液面确定模型输出的动液面深度确定各所述动液面确定模型的准确度；
所述筛选单元，用于根据所述准确度对所述至少一个动液面确定模型进行筛选。
第五方面，提供了一种设备，包括：存储器和处理器，
其中，所述存储器用于存储程序指令，所述处理器用于调用所述存储器中存储的程序指令，以执行上述的任一种动液面确定方法和/或上述的任一种动液面确定模型获得方法。
第六方面，提供了一种存储介质，所述存储介质中存储有计算机可执行指令，所述计算机可执行指令被处理器加载并执行时，实现上述的任一种动液面确定方法和/或上述的任一种动液面确定模型获得方法。
借由上述技术方案，本申请提供的动液面确定方法、动液面确定模型获得方法及相关设备，可以获得第一采油井的油层数据、所述第一采油井的生产数据以及与所述第一采油井具有连通关系的注水井的生产数据；将获得的各数据输入预先训练得到的动液面确定模型中，获得所述动液面确定模型输出的所述第一采油井的动液面深度。本申请可以通过预先训练得到的动液面确定模型自动获得动液面深度，无需人工测量，因此可以频繁地获得动液面深度。由于获得的动液面深度更多，因此更好的根据动液面深度对采油井生产过程中的生产参数进行设定与优化。
上述说明仅是本申请技术方案的概述，为了能够更清楚了解本申请的技术手段，而可依照说明书的内容予以实施，并且为了让本申请的上述和其它目的、特征和优点能够更明显易懂，以下特举本申请的具体实施方式。
附图说明
通过阅读下文优选实施方式的详细描述，各种其他的优点和益处对于本领域普通技术人员将变得清楚明了。附图仅用于示出优选实施方式的目的，而并不认为是对本申请的限制。而且在整个附图中，用相同的参考符号表示相同的部件。在附图中：
图1示出了本申请实施例提供的一种动液面确定方法的流程图；
图2示出了本申请实施例提供的一种动液面确定模型获得方法的流程图；
图3示出了本申请实施例提供的另一种动液面确定模型获得方法的流程图；
图4示出了本申请实施例提供的一种动液面确定系统的结构示意图；
图5示出了本申请实施例提供的一种动液面确定模型获得系统的结构示意图；
图6示出了本申请实施例提供的设备的结构示意图。
具体实施方式
下面将参照附图更详细地描述本公开的示例性实施例。虽然附图中显示了本公开的示例性实施例，然而应当理解，可以以各种形式实现本公开而不应被这里阐述的实施例所限制。相反，提供这些实施例是为了能够更透彻地理解本公开，并且能够将本公开的范围完整的传达给本领域的技术人员。
如图1所示，本申请实施例提供了一种动液面确定方法，可以包括：
S100、获得第一采油井的油层数据、第一采油井的生产数据以及与第一采油井具有连通关系的注水井的生产数据；
可选的，第一采油井可以为多种类型的采油井，如：抽油机井、电潜泵井、螺杆泵井等，本申请在此不做限定。
在一可选的具体实施例中，油层数据可以包括：油层深度和/或原油密度；和/或，采油井的生产数据可以包括：产液量、冲程、冲次、采油井油压、采油井套压、生产故障中的至少一个；和/或，注水井的生产数据可以包括：注水量、注水井油压、注水井套压中的至少一个。本申请可以将这些参数确定为影响动液面深度的参数。
其中，产液量为采油井所开采的油水混合物的产量。
其中，冲程为采油机的抽油泵活塞的最大位移(抽油泵活塞最高点至最低点之间的距离)，该冲程可以由示功图传感器采集得到。本申请实施例可以将示功图中第73个点对应的位移作为冲程。
其中，采油井油压为采油井在生产时由压力表测得的油管环空压力，采油井套压为采油井在生产时由压力表测得的油管与套管之间的环空压力。相应的，注水井油压为注水井在生产时由压力表测得的油管环空压力，注水井套压为注水井在生产时由压力表测得的油管与套管之间的环空压力。
其中，上述生产故障可以为多种类型的故障，如：结蜡、漏失、欠载停泵、过载停泵、套压升高、油井出砂等。
本申请发明人为了实现自动确定动液面深度，从海量的参数中选择了三个方面的参数(采油井的油层数据、采油井的生产数据以及与采油井具有连通关系的注水井的生产数据)作为影响动液面深度的参数。同时，对每个方面的参数，本申请发明人都进一步筛选出该方面的部分参数作为影响动液面深度的参数。上述影响动液面深度的参数的筛选过程花费了本申请发明人的大量时间和经历。本申请发明人经过了大量的计算、实验、分析和对比，从而从石油生产领域中涉及的海量参数中筛选出了上述的11种参数。由于筛选出的影响动液面深度的参数较多，因此本申请根据这些参数确定的动液面深度的准确性也很高。
在一可选的具体实施例中，本申请步骤S100获得的各数据均为同一油田生产周期中采集的数据。进一步，本申请步骤S100获得的各数据均为同一天中采集的数据。进一步，本申请步骤S100获得的各数据均为同一小时内采集的数据。进一步，本申请步骤S100获得的各数据均为同一时刻采集的数据。
