CN112800590B - 一种机器学习辅助的两相流油藏随机建模的网格粗化方法 - Google Patents

一种机器学习辅助的两相流油藏随机建模的网格粗化方法 Download PDF

Info

Publication number
CN112800590B
CN112800590B CN202110023186.2A CN202110023186A CN112800590B CN 112800590 B CN112800590 B CN 112800590B CN 202110023186 A CN202110023186 A CN 202110023186A CN 112800590 B CN112800590 B CN 112800590B
Authority
CN
China
Prior art keywords
coarse
grid
permeability
grids
machine learning
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
Application number
CN202110023186.2A
Other languages
English (en)
Other versions
CN112800590A (zh
Inventor
李航宇
王彦集
卜忠宇
樊灵
徐建春
刘树阳
王晓璞
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
China University of Petroleum East China
Original Assignee
China University of Petroleum East China
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by China University of Petroleum East China filed Critical China University of Petroleum East China
Priority to CN202110023186.2A priority Critical patent/CN112800590B/zh
Publication of CN112800590A publication Critical patent/CN112800590A/zh
Application granted granted Critical
Publication of CN112800590B publication Critical patent/CN112800590B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2111/00—Details relating to CAD techniques
    • G06F2111/10—Numerical modelling

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Software Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Medical Informatics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Artificial Intelligence (AREA)
  • Computer Hardware Design (AREA)
  • Geometry (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种基于机器学习的油藏数值模拟网格粗化方法，涉及油藏数值模拟领域。方法包括以下步骤：确定地质模型实现将要粗化成粗网格的尺寸和数量；选取部分地质模型实现记为模型集P1，其余模型记为模型集P2，对模型集P1中模型实现进行相对渗透率粗化计算，得到P1中粗网格的粗尺度相对渗透率数据；对所有地质模型实现的渗透率进行数据预处理；提取P1和P2中每个粗网格的渗透率分布特征，用机器学习算法对所有粗网格的渗透率分布特征进行归类，得到P1和P2中粗网格的类别；将P1中粗网格的粗尺度相对渗透率数据赋值给相似度最高的P2中的网格，得到P2近似的粗尺度相对渗透率数据；使用P1和P2中粗网格粗尺度的相对渗透率数据进行油藏数值模拟计算。

