CN112949053A - 一种注水油井注水量动态预测方法 - Google Patents

一种注水油井注水量动态预测方法 Download PDF

Info

Publication number
CN112949053A
CN112949053A CN202110195064.1A CN202110195064A CN112949053A CN 112949053 A CN112949053 A CN 112949053A CN 202110195064 A CN202110195064 A CN 202110195064A CN 112949053 A CN112949053 A CN 112949053A
Authority
CN
China
Prior art keywords
water injection
parameter
stratum
formation
injection quantity
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.)
Granted
Application number
CN202110195064.1A
Other languages
English (en)
Other versions
CN112949053B (zh
Inventor
付长凤
郭哲源
韩连福
刘兴斌
宋鸿梅
卢召红
谢荣华
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.)
Sichuan Hongyun Technology Co ltd
Zhitong Chongqing Technology Achievement Transformation Service Co ltd
Original Assignee
Northeast Petroleum University
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 Northeast Petroleum University filed Critical Northeast Petroleum University
Priority to CN202110195064.1A priority Critical patent/CN112949053B/zh
Publication of CN112949053A publication Critical patent/CN112949053A/zh
Application granted granted Critical
Publication of CN112949053B publication Critical patent/CN112949053B/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
    • 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
    • E21B43/20—Displacing by water
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2111/00—Details relating to CAD techniques
    • G06F2111/04—Constraint-based CAD
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
    • G06F2119/14—Force analysis or force optimisation, e.g. static or dynamic forces
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A10/00—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE at coastal zones; at river basins
    • Y02A10/40—Controlling or monitoring, e.g. of flood or hurricane; Forecasting, e.g. risk assessment or mapping

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Mining & Mineral Resources (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Theoretical Computer Science (AREA)
  • Geology (AREA)
  • Geochemistry & Mineralogy (AREA)
  • General Life Sciences & Earth Sciences (AREA)
  • Fluid Mechanics (AREA)
  • Computer Hardware Design (AREA)
  • Evolutionary Computation (AREA)
  • Geometry (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Environmental & Geological Engineering (AREA)
  • Geophysics And Detection Of Objects (AREA)

Abstract

本发明属于石油工程技术领域，具体涉及一种注水油井注水量动态预测方法，包括以下步骤：1、对各地层参量进行空白值填充，构建合理的地层参量；2、建立地层参量与注水量关联提取模型，提取决定注水量的主控地层参量；3、规一化主控地层参量与注水量的灰关联度，建立注水油井注水量灰智能预测模型；4、规一化主控地层参量与注水量的灰关联度，建立注水油井注水量灰智能预测模型。该方法具有精度高、可靠性强的优势，为分层注水、动态调刨提供可靠的注水预测量。