S200、将获得的各数据输入预先训练得到的动液面确定模型中，获得动液面确定模型输出的第一采油井的动液面深度，其中，动液面确定模型根据标注有动液面深度的训练数据进行机器学习得到，训练数据包括：至少一个采油井的油层数据、至少一个采油井的生产数据以及与至少一个采油井具有连通关系的注水井的生产数据。
在一可选的具体实施例中，训练数据可以为在第一历史时间段内记录的数据。可选的，训练数据中的各数据和步骤S100获得的各数据均为同一油田区块内采油井、注水井的数据。本实施例可以将记录时刻相同的采油井的油层数据、采油井的生产数据以及注水井的生产数据确定为一组训练数据。例如：将记录时刻均为2018年3月2日上午10点的采油井的油层数据、采油井的生产数据以及注水井的生产数据确定为一组训练数据。
可选的，本申请的动液面确定模型可以为根据支持向量机(Support VectorMachine，SVM)、决策树(Decision Tree)与随机森林(Random forest)等机器学习方法中的一种或多种获得的机器学习模型。
在一可选的具体实施例中，本申请可以通过有监督或无监督的方法对训练数据进行学习。本实施例的训练数据可以带有标注或不带有标注，当带有标注时，可以带有动液面深度的标注。可选的，本申请可以根据动液面深度的记录时刻为训练数据进行标注。一般的，标注的动液面深度的记录时刻与被标注的训练数据的记录时刻相同或相近。例如上述记录时刻均为2018年3月2日上午10点的一组训练数据，本申请可以为其标注2018年3月2日上午10点记录的动液面深度。当不存在2018年3月2日上午10点记录的动液面深度时，将距离该时刻最近的时刻记录的动液面深度(如2018年3月2日上午10点05分记录的动液面深度)作为该组训练数据的标注。
本申请实施例提供的一种动液面确定方法，可以获得第一采油井的油层数据、所述第一采油井的生产数据以及与所述第一采油井具有连通关系的注水井的生产数据；将获得的各数据输入预先训练得到的动液面确定模型中，获得所述动液面确定模型输出的所述第一采油井的动液面深度。本申请可以通过预先训练得到的动液面确定模型自动获得动液面深度，无需人工测量，因此可以频繁地获得动液面深度。由于获得的动液面深度更多，因此更好的根据动液面深度对采油井生产过程中的生产参数进行设定与优化等。
本申请实施例还提供了一种动液面确定模型获得方法，如图2所示，该方法可以包括：
S001、将第一历史时间段内记录的第一采油井组中各采油井的油层数据、第一采油井组中各采油井的生产数据以及与第一采油井组中各采油井具有连通关系的注水井的生产数据确定为训练数据；
可选的，第一采油井组中各采油井可以位于同一油田区块中或位于不同油田区块中。
在一可选的具体实施例中，油层数据可以包括：油层深度和/或原油密度；和/或，采油井的生产数据可以包括：产液量、冲程、冲次、采油井油压、采油井套压、生产故障中的至少一个；和/或，注水井的生产数据可以包括：注水量、注水井油压、注水井套压中的至少一个。本申请可以将这些参数确定为影响动液面深度的参数。
S002、根据数据记录时刻，为训练数据标注第一历史时间段内记录的第一采油井组中采油井的动液面深度；
可选的，本申请可以根据动液面深度的记录时刻为训练数据进行标注。一般的，标注的动液面深度的记录时刻与被标注的训练数据的记录时刻相同或相近。例如上述记录时刻均为2018年3月2日上午10点的一组训练数据，本申请可以为其标注2018年3月2日上午10点记录的动液面深度。当不存在2018年3月2日上午10点记录的动液面深度时，将距离该时刻最近的时刻记录的动液面深度(如2018年3月2日上午10点05分记录的动液面深度)作为该组训练数据的标注。
S003、使用至少一种机器学习方法对带有动液面深度标注的训练数据进行机器学习，获得至少一个动液面确定模型，至少一个动液面确定模型的输入均为：采油井的油层数据、采油井的生产数据以及与采油井具有连通关系的注水井的生产数据；至少一个动液面确定模型的输出均为：动液面深度。
可选的，本申请使用的机器学习方法可以为支持向量机(Support VectorMachine，SVM)、决策树(Decision Tree)与随机森林(Random forest)等机器学习方法中的一种或多种。
在实际应用中，本申请还可以根据测试数据对步骤S003获得的动液面确定模型进行测试。
相对于图2所示方法，如图3所示，本申请另一实施例提供的一种动液面确定模型获得方法，还可以包括：
S004、将测试数据分别输入各动液面确定模型中，获得各动液面确定模型输出的动液面深度，其中，测试数据包括：第二历史时间段内记录的第二采油井组中各采油井的油层数据、第二采油井组中各采油井的生产数据以及与第二采油井组中各采油井具有连通关系的注水井的生产数据；第二采油井组与第一采油井组相同或不同；
