CN112733340A - 一种基于数据驱动储层改造候选井的选井方法及设备 - Google Patents

Abstract

本发明公开了一种基于数据驱动储层改造候选井的选井方法及设备，包括建立增产改造潜力井评价参数数据集，构成从上至下的目标层、要素层、参数层的层次分析评价结构；对所述层次分析评价结构各层参数数据进行无因次化处理，优选隶属函数，使用四级评价标准，得到各参数的模糊评价结果；利用无因次化处理后的增产改造潜力井评价参数数据集，采用灰色关联分析法计算各参数的灰色关联系数；结合各参数的模糊评价结果和各参数的灰色关联系数，得到综合评价结果，通过综合评价结果对候选增产改造潜力井潜力进行排序和改造后产能预测。

Description

一种基于数据驱动储层改造候选井的选井方法及设备

技术领域

本发明涉及石油天然气开发领域，具体涉及一种基于数据驱动储层改造候选井的选井方法及设备。

背景技术

压裂、酸压、酸化为代表的储层增产改造技术成为振华石油海外油田低渗透砂岩、碳酸盐岩储层增储上产的最有效手段之一。储层增产改造效果不明显的客观原因是改造井的潜力不足，即改造井的前期诊断和选井的认识与研究不充分。因此，开展储层改造的候选井评价，准确优选具有改造潜力的候选井是增加改造成功率和单井产量的主要重要保障。

现有技术中，对储层评价压裂选井选层方法的研究有使用数学模型、人工神经网络方法和模糊数学评判方法对压裂井储层质量进行评价。传统数学方法使用线性预测，方法简单，易计算，但是未考虑参数间的相互影响、参数与效果的非线性作用，因此预测误差较大；人工神经网络方法不需要考虑具体的数学模型，可以对不确定和非结构化的数据进行有效表述和预测，克服了常规数学的缺陷，但是这种方法的收敛速度慢、计算时间长，网络缺乏可扩充性，普适性不强，无法从理论上确定网络的拓扑结构，泛化推广能力差，会造成对预测结果无法解释和推理，而且对测试未知样本的能力较差；而模糊数学评判方法采用隶属函数客观事物界限不明确的问题，将评价因素进行定量化，采用储层质量的等级分类指标据此判断出储层质量好坏情况，从而更能得到符合实际情况的结论，但是在实际操作过程中评判中权重数分配带有一定的经验性和主观性，目前常用的确定影响因素对储层质量是否有影响及影响程度很难判断，目前常用的系统分析方法为方差分析和主成分分析等，这类方法具有要求数据量大且要服从某个典型的概率分布和易于出现量化结果与定性分析结果不符等不足。

因此，尽管现有压裂井储层评价手段和方法众多，但是还存在由于评价参数参差不齐，如何客观选择并能代表该区块特征的参数；如何准确选择适合的单井储层人工智能模型，将人工智能与模糊逻辑算法相结合提高人工智能选井的精度。现在有的学者提出的灰色关联分析方法可以对系统的动态过程发展态势进行量化分析，且同时兼备了避免异常现象和数据量要求不高的特点，因此，可以利用灰色关联分析理论对储层质量的影响因素进行分析，确定其主次因素，进而为储层质量评价提供参考依据。

发明内容

本发明提供一种基于数据驱动储层改造候选井的选井方法及设备，利用模糊综合评判法与灰关联分析理论相结合，提出了模糊理论-关联分析综合评价方法，对储层的多个影响因素进行综合评价，最终得到一个综合评价结果，并依据综合评价结果来对储层候选井进行排序，优选出具有改造潜力的候选井。

本发明通过下述技术方案实现：

一种基于数据驱动储层改造候选井的选井方法，包括以下步骤：

步骤A、构建增产改造潜力井评价模型，利用已改造井数据对所述增产改造潜力井评价模型进行训练，具体过程包括：

步骤S1、增产改造潜力井评价模型包括：目标层、要素层、参数层的层次分析评价结构，目标层为改造效果评价值，要素层包括储集能力参数、流动能力参数、施工评价参数，参数层包括与上述要素层适配的已改造井数据；

