CN112612997B - 一种基于深度学习的油水相对渗透率曲线计算方法 - Google Patents
一种基于深度学习的油水相对渗透率曲线计算方法 Download PDFInfo
- Publication number
- CN112612997B CN112612997B CN202011589368.8A CN202011589368A CN112612997B CN 112612997 B CN112612997 B CN 112612997B CN 202011589368 A CN202011589368 A CN 202011589368A CN 112612997 B CN112612997 B CN 112612997B
- Authority
- CN
- China
- Prior art keywords
- curve
- relative permeability
- normalized
- oil
- water
- 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
-
- 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
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of 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
- G06N3/084—Backpropagation, e.g. using gradient descent
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Physics (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Software Systems (AREA)
- Computational Linguistics (AREA)
- Computational Mathematics (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Evolutionary Computation (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Optimization (AREA)
- General Health & Medical Sciences (AREA)
- Mathematical Analysis (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Operations Research (AREA)
- Probability & Statistics with Applications (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Algebra (AREA)
- Databases & Information Systems (AREA)
- Investigation Of Foundation Soil And Reinforcement Of Foundation Soil By Compacting Or Drainage (AREA)
Abstract
本发明公开一种基于深度学习的油水相对渗透率曲线计算方法,包括:步骤S1:收集样本数据并进行预处理;得到归一化后的进汞、退汞、油相相对渗透率、水相相对渗透率曲线;步骤S2:构建步骤S1中归一化后的4个曲线的编码模型训练样本集;步骤S3:建立变分自动编码模型;步骤S4:用编码模型得到归一化后的毛管力曲线、油水相对渗透率曲线的编码值;步骤S5:建立归一化毛管力曲线和归一化油水相对渗透率曲线预测模型;步骤S6:通过步骤S5的预测模型得到预测参数;步骤S7:处理预测的归一化油水相对渗透率曲线编码值,得到完整油水相对渗透率曲线;最后与实际油水相对渗透率曲线对比。该计算方法预测精度高,还节约时间和经济成本。
Description
技术领域
本发明属于油田开发数据挖掘技术领域,特别是涉及一种基于深度学习的油水相对渗透率曲线计算方法。
背景技术
近年来,人工智能技术发展地越来越快,深度学习作为其中一大热门方向,在石油领域应用也越来越广。油水相对渗透率曲线是油田开发设计和油藏数值模拟的重要资料,具有很大的研究价值。目前,油水相对渗透率曲线的计算方法主要有直接测定法和间接计算法两类:
直接测定法主要是利用室内物理实验直接测定油水相对渗透率曲线,也是目前主要使用的方法,包括稳态法和非稳态法两种。但由于地层的非均质性,这些室内物理方法测得的毛管力曲线和油水相对渗透率曲线无法对整个油藏区块进行准确描述,且这些方法有着耗时长、成本高等问题。
间接计算法包括毛管力资料法、经验公式法、矿场资料法等方法。这类方法主要是利用生产动态数据来计算油水相对渗透率曲线,而且不同的方法计算出来的油水相对渗透率曲线差异较大,不够准确。