可选的，测试数据可以少于训练数据。
S005、根据各动液面确定模型输出的动液面深度确定各动液面确定模型的准确度；
由于测试数据为第二历史时间段记录内的数据，因此本申请可以根据动液面确定模型输出的动液面深度与第二历史时间段内采油井的实际动液面深度来确定模型的准确度。
S006、根据准确度对至少一个动液面确定模型进行筛选。
本申请可以将准确度最高的动液面确定模型筛选出来作为最终的动液面确定模型进行使用。
与图1所示方法实施例相对应，本申请实施例还提供了一种动液面确定系统。
如图4所示，本申请实施例提供的一种动液面确定系统，可以包括：数据采集单元100和数据输入单元200，
所述数据采集单元100，用于获得第一采油井的油层数据、所述第一采油井的生产数据以及与所述第一采油井具有连通关系的注水井的生产数据；
可选的，第一采油井可以为多种类型的采油井，如：抽油机井、电潜泵井、螺杆泵井等，本申请在此不做限定。
在一可选的具体实施例中，油层数据可以包括：油层深度和/或原油密度；和/或，采油井的生产数据可以包括：产液量、冲程、冲次、采油井油压、采油井套压、生产故障中的至少一个；和/或，注水井的生产数据可以包括：注水量、注水井油压、注水井套压中的至少一个。本申请可以将这些参数确定为影响动液面深度的参数。
其中，产液量为采油井所开采的油水混合物的产量。
其中，冲程为采油机的抽油泵活塞的最大位移(抽油泵活塞最高点至最低点之间的距离)，该冲程可以由示功图传感器采集得到。本申请实施例可以将示功图中第73个点对应的位移作为冲程。
其中，采油井油压为采油井在生产时由压力表测得的油管环空压力，采油井套压为采油井在生产时由压力表测得的油管与套管之间的环空压力。相应的，注水井油压为注水井在生产时由压力表测得的油管环空压力，注水井套压为注水井在生产时由压力表测得的油管与套管之间的环空压力。
其中，上述生产故障可以为多种类型的故障，如：结蜡、漏失、欠载停泵、过载停泵、套压升高、油井出砂等。
本申请发明人为了实现自动确定动液面深度，从海量的参数中选择了三个方面的参数(采油井的油层数据、采油井的生产数据以及与采油井具有连通关系的注水井的生产数据)作为影响动液面深度的参数。同时，对每个方面的参数，本申请发明人都进一步筛选出该方面的部分参数作为影响动液面深度的参数。上述影响动液面深度的参数的筛选过程花费了本申请发明人的大量时间和经历。本申请发明人经过了大量的计算、实验、分析和对比，从而从石油生产领域中涉及的海量参数中筛选出了上述的11种参数。由于筛选出的影响动液面深度的参数较多，因此本申请根据这些参数确定的动液面深度的准确性也很高。
在一可选的具体实施例中，本申请数据采集单元100获得的各数据均为同一油田生产周期中采集的数据。进一步，本申请数据采集单元100获得的各数据均为同一天中采集的数据。进一步，本申请数据采集单元100获得的各数据均为同一小时内采集的数据。进一步，本申请数据采集单元100获得的各数据均为同一时刻采集的数据。
所述数据输入单元200，用于将获得的各数据输入预先训练得到的动液面确定模型中，获得所述动液面确定模型输出的所述第一采油井的动液面深度，其中，所述动液面确定模型根据标注有动液面深度的训练数据进行机器学习得到，所述训练数据包括：至少一个采油井的油层数据、所述至少一个采油井的生产数据以及与所述至少一个采油井具有连通关系的注水井的生产数据。
在一可选的具体实施例中，训练数据可以为在第一历史时间段内记录的数据。可选的，训练数据中的各数据和数据采集单元100获得的各数据均为同一油田区块内采油井、注水井的数据。本实施例可以将记录时刻相同的采油井的油层数据、采油井的生产数据以及注水井的生产数据确定为一组训练数据。例如：将记录时刻均为2018年3月2日上午10点的采油井的油层数据、采油井的生产数据以及注水井的生产数据确定为一组训练数据。
可选的，本申请的动液面确定模型可以为根据支持向量机(Support VectorMachine，SVM)、决策树(Decision Tree)与随机森林(Random forest)等机器学习方法中的一种或多种获得的机器学习模型。
在一可选的具体实施例中，本申请可以通过有监督或无监督的方法对训练数据进行学习。本实施例的训练数据可以带有标注或不带有标注，当带有标注时，可以带有动液面深度的标注。可选的，本申请可以根据动液面深度的记录时刻为训练数据进行标注。一般的，标注的动液面深度的记录时刻与被标注的训练数据的记录时刻相同或相近。例如上述记录时刻均为2018年3月2日上午10点的一组训练数据，本申请可以为其标注2018年3月2日上午10点记录的动液面深度。当不存在2018年3月2日上午10点记录的动液面深度时，将距离该时刻最近的时刻记录的动液面深度(如2018年3月2日上午10点05分记录的动液面深度)作为该组训练数据的标注。
