CN112651175B - 一种油藏注采方案优化设计方法 - Google Patents
一种油藏注采方案优化设计方法 Download PDFInfo
- Publication number
- CN112651175B CN112651175B CN202011542689.2A CN202011542689A CN112651175B CN 112651175 B CN112651175 B CN 112651175B CN 202011542689 A CN202011542689 A CN 202011542689A CN 112651175 B CN112651175 B CN 112651175B
- Authority
- CN
- China
- Prior art keywords
- real
- data
- time
- oil reservoir
- 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.)
- Active
Links
- 238000005457 optimization Methods 0.000 title claims abstract description 72
- 238000000034 method Methods 0.000 title claims abstract description 29
- 238000004519 manufacturing process Methods 0.000 title claims abstract description 23
- 238000013461 design Methods 0.000 title claims abstract description 17
- 238000009826 distribution Methods 0.000 claims abstract description 88
- 230000001537 neural effect Effects 0.000 claims abstract description 55
- 238000012549 training Methods 0.000 claims abstract description 32
- 238000004458 analytical method Methods 0.000 claims abstract description 18
- 238000012545 processing Methods 0.000 claims description 11
- 238000005065 mining Methods 0.000 claims description 9
- 238000005070 sampling Methods 0.000 claims description 6
- 238000002347 injection Methods 0.000 claims description 4
- 239000007924 injection Substances 0.000 claims description 4
- 230000001131 transforming effect Effects 0.000 claims description 4
- 238000004364 calculation method Methods 0.000 claims description 3
- 238000010276 construction Methods 0.000 claims description 3
- 238000013507 mapping Methods 0.000 claims description 3
- 238000011084 recovery Methods 0.000 abstract description 16
- 239000003921 oil Substances 0.000 description 141
- 230000008569 process Effects 0.000 description 7
- 238000010795 Steam Flooding Methods 0.000 description 3
- 238000010793 Steam injection (oil industry) Methods 0.000 description 3
- 239000010779 crude oil Substances 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 239000000243 solution Substances 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 239000012530 fluid Substances 0.000 description 1
- 239000003129 oil well Substances 0.000 description 1