Description

一种注水油井注水量动态预测方法
技术领域：
本发明属于石油工程技术领域，具体涉及一种注水油井注水量动态预测方法。
背景技术：
我国的油田开采已进入中后期，分层注水是油田主要的开采方式，合理的分层注水可大大缓解层间矛盾，故每一层段注水量的预测就成为油田开采的一个关键问题。传统的注水量预测方法有劈分系数法、吸水剖面法、地层系数(KH)法等，但多是建立在静态预测的基础上，因此有许多缺陷和弊端，精度较低；基于神经网络的大数据预测注水量法属于动态预测，但要求训练样本多、数据完整，而实际注水油井数据少且存在缺失。
灰色系统理论所需样本少、样本无需规律分布等优点，可运用于注水油井注水量的动态预测中，但是无论是DGM(1,1)模型还是NDGM(1,1)都无法完全适应注水量数据复杂多变的特性。故此，设计一种组合灰预测模型并将其应用于注水油井注水量预测中，能够提高注水量预测结果的精度。
发明内容：
本发明的目的是为改善注水井进行分层注水量动态预测时地层参量对其预测结果准确度的影响，提供一种注水油井注水量动态预测方法，从而提高分层注水量预测的精度。
本发明采用的技术方案为：
一种注水油井注水量动态预测方法，所述预测方法包括以下步骤：
步骤一、对各地层参量进行空白值填充，构建合理的地层参量；
各地层参量空白参量的填充方法如下：
某地层参量
Figure BDA0002945248210000021
其中
Figure BDA0002945248210000022
和
Figure BDA0002945248210000023
代表空白值，k1为第1个空白值前一元素的序号，k2为第2个空白值前一元素的序号，n为地层参量M0拥有的元素数，m0(i)是地层参量M0的第i项；
Figure BDA0002945248210000024
填充方法如下：
Figure BDA0002945248210000025
式中，
Figure BDA0002945248210000026
为
Figure BDA0002945248210000027
的填充值，β1为
Figure BDA0002945248210000028
的乘性修正因子，β2为
Figure BDA0002945248210000029
的加性修正因子，β1、β2计算方法如下：
[β1，β2]＝(A12A12 T)-1A12A11 T
式中，
Figure BDA00029452482100000210
A11为
Figure BDA00029452482100000211
求解中间矩阵，A12为
Figure BDA00029452482100000212
解中间扩展矩阵，a(0)(j1)为
Figure BDA00029452482100000213
求解序列一次累加的第j1项，j1为
Figure BDA00029452482100000214
求解序列一次累加序号，i2为
Figure BDA00029452482100000215
求解序列中间序号；
Figure BDA00029452482100000216
填充方法如下：
Figure BDA00029452482100000217
式中，
Figure BDA00029452482100000218
为
Figure BDA00029452482100000219
的填充值，β3为
Figure BDA00029452482100000220
的乘性修正因子，β4为
Figure BDA00029452482100000221
的加性修正因子，β3、β4计算方法如下：
[β3，β4]＝(A22A22 T)-1A22A21 T
式中，
Figure BDA0002945248210000031
A21为
Figure BDA0002945248210000032
求解中间矩阵，A22为
Figure BDA0002945248210000033
解中间扩展矩阵，m(0)(j2)为
Figure BDA0002945248210000034
求解序列一次累加的第j2项，j2为
Figure BDA0002945248210000035
求解序列一次累加序号，i2为
Figure BDA0002945248210000036
求解序列中间序号；
步骤二、建立地层参量与注水量关联提取模型，提取决定注水量的主控地层参量；
建立地层参量与注水量关联提取模型并提取影响注水量的主控地层参量的方法如下：