本申请实施例提供的一种动液面确定系统，可以获得第一采油井的油层数据、所述第一采油井的生产数据以及与所述第一采油井具有连通关系的注水井的生产数据；将获得的各数据输入预先训练得到的动液面确定模型中，获得所述动液面确定模型输出的所述第一采油井的动液面深度。本申请可以通过预先训练得到的动液面确定模型自动获得动液面深度，无需人工测量，因此可以频繁地获得动液面深度。由于获得的动液面深度更多，因此更好的根据动液面深度对采油井生产过程中的生产参数进行设定与优化等。
与图2所示方法实施例相对应，本申请实施例还提供了一种动液面确定模型获得系统。
如图5所示，本申请实施例提供的一种动液面确定模型获得系统，可以包括：数据获得单元001、标注单元002和训练单元003，
所述数据获得单元001，用于将第一历史时间段内记录的第一采油井组中各采油井的油层数据、所述第一采油井组中各采油井的生产数据以及与所述第一采油井组中各采油井具有连通关系的注水井的生产数据确定为训练数据；
可选的，第一采油井组中各采油井可以位于同一油田区块中或位于不同油田区块中。
在一可选的具体实施例中，油层数据可以包括：油层深度和/或原油密度；和/或，采油井的生产数据可以包括：产液量、冲程、冲次、采油井油压、采油井套压、生产故障中的至少一个；和/或，注水井的生产数据可以包括：注水量、注水井油压、注水井套压中的至少一个。本申请可以将这些参数确定为影响动液面深度的参数。
所述标注单元002，用于根据数据记录时刻，为所述训练数据标注所述第一历史时间段内记录的所述第一采油井组中采油井的动液面深度；
可选的，本申请可以根据动液面深度的记录时刻为训练数据进行标注。一般的，标注的动液面深度的记录时刻与被标注的训练数据的记录时刻相同或相近。例如上述记录时刻均为2018年3月2日上午10点的一组训练数据，本申请可以为其标注2018年3月2日上午10点记录的动液面深度。当不存在2018年3月2日上午10点记录的动液面深度时，将距离该时刻最近的时刻记录的动液面深度(如2018年3月2日上午10点05分记录的动液面深度)作为该组训练数据的标注。
所述训练单元003，用于使用至少一种机器学习方法对带有动液面深度标注的所述训练数据进行机器学习，获得至少一个动液面确定模型，所述至少一个动液面确定模型的输入均为：采油井的油层数据、采油井的生产数据以及与采油井具有连通关系的注水井的生产数据；所述至少一个动液面确定模型的输出均为：动液面深度。
可选的，本申请使用的机器学习方法可以为支持向量机(Support VectorMachine，SVM)、决策树(Decision Tree)与随机森林(Random forest)等机器学习方法中的一种或多种。
在另一可选实施例中，图5所示系统还可以包括：测试单元、准确度确定单元和筛选单元，
所述测试单元，用于将测试数据分别输入各所述动液面确定模型中，获得各所述动液面确定模型输出的动液面深度，其中，所述测试数据包括：第二历史时间段内记录的第二采油井组中各采油井的油层数据、所述第二采油井组中各采油井的生产数据以及与所述第二采油井组中各采油井具有连通关系的注水井的生产数据；所述第二采油井组与所述第一采油井组相同或不同；
可选的，测试数据可以少于训练数据。
所述确度确定单元，用于根据各所述动液面确定模型输出的动液面深度确定各所述动液面确定模型的准确度；
由于测试数据为第二历史时间段记录内的数据，因此本申请可以根据动液面确定模型输出的动液面深度与第二历史时间段内采油井的实际动液面深度来确定模型的准确度。
所述筛选单元，用于根据所述准确度对所述至少一个动液面确定模型进行筛选。
本申请可以将准确度最高的动液面确定模型筛选出来作为最终的动液面确定模型进行使用。
如图6所示，本申请实施例还提供了一种设备60，可以包括：存储器601和处理器602，
其中，所述存储器601用于存储程序指令，所述处理器602用于调用所述存储器601中存储的程序指令，以执行上述的任一种动液面确定方法和/或上述的任一种动液面确定模型获得方法。
本文中的设备60可以是服务器、PC、PAD、手机等。
其中，如图6所示，设备60还可以包括总线603，其中，处理器602、存储器601通过总线603完成相互间的通信。
动液面确定系统包括处理器和存储器，上述数据采集单元和数据输入单元等均作为程序单元存储在存储器中，由处理器执行存储在存储器中的上述程序单元来实现相应的功能。