- 239000003208 petroleum Substances 0.000 description 1
- 238000006467 substitution reaction Methods 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
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- E—FIXED CONSTRUCTIONS
- E21—EARTH OR ROCK DRILLING; MINING
- E21B—EARTH OR ROCK 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
- E21B43/24—Enhanced recovery methods for obtaining hydrocarbons using heat, e.g. steam injection
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Theoretical Computer Science (AREA)
- Evolutionary Computation (AREA)
- Geology (AREA)
- Mining & Mineral Resources (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Geochemistry & Mineralogy (AREA)
- Artificial Intelligence (AREA)
- General Life Sciences & Earth Sciences (AREA)
- Fluid Mechanics (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Environmental & Geological Engineering (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种油藏注采方案优化设计方法获得油藏实时数据、以及油藏实时数据中所包括的油藏数值分布信息的类别;修正油藏实时数据的显示系数满足系数取值条件;对油藏实时数据的显示系数进行变换获得实时油藏开采方案数据;基于修正后的油藏实时数据和实时油藏开采方案数据进行组合构造的分析训练集、以及所包括油藏数值分布信息的类别,将待预测油藏实时数据和标注有油藏数值分布信息的类别的参考实时数据输入神经优化网络模型,确定优化油藏开采方案数据。现有技术中对石油开采的方案可能存在不准确的情况,这样就能增加开采时间。本方案根据实时油藏数据对开采方案进行优化,这样能够有效的降低开采时间,从而有效的降低成本。
Description
技术领域
本发明涉及油藏数据优化的技术领域,具体涉及一种油藏注采方案优化设计方法。
背景技术
目前我国稠油、超稠油比较成熟的开采技术是注蒸汽热采。通常的注蒸汽热采方式为蒸汽吞吐,然而稠油在经过一定时间的蒸汽吞吐开采形成热连通后,只能采出各油井井点附近油层中的原油,井间留有大量的死油区,一般采收率仅10%~25%。
为了提高注蒸汽热采的总体效果以及石油的采收率,需要将蒸汽吞吐开采至适当时机转入蒸汽驱开采,蒸汽驱采油是由注入井连续不断地往油层中注入高干度的蒸汽,蒸汽不断地加热油层,从而大大降低了地层原油的粘度。注入的蒸汽在地层中变为热的流体,将原油驱赶到生产井的周围,并被采到地面上来。适时转入蒸汽驱,采收率可增加20%~30%,总采收率可达45%~60%。
存在着开采方案不优化的情况,这样严重影响到了开采效率,从而增加了成本。
发明内容
本发明所要解决的技术问题是上述背景技术的技术问题,目的在于提供一种油藏注采方案优化设计方法,解决油藏数据的优化处理的问题。
本发明通过下述技术方案实现:
一种油藏注采方案优化设计方法,所述方法包括:
获得油藏实时数据、以及所述油藏实时数据中所包括的油藏数值分布信息的类别;
修正所述油藏实时数据的显示系数满足系数取值条件;
根据所述显示系数的数值分布需要满足的数值分布条件,对所述油藏实时数据的所述显示系数进行变换获得实时油藏开采方案数据;
基于修正后的油藏实时数据和所述实时油藏开采方案数据进行组合构造的分析训练集、以及所包括油藏数值分布信息的类别,训练神经优化网络模型;
基于训练后的所述神经优化网络模型,将待预测油藏实时数据和标注有油藏数值分布信息的类别的参考实时数据输入所述神经优化网络模型,确定所述待预测油藏实时数据中所包括油藏数值分布信息的类别对应的优化油藏开采方案数据。
进一步地,所述修正所述油藏实时数据的显示系数满足系数取值条件,包括:
检测所述油藏实时数据中所包括油藏数值分布信息的藏油分布区域;
修正所述油藏实时数据的开采方案,直至所述油藏实时数据所包括油藏数值分布信息的藏油分布区域的开采方案一致。
进一步地,所述修正所述油藏实时数据的显示系数满足系数取值条件,包括:
基于所述油藏实时数据需要满足的匹配度,对所述油藏实时数据的各个开采通道进行实时数据优化处理。