步骤S2、实测已改造井数据获得后代入到参数层；

步骤S3、对所述层次分析评价结构各层参数数据进行无因次化处理，优选隶属函数，使用四级评价标准，得到各参数的模糊评价结果；

步骤S4、利用无因次化处理后的参数层参数，采用灰色关联分析法计算各参数的灰色关联系数；

步骤S5、结合步骤S3中各参数的模糊评价结果和步骤S4中各参数的灰色关联系数，最终得到目标层的改造效果评价值；

步骤B、获取各候选增产改造潜力井的评价参数数据，输入到所述增产改造潜力井评价模型中，得到各候选增产改造潜力井的改造效果评价值，对所述改造效果评价值进行排序，利用所述改造效果评价值预测各候选改造潜力井改造后产能，从而确定各候选增产改造潜力井的优选次序。

进一步地，所述已改造井数据包括储层有效厚度、孔隙度、自然伽马、返排率、渗透率、含油饱和度、施工排量、前置液量、携砂液量、支撑剂量；

其中，以储层有效厚度、孔隙度、自然伽马作为参数层的数据集得到储集能力参数，以返排率、渗透率、含油饱和度作为参数层的数据集得到流动能力参数，以施工排量、前置液量、携砂液量、支撑剂量作为参数层的数据集得到施工评价参数，以储集能力参数、流动能力参数、施工评价参数作为要素层的数据集得到改造效果评价值，改造效果评价值作为目标层。

进一步地，步骤S3的具体步骤包括：

步骤S31、对所述层次分析评价结构各层参数进行无因次化处理，得到标准化的各层参数；

步骤S32、构建优先关系矩阵，计算各层参数对于各上层参数影响的相对排序权重，得到各层参数的各排序权重；

步骤S33、根据各层参数的各排序权重，从参数层开始逐层向上计算，直至计算至目标层，得到各层参数的参数权重；

步骤S34、利用梯形分布隶属度函数，根据模糊一致矩阵计算各层参数的评价值；

步骤S35、结合各层参数的参数权重和各层参数的评价值，得到各层参数的模糊评价结果。

进一步地，步骤S32的具体步骤为：

步骤S32的具体步骤为：

步骤S321、所述优先关系矩阵通过对对比矩阵P进行优化，从而满足判断一致性要求，所述优先关系矩阵表示该层任意两个参数间的相对重要程度，建立的优先关系矩阵为

C_ij＝lgP_ji，

步骤S322、相对排序权重表示该层参数对上层参数影响的相对排序权重，计算公式为：

将

规范为：

其中，W_i＝[W₁，W₂，…，W_n]^T表示该层各参数对上层参数的权重。

进一步地，步骤S33计算各层参数的参数权重的公式为：

其中，S表示各层参数的参数权重；m表示上一层有m个参数，各参数对应的权重为a₁、a₂、…、a_m，n表示本层有n个参数，对上一层每个参数的相对权重为W_j ⁱ。

进一步地，采用的梯形分布隶属函数计算公式为：

其中，μ₁、μ₂、μ₃分别代表好、中、差评价值范围；

则根据参数的具体情况，利用模糊关系矩阵B＝|b_ij|_m×n，计算对应参数的评价值，计算公式为：

其中，F₁、F₂、F₃为评价值，分别对应好、中、差三个评价级别的分数。

进一步地，步骤S4的具体内容为：

步骤S41、对无因次化处理后的参数层参数数据进行预处理，针对不同的参数分别采用越大越优型指标计算式和越小越优型指标计算式进行预处理；

步骤S42、将所述预处理后的参数层参数数据分为子序列与母序列；

步骤S43、计算所述子序列和母序列之间的关联系数。

进一步地，所述越大越优型指标计算式为：

所述越小越优型指标计算式为：

其中，(r_ij)_max表示第i个参数在第n个样本中的最大值，(r_ij)_min表示第i个参数在第n个样本中的最小值。

进一步地，所述关联系数的计算公式为：

其中，Δmin、Δmax分别为各个时刻的绝对差中的最大值和最小值，令Δmin＝0；ρ为分辨系数，ρ∈(0,1)，分辨系数的作用是削弱最大绝对误差值太大而失真的影响，通常ρ取0.5；x_i(j)为子序列，X₀(j)为母序列。