动液面确定模型获得系统包括处理器和存储器，上述数据获得单元、标注单元和训练单元等均作为程序单元存储在存储器中，由处理器执行存储在存储器中的上述程序单元来实现相应的功能。
处理器中包含内核，由内核去存储器中调取相应的程序单元。内核可以设置一个或以上，通过调整内核参数来确定动液面或获得动液面确定模型。
本申请实施例提供了一种存储介质，所述存储介质中存储有计算机可执行指令，所述计算机可执行指令被处理器加载并执行时，实现本申请实施例提供的任一种动液面确定方法和/或本申请实施例提供的任一种动液面确定模型获得方法。
本申请实施例提供了一种处理器，处理器用于运行程序，其中，程序运行时执行本申请实施例提供的任一种动液面确定方法和/或本申请实施例提供的任一种动液面确定模型获得方法。
本申请还提供了一种计算机程序产品，当在数据处理设备上执行时，适于执行初始化有如下方法步骤的程序：
获得第一采油井的油层数据、所述第一采油井的生产数据以及与所述第一采油井具有连通关系的注水井的生产数据；
将获得的各数据输入预先训练得到的动液面确定模型中，获得所述动液面确定模型输出的所述第一采油井的动液面深度，其中，所述动液面确定模型根据标注有动液面深度的训练数据进行机器学习得到，所述训练数据包括：至少一个采油井的油层数据、所述至少一个采油井的生产数据以及与所述至少一个采油井具有连通关系的注水井的生产数据。
可选的，所述油层数据包括：油层深度和/或原油密度；
和/或，所述采油井的生产数据包括：产液量、冲程、冲次、采油井油压、采油井套压、生产故障中的至少一个；
和/或，所述注水井的生产数据包括：注水量、注水井油压、注水井套压中的至少一个。
可选的，所述训练数据为在第一历史时间段内记录的数据。
本申请还提供了一种计算机程序产品，当在数据处理设备上执行时，适于执行初始化有如下方法步骤的程序：
将第一历史时间段内记录的第一采油井组中各采油井的油层数据、所述第一采油井组中各采油井的生产数据以及与所述第一采油井组中各采油井具有连通关系的注水井的生产数据确定为训练数据；
根据数据记录时刻，为所述训练数据标注所述第一历史时间段内记录的所述第一采油井组中采油井的动液面深度；
使用至少一种机器学习方法对带有动液面深度标注的所述训练数据进行机器学习，获得至少一个动液面确定模型，所述至少一个动液面确定模型的输入均为：采油井的油层数据、采油井的生产数据以及与采油井具有连通关系的注水井的生产数据；所述至少一个动液面确定模型的输出均为：动液面深度。
可选的，还包括：
将测试数据分别输入各所述动液面确定模型中，获得各所述动液面确定模型输出的动液面深度，其中，所述测试数据包括：第二历史时间段内记录的第二采油井组中各采油井的油层数据、所述第二采油井组中各采油井的生产数据以及与所述第二采油井组中各采油井具有连通关系的注水井的生产数据；所述第二采油井组与所述第一采油井组相同或不同；
根据各所述动液面确定模型输出的动液面深度确定各所述动液面确定模型的准确度；
根据所述准确度对所述至少一个动液面确定模型进行筛选。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生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装置。
在一个典型的配置中，设备包括一个或多个处理器(CPU)、存储器和总线。设备还可以包括输入/输出接口、网络接口等。
存储器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)，存储器包括至少一个存储芯片。存储器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。
还需要说明的是，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括要素的过程、方法、商品或者设备中还存在另外的相同要素。
本领域技术人员应明白，本申请的实施例可提供为方法、系统或计算机程序产品。因此，本申请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。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
以上仅为本申请的实施例而已，并不用于限制本申请。对于本领域技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本申请的权利要求范围之内。
Claims (10)
1.一种动液面确定方法，其特征在于，包括：
获得第一采油井的油层数据、所述第一采油井的生产数据以及与所述第一采油井具有连通关系的注水井的生产数据；