Description

一种机器学习辅助的两相流油藏随机建模的网格粗化方法
技术领域
本发明属于油藏数值模拟领域，具体涉及一种基于机器学习的油藏数值模拟网格粗化方法。
背景技术
建立储层地质模型，是油藏描述的核心与关键。储层建模方法分为确定性建模和随机建模。确定性建模是以井下测得的确定性资料为基础，推测井间确定的、唯一的储层参数。然而地下储层是许多复杂地质活动综合作用的结果，以非常有限的资料无法描述储层井间预测的不确定性。储层随机建模是地质统计学在石油工程中的广泛应用中发展起来的，是利用计算机科学，地质学、数学等多学科领域的技术再现储层的离散型、连续型和非均质性的方法。随机建模是以已知的信息为基础，以随机函数为理论，应用随机模拟方法产生多个可选的、等概率的储层模型(又称模型实现，realizations)的方法。虽然预测结果可能有任意多个，但其结果可以真实地反应储层属性的非均质性，多种结果也表现出了储层属性的不确定性，其中有好的结果，也有坏的结果，可以提供不同的参考。
随机建模技术产生了大量等概率的地质模型实现，每个模型实现都要进行油藏数值模拟，这使得模拟工作量增加数十倍乃至更多。网格粗化是降低模拟工作量的有效方法。网格粗化就是在尽可能保留细尺度模型的储层参数情况下，把细网格系统的数据信息转换到粗网格系统的过程。此方法可有效降低网格数量，大大降低计算成本，提高计算速度。传统的网格粗化算法需要对每个粗尺度网格系统进行大量“重复性”计算，而机器学习方法正适合处理这种“重复性”工作。
发明内容
本发明的目的是针对上述不足，提出了一种在保证计算精度的前提下，能显著提高网格粗化速度的机器学习辅助的两相流油藏随机建模的网格粗化方法。
本发明具体采用如下技术方案：
一种机器学习辅助的两相流油藏随机建模的网格粗化方法，包括以下步骤：
(1)通过随机建模方法建立若干地质模型实现，确定模型实现将要粗化成粗网格的尺寸和数量；
(2)选取部分地质模型实现记为模型集P1，其余模型记为模型集P2，对模型集P1中模型实现进行相对渗透率粗化计算，得到P1中粗网格的粗尺度相对渗透率数据；
(3)对所有地质模型实现的渗透率进行数据预处理；
(4)提取P1和P2中每个粗网格的渗透率分布特征，用机器学习算法对所有粗网格的渗透率分布特征进行归类，得到P1和P2中粗网格的类别；
(5)将P1中粗网格的粗尺度相对渗透率数据赋值给相似度最高的P2中的网格，得到P2近似的粗尺度相对渗透率数据；
(6)使用P1和P2中粗网格粗尺度的相对渗透率数据进行油藏数值模拟计算。
优选地，对所有地质模型实现的渗透率进行数据预处理的处理方式为：先对所有细网格的渗透率做ln对数变换，然后对每个粗网格进行特征放缩处理，特征放缩处理式为(1)所示：
Figure BDA0002889301310000021
其中，xi为粗网格中每个细网格的渗透率，xmean为该粗网格中所有细网格渗透率的平均值，xmax为该粗网格中所有细网格渗透率的最大值，xmin为该粗网格中所有细网格渗透率的最小值，x′i为特征放缩后的细网格渗透率。
优选地，步骤(2)中选取地质模型实现划分模型集P1，在所有模型实现中按比例随机选取。
优选地，步骤(2)中选取地质模型实现划分模型集P1，通过手动选取部分有明显地质特征的模型实现。
优选地，步骤(4)中提取粗网格的渗透率分布特征，直接采用数据预处理后粗网格中每个细网格的渗透率数据。
优选地，步骤(4)中提取粗网格的渗透率分布特征，通过把数据预处理后的粗网格中细网格的渗透率场画成图，以图片识别的方式对粗网格进行归类。
优选地，步骤(4)中提取粗网格的渗透率分布特征，对渗透率分布特征进行降维处理以加快计算机处理速度。
优选地，步骤(4)中用机器学习算法对所有粗网格的渗透率分布特征进行归类，归类方法为分类或聚类算法。
本发明具有如下有益效果：
该方法可以避免随机建模后对每个地质模型实现进行网格粗化计算，仅需对少数地质模型实现进行网格粗化计算，通过机器学习算法识别相似网格，对其余模型实现中相似网格快速进行结果赋值。
该方法可显著提高随机建模网格粗化速度，对提高随机建模模拟效率，加快油藏数值模拟智能化，具有很高的实用价值。
附图说明
图1为一种机器学习辅助的两相流油藏随机建模的网格粗化方法的流程框图；
图2为实施例二的流程图；
图3为实施例二中的地质模型之一的渗透率分布及其特征缩放的示例图；
图4为实施例二、实施例三和实施例四的计算时间对比图；
图5为实施例二、实施例三和实施例四产量不确定性分析结果对比图；
图6为实施例一和实施例四在不同时间下所有地质模型实现的总流量散点拟合直线对比。
具体实施方式
下面结合附图和具体实施例对本发明的具体实施方式做进一步说明：
实施例一
结合图1机器学习辅助的两相流油藏随机建模的网格粗化方法，包括以下步骤：
(1)通过随机建模方法建立若干地质模型实现，确定模型实现将要粗化成粗网格的尺寸和数量。
(2)选取部分地质模型实现记为模型集P1，其余模型记为模型集P2，对模型集P1中模型实现进行相对渗透率粗化计算，得到P1中粗网格的粗尺度相对渗透率数据。选取地质模型实现划分模型集P1，在所有模型实现中按比例随机选取，或手动选取部分有明显地质特征的模型实现。