进一步地,所述修正所述油藏实时数据的显示系数满足系数取值条件,包括:
对所述油藏实时数据中对应油藏数值分布信息的未藏油分布区域进行消重;
修正消重后的油藏实时数据符合预设开采方案。
进一步地,所述根据显示系数的数值分布需要满足的数值分布条件,对所述油藏实时数据的显示系数进行变换获得实时油藏开采方案数据,包括:
根据所述油藏实时数据的至少一种类别的显示系数所处的取值空间、以及在所述取值空间所满足的数值分布条件,确定根据所述油藏实时数据的显示系数相较于所述数值分布条件所缺失的显示系数;
将所述油藏实时数据的显示系数向所述缺失的显示系数进行变换得到实时油藏开采方案数据。
进一步地,所述训练神经优化网络模型,包括:
初始化神经优化网络模型;
初始化与所述神经优化网络模型顺序连接的深度计算层、全连接层、以及分类层,得到用于对所述待预测油藏注采方案优化设计的组合神经优化网络模型,将所述分析训练集包括的实时数据以及对应的类别输入所述神经优化网络模型进行迭代训练,直至所述神经优化网络模型的损失函数满足预设条件。
进一步地,所述基于训练后的所述神经优化网络模型,将待预测油藏实时数据和标注有油藏数值分布信息的类别的参考实时数据输入所述神经优化网络模型,确定所述待预测油藏实时数据中所包括油藏数值分布信息的类别,包括:
在组合神经优化网络模型中,利用所述组合神经优化网络模型提取待预测油藏实时数据的实时数据特征、以及标注有油藏数值分布信息的类别的参考实时数据的实时数据特征,所述参考实时数据为所述分析训练集中实时数据;
确定所述待预测油藏实时数据的实时数据特征、与所述参考实时数据的实时数据特征的距离矢量,将所述距离矢量进行降采样处理;
将降采样处理后的距离矢量映射到设定取值空间,得到所述待预测油藏实时数据属于所述参考实时数据所标注的所述油藏数值分布信息的类别的概率。
进一步地,所述基于修正后的油藏实时数据和所述实时油藏开采方案数据进行组合构造的分析训练集、以及所包括的油藏数值分布信息的类型,训练神经优化网络模型之前,还包括:
基于修正后的油藏实时数据和所述实时油藏开采方案数据进行相似组合构造分析训练集。
本发明与现有技术相比,具有如下的优点和有益效果:
本发明一种油藏注采方案优化设计方法,获得油藏实时数据、以及油藏实时数据中所包括的油藏数值分布信息的类别;修正油藏实时数据的显示系数满足系数取值条件;根据显示系数的数值分布需要满足的数值分布条件,对油藏实时数据的显示系数进行变换获得实时油藏开采方案数据;基于修正后的油藏实时数据和实时油藏开采方案数据进行组合构造的分析训练集、以及所包括油藏数值分布信息的类别,训练神经优化网络模型;基于训练后的神经优化网络模型,将待预测油藏实时数据和标注有油藏数值分布信息的类别的参考实时数据输入神经优化网络模型,确定待预测油藏实时数据中所包括油藏数值分布信息的类别对应的优化油藏开采方案数据。现有技术中对石油开采的方案可能存在不准确的情况,这样就能增加开采时间,从而增加成本。本方案根据实时油藏数据对开采方案进行优化,这样能够有效的降低开采时间,从而有效的降低成本。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分,示出了符合本发明的实施例,并于说明书一起用于解释本发明的原理。
图1为本发明实施例所提供的一种油藏注采方案优化设计方法的流程图。
具体实施方式
这里将详细地对示例性实施例进行说明,其示例表示在附图中。下面的描述涉及附图时,除非另有表示,不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本申请相一致的所有实施方式。相反,它们仅是与如所附权利要求书中所详述的、本申请的一些方面相一致的装置和方法的例子。
在上述基础上,请结合参阅图1,为本发明实施例所提供的油藏注采方案优化设计方法的流程示意图,所述油藏注采方案优化设计方法可以应用于图1中的数据处理服务器,进一步地,所述油藏注采方案优化设计方法具体可以包括以下步骤S21-步骤S25所描述的内容。
步骤S21,获得油藏实时数据、以及所述油藏实时数据中所包括的油藏数值分布信息的类别。
示例性的,所述油藏数值分布信息用于表征勘探地下石油分布区域的信息,这样就能实际的知道地下石油的分布情况,拟定开采方案。
步骤S22,修正所述油藏实时数据的显示系数满足系数取值条件。
示例性的,所述显示系数用于判断修正所述油藏实时数据是否能够满足要求,这样就能得到精确的修正所述油藏实时数据。
步骤S23,根据所述显示系数的数值分布需要满足的数值分布条件,对所述油藏实时数据的所述显示系数进行变换获得实时油藏开采方案数据。
示例性的,所述实时油藏开采方案数据用于表征初步得到的开采方案。
步骤S24,基于修正后的油藏实时数据和所述实时油藏开采方案数据进行组合构造的分析训练集、以及所包括油藏数值分布信息的类别,训练神经优化网络模型。
示例性的,所述训练神经优化网络模型用于表征数据计算方式。
步骤S25,基于训练后的所述神经优化网络模型,将待预测油藏实时数据和标注有油藏数值分布信息的类别的参考实时数据输入所述神经优化网络模型,确定所述待预测油藏实时数据中所包括油藏数值分布信息的类别对应的优化油藏开采方案数据。