另外，本发明提供一种基于数据驱动储层改造候选井的选井设备，包括：存储器，用于存储计算机程序；处理器，用于执行所述计算机程序时实现上述的基于数据驱动储层改造候选井的选井方法。

本发明与现有技术相比，具有如下的优点和有益效果：

本发明一种基于数据驱动储层改造候选井的选井方法及设备，将模糊综合评判法与灰关联分析理论相结合，提出了模糊理论-关联分析综合评价方法，对储层的多个影响因素进行综合评价，最终得到一个综合评价结果，并依据它来对候选增产改造潜力井关联度进行排序和改造后产能预测。经过多次综合评价，将模糊数学中的隶属度和权重数等涉及到的人为主观因素在单一的、很小的范围内，使主观与客观的反差大大减小，提高了评价的精度。灰色关联分析方法可以对系统的动态过程发展态势进行量化分析，且同时兼备了避免异常现象和数据量要求不高的特点，因此，可以利用灰色关联分析理论对储层质量的影响因素进行分析，确定其主次因素，进而为储层质量评价提供参考依据，克服了层次分析法中判断矩阵的一致性与人类思维的一致性问存在的显著差异性，减少了主观性，并起到了客观的评价效果。本发明方法不仅考虑了影响因素的模糊性，又考虑了其灰色性，同时又可以相对客观的评判选井。

附图说明

此处所说明的附图用来提供对本发明实施例的进一步理解，构成本申请的一部分，并不构成对本发明实施例的限定。在附图中：

图1为构建增产改造潜力井评价模型流程图；

图2为构建的层次分析评价结构示意图。

具体实施方式

为使本发明的目的、技术方案和优点更加清楚明白，下面结合实施例和附图，对本发明作进一步的详细说明，本发明的示意性实施方式及其说明仅用于解释本发明，并不作为对本发明的限定。

在以下描述中，为了提供对本发明的透彻理解阐述了大量特定细节。然而，对于本领域普通技术人员显而易见的是：不必采用这些特定细节来实行本发明。在其他实例中，为了避免混淆本发明，未具体描述公知的结构、电路、材料或方法。

在整个说明书中，对“一个实施例”、“实施例”、“一个示例”或“示例”的提及意味着：结合该实施例或示例描述的特定特征、结构或特性被包含在本发明至少一个实施例中。因此，在整个说明书的各个地方出现的短语“一个实施例”、“实施例”、“一个示例”或“示例”不一定都指同一实施例或示例。此外，可以以任何适当的组合和、或子组合将特定的特征、结构或特性组合在一个或多个实施例或示例中。此外，本领域普通技术人员应当理解，在此提供的示图都是为了说明的目的，并且示图不一定是按比例绘制的。这里使用的术语“和/或”包括一个或多个相关列出的项目的任何和所有组合。

在本发明的描述中，需要理解的是，术语“前”、“后”、“左”、“右”、“上”、“下”、“竖直”、“水平”、“高”、“低”“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明保护范围的限制。

实施例1

本发明一种基于数据驱动储层改造候选井的选井方法，包括以下步骤：

步骤A、构建增产改造潜力井评价模型，利用已改造井数据对所述增产改造潜力井评价模型进行训练，如图1所示，具体过程包括：

步骤S1、增产改造潜力井评价模型包括：目标层、要素层、参数层的层次分析评价结构，目标层为改造效果评价值，要素层包括储集能力参数、流动能力参数、施工评价参数，参数层包括与上述要素层适配的已改造井数据；