(3)对所有地质模型实现的渗透率进行数据预处理，处理的处理方式为：先对所有细网格的渗透率做ln对数变换，然后对每个粗网格进行特征放缩处理，特征放缩处理式为(1)所示：
Figure BDA0002889301310000031
其中，xi为粗网格中每个细网格的渗透率，xmean为该粗网格中所有细网格渗透率的平均值，xmax为该粗网格中所有细网格渗透率的最大值，xmin为该粗网格中所有细网格渗透率的最小值，x′i为特征放缩后的细网格渗透率。
(4)提取P1和P2中每个粗网格的渗透率分布特征，用机器学习算法对所有粗网格的渗透率分布特征进行归类，得到P1和P2中粗网格的类别。
提取粗网格的渗透率分布特征，可以直接采用数据预处理后粗网格中每个细网格的渗透率数据，也可把数据预处理后的粗网格中细网格的渗透率场画成图，以图片识别的方式对粗网格进行归类，达到更直观的可视化效果；
提取粗网格的渗透率分布特征，可以对渗透率分布特征进行降维处理以加快计算机处理速度，降维处理方法包括但不限于PCA、T-SNE、LDA、MDS等。
用机器学习算法对所有粗网格的渗透率分布特征进行归类，归类方法可以是分类或聚类算法，具体地，包括但不限于KNN、K-Means、SVM、随机森林、朴素贝叶斯等。
(5)将P1中粗网格的粗尺度相对渗透率数据赋值给与之同类(或相似度最高)的P2中的网格，得到P2近似的粗尺度相对渗透率数据。
(6)使用P1和P2中粗网格粗尺度的相对渗透率数据进行油藏数值模拟计算。
实施例二
基于上述方法，通过机器学习KNN算法，对数据预处理后的地质模型实现进行网格分类，整体方法流程图如图2，结合图3，具体步骤如下：
第一步：生成110个地质模型实现，每个实现由200×200个细网格组成，目标为将细尺度模型粗化成由尺寸为10×20的粗网格系统组成的粗尺度模型。考虑水驱油的两相渗流问题，设定边界条件为上下边界封闭，左侧为注水端，右侧为采油端。
第二步：随机选取10个模型实现(记为P1)进行相对渗透率粗化计算，得到P1中粗网格的粗尺度相对渗透率数据，其余100个模型实现记为P2。
第三步：为更好地提取每个粗网格的非均质性，以便于机器学习算法识别，对所有地质模型渗透率进行数据预处理，处理方法为：对所有细网格的渗透率值做ln对数变换，并对所有粗网格做特征放缩处理。数据处理后的网格示意图如图3所示，数据处理后粗网格的非均质性更加突出。
特征放缩处理公式为：
Figure BDA0002889301310000041
其中，xi为该粗网格中每个细网格的渗透率，xmean为该粗网格中所有细网格渗透率的平均值，xmax为该粗网格中所有细网格渗透率的最大值，xmin为该粗网格中所有细网格渗透率的最小值；x′i为特征放缩后的该粗网格中细网格渗透率。
第四步：以粗网格中细网格的渗透率数据为特征，用KNN算法对粗网格进行分类，得到P2和P1中粗网格的分类关系。
第五步：将P1中粗网格的粗尺度相对渗透率数据赋值给P2中与之同类的粗网格。
第六步：使用P1和P2中粗网格的粗尺度相对渗透率，对110个地质模型实现进行油藏数值模拟计算，得到产量等数据，记录上述步骤花费时间合计为7029秒。
实施例三：
对所有地质模型实现不进行网格粗化，直接以细尺度模型进行油藏数值模拟计算，得到产量等数据，记录数值模拟计算花费时间合计为445658秒。
实施例四：
对所有地质模型实现进行传统的两相流网格粗化计算(不以机器学习方法辅助)，然后进行油藏数值模拟计算，得到产量等数据，记录网格粗化数值模拟花费时间合计为66555秒。
图4为细尺度数值模拟、网格粗化数值模拟和机器学习辅助网格粗化的数值模拟计算时间对比，机器学习辅助网格粗化的数值模拟效率提高明显，效率相比细尺度数值模拟提高63.4倍，相比网格粗化数值模拟提高9.5倍。
图5为对随机建模总产量的不确定性分析结果对比。P90、P50和P10分别代表所有模型实现数据中有90％、50％和10％小于该数据，代表总产量概率的预估。PVI为无量纲时间，代表不同的注水阶段，计算公式为
Figure BDA0002889301310000051
其中qt为总流量(m3/s)；t为时间(s)；vp为总孔隙体积(m3)。从图中可知，本发明提供的方法与传统两相流网格粗化方法相比，结果精准；和细尺度的数值模拟对比误差较小，而产生的误差大部分来源于底层网格粗化算法的信息损失。
图6为PVI＝0.5和PVI＝1，在不同模拟方法下，110个地质模型实现的总流量qt的散点拟合对比，拟合直线越接近直线y＝x则证明机器学习辅助的网格粗化方法越准确。由图可知，不同时间下，机器学习辅助的网格粗化方法和传统的网格粗化方法相比均表现出良好的准确性；和细尺度数值模拟对比准确度较好，其中产生的误差主要来源于底层网格粗化方法的信息损失。
当然，上述说明并非是对本发明的限制，本发明也并不仅限于上述举例，本技术领域的技术人员在本发明的实质范围内所做出的变化、改型、添加或替换，也应属于本发明的保护范围。