油田可获取的填充空白值后的地层参量如下：地层参量主要有砂岩厚度X1＝(x1(1),x1(2),…,x1(i)，…，x1(n))，其中x1(i)表示第i个砂岩厚度；层渗透率X2＝(x2(1),x2(2),…,x2(i)，…,x2(n))，其中x2(i)表示第i个层渗透率；孔隙度X3＝(x3(1),x3(2),…,x3(i)，…,x3(n))，其中x3(i)表示第i个孔隙度；地层系数X4＝(x4(1),x4(2),…,x4(i)，…,x4(n))，其中x4(i)表示第i个地层系数；注入压力X5＝(x5(1),x5(2),…,x5(i)，…,x5(n))，其中x5(i)表示第i个注入压力；地层压力X6＝(x6(1),x6(2),…,x6(i)，…,x6(n))，其中x6(i)表示第i个地层压力；有效厚度X7＝(x7(1),x7(2),…,x7(i)，…,x7(n))，其中x7(i)表示第i个有效厚度；油饱和度X8＝(x8(1),x8(2),…,x8(i)，…,x8(n))，其中x8(i)表示第i个油饱和度；油层改造系数X9＝(x9(1),x9(2),…,x9(i)，…,x9(n))，其中x9(i)表示第i个油层改造系数；井距系数X10＝(x10(1),x10(2),…,x10(i)，…,x10(n))，其中x10(i)表示第i个井距系数；地层参量Xi与注水量X0＝(x0(1),x0(2),…,x0(n))关联提取模型,其表达式如下：
γi(Xi，X0)＞θ
式中，θ为影响注水量X0的主控因素灰关联阈值；
如果地层参量Xi与注水量X0的灰色关联度γi(Xi,X0)满足上式，则认为地层参量Xi是影响注水量X0的主控地层参量之一；γi(Xi,X0)的表达式如下：
Figure BDA0002945248210000041
式中，k为注水量与地层参量关联度计算中间变量，ξ为地层参量灰关联分辨系数；
依据地层参量与注水量关联提取模型，提取影响注水量的有效地层参量，总计有效地层参量为l个，Yz是第z个影响注水量的主控地层参量，其表达式如下：
Yz＝(yz(1),yz(2),…,yz(s),…，yz(n))，其中z为提取的有效地层参量序号，Yz是第z个影响注水量的有效地层参量，yz(s)是第z个影响注水量的有效地层参量的第s个分量；
步骤三：规一化主控地层参量与注水量的灰关联度，建立注水油井注水量灰智能预测模型；
规一化主控地层参量与注水量的灰关联度计算方法和建立注水油井注水量灰智能预测模型方法如下：
Figure BDA0002945248210000051
式中，
Figure BDA0002945248210000052
为注水主控参量Yz与X0的归一化灰关联度，c为规一化灰关联度计算中间变量；
注水油井注水量预测模型如下：
Figure BDA0002945248210000053
式中，
Figure BDA0002945248210000054
为注水量预测值，
Figure BDA0002945248210000055
依据影响注水量的主控地层参量Yz预测的影响注水量，
Figure BDA0002945248210000056
的表达式如下：
Figure BDA0002945248210000057
式中，ηz为依据主控地层参量Yz采用DGM模型获取的注水量预测值权值系数，
Figure BDA0002945248210000058
为依据主控地层参量Yz采用DGM(1,1)模型获取的注水量预测值，
Figure BDA0002945248210000059
为依据主控地层参量Yz采用NDGM(1,1)模型获取的注水量预测值；
建立含有ηz的无约束优化求解模型如下：
Figure BDA00029452482100000510
通过最小二乘法获得ηz；
步骤四、依据油田实际注水试验修正注水油井注水量灰智能预测模型；
依据油田实际注水试验修正注水油井注水量灰智能预测模型的方法如下：
采用油田实际注水试验数据修正注水油井注水量预测模型，修正后的模型如下：
Figure BDA0002945248210000061
式中，
Figure BDA0002945248210000062
为修正后的注水量，λ为注水油井注水量乘性修正因子，b为注水油井注水量加性修正因子，λ和b可依据油田实际注水试验数据和预测数据采用最小二乘法获得。
本发明的有益效果：为改善注水井进行分层注水量动态预测时地层参量对其预测结果准确度的影响，提供了一种注水油井注水量动态预测方法，从而提高分层注水量预测的精度。该方法具有精度高、可靠性强的优势，为分层注水、动态调刨提供可靠的注水预测量。
附图说明：
图1是实施例一中注入压力信号图；
图2是实施例一中填充空白后的压力实施图；
图3实施例一中现有不进行填充方法与本方法注水量预测结果对比；
图4是实施例一中本方法所获灰关联对比；
图5是实施例一中现有预测方法与本方法注水量预测结果对比。
具体实施方式：