将获得的各数据输入预先训练得到的动液面确定模型中，获得所述动液面确定模型输出的所述第一采油井的动液面深度，其中，所述动液面确定模型根据标注有动液面深度的训练数据进行机器学习得到，所述训练数据包括：至少一个采油井的油层数据、所述至少一个采油井的生产数据以及与所述至少一个采油井具有连通关系的注水井的生产数据。
2.根据权利要求1所述的方法，其特征在于，所述油层数据包括：油层深度和/或原油密度；
和/或，所述采油井的生产数据包括：产液量、冲程、冲次、采油井油压、采油井套压、生产故障中的至少一个；
和/或，所述注水井的生产数据包括：注水量、注水井油压、注水井套压中的至少一个。
3.根据权利要求1或2所述的方法，其特征在于，所述训练数据为在第一历史时间段内记录的数据。
4.一种动液面确定模型获得方法，其特征在于，包括：
将第一历史时间段内记录的第一采油井组中各采油井的油层数据、所述第一采油井组中各采油井的生产数据以及与所述第一采油井组中各采油井具有连通关系的注水井的生产数据确定为训练数据；
根据数据记录时刻，为所述训练数据标注所述第一历史时间段内记录的所述第一采油井组中采油井的动液面深度；
使用至少一种机器学习方法对带有动液面深度标注的所述训练数据进行机器学习，获得至少一个动液面确定模型，所述至少一个动液面确定模型的输入均为：采油井的油层数据、采油井的生产数据以及与采油井具有连通关系的注水井的生产数据；所述至少一个动液面确定模型的输出均为：动液面深度。
5.根据权利要求4所述的方法，其特征在于，还包括：
将测试数据分别输入各所述动液面确定模型中，获得各所述动液面确定模型输出的动液面深度，其中，所述测试数据包括：第二历史时间段内记录的第二采油井组中各采油井的油层数据、所述第二采油井组中各采油井的生产数据以及与所述第二采油井组中各采油井具有连通关系的注水井的生产数据；所述第二采油井组与所述第一采油井组相同或不同；
根据各所述动液面确定模型输出的动液面深度确定各所述动液面确定模型的准确度；
根据所述准确度对所述至少一个动液面确定模型进行筛选。
6.一种动液面确定系统，其特征在于，包括：数据采集单元和数据输入单元，
所述数据采集单元，用于获得第一采油井的油层数据、所述第一采油井的生产数据以及与所述第一采油井具有连通关系的注水井的生产数据；
所述数据输入单元，用于将获得的各数据输入预先训练得到的动液面确定模型中，获得所述动液面确定模型输出的所述第一采油井的动液面深度，其中，所述动液面确定模型根据标注有动液面深度的训练数据进行机器学习得到，所述训练数据包括：至少一个采油井的油层数据、所述至少一个采油井的生产数据以及与所述至少一个采油井具有连通关系的注水井的生产数据。
7.一种动液面确定模型获得系统，其特征在于，包括：数据获得单元、标注单元和训练单元，
所述数据获得单元，用于将第一历史时间段内记录的第一采油井组中各采油井的油层数据、所述第一采油井组中各采油井的生产数据以及与所述第一采油井组中各采油井具有连通关系的注水井的生产数据确定为训练数据；
所述标注单元，用于根据数据记录时刻，为所述训练数据标注所述第一历史时间段内记录的所述第一采油井组中采油井的动液面深度；
所述训练单元，用于使用至少一种机器学习方法对带有动液面深度标注的所述训练数据进行机器学习，获得至少一个动液面确定模型，所述至少一个动液面确定模型的输入均为：采油井的油层数据、采油井的生产数据以及与采油井具有连通关系的注水井的生产数据；所述至少一个动液面确定模型的输出均为：动液面深度。
8.根据权利要求7所述的系统，其特征在于，还包括：测试单元、准确度确定单元和筛选单元，
所述测试单元，用于将测试数据分别输入各所述动液面确定模型中，获得各所述动液面确定模型输出的动液面深度，其中，所述测试数据包括：第二历史时间段内记录的第二采油井组中各采油井的油层数据、所述第二采油井组中各采油井的生产数据以及与所述第二采油井组中各采油井具有连通关系的注水井的生产数据；所述第二采油井组与所述第一采油井组相同或不同；
所述确度确定单元，用于根据各所述动液面确定模型输出的动液面深度确定各所述动液面确定模型的准确度；
所述筛选单元，用于根据所述准确度对所述至少一个动液面确定模型进行筛选。
9.一种设备，其特征在于，包括：存储器和处理器，
其中，所述存储器用于存储程序指令，所述处理器用于调用所述存储器中存储的程序指令，以执行如权利要求1至3任一项所述的动液面确定方法和/或权利要求4至5任一项所述的动液面确定模型获得方法。