Claims (5)

1.一种机器学习辅助的两相流油藏随机建模的网格粗化方法，其特征在于，包括以下步骤：
（1）通过随机建模方法建立若干地质模型实现，确定地质模型实现将要粗化成粗网格的尺寸和数量；
（2）选取部分地质模型实现记为模型集P1，其余模型记为模型集P2，对模型集P1中模型实现进行相对渗透率粗化计算，得到P1中粗网格的粗尺度相对渗透率数据；
（3）对所有地质模型实现的渗透率进行数据预处理；
（4）提取P1和P2中每个粗网格的渗透率分布特征，用机器学习算法对所有粗网格的渗透率分布特征进行归类，得到P1和P2中粗网格的类别；提取粗网格的渗透率分布特征，通过把数据预处理后的粗网格中细网格的渗透率场画成图，以图片识别的方式对粗网格进行归类；提取粗网格的渗透率分布特征，对渗透率分布特征进行降维处理以加快计算机处理速度；用机器学习算法对所有粗网格的渗透率分布特征进行归类，归类方法为分类或聚类算法；
（5）将P1中粗网格的粗尺度相对渗透率数据赋值给与之同类P2中的网格，得到P2近似的粗尺度相对渗透率数据；
（6）使用P1和P2中粗网格粗尺度的相对渗透率数据进行油藏数值模拟计算。
2.如权利要求1所述的一种机器学习辅助的两相流油藏随机建模的网格粗化方法，其特征在于，对所有地质模型实现的渗透率进行数据预处理的处理方式为：先对所有细网格的渗透率做ln对数变换，然后对每个粗网格进行特征放缩处理，特征放缩处理式为（1）所示：
Figure DEST_PATH_IMAGE002
（1）
其中，
Figure 348034DEST_PATH_IMAGE004
为粗网格中每个细网格的渗透率，
Figure 734016DEST_PATH_IMAGE006
为该粗网格中所有细网格渗透率的平均值，
Figure DEST_PATH_IMAGE008
为该粗网格中所有细网格渗透率的最大值，
Figure DEST_PATH_IMAGE010
为该粗网格中所有细网格渗透率的最小值，
Figure DEST_PATH_IMAGE012
为特征放缩后的细网格渗透率。
3.如权利要求1所述的一种机器学习辅助的两相流油藏随机建模的网格粗化方法，其特征在于，步骤（2）中选取地质模型实现划分模型集P1，在所有模型实现中按比例随机选取。
4.如权利要求1所述的一种机器学习辅助的两相流油藏随机建模的网格粗化方法，其特征在于，步骤（2）中选取地质模型实现划分模型集P1，通过手动选取部分有明显地质特征的模型实现。
5.如权利要求1所述的一种机器学习辅助的两相流油藏随机建模的网格粗化方法，其特征在于，步骤（4）中提取粗网格的渗透率分布特征，直接采用数据预处理后粗网格中每个细网格的渗透率数据。
CN202110023186.2A 2021-01-08 2021-01-08 一种机器学习辅助的两相流油藏随机建模的网格粗化方法 Active CN112800590B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110023186.2A CN112800590B (zh) 2021-01-08 2021-01-08 一种机器学习辅助的两相流油藏随机建模的网格粗化方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110023186.2A CN112800590B (zh) 2021-01-08 2021-01-08 一种机器学习辅助的两相流油藏随机建模的网格粗化方法

