CN113052356A - 油井单井产能预测方法、装置、电子设备和存储介质 - Google Patents
油井单井产能预测方法、装置、电子设备和存储介质 Download PDFInfo
- Publication number
- CN113052356A CN113052356A CN201911380210.7A CN201911380210A CN113052356A CN 113052356 A CN113052356 A CN 113052356A CN 201911380210 A CN201911380210 A CN 201911380210A CN 113052356 A CN113052356 A CN 113052356A
- Authority
- CN
- China
- Prior art keywords
- data
- parameter
- oil well
- well
- logging
- 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.)
- Pending
Links
- 239000003129 oil well Substances 0.000 title claims abstract description 171
- 238000000034 method Methods 0.000 title claims abstract description 62
- 238000003860 storage Methods 0.000 title claims abstract description 17
- 238000012549 training Methods 0.000 claims description 35
- 238000012360 testing method Methods 0.000 claims description 32
- 238000004519 manufacturing process Methods 0.000 claims description 24
- 238000010801 machine learning Methods 0.000 claims description 17
- 238000012545 processing Methods 0.000 claims description 15
- 238000004590 computer program Methods 0.000 claims description 13
- 230000002159 abnormal effect Effects 0.000 claims description 11
- 238000012937 correction Methods 0.000 claims description 9
- 238000004891 communication Methods 0.000 claims description 3
- 239000010410 layer Substances 0.000 description 11
- 238000010586 diagram Methods 0.000 description 9
- 239000003921 oil Substances 0.000 description 8
- 230000015572 biosynthetic process Effects 0.000 description 7
- 238000005755 formation reaction Methods 0.000 description 7
- 230000008569 process Effects 0.000 description 7
- 230000005251 gamma ray Effects 0.000 description 6
- 239000011435 rock Substances 0.000 description 6
- 238000004422 calculation algorithm Methods 0.000 description 5
- 230000035699 permeability Effects 0.000 description 5
- 230000000694 effects Effects 0.000 description 4
- 230000008901 benefit Effects 0.000 description 3
- 239000011229 interlayer Substances 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 230000002285 radioactive effect Effects 0.000 description 2
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 2
- 238000010521 absorption reaction Methods 0.000 description 1
- 230000002378 acidificating effect Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000002547 anomalous effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000005553 drilling Methods 0.000 description 1
- 230000008030 elimination Effects 0.000 description 1
- 238000003379 elimination reaction Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 239000012530 fluid Substances 0.000 description 1
- 230000001678 irradiating effect Effects 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 239000003208 petroleum Substances 0.000 description 1
- 238000005086 pumping Methods 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
- 238000007637 random forest analysis Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000012163 sequencing technique Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/02—Agriculture; Fishing; Forestry; Mining