10.一种存储介质，其特征在于，所述存储介质中存储有计算机可执行指令，所述计算机可执行指令被处理器加载并执行时，实现如上权利要求1至3任一项所述的动液面确定方法和/或权利要求4至5任一项所述的动液面确定模型获得方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910858692.6A CN112487699A (zh) | 2019-09-11 | 2019-09-11 | 动液面确定方法、动液面确定模型获得方法及相关设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910858692.6A CN112487699A (zh) | 2019-09-11 | 2019-09-11 | 动液面确定方法、动液面确定模型获得方法及相关设备 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN112487699A true CN112487699A (zh) | 2021-03-12 |
Family
ID=74920127
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910858692.6A Pending CN112487699A (zh) | 2019-09-11 | 2019-09-11 | 动液面确定方法、动液面确定模型获得方法及相关设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112487699A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114444392A (zh) * | 2022-01-26 | 2022-05-06 | 上海邦定智慧科技有限公司 | 动液面预测方法和装置、电子设备和存储介质 |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| RU2320860C1 (ru) * | 2007-03-29 | 2008-03-27 | Открытое акционерное общество "Татнефть" им. В.Д. Шашина | Способ разработки нефтяной залежи |
| CN102877832A (zh) * | 2012-09-14 | 2013-01-16 | 中国石油天然气股份有限公司 | 一种油井动液面的测量方法及系统 |
| CN105569639A (zh) * | 2015-12-31 | 2016-05-11 | 山东天工石油装备有限公司 | 一种基于地面示功图计算油井动液面的方法 |
| CN107701177A (zh) * | 2017-08-25 | 2018-02-16 | 中国石油天然气股份有限公司 | 一种地质勘探方法和装置 |
| CN109165249A (zh) * | 2018-08-07 | 2019-01-08 | 阿里巴巴集团控股有限公司 | 数据处理模型构建方法、装置、服务器和用户端 |
| CN109446538A (zh) * | 2018-06-21 | 2019-03-08 | 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 |
| CN109657799A (zh) * | 2018-11-20 | 2019-04-19 | 北京首钢自动化信息技术有限公司 | 一种基于场景适配的模型调优方法和装置 |
| CN110029986A (zh) * | 2019-04-16 | 2019-07-19 | 东北大学 | 基于粒子群极限学习机的游梁式抽油机的动液面预测方法 |
-
2019
- 2019-09-11 CN CN201910858692.6A patent/CN112487699A/zh active Pending
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| RU2320860C1 (ru) * | 2007-03-29 | 2008-03-27 | Открытое акционерное общество "Татнефть" им. В.Д. Шашина | Способ разработки нефтяной залежи |
| CN102877832A (zh) * | 2012-09-14 | 2013-01-16 | 中国石油天然气股份有限公司 | 一种油井动液面的测量方法及系统 |
| CN105569639A (zh) * | 2015-12-31 | 2016-05-11 | 山东天工石油装备有限公司 | 一种基于地面示功图计算油井动液面的方法 |