综上所述,直接测量法成本高、周期长,间接计算法精度不够,两种方法均有其局限性,还需继续深入研究。
发明内容
本发明实施例的目的在于提供一种基于深度学习的油水相对渗透率曲线计算方法,以解决现有的测量方法成本高、周期长,计算出来的油水相对渗透率曲线差异较大,精度不够的缺陷。
为解决上述技术问题,本发明所采用的技术方案是:
一种基于深度学习的油水相对渗透率曲线计算方法,包括以下步骤:
步骤S1:收集样本数据并对样本数据进行数据预处理;得到归一化后的进汞曲线、退汞曲线、油相相对渗透率曲线、水相相对渗透率曲线;
步骤S2:构建归一化后的进汞曲线、退汞曲线、油相相对渗透率曲线、水相相对渗透率曲线的编码模型训练样本集;
步骤S3:建立变分自动编码模型,并用步骤S2建立好的编码模型训练样本集进行训练;变分自动编码模型分为编码模型和解码模型;
步骤S4:利用步骤S3建立的编码模型得到归一化毛管力曲线、归一化油水相对渗透率曲线的编码值;
步骤S5:利用神经网络算法分别建立归一化毛管力曲线预测模型和归一化油水相对渗透率曲线预测模型并进行训练;
步骤S6:通过步骤S5的两个预测模型阶梯预测得到预测参数;
步骤S7:利用解码模型和解归一化处理,处理预测的归一化油水相对渗透率曲线编码值,得到完整的油相相对渗透率预测曲线和水相相对渗透率预测曲线;并与实际的油水相对渗透率曲线进行对比。
进一步的,所述步骤S1具体为:
步骤S1.1:收集样本数据:收集物性特征参数、毛管力曲线和油水相对渗透率曲线样本数据;
所述物性特征参数包括油水粘度、渗透率、沉积相带、岩性;
步骤S1.2:对样本数据进行数据预处理:针对收集得到的样本数据,先利用数据处理方法处理数据缺失、数据异常、数据类型问题;
对于数据缺失的情况,采用均值插补、同类均值插补方法补全或者直接删除该样本的方法处理;
对于数据异常的情况,采用经验修改的方法进行处理;
对于文本类数据,用数字1,2,3…依次表示;文本类数据包括物性特征参数中的沉积相带、岩性;
对于其他物性特征参数进行归一化处理;
对于油水相对渗透率曲线按照以下步骤处理:将油水相对渗透率曲线分为油相相对渗透率曲线和水相相对渗透率曲线;对于油水相对渗透率曲线,提取残余油饱和度、束缚水饱和度、油相相对渗透率最大值和水相相对渗透率最大值四个特征值,然后利用式(1)、(2)、(3)对油相相对渗透率曲线和水相相对渗透率曲线在横坐标轴和纵坐标轴方向上分别进行归一化处理,得到归一化油相相对渗透率曲线、归一化水相相对渗透率曲线;
式中:
式中:
式中:
对于毛管力曲线按照以下步骤处理:先将毛管力曲线分为进汞曲线和退汞曲线;然后利用式(4)、(5)和式(6)、(7)分别对进汞曲线和退汞曲线在横坐标轴和纵坐标轴方向上进行归一化处理,得到归一化进汞曲线、归一化退汞曲线;
式中:
式中:
式中:
式中:
进一步的,所述步骤S2具体为:
步骤S2.1:利用直线链码曲线刻化方法表征每一条归一化后的曲线,得到每一条归一化曲线的链码表征值;
步骤S2.2:将归一化进汞曲线和归一化退汞曲线的链码表征值整理成向量形式,构成归一化进汞曲线编码模型训练样本集和归一化退汞曲线编码模型训练样本集;
将归一化油相相对渗透率曲线和归一化水相相对渗透率曲线的链码表征值整理成向量形式,构成归一化油相相对渗透率曲线编码模型训练样本集和归一化水相相对渗透率曲线编码模型训练样本集。
进一步的,所述步骤S2.1的利用直线链码曲线刻化方法表征每一条归一化后的曲线的具体方法如下:
将归一化后的进汞曲线、退汞曲线、油相相对渗透率曲线和水相相对渗透率曲线的横坐标等分为x段,用每一段端点对应曲线上的点,以此用x段直线段表示这些曲线,然后分别依次取每一段端点对应的纵坐标得到链码表征值,用这些链码表征值组成一个x+1维的数组来表征各归一化曲线;x为大于50的正整数。x的值越大,对各归一化曲线表征的越准确。
进一步的,所述步骤S3的变分自动编码方法如下:
将某一种归一化曲线样本的链码表征值作为输入,同时也将其作为输出,然后利用计算机建立变分自动编码模型并利用步骤S2建立的编码模型训练样本集进行训练,变分自动编码模型包括编码器和解码器两部分;计算输入数据的均值和方差,然后根据计算的均值和方差配上相应的正态分布,从而让隐藏层变量能学习输入数据的分布,使其能反过来解码出与输入数据具有相似分布的数据;训练模型使编码器能够在尽量少地丢失信息的情况下进行数据压缩,同时使解码器在尽量少地丢失信息的情况下进行数据恢复,当解码得到的链码数据与原始链码数据差异不大时,这些编码值就代表原始的链码表征值作为后面预测模型的输出。
进一步的,所述步骤S4具体为:
步骤S4.1:利用步骤S3建立的编码模型得到归一化进汞曲线编码值、归一化退汞曲线编码值、归一化油相相对渗透率曲线编码值、归一化水相相对渗透率曲线编码值;
步骤S4.2:将归一化进汞曲线编码值和归一化退汞曲线编码值组合为归一化毛管力曲线编码值;
将归一化油相相对渗透率曲线编码值和归一化水相相对渗透率曲线编码值组合为归一化油水相对渗透率曲线编码值。
进一步的,所述步骤S5具体为:
步骤S5.1:神经网络模型由多层神经网络组成,每层神经网络都由若干神经元节点组成,不同层之间的神经元的信息传递主要通过权重和激活函数实现;对于输入特征向量,初始选取输入层和隐藏层之间权重,利用激活函数计算得到隐藏层神经元值,这便完成一次层间信息传输;同样地,对于隐藏层到输出层之间的信息传输,初选隐藏层和输出层之间权重,利用激活函数计算得到输出层神经元值;利用损失函数计算输出层神经元值与实际值之间的残差,然后反向传导梯度,更新神经网络模型各层间权重值;
利用tensorflow搭建归一化毛管力曲线编码值的神经网络预测模型,以步骤S1的物性特征参数数据作为模型输入数据,以步骤S4得到的归一化毛管力曲线编码值数据作为模型输出数据,基于这样组成的训练样本集进行训练,得到归一化毛管力曲线预测模型;
步骤S5.2:利用tensorflow搭建归一化油水相对渗透率曲线编码值的神经网络预测模型,以步骤S1的物性特征参数数据和步骤S4得到的归一化毛管力曲线编码值数据作为模型输入数据,以步骤S1得到的残余油饱和度、束缚水饱和度、油相相对渗透率最大值、水相相对渗透率最大值和步骤S4得到的归一化油水相对渗透率曲线编码值作为模型输出数据,基于这样形成的训练样本集进行训练,得到归一化油水相对渗透率曲线预测模型。
进一步的,所述步骤S6具体为:
步骤S6.1:将实例样本的物性特征参数作为输入,利用归一化毛管力曲线预测模型得到预测的归一化毛管力曲线编码值;
步骤S6.2:以物性特征参数和预测的归一化毛管力曲线编码值作为输入,利用归一化油水相对渗透率曲线预测模型得到预测的归一化油水相对渗透率曲线编码值、残余油饱和度、束缚水饱和度、油相相对渗透率最大值和水相相对渗透率最大值。
进一步的,所述步骤S7具体为:
步骤S7.1:利用解码模型对预测的归一化油水相对渗透率曲线编码值进行解码反演;
具体为:从预测的归一化油水相对渗透率曲线编码值中分离出预测的归一化油相相对渗透率曲线编码值和预测的归一化水相相对渗透率曲线编码值,利用解码模型对预测的归一化油相相对渗透率曲线编码值和预测的归一化水相相对渗透率曲线编码值进行解码,得到预测的归一化油相相对渗透率曲线和预测的归一化水相相对渗透率曲线;
步骤S7.2:根据式(1)、(2)、(3),利用预测得到的残余油饱和度、束缚水饱和度、油相相对渗透率最大值和水相相对渗透率最大值对这两条曲线进行解归一化处理,得到完整的油相相对渗透率预测曲线和水相相对渗透率预测曲线;
步骤S7.3:对比预测的油水相对渗透率曲线和实际的油水相对渗透率曲线:利用式(8)计算油相相对渗透率曲线和水相相对渗透率曲线的平均相对误差;
式中:
本发明的有益效果是:1)本发明结合深度学习方法,充分考虑油水相对渗透率曲线的影响因素,提供了一种预测油水相对渗透率曲线的新方法,该方法大大减小了预测值与实际值的误差。
2)本发明加入对毛管力曲线的分析一方面防止了传统油藏解释方法从毛管力曲线解释孔隙特征参数时遗漏信息,另一方面,建立一个毛管力曲线预测模型,便于以后预测油水相渗曲线时不必再做实验测取毛管力曲线,节约了时间成本和经济成本,只需用一些常规特征参数预测即可。
3)本发明结合曲线刻画方法和编码压缩技术,充分提取和压缩毛管力曲线特征,为油水相对渗透率曲线预测提供特征参数,同时灵活利用编码、解码方法,解决毛管力曲线和油水相对渗透率曲线的刻画与表征问题。
4)本发明训练好的神经网络阶梯预测模型,可以迅速得出油水相对渗透率曲线,在保证精度的同时,计算成本和时间成本也低,克服了传统方法的不足。
5)本发明用到的归一化处理数据的方法,保证了训练样本的标准化,便于模型训练。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术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发明的一些实施例,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是本发明毛管力曲线样本。
图2是本发明油水相对渗透率曲线样本。
图3是本发明毛管力曲线样本进汞曲线。
图4是本发明毛管力曲线样本退汞曲线。
图5是本发明油水相对渗透率曲线样本油相相对渗透率曲线。
图6是本发明油水相对渗透率曲线样本水相相对渗透率曲线。
图7是本发明毛管力曲线样本归一化进汞曲线。
图8是本发明毛管力曲线样本归一化退汞曲线。
图9是本发明油水相对渗透率曲线样本归一化油相相对渗透率曲线。
图10是本发明油水相对渗透率曲线样本归一化水相相对渗透率曲线。
图11是本发明直线链码表征示意图。
图12是本发明变分自动编码示意图。
图13是本发明神经网络示意图。
图14是本发明预测得到的归一化油相相对渗透率曲线。
图15是本发明预测得到的归一化水相相对渗透率曲线。
图16是本发明预测得到的油相相对渗透率曲线。
图17是本发明预测得到的水相相对渗透率曲线。
图18是本发明预测得到的油水相对渗透率曲线。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
本发明公开了一种基于深度学习的油水相对渗透率曲线计算方法,包括以下步骤:
步骤S1:收集样本数据并对样本数据进行数据预处理;得到归一化后的进汞曲线、退汞曲线、油相相对渗透率曲线、水相相对渗透率曲线。