实施例一
参照各图，一种注水油井注水量动态预测方法，所述预测方法包括以下步骤：
步骤一、对各地层参量进行空白值填充，构建合理的地层参量；
在注水油井注水量数据中，注水量是已知的，但是某些地层参量往往会缺失部分数据，也就是出现空白值，空白值会导致注水油井注水量无法准确预测，因此需要对空白值进行填充。在本方法中如果某地层参量缺失数据数量大于2个，为保证预测效果，本方法将此认为此组数据无效。如果某地层参量缺失的数据为2个，但此2个数据相邻，为保证预测效果，本方法也将此认为此组数据无效。
各地层参量空白参量的填充方法如下：
某地层参量
Figure BDA0002945248210000071
其中
Figure BDA0002945248210000072
和
Figure BDA0002945248210000073
代表空白值，k1为第1个空白值前一元素的序号，k2为第2个空白值前一元素的序号，n为地层参量M0拥有的元素数，m0(i)是地层参量M0的第i项；
Figure BDA0002945248210000074
填充方法如下：
Figure BDA0002945248210000075
式中，
Figure BDA0002945248210000076
为
Figure BDA0002945248210000077
的填充值，β1为
Figure BDA0002945248210000078
的乘性修正因子，β2为
Figure BDA0002945248210000079
的加性修正因子，β1、β2计算方法如下：
[β1，β2]＝(A12A12 T)-1A12A11 T
式中，
Figure BDA00029452482100000710
A11为
Figure BDA00029452482100000711
求解中间矩阵，A12为
Figure BDA00029452482100000712
解中间扩展矩阵，a(0)(j1)为
Figure BDA00029452482100000713
求解序列一次累加的第j1项，j1为
Figure BDA0002945248210000081
求解序列一次累加序号，i2为
Figure BDA0002945248210000082
求解序列中间序号；
Figure BDA0002945248210000083
填充方法如下：
Figure BDA0002945248210000084
式中，
Figure BDA0002945248210000085
为
Figure BDA0002945248210000086
的填充值，β3为
Figure BDA0002945248210000087
的乘性修正因子，β4为
Figure BDA0002945248210000088
的加性修正因子，β3、β4计算方法如下：
[β3，β4]＝(A2２A2２ T)-1A22A２1 T
式中，
Figure BDA0002945248210000089
A21为
Figure BDA00029452482100000810
求解中间矩阵，A22为
Figure BDA00029452482100000811
解中间扩展矩阵，m(0)(j2)为
Figure BDA00029452482100000812
求解序列一次累加的第j2项，j2为
Figure BDA00029452482100000813
求解序列一次累加序号，i2为
Figure BDA00029452482100000814
求解序列中间序号；
步骤二、建立地层参量与注水量关联提取模型，提取决定注水量的主控地层参量；
建立地层参量与注水量关联提取模型并提取影响注水量的主控地层参量的方法如下：
油田可获取的填充空白值后的地层参量如下：地层参量主要有砂岩厚度X1＝(x1(1),x1(2),…,x1(i)，…，x1(n))，其中x1(i)表示第i个砂岩厚度；层渗透率X2＝(x2(1),x2(2),…,x2(i)，…,x2(n))，其中x2(i)表示第i个层渗透率；孔隙度X3＝(x3(1),x3(2),…,x3(i)，…,x3(n))，其中x3(i)表示第i个孔隙度；地层系数X4＝(x4(1),x4(2),…,x4(i)，…,x4(n))，其中x4(i)表示第i个地层系数；注入压力X5＝(x5(1),x5(2),…,x5(i)，…,x5(n))，其中x5(i)表示第i个注入压力；地层压力X6＝(x6(1),x6(2),…,x6(i)，…,x6(n))，其中x6(i)表示第i个地层压力；有效厚度X7＝(x7(1),x7(2),…,x7(i)，…,x7(n))，其中x7(i)表示第i个有效厚度；油饱和度X8＝(x8(1),x8(2),…,x8(i)，…,x8(n))，其中x8(i)表示第i个油饱和度；油层改造系数X9＝(x9(1),x9(2),…,x9(i)，…,x9(n))，其中x9(i)表示第i个油层改造系数；井距系数X10＝(x10(1),x10(2),…,x10(i)，…,x10(n))，其中x10(i)表示第i个井距系数；地层参量Xi与注水量X0＝(x0(1),x0(2),…,x0(n))关联提取模型,其表达式如下：