步骤S2、实测已改造井数据获得后代入到参数层；

步骤S3、对所述层次分析评价结构各层参数数据进行无因次化处理，优选隶属函数，使用四级评价标准，得到各参数的模糊评价结果；

步骤S4、利用无因次化处理后的参数层参数，采用灰色关联分析法计算各参数的灰色关联系数；

步骤S5、结合步骤S3中各参数的模糊评价结果和步骤S4中各参数的灰色关联系数，最终得到目标层的改造效果评价值；

步骤B、获取各候选增产改造潜力井的评价参数数据，输入到所述增产改造潜力井评价模型中，得到各候选增产改造潜力井的改造效果评价值，对所述改造效果评价值进行排序，利用所述改造效果评价值预测各候选改造潜力井改造后产能，从而确定各候选增产改造潜力井的优选次序。

具体地，如图2所示，所述已改造井数据包括储层有效厚度、孔隙度、自然伽马、返排率、渗透率、含油饱和度、施工排量、前置液量、携砂液量、支撑剂量；

其中，以储层有效厚度、孔隙度、自然伽马作为参数层的数据集得到储集能力参数，以返排率、渗透率、含油饱和度作为参数层的数据集得到流动能力参数，以施工排量、前置液量、携砂液量、支撑剂量作为参数层的数据集得到施工评价参数，以储集能力参数、流动能力参数、施工评价参数作为要素层的数据集得到改造效果评价值，改造效果评价值作为目标层。

为了得到各参数的模糊评价结果，具体步骤为：

步骤S31、对所述层次分析评价结构各层参数进行无因次化处理，得到标准化的各层参数；

步骤S32、构建优先关系矩阵，计算各层参数对于各上层参数影响的相对排序权重，得到各层参数的各排序权重；

步骤S33、根据各层参数的各排序权重，从参数层开始逐层向上计算，直至计算至目标层，得到各层参数的参数权重；

步骤S34、利用梯形分布隶属度函数，根据模糊一致矩阵计算各层参数的评价值；

步骤S35、结合各层参数的参数权重和各层参数的评价值，得到各层参数的模糊评价结果。

其中，计算各层参数的排序权重的步骤包括步骤S321-步骤S322：

步骤S321、所述优先关系矩阵通过对对比矩阵P进行优化，从而满足判断一致性要求，所述优先关系矩阵表示该层任意两个参数间的相对重要程度，例如在参数层中，表示储层有效厚度、孔隙度、自然伽马三个参数中任意两个参数之间的相对重要程度，建立的优先关系矩阵为

C_ij＝lgP_ji，

步骤S322、相对排序权重表示该层参数对上层参数影响的相对排序权重，计算公式为：

将

规范为：

其中，W_i＝[W₁，W₂，…，W_n]^T表示该层各参数对上层参数的权重。

进一步地，步骤S33计算各层参数的参数权重的公式为：

其中，S表示各层参数的参数权重；m表示上一层有m个参数，各参数对应的权重为a₁、a₂、…、a_m，n表示本层有n个参数，对上一层每个参数的相对权重为W_j ⁱ。

为了更加客观的得到模糊评价结果，采用的梯形分布隶属函数进行计算，公式为：

其中，μ₁、μ₂、μ₃分别代表好、中、差评价值范围；

则根据参数的具体情况，利用模糊关系矩阵B＝|b_ij|_m×n，计算对应参数的评价值，计算公式为：

其中，F₁、F₂、F₃为评价值，分别对应好、中、差三个评价级别的分数。

具体地，为了得到各参数的灰色关联系数，使用灰色关联分析法对数据进行处理，具体包括步骤S41-步骤S43：

步骤S41、对无因次化处理后的参数层参数数据进行预处理，针对不同的参数分别采用越大越优型指标计算式和越小越优型指标计算式进行预处理；

步骤S42、将所述预处理后的参数层参数数据分为子序列与母序列；

步骤S43、计算所述子序列和母序列之间的关联系数。

由于评价结果具有主观性，在描述事物特征的物理量时各有不同，差异很大，但在分类计算时，仅仅需要从数量上进行分析，那么必须消除物理量单位的干扰，针对不同的参数，由于参数单位不同，差异很大，则使用越大越优型指标计算式和越小越优型指标计算式对参数数据进行标准化处理，使各参数数据影响值在[0，1]范围内。