步骤S1.1:收集样本数据:收集油水粘度、渗透率、沉积相带、岩性等物性特征参数、毛管力曲线和油水相对渗透率曲线样本数据;
步骤S1.2:对样本数据进行数据预处理:针对收集得到的样本数据,先利用数据处理方法处理数据缺失、数据异常、数据类型等问题;
对于数据缺失的情况,采用均值插补、同类均值插补等方法补全或者直接删除该样本的方法处理;
对于数据异常的情况,采用经验修改的方法进行处理;
对于物性特征参数中的沉积相带、岩性等文本类数据,利用数字1,2,3…依次表示;
对于其他物性特征参数进行归一化处理;
对于油水相对渗透率曲线(如图2)按照以下步骤处理:将油水相对渗透率曲线分为油相相对渗透率曲线(如图5)和水相相对渗透率曲线(如图6);对于油水相对渗透率曲线,提取残余油饱和度、束缚水饱和度、油相相对渗透率最大值和水相相对渗透率最大值四个特征值,然后利用式(1)、(2)、(3)对油相相对渗透率曲线和水相相对渗透率曲线在横坐标轴和纵坐标轴方向上分别进行归一化处理,得到归一化油相相对渗透率曲线(如图9)、归一化水相相对渗透率曲线(如图10);
式中:
式中:
式中:
对于毛管力曲线(如图1)按照以下步骤处理:先将毛管力曲线分为进汞曲线(如图3)和退汞曲线(如图4);然后利用式(4)、(5)和式(6)、(7)分别对进汞曲线和退汞曲线在横坐标轴和纵坐标轴方向上进行归一化处理,得到归一化进汞曲线(如图7)、归一化退汞曲线(如图8);
式中:
式中:
式中:
式中:
步骤S2:构建归一化后的进汞曲线、退汞曲线、油相相对渗透率曲线、水相相对渗透率曲线的编码模型训练样本集;
步骤S2.1:利用直线链码曲线刻化方法(如图11)表征每一条归一化后的曲线,得到每一条归一化曲线的链码表征值,用于表征曲线的特征形态。
利用直线链码曲线刻化方法表征每一条归一化后的曲线的具体方法如下:
将归一化后的进汞曲线、退汞曲线、油相相对渗透率曲线和水相相对渗透率曲线的横坐标等分为100段,用每一段端点对应曲线上的点,以此用100段直线段表示这些曲线,然后分别依次取每一段端点对应的纵坐标得到链码表征值,用这些链码表征值组成一个101维的数组来表征各归一化曲线。
步骤S2.2:将归一化进汞曲线和归一化退汞曲线的链码表征值整理成向量形式,构成归一化进汞曲线编码模型训练样本集和归一化退汞曲线编码模型训练样本集;
将归一化油相相对渗透率曲线和归一化水相相对渗透率曲线的链码表征值整理成向量形式,构成归一化油相相对渗透率曲线编码模型训练样本集和归一化水相相对渗透率曲线编码模型训练样本集。
步骤S3:建立编码模型:建立变分自动编码(VAE)模型(如图12),并用步骤S2建立好的编码模型训练样本集进行训练;变分自动编码模型分为编码、解码模型。
变分自动编码(VAE)方法如下:
将某一种归一化曲线样本的链码表征值作为输入,同时也将其作为输出,然后利用计算机建立变分自动编码编码模型并进行训练,变分自动编码模型包括编码器和解码器两部分;其主要过程是计算输入数据的均值和方差,然后根据计算的均值和方差配上相应的正态分布,其目的是让隐藏层变量能学习输入数据的分布,从而使其能反过来解码出与输入数据具有相似分布的数据;其训练的目的是使编码器能够在尽量少地丢失信息的情况下进行数据压缩,同时使解码器在尽量少地丢失信息的情况下进行数据恢复,当解码得到的链码数据与原始链码数据差异不大时,便代表该编码模型的编码及解码过程中信息丢失少,效果好,同时也意味着这些编码值可以代表原始的链码表征值作为后面预测模型的输出。
步骤S4:利用步骤S3建立的编码模型得到归一化毛管力曲线、归一化油水相对渗透率曲线的编码值;
步骤S4.1:利用步骤S3建立的编码模型得到归一化进汞曲线编码值、归一化退汞曲线编码值、归一化油相相对渗透率曲线编码值、归一化水相相对渗透率曲线编码值;
步骤S4.2:将归一化进汞曲线编码值和归一化退汞曲线编码值组合为归一化毛管力曲线编码值,以此来表征归一化毛管力曲线;
将归一化油相相对渗透率曲线编码值和归一化水相相对渗透率曲线编码值组合为归一化油水相对渗透率曲线编码值,以此来表征归一化油水相对渗透率曲线。
步骤S5:利用神经网络算法(图13)分别建立归一化毛管力曲线预测模型和归一化油水相对渗透率曲线预测模型并进行训练;
步骤S5.1:神经网络模型由多层神经网络组成,每层神经网络都由若干神经元节点组成,不同层之间的神经元的信息传递主要通过权重和激活函数实现。神经网络的信息传递主要过程如下:1)对于输入特征向量,初始选取输入层和隐藏层之间权重,利用激活函数计算得到隐藏层神经元值,这便完成一次层间信息传输;2)同样地,对于隐藏层到输出层之间的信息传输,初选隐藏层和输出层之间权重,利用激活函数计算得到输出层神经元值;3)利用损失函数计算输出层神经元值与实际值之间的残差,然后反向传导梯度,更新神经网络模型各层间权重值。
利用tensorflow搭建归一化毛管力曲线编码值的神经网络预测模型,以步骤S1的物性特征参数数据作为模型输入数据,以步骤S4得到的归一化毛管力曲线编码值数据作为模型输出数据,基于这样组成的训练样本集进行训练,得到归一化毛管力曲线预测模型;