γi(Xi，X0)＞θ
式中，θ为影响注水量X0的主控因素灰关联阈值；
如果地层参量Xi与注水量X0的灰色关联度γi(Xi,X0)满足上式，则认为地层参量Xi是影响注水量X0的主控地层参量之一；γi(Xi,X0)的表达式如下：
Figure BDA0002945248210000091
式中，k为注水量与地层参量关联度计算中间变量，ξ为地层参量灰关联分辨系数；
依据地层参量与注水量关联提取模型，提取影响注水量的有效地层参量，总计有效地层参量为l个，Yz是第z个影响注水量的主控地层参量，其表达式如下：
Yz＝(yz(1),yz(2),…,yz(s),…，yz(n))，其中z为提取的有效地层参量序号，Yz是第z个影响注水量的有效地层参量，yz(s)是第z个影响注水量的有效地层参量的第s个分量；
步骤三：规一化主控地层参量与注水量的灰关联度，建立注水油井注水量灰智能预测模型；
规一化主控地层参量与注水量的灰关联度计算方法和建立注水油井注水量灰智能预测模型方法如下：
Figure BDA0002945248210000101
式中，
Figure BDA0002945248210000102
为注水主控参量Yz与X0的归一化灰关联度，c为规一化灰关联度计算中间变量；
依据不同的主控地层参量均可获得不同的注水油井注水量预测值，本方法采用归一化权值衡量了不同主控地层参量对注水油井注水量预测值的贡献，建立了如下的预测模型；
注水油井注水量预测模型如下：
Figure BDA0002945248210000103
式中，
Figure BDA0002945248210000104
为注水量预测值，
Figure BDA0002945248210000105
依据影响注水量的主控地层参量Yz预测的影响注水量，
Figure BDA0002945248210000106
的表达式如下：
Figure BDA0002945248210000107
式中，ηz为依据主控地层参量Yz采用DGM模型获取的注水量预测值权值系数，
Figure BDA0002945248210000108
为依据主控地层参量Yz采用DGM(1,1)模型获取的注水量预测值，
Figure BDA0002945248210000111
为依据主控地层参量Yz采用NDGM(1,1)模型获取的注水量预测值；
建立含有ηz的无约束优化求解模型如下：
Figure BDA0002945248210000112
通过最小二乘法获得ηz；
步骤四、依据油田实际注水试验修正注水油井注水量灰智能预测模型；
依据油田实际注水试验修正注水油井注水量灰智能预测模型的方法如下：
采用油田实际注水试验数据修正注水油井注水量预测模型，修正后的模型如下：
Figure BDA0002945248210000113
式中，
Figure BDA0002945248210000114
为修正后的注水量，λ为注水油井注水量乘性修正因子，b为注水油井注水量加性修正因子，λ和b可依据油田实际注水试验数据和预测数据采用最小二乘法获得。
如图1所示，选取一段完整的注入压力数据，将第3个变量和第8个变量当做空白值验证本方法空白值填充方法的正确性，验证结果如图2所示。由图2可知，本方法提出的空白值填充方法所获结果与真实值基本吻合，最大误差为0.07％，不进行空白值填充的注水油井注水量预测结果和应用本方法预测结果如图3所示，如图3所示本方法预测结果误差均小于不进行空白值填充的结果，故本方法中提出的空白值填充方法有利于提高预测精度。
采用本方法提出的提取影响注水量的主控地层参量灰关联度计算可得各灰关联度，如图4所示，主控因素灰关联阈值θ为0.03，可知层渗透率、空隙度、地层系数、注入压力、地层压力、有效厚度、油饱和度为主控地层参数。
图5是现有方法与本方法注水量预测结果对比。由图5可知，本方法误差均低于现有预测方法，现有方法最大误差为8.2％，本方法最大误差为4.8％，故本方法结果优于现有方法。
以上内容是结合具体的实施方式对本发明所作的进一步详细说明，不能认定本发明只局限于上述具体实施。在不脱离本发明整体思路和权利要求所保护的前提下，还可以做出若干简单推演或替换，都应当视为属于本发明的保护范围。