示例性的,所述优化油藏开采方案数据用于表征经过神经优化网络模型处理后的开采方案数据。
可以理解,在执行上述步骤S21-步骤S25所描述的内容时,获得油藏实时数据、以及油藏实时数据中所包括的油藏数值分布信息的类别;修正油藏实时数据的显示系数满足系数取值条件;根据显示系数的数值分布需要满足的数值分布条件,对油藏实时数据的显示系数进行变换获得实时油藏开采方案数据;基于修正后的油藏实时数据和实时油藏开采方案数据进行组合构造的分析训练集、以及所包括油藏数值分布信息的类别,训练神经优化网络模型;基于训练后的神经优化网络模型,将待预测油藏实时数据和标注有油藏数值分布信息的类别的参考实时数据输入神经优化网络模型,确定待预测油藏实时数据中所包括油藏数值分布信息的类别对应的优化油藏开采方案数据。现有技术中对石油开采的方案可能存在不准确的情况,这样就能增加开采时间,从而增加成本。本方案首先对地下藏油数据进行分析处理,得到一个精确的地方又有分布情况,得到一个初步的开采方案,但是初步开采方案中处在着很多问题,比如不经济或者开采时间过长等问题,所以根据实时油藏数据的实时情况对开采方案进行优化,通过模型处理能够综合各种因数得到一个最优的开采,这样能够有效的降低开采时间,从而有效的降低成本。
在具体实施过程中,在修正所述油藏实时数据的显示系数满足系数取值条件时,存在对修正所述油藏实时数据系数识别不准确的问题,为了改善上述技术问题,步骤S22所描述的修正所述油藏实时数据的显示系数满足系数取值条件的步骤,具体可以包括以下步骤S221和步骤S222所描述的内容。
步骤S221,检测所述油藏实时数据中所包括油藏数值分布信息的藏油分布区域。
步骤S222,修正所述油藏实时数据的开采方案,直至所述油藏实时数据所包括油藏数值分布信息的藏油分布区域的开采方案一致。
可以理解,在执行上述步骤S221和步骤S222所描述的内容时,在修正所述油藏实时数据的显示系数满足系数取值条件时,表面了对修正所述油藏实时数据系数识别不准确的问题,这样能精确的判断是否满足系数取值条件。
在实际操作过程中,发明人发现,在修正所述油藏实时数据的显示系数满足系数取值条件时,还存在系数匹配失败的问题,为了改善上述技术问题,步骤S22所描述的修正所述油藏实时数据的显示系数满足系数取值条件的步骤,具体可以包括以下步骤A1所描述的内容。
步骤A1,基于所述油藏实时数据需要满足的匹配度,对所述油藏实时数据的各个开采通道进行实时数据优化处理。
可以理解,在执行上述步骤A1所描述的内容时,在修正所述油藏实时数据的显示系数满足系数取值条件时,有效的解决了系数匹配失败的问题。
在具体实施过程中,在修正所述油藏实时数据的显示系数满足系数取值条件时,还存在数据重合的技术问题,为了改善上述技术问题,步骤S22所描述的修正所述油藏实时数据的显示系数满足系数取值条件的步骤,具体可以以包括以下步骤Q11和步骤Q12所描述的内容。
步骤Q11,对所述油藏实时数据中对应油藏数值分布信息的未藏油分布区域进行消重。
步骤Q12,修正消重后的油藏实时数据符合预设开采方案。
可以理解,在执行上述步骤Q11和步骤Q12所描述的内容时,在修正所述油藏实时数据的显示系数满足系数取值条件时,有效的避免了数据重合的技术问题。
在实际操作过程中,发明人发现,所述根据显示系数的数值分布需要满足的数值分布条件,在对所述油藏实时数据的显示系数进行变换获得实时油藏开采方案数据时,存在变换错误的技术问题,从而难以得到精确的实时油藏开采方案数据,为了改善上述技术问题,步骤S23所描述的所述根据显示系数的数值分布需要满足的数值分布条件,对所述油藏实时数据的显示系数进行变换获得实时油藏开采方案数据的步骤,具体可以包括以下步骤S231和步骤S232所描述的内容。
步骤S231,根据所述油藏实时数据的至少一种类别的显示系数所处的取值空间、以及在所述取值空间所满足的数值分布条件,确定根据所述油藏实时数据的显示系数相较于所述数值分布条件所缺失的显示系数。
步骤S232,将所述油藏实时数据的显示系数向所述缺失的显示系数进行变换得到实时油藏开采方案数据。
可以理解,在执行上述步骤S231和步骤S232所描述的内容时,所述根据显示系数的数值分布需要满足的数值分布条件,在对所述油藏实时数据的显示系数进行变换获得实时油藏开采方案数据时,避免了变换错误的技术问题,从而能够得到精确的实时油藏开采方案数据。
在实际操作过程中,发明人发现,在所述训练神经优化网络模型时,存在优化发生错误的技术问题,从而不能得到精确的优化后数据,为了盖上上述技术问题,步骤S24所描述的所述训练神经优化网络模型的步骤,具体可以包括以下步骤S241和步骤S242所描述的内容。
步骤S241,初始化神经优化网络模型。
步骤S242,初始化与所述神经优化网络模型顺序连接的深度计算层、全连接层、以及分类层,得到用于对所述待预测油藏注采方案优化设计的组合神经优化网络模型,将所述分析训练集包括的实时数据以及对应的类别输入所述神经优化网络模型进行迭代训练,直至所述神经优化网络模型的损失函数满足预设条件。
可以理解,在执行上述步骤S241和步骤S242所描述的内容时,在所述训练神经优化网络模型时,避免了优化发生错误的技术问题,从而能得到精确的优化后数据。