步骤S5.2:利用tensorflow搭建归一化油水相对渗透率曲线编码值的神经网络预测模型,以步骤S1的物性特征参数数据和步骤S4得到的归一化毛管力曲线编码值数据作为模型输入数据,以步骤S1得到的残余油饱和度、束缚水饱和度、油相相对渗透率最大值、水相相对渗透率最大值和步骤S4得到的归一化油水相对渗透率曲线编码值作为模型输出数据,基于这样形成的训练样本集进行训练,得到归一化油水相对渗透率曲线预测模型。
步骤S6:通过步骤S5的两个预测模型阶梯预测得到预测参数;
步骤S6.1:将实例样本(图1-8)的物性特征参数作为输入,利用归一化毛管力曲线预测模型得到预测的归一化毛管力曲线编码值;
步骤S6.2:以物性特征参数和预测的归一化毛管力曲线编码值作为输入,利用归一化油水相对渗透率曲线预测模型得到预测的归一化油水相对渗透率曲线编码值、残余油饱和度、束缚水饱和度、油相相对渗透率最大值和水相相对渗透率最大值;
步骤S7:利用解码模型和解归一化处理处理预测的归一化油水相对渗透率曲线编码值,得到完整的油相相对渗透率预测曲线和水相相对渗透率预测曲线;并与实际的油水相对渗透率曲线进行对比。
步骤S7.1:利用解码模型对预测的归一化油水相对渗透率曲线编码值进行解码反演;
具体为:从预测的归一化油水相对渗透率曲线编码值中分离出预测的归一化油相相对渗透率曲线编码值和预测的归一化水相相对渗透率曲线编码值,利用解码模型对预测的归一化油相相对渗透率曲线编码值和预测的归一化水相相对渗透率曲线编码值进行解码得到预测的归一化油相相对渗透率曲线(如图14)和预测的归一化水相相对渗透率曲线(如图15);
步骤S7.2:根据式(1)、(2)、(3),利用预测得到的残余油饱和度、束缚水饱和度、油相相对渗透率最大值和水相相对渗透率最大值对这两条曲线进行解归一化处理,得到完整的油相相对渗透率预测曲线和水相相对渗透率预测曲线(如图16、17);
步骤S7.3:对比预测的油水相对渗透率曲线(如图18)和实际的油水相对渗透率曲线:利用式(8)计算油相相对渗透率曲线和水相相对渗透率曲线的平均相对误差分别为4.8%和5.1%。
式中:
利用本发明预测方法预测出的油水相对渗透率曲线与实际油水相对渗透率曲线相比误差较小,且预测时间和成本低,解决了传统方法的不足。
本说明书中的各个实施例均采用相关的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。尤其,对于系统实施例而言,由于其基本相似于方法实施例,所以描述的比较简单,相关之处参见方法实施例的部分说明即可。
以上所述仅为本发明的较佳实施例而已,并非用于限定本发明的保护范围。凡在本发明的精神和原则之内所作的任何修改、等同替换、改进等,均包含在本发明的保护范围内。
Claims (6)
1.一种基于深度学习的油水相对渗透率曲线计算方法,其特征在于,包括以下步骤:
步骤S1:收集样本数据并对样本数据进行数据预处理;得到归一化后的进汞曲线、退汞曲线、油相相对渗透率曲线、水相相对渗透率曲线;
步骤S2:构建归一化后的进汞曲线、退汞曲线、油相相对渗透率曲线、水相相对渗透率曲线的编码模型训练样本集;
步骤S3:建立变分自动编码模型,并用步骤S2建立好的编码模型训练样本集进行训练;变分自动编码模型分为编码模型和解码模型;
步骤S4:利用步骤S3建立的编码模型得到归一化毛管力曲线、归一化油水相对渗透率曲线的编码值;
步骤S5:利用神经网络算法分别建立归一化毛管力曲线预测模型和归一化油水相对渗透率曲线预测模型并进行训练;
步骤S6:通过步骤S5的两个预测模型阶梯预测得到预测参数;
步骤S7:利用解码模型和解归一化处理,处理预测的归一化油水相对渗透率曲线编码值,得到完整的油相相对渗透率预测曲线和水相相对渗透率预测曲线;并与实际的油水相对渗透率曲线进行对比;
所述步骤S2具体为:
步骤S2.1:利用直线链码曲线刻化方法表征每一条归一化后的曲线,得到每一条归一化曲线的链码表征值;
步骤S2.2:将归一化进汞曲线和归一化退汞曲线的链码表征值整理成向量形式,构成归一化进汞曲线编码模型训练样本集和归一化退汞曲线编码模型训练样本集;
将归一化油相相对渗透率曲线和归一化水相相对渗透率曲线的链码表征值整理成向量形式,构成归一化油相相对渗透率曲线编码模型训练样本集和归一化水相相对渗透率曲线编码模型训练样本集;
所述步骤S2.1的利用直线链码曲线刻化方法表征每一条归一化后的曲线的具体方法如下:
将归一化后的进汞曲线、退汞曲线、油相相对渗透率曲线和水相相对渗透率曲线的横坐标等分为x段,用每一段端点对应曲线上的点,以此用x段直线段表示这些曲线,然后分别依次取每一段端点对应的纵坐标得到链码表征值,用这些链码表征值组成一个x+1维的数组来表征各归一化曲线;x为大于50的正整数;
所述步骤S5具体为:
步骤S5.1:神经网络模型由多层神经网络组成,每层神经网络都由若干神经元节点组成,不同层之间的神经元的信息传递主要通过权重和激活函数实现;对于输入特征向量,初始选取输入层和隐藏层之间权重,利用激活函数计算得到隐藏层神经元值,这便完成一次层间信息传输;同样地,对于隐藏层到输出层之间的信息传输,初选隐藏层和输出层之间权重,利用激活函数计算得到输出层神经元值;利用损失函数计算输出层神经元值与实际值之间的残差,然后反向传导梯度,更新神经网络模型各层间权重值;