本实施例中，例如储层有效厚度、施工排量、前置液量、携砂液量、支撑剂量采用越大越优型指标计算式为：

如孔隙度、自然伽马、返排率、渗透率、含油饱和度采用越小越优型指标计算式为：

其中，(r_ij)_max表示第i个参数在第n个样本中的最大值，(r_ij)_min表示第i个参数在第n个样本中的最小值。

进一步地，所述关联系数的计算公式为：

其中，Δmin、Δmax分别为各个时刻的绝对差中的最大值和最小值，令Δmin＝0；ρ为分辨系数，ρ∈(0,1)，分辨系数的作用是削弱最大绝对误差值太大而失真的影响，通常ρ取0.5；x_i(j)为子序列，X₀(j)为母序列。

经过上述计算，最终可以得到综合的改造效果评价值：

(i＝1，2，…，m)，对各候选增产改造潜力井的G_i值进行排序，G_i的值越大，说明关联程度越高，可依据G_i的值进行决策选井。

实施例2

本发明提供一种基于数据驱动储层改造候选井的选井设备，所述选井设备包括：存储器，用于存储计算机程序；处理器，用于执行所述计算机程序时实现实施例1中叙述的方法，在此就不一一赘述。

可以理解的是，本发明将模糊综合评判法与灰关联分析理论相结合，提出了模糊理论-关联分析综合评价方法，对储层的多个影响因素进行综合评价，最终得到一个综合评价结果，并依据它来对候选增产改造潜力井关联度进行排序和改造后产能预测。经过多次综合评价，将模糊数学中的隶属度和权重数等涉及到的人为主观因素在单一的、很小的范围内，使主观与客观的反差大大减小，提高了评价的精度。灰色关联分析方法可以对系统的动态过程发展态势进行量化分析，且同时兼备了避免异常现象和数据量要求不高的特点，因此，可以利用灰色关联分析理论对储层质量的影响因素进行分析，确定其主次因素，进而为储层质量评价提供参考依据，克服了层次分析法中判断矩阵的一致性与人类思维的一致性问存在的显著差异性，减少了主观性，并起到了客观的评价效果。本发明方法不仅考虑了影响因素的模糊性，又考虑了其灰色性，同时又可以相对客观的评判选井。

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 (10)

1.一种基于数据驱动储层改造候选井的选井方法，其特征在于，包括以下步骤：

步骤A、构建增产改造潜力井评价模型，利用已改造井数据对所述增产改造潜力井评价模型进行训练，具体过程包括：

步骤S1、增产改造潜力井评价模型包括：目标层、要素层、参数层的层次分析评价结构，目标层为改造效果评价值，要素层包括储集能力参数、流动能力参数、施工评价参数，参数层包括与上述要素层适配的已改造井数据；

步骤S2、实测已改造井数据获得后代入到参数层；

步骤S3、对所述层次分析评价结构各层参数数据进行无因次化处理，优选隶属函数，使用四级评价标准，得到各参数的模糊评价结果；

步骤S4、利用无因次化处理后的参数层参数，采用灰色关联分析法计算各参数的灰色关联系数；

步骤S5、结合步骤S3中各参数的模糊评价结果和步骤S4中各参数的灰色关联系数，最终得到目标层的改造效果评价值；

步骤B、获取各候选增产改造潜力井的评价参数数据，输入到所述增产改造潜力井评价模型中，得到各候选增产改造潜力井的改造效果评价值，对所述改造效果评价值进行排序，利用所述改造效果评价值预测各候选改造潜力井改造后产能，从而确定各候选增产改造潜力井的优选次序。

2.根据权利要求1所述的一种基于数据驱动储层改造候选井的选井方法，其特征在于，所述已改造井数据包括储层有效厚度、孔隙度、自然伽马、返排率、渗透率、含油饱和度、施工排量、前置液量、携砂液量、支撑剂量；