Publications (2)

Publication Number Publication Date
CN112800590A CN112800590A (zh) 2021-05-14
CN112800590B true CN112800590B (zh) 2022-04-29

Family

ID=75809178

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110023186.2A Active CN112800590B (zh) 2021-01-08 2021-01-08 一种机器学习辅助的两相流油藏随机建模的网格粗化方法

Country Status (1)

Country Link
CN (1) CN112800590B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
CN115221735B (zh) * 2022-09-20 2022-12-13 中国石油大学(华东) 一种电加热油页岩原位转化数值模拟的升尺度方法

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104331925A (zh) * 2014-09-28 2015-02-04 长江大学 考虑夹层影响的渗透率粗化方法
CN106569267A (zh) * 2016-10-14 2017-04-19 中国石油大学(北京) 一种致密低渗透储层多尺度裂缝模型及建模方法
CN111706318A (zh) * 2020-05-26 2020-09-25 中国石油天然气集团有限公司 一种确定低渗储层剩余油分布状况的方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104331925A (zh) * 2014-09-28 2015-02-04 长江大学 考虑夹层影响的渗透率粗化方法
CN106569267A (zh) * 2016-10-14 2017-04-19 中国石油大学(北京) 一种致密低渗透储层多尺度裂缝模型及建模方法
CN111706318A (zh) * 2020-05-26 2020-09-25 中国石油天然气集团有限公司 一种确定低渗储层剩余油分布状况的方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
基于储层分类的支持向量机渗透率预测;袁伟等;《测井技术》;20150820(第04期);全文 *
渗透率粗化在精细油藏描述中的应用研究;王家华等;《电脑知识与技术》;20100205(第04期);全文 *

Also Published As

Publication number Publication date
CN112800590A (zh) 2021-05-14

Similar Documents

Publication Publication Date Title
CN112800590B (zh) 一种机器学习辅助的两相流油藏随机建模的网格粗化方法
WO2016154723A1 (en) Method and apparatus for drilling a new well using historic drilling data
CN113642698B (zh) 地球物理测井智能解释方法、系统及存储介质
CN108952699B (zh) 一种复杂地质钻进过程地层岩性智能识别方法
CN101950359A (zh) 一种岩石种类的识别方法
CN102682089A (zh) 一种利用鉴别随机邻域嵌入分析的数据降维方法
CN112016477B (zh) 一种基于深度学习的测井沉积微相识别方法
CN105986811A (zh) 基于常规测井资料五维度岩性判识方法
CN112861890B (zh) 一种储层评价模型构建方法及储层识别方法
CN106022359A (zh) 基于有序信息熵的模糊熵空间聚类分析方法
US10922451B2 (en) Ensemble-based reservoir characterization method using multiple Kalman gains and dynamic data selection
CN106251375A (zh) 一种通用隐写分析的深度学习堆栈式自动编码方法
Zhu et al. An automatic identification method of imbalanced lithology based on Deep Forest and K-means SMOTE
CN111626377B (zh) 一种岩相识别方法、装置、设备及存储介质
EP2956804B1 (en) Method of modelling a subsurface volume
CN117093922A (zh) 一种基于改进svm的不平衡样本油藏复杂流体识别方法
CN117095201A (zh) 一种基于图像的钻井液岩屑识别方法
CN116641688A (zh) Co2提高气藏采收率及其封存的方法、系统、设备及存储介质
CN113673771B (zh) 一种页岩气水平井压裂分段方法
Xiang et al. The study of Chinese calligraphy font style based on edge-guided filter and convolutional neural network
CN112800589B (zh) 一种基于人工智能的油水两相流相对渗透网格粗化方法
CN116226623B (zh) 基于SegNet分段模型的标志层划分方法、装置和计算机设备
CN104462792A (zh) 一种测井数据岩性层数值归约方法
Fan et al. Quantitative Prediction of Low‐Permeability Sandstone Grain Size Based on Conventional Logging Data by Deep Neural Network‐Based BP Algorithm
CN117235628B (zh) 一种基于混合贝叶斯深度网络测井曲线预测方法及系统

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