利用tensorflow搭建归一化毛管力曲线编码值的神经网络预测模型,以步骤S1的物性特征参数数据作为模型输入数据,以步骤S4得到的归一化毛管力曲线编码值数据作为模型输出数据,基于这样组成的训练样本集进行训练,得到归一化毛管力曲线预测模型;
步骤S5.2:利用tensorflow搭建归一化油水相对渗透率曲线编码值的神经网络预测模型,以步骤S1的物性特征参数数据和步骤S4得到的归一化毛管力曲线编码值数据作为模型输入数据,以步骤S1得到的残余油饱和度、束缚水饱和度、油相相对渗透率最大值、水相相对渗透率最大值和步骤S4得到的归一化油水相对渗透率曲线编码值作为模型输出数据,基于这样形成的训练样本集进行训练,得到归一化油水相对渗透率曲线预测模型。
2.根据权利要求1所述的一种基于深度学习的油水相对渗透率曲线计算方法,其特征在于,所述步骤S1具体为:
步骤S1.1:收集样本数据:收集物性特征参数、毛管力曲线和油水相对渗透率曲线样本数据;
所述物性特征参数包括油水粘度、渗透率、沉积相带、岩性;
步骤S1.2:对样本数据进行数据预处理:针对收集得到的样本数据,先利用数据处理方法处理数据缺失、数据异常、数据类型问题;
对于数据缺失的情况,采用均值插补、同类均值插补方法补全或者直接删除该样本的方法处理;
对于数据异常的情况,采用经验修改的方法进行处理;
对于文本类数据,用数字1,2,3…依次表示;文本类数据包括物性特征参数中的沉积相带、岩性;
对于其他物性特征参数进行归一化处理;
对于油水相对渗透率曲线按照以下步骤处理:将油水相对渗透率曲线分为油相相对渗透率曲线和水相相对渗透率曲线;对于油水相对渗透率曲线,提取残余油饱和度、束缚水饱和度、油相相对渗透率最大值和水相相对渗透率最大值四个特征值,然后利用式(1)、(2)、(3)对油相相对渗透率曲线和水相相对渗透率曲线在横坐标轴和纵坐标轴方向上分别进行归一化处理,得到归一化油相相对渗透率曲线、归一化水相相对渗透率曲线;
式中:
式中:
式中:
对于毛管力曲线按照以下步骤处理:先将毛管力曲线分为进汞曲线和退汞曲线;然后利用式(4)、(5)和式(6)、(7)分别对进汞曲线和退汞曲线在横坐标轴和纵坐标轴方向上进行归一化处理,得到归一化进汞曲线、归一化退汞曲线;
式中:
式中:
式中:
式中:
3.根据权利要求1所述的一种基于深度学习的油水相对渗透率曲线计算方法,其特征在于,所述步骤S3的变分自动编码方法如下:
将某一种归一化曲线样本的链码表征值作为输入,同时也将其作为输出,然后利用计算机建立变分自动编码模型并利用步骤S2建立的编码模型训练样本集进行训练,变分自动编码模型包括编码器和解码器两部分;计算输入数据的均值和方差,然后根据计算的均值和方差配上相应的正态分布,从而让隐藏层变量能学习输入数据的分布,使其能反过来解码出与输入数据具有相似分布的数据;训练模型使编码器能够在尽量少地丢失信息的情况下进行数据压缩,同时使解码器在尽量少地丢失信息的情况下进行数据恢复,当解码得到的链码数据与原始链码数据差异不大时,这些编码值就代表原始的链码表征值作为后面预测模型的输出。
4.根据权利要求1所述的一种基于深度学习的油水相对渗透率曲线计算方法,其特征在于,所述步骤S4具体为:
步骤S4.1:利用步骤S3建立的编码模型得到归一化进汞曲线编码值、归一化退汞曲线编码值、归一化油相相对渗透率曲线编码值、归一化水相相对渗透率曲线编码值;
步骤S4.2:将归一化进汞曲线编码值和归一化退汞曲线编码值组合为归一化毛管力曲线编码值;
将归一化油相相对渗透率曲线编码值和归一化水相相对渗透率曲线编码值组合为归一化油水相对渗透率曲线编码值。
5.根据权利要求1所述的一种基于深度学习的油水相对渗透率曲线计算方法,其特征在于,所述步骤S6具体为:
步骤S6.1:将实例样本的物性特征参数作为输入,利用归一化毛管力曲线预测模型得到预测的归一化毛管力曲线编码值;
步骤S6.2:以物性特征参数和预测的归一化毛管力曲线编码值作为输入,利用归一化油水相对渗透率曲线预测模型得到预测的归一化油水相对渗透率曲线编码值、残余油饱和度、束缚水饱和度、油相相对渗透率最大值和水相相对渗透率最大值。
6.根据权利要求1所述的一种基于深度学习的油水相对渗透率曲线计算方法,其特征在于,所述步骤S7具体为:
步骤S7.1:利用解码模型对预测的归一化油水相对渗透率曲线编码值进行解码反演;
具体为:从预测的归一化油水相对渗透率曲线编码值中分离出预测的归一化油相相对渗透率曲线编码值和预测的归一化水相相对渗透率曲线编码值,利用解码模型对预测的归一化油相相对渗透率曲线编码值和预测的归一化水相相对渗透率曲线编码值进行解码,得到预测的归一化油相相对渗透率曲线和预测的归一化水相相对渗透率曲线;
步骤S7.2:根据式(1)、(2)、(3),利用预测得到的残余油饱和度、束缚水饱和度、油相相对渗透率最大值和水相相对渗透率最大值对这两条曲线进行解归一化处理,得到完整的油相相对渗透率预测曲线和水相相对渗透率预测曲线;
步骤S7.3:对比预测的油水相对渗透率曲线和实际的油水相对渗透率曲线:利用式(8)计算油相相对渗透率曲线和水相相对渗透率曲线的平均相对误差;