Claims (1)

1.一种注水油井注水量动态预测方法，其特征在于：所述预测方法包括以下步骤：
步骤一、对各地层参量进行空白值填充，构建合理的地层参量；
各地层参量空白参量的填充方法如下：
某地层参量
Figure FDA0002945248200000011
其中
Figure FDA0002945248200000012
和
Figure FDA0002945248200000013
代表空白值，k1为第1个空白值前一元素的序号，k2为第2个空白值前一元素的序号，n为地层参量M0拥有的元素数，m0(i)是地层参量M0的第i项；
Figure FDA0002945248200000014
填充方法如下：
Figure FDA0002945248200000015
式中，
Figure FDA0002945248200000016
为
Figure FDA0002945248200000017
的填充值，β1为
Figure FDA0002945248200000018
的乘性修正因子，β2为
Figure FDA0002945248200000019
的加性修正因子，β1、β2计算方法如下：
[β1，β2]＝(A12A12 T)-1A12A11 T
式中，
Figure FDA00029452482000000110
A11为
Figure FDA00029452482000000111
求解中间矩阵，A12为
Figure FDA00029452482000000112
解中间扩展矩阵，a(0)(j1)为
Figure FDA00029452482000000113
求解序列一次累加的第j1项，j1为
Figure FDA00029452482000000114
求解序列一次累加序号，i2为
Figure FDA00029452482000000115
求解序列中间序号；
Figure FDA00029452482000000116
填充方法如下：
Figure FDA0002945248200000021
式中，
Figure FDA0002945248200000022
为
Figure FDA0002945248200000023
的填充值，β3为
Figure FDA0002945248200000024
的乘性修正因子，β4为
Figure FDA0002945248200000025
的加性修正因子，β3、β4计算方法如下：
[β3，β4]＝(A2２A22 T)-1A22A21 T
式中，
Figure FDA0002945248200000026
A21为
Figure FDA0002945248200000027
求解中间矩阵，A22为
Figure FDA0002945248200000028
解中间扩展矩阵，m(0)(j2)为
Figure FDA0002945248200000029
求解序列一次累加的第j2项，j2为
Figure FDA00029452482000000210
求解序列一次累加序号，i2为
Figure FDA00029452482000000211
求解序列中间序号；
步骤二、建立地层参量与注水量关联提取模型，提取决定注水量的主控地层参量；
建立地层参量与注水量关联提取模型并提取影响注水量的主控地层参量的方法如下：
油田可获取的填充空白值后的地层参量如下：地层参量主要有砂岩厚度X1＝(x1(1),x1(2),…,x1(i)，…，x1(n))，其中x1(i)表示第i个砂岩厚度；层渗透率X2＝(x2(1),x2(2),…,x2(i)，…,x2(n))，其中x2(i)表示第i个层渗透率；孔隙度X3＝(x3(1),x3(2),…,x3(i)，…,x3(n))，其中x3(i)表示第i个孔隙度；地层系数X4＝(x4(1),x4(2),…,x4(i)，…,x4(n))，其中x4(i)表示第i个地层系数；注入压力X5＝(x5(1),x5(2),…,x5(i)，…,x5(n))，其中x5(i)表示第i个注入压力；地层压力X6＝(x6(1),x6(2),…,x6(i)，…,x6(n))，其中x6(i)表示第i个地层压力；有效厚度X7＝(x7(1),x7(2),…,x7(i)，…,x7(n))，其中x7(i)表示第i个有效厚度；油饱和度X8＝(x8(1),x8(2),…,x8(i)，…,x8(n))，其中x8(i)表示第i个油饱和度；油层改造系数X9＝(x9(1),x9(2),…,x9(i)，…,x9(n))，其中x9(i)表示第i个油层改造系数；井距系数X10＝(x10(1),x10(2),…,x10(i)，…,x10(n))，其中x10(i)表示第i个井距系数；地层参量Xi与注水量X0＝(x0(1),x0(2),…,x0(n))关联提取模型,其表达式如下：
γi(Xi,X0)＞θ
式中，θ为影响注水量X0的主控因素灰关联阈值；
如果地层参量Xi与注水量X0的灰色关联度γi(Xi,X0)满足上式，则认为地层参量Xi是影响注水量X0的主控地层参量之一；γi(Xi,X0)的表达式如下：
Figure FDA0002945248200000031
式中，k为注水量与地层参量关联度计算中间变量，ξ为地层参量灰关联分辨系数；
依据地层参量与注水量关联提取模型，提取影响注水量的有效地层参量，总计有效地层参量为l个，Yz是第z个影响注水量的主控地层参量，其表达式如下：
Yz＝(yz(1),yz(2),…,yz(s),…，yz(n))，其中z为提取的有效地层参量序号，Yz是第z个影响注水量的有效地层参量，yz(s)是第z个影响注水量的有效地层参量的第s个分量；
步骤三：规一化主控地层参量与注水量的灰关联度，建立注水油井注水量灰智能预测模型；
规一化主控地层参量与注水量的灰关联度计算方法和建立注水油井注水量灰智能预测模型方法如下：
Figure FDA0002945248200000041
式中，
Figure FDA0002945248200000042
为注水主控参量Yz与X0的归一化灰关联度，c为规一化灰关联度计算中间变量；
注水油井注水量预测模型如下：
Figure FDA0002945248200000043
式中，
Figure FDA0002945248200000044
为注水量预测值，
Figure FDA0002945248200000045
依据影响注水量的主控地层参量Yz预测的影响注水量，
Figure FDA0002945248200000046
的表达式如下：
Figure FDA0002945248200000047
式中，ηz为依据主控地层参量Yz采用DGM模型获取的注水量预测值权值系数，
Figure FDA0002945248200000048
为依据主控地层参量Yz采用DGM(1,1)模型获取的注水量预测值，
Figure FDA0002945248200000049
为依据主控地层参量Yz采用NDGM(1,1)模型获取的注水量预测值；
建立含有ηz的无约束优化求解模型如下：
Figure FDA00029452482000000410
通过最小二乘法获得ηz；
步骤四、依据油田实际注水试验修正注水油井注水量灰智能预测模型；
依据油田实际注水试验修正注水油井注水量灰智能预测模型的方法如下：
采用油田实际注水试验数据修正注水油井注水量预测模型，修正后的模型如下：
Figure FDA0002945248200000051
式中，
Figure FDA0002945248200000052
为修正后的注水量，λ为注水油井注水量乘性修正因子，b为注水油井注水量加性修正因子，λ和b可依据油田实际注水试验数据和预测数据采用最小二乘法获得。
CN202110195064.1A 2021-02-20 2021-02-20 一种注水油井注水量动态预测方法 Active CN112949053B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110195064.1A CN112949053B (zh) 2021-02-20 2021-02-20 一种注水油井注水量动态预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110195064.1A CN112949053B (zh) 2021-02-20 2021-02-20 一种注水油井注水量动态预测方法