| CN107701177A (zh) * | 2017-08-25 | 2018-02-16 | 中国石油天然气股份有限公司 | 一种地质勘探方法和装置 |
| CN109446538A (zh) * | 2018-06-21 | 2019-03-08 | 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 |
| CN109165249A (zh) * | 2018-08-07 | 2019-01-08 | 阿里巴巴集团控股有限公司 | 数据处理模型构建方法、装置、服务器和用户端 |
| CN109657799A (zh) * | 2018-11-20 | 2019-04-19 | 北京首钢自动化信息技术有限公司 | 一种基于场景适配的模型调优方法和装置 |
| CN110029986A (zh) * | 2019-04-16 | 2019-07-19 | 东北大学 | 基于粒子群极限学习机的游梁式抽油机的动液面预测方法 |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114444392A (zh) * | 2022-01-26 | 2022-05-06 | 上海邦定智慧科技有限公司 | 动液面预测方法和装置、电子设备和存储介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109446538B (zh) | 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 | |
| CN109460561B (zh) | 采油设备故障诊断方法及装置 | |
| CN109446574B (zh) | 油气开采监测方法、故障识别模型获得方法及相关设备 | |
| CN111472751B (zh) | 测井解释方法、知识图谱构建方法及相关装置 | |
| CN109508473B (zh) | 基于事理图谱的抽油井故障确定方法、抽油井故障事理图谱建立方法及相关装置 | |
| CN110969249A (zh) | 生产井产量预测模型建立方法、生产井产量预测方法及相关装置 | |
| CN111199090B (zh) | 一种故障识别方法及相关设备 | |
| CN112926636A (zh) | 牵引变流器柜体温度异常检测方法和装置 | |
| CN110735636B (zh) | 多层合采井储层等效边界距离的测算方法、系统 | |
| CN108005644B (zh) | 一种倾斜煤层动态渗透率预测方法及装置 | |
| CN112487699A (zh) | 动液面确定方法、动液面确定模型获得方法及相关设备 | |
| CN113050189A (zh) | 一种测井曲线的重构方法、装置、设备及存储介质 | |
| CN112577664A (zh) | 传感器故障检测方法、装置及相关产品 | |
| GB2600511A (en) | Estimating relative permeability and capillary pressures of a geological formation based on multiphase upscaling | |
| CN108717498B (zh) | 一种油藏相渗曲线模型及相渗曲线计算方法 | |
| CN112523730A (zh) | 抽油机冲次筛选方法、机器学习模型获得方法及相关装置 | |
| CN110991779A (zh) | 抽油机井的异常检测方法及装置 | |
| CN110952973A (zh) | 油气开采监测方法、寿命确定模型获得方法及相关设备 | |
| CN110965970A (zh) | 注水井与采油井的相关性的确定方法及装置 | |
| CN113705123A (zh) | 外来颗粒损害油气层建模方法、损害程度时空演化4d定量与智能诊断方法及其系统 | |
| CN112395730A (zh) | 一种确定抽油机井的动液面深度参数的方法及装置 | |
| CN105629316A (zh) | 获得原状地层的流体径向油水饱和度变化的方法及装置 | |
| CN113656982B (zh) | 有机垢损害油气层的建模方法、损害程度时空演化4d定量与智能诊断方法及其系统 | |
| CN114382466B (zh) | 优化测试参数方法及装置 | |
| CN113657054B (zh) | 乳化堵塞损害油气层的建模方法、损害程度时空演化4d定量与智能诊断方法及其系统 |
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 |