式中:
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011589368.8A CN112612997B (zh) | 2020-12-29 | 2020-12-29 | 一种基于深度学习的油水相对渗透率曲线计算方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011589368.8A CN112612997B (zh) | 2020-12-29 | 2020-12-29 | 一种基于深度学习的油水相对渗透率曲线计算方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112612997A CN112612997A (zh) | 2021-04-06 |
CN112612997B true CN112612997B (zh) | 2022-07-01 |
Family
ID=75248785
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011589368.8A Active CN112612997B (zh) | 2020-12-29 | 2020-12-29 | 一种基于深度学习的油水相对渗透率曲线计算方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112612997B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114066084B (zh) * | 2021-11-19 | 2022-07-29 | 中国科学院地质与地球物理研究所 | 一种基于机器学习的相渗曲线预测方法及系统 |
CN114544459B (zh) * | 2022-02-09 | 2024-04-19 | 武汉左晟检测技术有限公司 | 一种基于储层参数的岩心油水相渗曲线构建方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5828981A (en) * | 1995-05-11 | 1998-10-27 | Texaco Inc. | Generating pore types and synthetic capillary pressure curves from wireline logs using neural networks |
CN103645516A (zh) * | 2013-11-20 | 2014-03-19 | 中国石油大学(北京) | 基于岩石物理相控油气作用确定油气产能的方法 |
CN108181219A (zh) * | 2017-11-15 | 2018-06-19 | 中国石油天然气股份有限公司 | 一种基于碳酸盐岩孔隙结构预测渗透率的方法及其装置 |
CN110309611A (zh) * | 2019-07-08 | 2019-10-08 | 中国石油大学(北京) | 基于气水厚度分布的气水两相渗流规律预测方法及系统 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104102802B (zh) * | 2013-04-03 | 2017-06-13 | 中国石油化工股份有限公司 | 不同驱替压力梯度条件下油水相对渗透率曲线的表征方法 |
CN105510203B (zh) * | 2015-11-18 | 2019-01-15 | 中国石油新疆油田分公司勘探开发研究院 | 一种确定不同温度梯度下砂岩油藏油水相对渗透率的方法 |
CN108444884B (zh) * | 2018-03-26 | 2020-07-14 | 中国石油化工股份有限公司 | 基于Harris模型的油相相对渗透率曲线表征方法 |
CN109800521A (zh) * | 2019-01-28 | 2019-05-24 | 中国石油大学(华东) | 一种基于机器学习的油水相对渗透率曲线计算方法 |
-
2020
- 2020-12-29 CN CN202011589368.8A patent/CN112612997B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5828981A (en) * | 1995-05-11 | 1998-10-27 | Texaco Inc. | Generating pore types and synthetic capillary pressure curves from wireline logs using neural networks |
CN103645516A (zh) * | 2013-11-20 | 2014-03-19 | 中国石油大学(北京) | 基于岩石物理相控油气作用确定油气产能的方法 |
CN108181219A (zh) * | 2017-11-15 | 2018-06-19 | 中国石油天然气股份有限公司 | 一种基于碳酸盐岩孔隙结构预测渗透率的方法及其装置 |