Publications (2)

Publication Number Publication Date
CN112949053A true CN112949053A (zh) 2021-06-11
CN112949053B CN112949053B (zh) 2022-07-12

Family

ID=76245045

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110195064.1A Active CN112949053B (zh) 2021-02-20 2021-02-20 一种注水油井注水量动态预测方法

Country Status (1)

Country Link
CN (1) CN112949053B (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113464109A (zh) * 2021-09-03 2021-10-01 中海石油（中国）有限公司天津分公司 一种基于云边协同的海上油田分层注水控制方法
CN114810008A (zh) * 2022-04-14 2022-07-29 哈尔滨理工大学 一种油田分层注水量预测方法
CN115859554A (zh) * 2022-10-08 2023-03-28 常熟理工学院 基于大数据的民用天然气动态智能调配方法

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20100300682A1 (en) * 2009-05-27 2010-12-02 Ganesh Thakur Computer-implemented systems and methods for screening and predicting the performance of enhanced oil recovery and improved oil recovery methods
CN106779229A (zh) * 2016-12-26 2017-05-31 中国石油天然气股份有限公司 一种高含水水平井堵水潜力预测方法
CN107145987A (zh) * 2017-05-27 2017-09-08 中国海洋石油总公司 一种监测聚合物驱注采井间窜流通道发育的预警方法
CN109002574A (zh) * 2018-06-06 2018-12-14 西安石油大学 一种多层油藏脉冲周期注水开发指标预测方法
CN109763800A (zh) * 2019-03-18 2019-05-17 哈尔滨理工大学 一种油田分层注水量预测方法
CN111784065A (zh) * 2020-07-09 2020-10-16 东北石油大学 一种基于灰关联的油井产能智能预测方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20100300682A1 (en) * 2009-05-27 2010-12-02 Ganesh Thakur Computer-implemented systems and methods for screening and predicting the performance of enhanced oil recovery and improved oil recovery methods
CN106779229A (zh) * 2016-12-26 2017-05-31 中国石油天然气股份有限公司 一种高含水水平井堵水潜力预测方法
CN107145987A (zh) * 2017-05-27 2017-09-08 中国海洋石油总公司 一种监测聚合物驱注采井间窜流通道发育的预警方法
CN109002574A (zh) * 2018-06-06 2018-12-14 西安石油大学 一种多层油藏脉冲周期注水开发指标预测方法
CN109763800A (zh) * 2019-03-18 2019-05-17 哈尔滨理工大学 一种油田分层注水量预测方法
CN111784065A (zh) * 2020-07-09 2020-10-16 东北石油大学 一种基于灰关联的油井产能智能预测方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
郭哲源 等: "生产井分层注水量智能预测方法研究", 《石油工程建设》 *
钟仪华 等: "油田开发指标系统的概率模拟预测", 《数学的实践与认识》 *