在实际操作过程中,发明人发现,所述基于训练后的所述神经优化网络模型,将待预测油藏实时数据和标注有油藏数值分布信息的类别的参考实时数据输入所述神经优化网络模型,在确定所述待预测油藏实时数据中所包括油藏数值分布信息的类别时,存在分类不准确的技术问题,从而难以得到精确的油藏数值分布信息的类别,为了改善上述技术问题,步骤S25所描述的所述基于训练后的所述神经优化网络模型,将待预测油藏实时数据和标注有油藏数值分布信息的类别的参考实时数据输入所述神经优化网络模型,确定所述待预测油藏实时数据中所包括油藏数值分布信息的类别的步骤,具体可以包括以下步骤S251-步骤S253所描述的内容。
步骤S251,在组合神经优化网络模型中,利用所述组合神经优化网络模型提取待预测油藏实时数据的实时数据特征、以及标注有油藏数值分布信息的类别的参考实时数据的实时数据特征,所述参考实时数据为所述分析训练集中实时数据。
步骤S252,确定所述待预测油藏实时数据的实时数据特征、与所述参考实时数据的实时数据特征的距离矢量,将所述距离矢量进行降采样处理。
步骤S253,将降采样处理后的距离矢量映射到设定取值空间,得到所述待预测油藏实时数据属于所述参考实时数据所标注的所述油藏数值分布信息的类别的概率。
可以理解,在执行上述步骤S251-步骤S253所描述的内容时,所述基于训练后的所述神经优化网络模型,将待预测油藏实时数据和标注有油藏数值分布信息的类别的参考实时数据输入所述神经优化网络模型,在确定所述待预测油藏实时数据中所包括油藏数值分布信息的类别时,避免了分类不准确的技术问题,从而能够得到精确的油藏数值分布信息的类别。
在上述基础上,所述基于修正后的油藏实时数据和所述实时油藏开采方案数据进行组合构造的分析训练集、以及所包括的油藏数值分布信息的类型,训练神经优化网络模型之前还包括以下步骤W1所描述的内容。
步骤W1,基于修正后的油藏实时数据和所述实时油藏开采方案数据进行相似组合构造分析训练集。
可以理解,在执行上述步骤W1所描述的内容时,对于数据组合,有效的增加了修正后的油藏实时数据和所述实时油藏开采方案数据的可靠性。
以上所述的具体实施方式,对本发明的目的、技术方案和有益效果进行了进一步详细说明,所应理解的是,以上所述仅为本发明的具体实施方式而已,并不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,所做的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (6)
1.一种油藏注采方案优化设计方法,其特征在于,所述方法包括:
获得油藏实时数据、以及所述油藏实时数据中所包括的油藏数值分布信息的类别;
修正所述油藏实时数据的显示系数满足系数取值条件;
根据所述显示系数的数值分布需要满足的数值分布条件,对所述油藏实时数据的所述显示系数进行变换获得实时油藏开采方案数据;
基于修正后的油藏实时数据和所述实时油藏开采方案数据进行组合构造的分析训练集、以及所包括油藏数值分布信息的类别,训练神经优化网络模型;
基于训练后的所述神经优化网络模型,将待预测油藏实时数据和标注有油藏数值分布信息的类别的参考实时数据输入所述神经优化网络模型,确定所述待预测油藏实时数据中所包括油藏数值分布信息的类别对应的优化油藏开采方案数据;
所述根据显示系数的数值分布需要满足的数值分布条件,对所述油藏实时数据的显示系数进行变换获得实时油藏开采方案数据,包括:
根据所述油藏实时数据的至少一种类别的显示系数所处的取值空间、以及在所述取值空间所满足的数值分布条件,确定根据所述油藏实时数据的显示系数相较于所述数值分布条件所缺失的显示系数;
将所述油藏实时数据的显示系数向所述缺失的显示系数进行变换得到实时油藏开采方案数据;
所述基于训练后的所述神经优化网络模型,将待预测油藏实时数据和标注有油藏数值分布信息的类别的参考实时数据输入所述神经优化网络模型,确定所述待预测油藏实时数据中所包括油藏数值分布信息的类别,包括:
在组合神经优化网络模型中,利用所述组合神经优化网络模型提取待预测油藏实时数据的实时数据特征、以及标注有油藏数值分布信息的类别的参考实时数据的实时数据特征,所述参考实时数据为所述分析训练集中实时数据;
确定所述待预测油藏实时数据的实时数据特征、与所述参考实时数据的实时数据特征的距离矢量,将所述距离矢量进行降采样处理;
将降采样处理后的距离矢量映射到设定取值空间,得到所述待预测油藏实时数据属于所述参考实时数据所标注的所述油藏数值分布信息的类别的概率。
2.如权利要求1所述的油藏注采方案优化设计方法,其特征在于,所述修正所述油藏实时数据的显示系数满足系数取值条件,包括:
检测所述油藏实时数据中所包括油藏数值分布信息的藏油分布区域;
修正所述油藏实时数据的开采方案,直至所述油藏实时数据所包括油藏数值分布信息的藏油分布区域的开采方案一致。
3.如权利要求1所述的油藏注采方案优化设计方法,其特征在于,所述修正所述油藏实时数据的显示系数满足系数取值条件,包括:
基于所述油藏实时数据需要满足的匹配度,对所述油藏实时数据的各个开采通道进行实时数据优化处理。
4.如权利要求1所述的油藏注采方案优化设计方法,其特征在于,所述修正所述油藏实时数据的显示系数满足系数取值条件,包括:
对所述油藏实时数据中对应油藏数值分布信息的未藏油分布区域进行消重;
修正消重后的油藏实时数据符合预设开采方案。
5.如权利要求1所述的油藏注采方案优化设计方法,其特征在于,所述训练神经优化网络模型,包括:
初始化神经优化网络模型;
初始化与所述神经优化网络模型顺序连接的深度计算层、全连接层、以及分类层,得到用于对所述待预测油藏注采方案优化设计的组合神经优化网络模型,将所述分析训练集包括的实时数据以及对应的类别输入所述神经优化网络模型进行迭代训练,直至所述神经优化网络模型的损失函数满足预设条件。
6.如权利要求1所述的油藏注采方案优化设计方法,其特征在于,所述基于修正后的油藏实时数据和所述实时油藏开采方案数据进行组合构造的分析训练集、以及所包括的油藏数值分布信息的类型,训练神经优化网络模型之前,还包括:
基于修正后的油藏实时数据和所述实时油藏开采方案数据进行相似组合构造分析训练集。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011542689.2A CN112651175B (zh) | 2020-12-23 | 2020-12-23 | 一种油藏注采方案优化设计方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011542689.2A CN112651175B (zh) | 2020-12-23 | 2020-12-23 | 一种油藏注采方案优化设计方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112651175A CN112651175A (zh) | 2021-04-13 |
CN112651175B true CN112651175B (zh) | 2022-12-27 |
Family
ID=75359706
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011542689.2A Active CN112651175B (zh) | 2020-12-23 | 2020-12-23 | 一种油藏注采方案优化设计方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112651175B (zh) |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108984886A (zh) * | 2018-07-06 | 2018-12-11 | 中国石油大学(华东) | 一种反演多层油藏井间动态连通性的方法 |
Family Cites Families (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2009032220A1 (en) * | 2007-08-31 | 2009-03-12 | Saudi Arabian Oil Company | Artificial neural network models for determining relative permeability of hydrocarbon reservoirs |
GB2467487B (en) * | 2007-12-20 | 2011-11-16 | Shell Int Research | Method for producing hydrocarbons through a well or well cluster of which the trajectory is optimized by a trajectory optimisation algorithm |
CN110399929B (zh) * | 2017-11-01 | 2023-04-28 | 腾讯科技(深圳)有限公司 | 眼底图像分类方法、装置以及计算机可读存储介质 |
CN108197366A (zh) * | 2017-12-26 | 2018-06-22 | 中国石油大学(华东) | 考虑注入水水质对储层伤害的注采参数优化方法 |
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 |
CN111766635B (zh) * | 2019-04-02 | 2023-04-25 | 中国石油天然气股份有限公司 | 砂体连通程度分析方法和系统 |
CN110821453B (zh) * | 2019-11-07 | 2021-11-23 | 成都北方石油勘探开发技术有限公司 | 基于三维地质数值模型的注气油藏开发方案设计方法 |
CN111523713B (zh) * | 2020-04-14 | 2024-01-02 | 中国地质大学(北京) | 一种预测油田中剩余油饱和度分布的方法和装置 |
-
2020
- 2020-12-23 CN CN202011542689.2A patent/CN112651175B/zh active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108984886A (zh) * | 2018-07-06 | 2018-12-11 | 中国石油大学(华东) | 一种反演多层油藏井间动态连通性的方法 |