其中，以储层有效厚度、孔隙度、自然伽马作为参数层的数据集得到储集能力参数，以返排率、渗透率、含油饱和度作为参数层的数据集得到流动能力参数，以施工排量、前置液量、携砂液量、支撑剂量作为参数层的数据集得到施工评价参数，以储集能力参数、流动能力参数、施工评价参数作为要素层的数据集得到改造效果评价值，改造效果评价值作为目标层。

3.根据权利要求1所述的一种基于数据驱动储层改造候选井的选井方法，其特征在于，步骤S3的具体步骤包括：

步骤S31、对所述层次分析评价结构各层参数进行无因次化处理，得到标准化的各层参数；

步骤S32、构建优先关系矩阵，计算各层参数对于各上层参数影响的相对排序权重，得到各层参数的各排序权重；

步骤S33、根据各层参数的各排序权重，从参数层开始逐层向上计算，直至计算至目标层，得到各层参数的参数权重；

步骤S34、利用梯形分布隶属度函数，根据模糊一致矩阵计算各层参数的评价值；

步骤S35、结合各层参数的参数权重和各层参数的评价值，得到各层参数的模糊评价结果。

4.根据权利要求3所述的一种基于数据驱动储层改造候选井的选井方法，其特征在于，步骤S32的具体步骤为：

步骤S321、所述优先关系矩阵通过对对比矩阵P进行优化，从而满足判断一致性要求，所述优先关系矩阵表示该层任意两个参数间的相对重要程度，建立的优先关系矩阵为

C_ij＝lgP_ji，

步骤S322、相对排序权重表示该层参数对上层参数影响的相对排序权重，计算公式为：

将

规范为：

其中，W_i＝[W₁，W₂，…，W_n]^T表示该层各参数对上层参数的权重。

5.根据权利要求3所述的一种基于数据驱动储层改造候选井的选井方法，其特征在于，步骤S33计算各层参数的参数权重的公式为：

其中，S表示各层参数的参数权重；m表示上一层有m个参数，各参数对应的权重为a₁、a₂、…、a_m，n表示本层有n个参数，对上一层每个参数的相对权重为W_j ⁱ。

6.根据权利要求3所述的一种基于数据驱动储层改造候选井的选井方法，其特征在于，采用的梯形分布隶属函数计算公式为：

其中，μ₁、μ₂、μ₃分别代表好、中、差评价值范围；

则根据参数的具体情况，利用模糊关系矩阵B＝|b_ij|_m×n，计算对应参数的评价值，计算公式为：

其中，F₁、F₂、F₃为评价值，分别对应好、中、差三个评价级别的分数。

7.根据权利要求1所述的一种基于数据驱动储层改造候选井的选井方法，其特征在于，步骤S4的具体内容为：

步骤S41、对无因次化处理后的参数层参数数据进行预处理，针对不同的参数分别采用越大越优型指标计算式和越小越优型指标计算式进行预处理；

步骤S42、将所述预处理后的参数层参数数据分为子序列与母序列；

步骤S43、计算所述子序列和母序列之间的关联系数。

8.根据权利要求7所述的一种基于数据驱动储层改造候选井的选井方法，其特征在于，所述越大越优型指标计算式为：

所述越小越优型指标计算式为：

其中，(r_ij)_max表示第i个参数在第n个样本中的最大值，(r_ij)_min表示第i个参数在第n个样本中的最小值。

9.根据权利要求7所述的一种基于数据驱动储层改造候选井的选井方法，其特征在于，所述关联系数的计算公式为：

其中，Δmin、Δmax分别为各个时刻的绝对差中的最大值和最小值，令Δmin＝0；ρ为分辨系数，ρ∈(0,1)，x_i(j)为子序列，X₀(j)为母序列。

10.一种基于数据驱动储层改造候选井的选井设备，其特征在于，包括：存储器，用于存储计算机程序；处理器，用于执行所述计算机程序时实现如权利要求1至9任一项所述方法。

Images