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113464109A (zh) * 2021-09-03 2021-10-01 中海石油（中国）有限公司天津分公司 一种基于云边协同的海上油田分层注水控制方法
CN113464109B (zh) * 2021-09-03 2021-11-09 中海石油（中国）有限公司天津分公司 一种基于云边协同的海上油田分层注水控制方法
CN114810008A (zh) * 2022-04-14 2022-07-29 哈尔滨理工大学 一种油田分层注水量预测方法
CN115859554A (zh) * 2022-10-08 2023-03-28 常熟理工学院 基于大数据的民用天然气动态智能调配方法
CN115859554B (zh) * 2022-10-08 2024-04-26 常熟理工学院 基于大数据的民用天然气动态智能调配方法

Also Published As

Publication number Publication date
CN112949053B (zh) 2022-07-12

Similar Documents

Publication Publication Date Title
CN112949053B (zh) 一种注水油井注水量动态预测方法
EP3033482B1 (en) System and method of determining and optimizing waterflood performance
CN107869348B (zh) 一种厚层砂岩油藏生产井产量劈分的方法
CN109324345B (zh) 叠合盆地油气成藏期岩石孔隙度恢复方法
CN106150477A (zh) 一种确定单井控制储量的方法
CN110685651B (zh) 一种多层合采气井产量劈分方法及系统
CN103912248A (zh) 水驱油田预测含水率方法
CN108301823A (zh) 一种识别储层油气甜点的方法
CN105114063A (zh) 一种斜井双侧向测井曲线校正方法
CN107016205A (zh) 一种地下水数值模拟的多模型构建方法
CN103628816B (zh) 地震属性指导水平井导向的方法及其装置
CN112766630A (zh) 一种评价低渗气藏气井无阻流量的方法
CN111680887A (zh) 一种黄土工程湿陷水敏度指标评价方法
CN106812508B (zh) 基于多因素的提高海上油田层间动用率的水井调配方法
CN110374573A (zh) 一种针对典型压裂失效井的增产潜力评估方法
CN110223342A (zh) 一种基于深度神经网络的空间目标尺寸估计方法
CN111325441B (zh) 一种页岩气目标保存条件定量评价方法
CN104615908A (zh) 一种考虑空间效应的围岩位移释放系数确定方法
CN107288595B (zh) 一种注水利用率的评价方法
CN104533397A (zh) 一种砂岩气层定量识别方法
CN108661629B (zh) 一种针对页岩地层的工程甜点定量评价方法
CN115577626A (zh) 一种基于土质参数量化的地面沉降预测方法及系统
CN114066166A (zh) 一种沙砾岩低渗透油藏co2混相驱筛选方法
CN111127236A (zh) 一种基于油藏水驱采收率构成分解的技术对策选择方法
CN107944127A (zh) 一种井工开采地表沉陷参数拐点偏距的确定方法

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: 20240304

Address after: No. 152, 1st Floor, Unit 1, Building 1, Chengnan Lingyu, No. 88 Zhengxi Street, Huayang Street, Tianfu New District, Chengdu City, Sichuan Province, 610000

Patentee after: Sichuan Hongyun Technology Co.,Ltd.

Country or region after: China

Address before: 400039, Building 3, No. 22 Daxue City South Road, Huxi Street, High tech Zone, Shapingba District, Chongqing, China, 28-6

Patentee before: Zhitong (Chongqing) Technology Achievement Transformation Service Co.,Ltd.

Country or region before: China

Effective date of registration: 20240301

Address after: 400039, Building 3, No. 22 Daxue City South Road, Huxi Street, High tech Zone, Shapingba District, Chongqing, China, 28-6

Patentee after: Zhitong (Chongqing) Technology Achievement Transformation Service Co.,Ltd.

Country or region after: China

Address before: 163000 99 Xuefu street, hi tech Industrial Development Zone, Daqing, Heilongjiang

Patentee before: NORTHEAST PETROLEUM University

Country or region before: China

TR01 Transfer of patent right