Also Published As
Publication number | Publication date |
---|---|
CN112651175A (zh) | 2021-04-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113111586B (zh) | 一种基于神经网络的钻井堵漏配方预测方法 | |
CN110608023B (zh) | 稠油分层注汽的适应性界限分析评价方法 | |
Bansal et al. | Forecasting well performance in a discontinuous tight oil reservoir using artificial neural networks | |
Cao et al. | A review on application of data-driven models in hydrocarbon production forecast | |
CN112282714B (zh) | 基于深度学习和图论的全井网注水开发优化方法 | |
CN104915530B (zh) | 油藏井间连通关系的建立方法 | |
CN109763800A (zh) | 一种油田分层注水量预测方法 | |
CN106503798A (zh) | 基于粗糙集与bp神经网络的泵的故障诊断方法 | |
Tang et al. | Well control optimization of waterflooding oilfield based on deep neural network | |
Khan et al. | Predictive Regression Model for Fracturing Fluid Efficiency–Design and Validation Workflow Based on Machine Learning | |
CN112651175B (zh) | 一种油藏注采方案优化设计方法 | |
CN115099406A (zh) | 基于多元时间序列的地层压力反演方法及装置 | |
Wang et al. | Optimization and Analysis of CO2 Huff‐n‐Puff Process in Shale Oil Reservoirs Using Response Surface Methodology (RSM) | |
Yi et al. | Spatial correlation-based machine learning framework for evaluating shale gas production potential: A case study in southern Sichuan Basin, China | |
Huang et al. | A deep-learning-based graph neural network-long-short-term memory model for reservoir simulation and optimization with varying well controls | |
CN107818518A (zh) | 一种量化表征油页岩原位开采选区的方法 | |
Deng et al. | An unsupervised machine learning based double sweet spots classification and evaluation method for tight reservoirs | |
CN106096858A (zh) | 一种浅层稠油油藏地下原油粘度获取方法 | |
CN117271996A (zh) | 一种基于半监督学习的油井堵水效果预测方法 | |
CN108222916A (zh) | 基于注采量关系的井间砂体连通性的分形识别方法 | |
CN106530109A (zh) | 一种基于信息价值的油田开发评价井决策方法 | |
CN116682499A (zh) | 一种基于地层信息和井信息的钻井液配方设计的辅助方法 | |
Li et al. | Flow field characterization and evaluation method based on unsupervised machine learning | |
CN114154331B (zh) | 一种基于能源效率模型的sagd开发效率评价方法 | |
Son et al. | Two-stage sampling scheme for a CNN-based well placement optimization of 3D benchmark reservoirs |
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 |