CN110309611A (zh) * | 2019-07-08 | 2019-10-08 | 中国石油大学(北京) | 基于气水厚度分布的气水两相渗流规律预测方法及系统 |
Non-Patent Citations (1)
Title |
---|
Siyan liu.Application of neural networks in multiphase flow through porous media:Predicting capillary pressure and relative permeability curves.《Journal of Petrolem Science and Engineering》.2019,全文. * |
Also Published As
Publication number | Publication date |
---|---|
CN112612997A (zh) | 2021-04-06 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108573320B (zh) | 页岩气藏最终可采储量的计算方法和系统 | |
CN112612997B (zh) | 一种基于深度学习的油水相对渗透率曲线计算方法 | |
CN108398268B (zh) | 一种轴承性能退化评估方法 | |
CN112761628B (zh) | 基于长短期记忆神经网络的页岩气产量确定方法、装置 | |
CN111507046B (zh) | 一种电动闸阀剩余使用寿命预测方法及系统 | |
CN111259987A (zh) | 一种基于bert的多模型融合提取事件主体的方法 | |
CN111275198B (zh) | 一种轴承异常检测方法及系统 | |
CN115169430A (zh) | 基于多尺度解码的云网端资源多维时间序列异常检测方法 | |
CN111507155A (zh) | 联合U-Net++和UDA的微地震有效信号初至拾取方法及装置 | |
CN113431635B (zh) | 半监督的盾构隧道掌子面地质类型预估方法及系统 | |
CN113962148B (zh) | 基于卷积编码动态序列网络的产量预测方法、装置及设备 | |
CN116204770B (zh) | 一种用于桥梁健康监测数据异常检测的训练方法及装置 | |
CN115184054B (zh) | 机械设备半监督故障检测分析方法、装置、终端及介质 | |
CN115660209A (zh) | 一种矿井安全预警方法、系统、电子设备及介质 | |
CN115903741A (zh) | 一种工业控制系统数据异常检测方法 | |
CN114492642A (zh) | 一种多尺度元深度残差收缩网络的机械故障在线诊断方法 | |
CN110260914B (zh) | 一种基于测点时空特征的工程安全监测系统区域划分方法 | |
CN109669017A (zh) | 基于深度学习的炼厂蒸馏塔顶切水离子浓度预测方法 | |
CN113095377A (zh) | 一种危险驾驶场景数据随机生成方法及系统 | |
CN115660221B (zh) | 基于混合神经网络的油气藏经济可采储量评估方法及系统 | |
CN116910638A (zh) | 一种基于大数据的优势渗流通道智能识别方法 | |
CN116739168A (zh) | 一种基于灰色理论与编解码器的径流量预测方法 | |
CN116992757A (zh) | 基于深度学习和滚动优化的井口压力预测方法和装置 | |
CN114897047B (zh) | 基于深度字典的多传感器数据漂移检测方法 | |
CN115187266A (zh) | 基于记忆力变分自编码模型的信用卡欺诈检测方法及系统 |
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 | ||
TR01 | Transfer of patent right |
Effective date of registration: 20230703 Address after: 266400 No. 66, Changjiang West Road, Huangdao District, Qingdao, Shandong Patentee after: CHINA University OF PETROLEUM (EAST CHINA) Patentee after: CHINA PETROLEUM & CHEMICAL Corp. Address before: 266580 No. 66 Changjiang West Road, Huangdao District, Qingdao, Shandong. Patentee before: CHINA University OF PETROLEUM (EAST CHINA) |
|
TR01 | Transfer of patent right |