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Physics & Mathematics (AREA)
- Tourism & Hospitality (AREA)
- Theoretical Computer Science (AREA)
- Marketing (AREA)
- General Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Quality & Reliability (AREA)
- Animal Husbandry (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Entrepreneurship & Innovation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Agronomy & Crop Science (AREA)
- Development Economics (AREA)
- Marine Sciences & Fisheries (AREA)
- Mining & Mineral Resources (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Geophysics And Detection Of Objects (AREA)
Abstract
本申请涉及一种油井单井产能预测方法、装置、电子设备和存储介质，方法通过获取待测油井对应的测井曲线数据；根据测井曲线数据，获取测井曲线数据对应的测井参数以及待测油井对应的地质参数；根据地质参数，获取待测油井的砂岩厚度参数以及有效厚度参数；根据测井参数、地质参数、砂岩厚度参数以及有效厚度参数，获取油井单井产能数据。本申请以测井曲线获取的测井参数以及地质参数作为输入参数，对待测油井的单井产能进行预测，通过客观的测井曲线数据来对油井单井，不会受到人为因素等其它影响，可以有效提高油井单井产能预测的准确率。
Description
技术领域
本申请涉及计算机技术领域，特别是涉及一种油井单井产能预测方法、装置、电子设备和存储介质。
背景技术
在油田开发中，产能主要用在两个方面:单井产能和区块、油藏或油田的产能。单井产能是指油井在满时率工作时(全天开井生产24小时)的口产油量。区块、油藏或油田产能是指该区块、油藏或油田的年产油能力，。单井经济产量解决的是圈闭勘探和评价阶段的经济效益问题，它和储量丰度一样反映储量品质的好坏和不同地区特征的一个重要的勘探技术经济界限(即单井产量经济与不经济的界限)。如果“单井经济产量”达不到经济界限，那么在现有成本和税收条件的钻井投资和地面建设投资就难以回收，不论储量规模和储量丰度如何，都难有经济价值。单井经济产量的认识和分析，对于提高石油企业勘探开发经济效益、增强经济预警意识，具有重要意义。
传统单井产能预测方法主要是基于机理模型或经验公式，然而这些模型都有这样或那样的限制条件，容易受到人为主观因数的干扰，况且每个公式所涉及的参数有限，不能将所有相关参数综合考虑，可见传统单井产能预测方法得到的预测结果与实际的产能误差较大。
发明内容
基于此，有必要针对现有技术方案预测单井产能误差较大的问题，提供一种能更加准确地对单井产能进行预测的油井单井产能预测方法、装置、电子设备以及存储介质。
一种油井单井产能预测方法，所述方法包括：
获取待测油井对应的测井曲线数据；
根据所述测井曲线数据，获取所述测井曲线数据对应的测井参数以及所述待测油井对应的地质参数；
根据所述地质参数，获取待测油井的砂岩厚度参数以及有效厚度参数；
根据所述测井参数、所述地质参数、所述砂岩厚度参数以及所述有效厚度参数，获取所述待测油井的油井单井产能数据。
获取待测油井对应的原始测井曲线数据；
根据所述原始测井曲线数据中的基准曲线对所述原始测井曲线数据进行校深处理，得到测井曲线数据。
在其中一个实施例中，所述获取待测油井对应的测井曲线数据包括：
获取待测油井对应的原始测井曲线数据；
识别所述原始测井曲线数据中的异常值；
去除所述原始测井曲线数据中的异常值，并进行曲线重构，得到测井曲线数据。
在其中一个实施例中，所述根据所述测井参数、所述地质参数、所述砂岩厚度参数以及所述有效厚度参数，获取油井单井产能数据包括：
根据所述砂岩厚度参数以及所述有效厚度参数确定待测油井生产层对应深度区间；
根据所述深度区间以及所述测井曲线获取生产层对应的测井参数平均值，以及生产层对应的地质参数平均值；
将所述测井参数平均值数据、所述地质参数平均值数据、所述砂岩厚度参数以及所述有效厚度参数输入预设单井产能预测模型，获取所述油井单井产能数据。
在其中一个实施例中，所述将所述测井参数平均值数据、所述地质参数平均值数据、所述砂岩厚度参数以及所述有效厚度参数输入预设单井产能预测模型，获取所述油井单井产能数据之前，还包括：
获取所述待测油井所在区域对应的单井历史产能数据，根据所述单井历史产能数据获取模型训练数据以及模型测试数据，所述模型训练数据包括测井参数、地质参数、砂岩厚度参数、有效厚度参数以及油井单井产能数据，所述模型测试数据包括测井参数、地质参数、砂岩厚度参数、有效厚度参数以及油井单井产能数据；
根据所述模型训练数据，以测井参数、地质参数、砂岩厚度参数以及有效厚度参数为输入，油井单井产能数据为目标，对各初始回归模型进行机器学习训练，获得各回归预测模型；
根据模型测试数据对所述各回归预测模型进行测试，根据所述测试结果获取预设单井产能预测模型。
在其中一个实施例中，所述对各初始回归模型进行机器学习训练包括：
对每一个初始回归模型分别以平均绝对误差、均方误差、绝对中位差以及R2系数为调优标准进行机器学习训练。
一种油井单井产能预测装置，所述装置包括：
数据获取模块，用于获取待测油井对应的测井曲线数据；
地质参数获取模块，用于根据所述测井曲线数据，获取所述测井曲线数据对应的测井参数以及所述待测油井对应的地质参数；
厚度参数获取模块，用于根据所述地质参数，获取待测油井的砂岩厚度参数以及有效厚度参数；
产能预测模块，用于根据所述测井参数、所述地质参数、所述砂岩厚度参数以及所述有效厚度参数，获取所述待测油井的油井单井产能数据。
在其中一个实施例中，所述数据获取模块用于：获取待测油井对应的原始测井曲线数据；根据所述原始测井曲线数据中的基准曲线对所述原始测井曲线数据进行校深处理，得到测井曲线数据。
一种电子设备，所述电子设备包括至少一个处理器、以及与处理器连接的至少一个存储器、总线；其中，所述处理器、所述存储器通过所述总线完成相互间的通信；所述处理器用于调用所述存储器中的程序指令，所述程序指令被处理器执行时实现以下步骤：
获取待测油井对应的测井曲线数据；
根据所述测井曲线数据，获取所述测井曲线数据对应的测井参数以及所述待测油井对应的地质参数；
根据所述地质参数，获取待测油井的砂岩厚度参数以及有效厚度参数；
根据所述测井参数、所述地质参数、所述砂岩厚度参数以及所述有效厚度参数，获取所述待测油井的油井单井产能数据。
一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现以下步骤：
获取待测油井对应的测井曲线数据；
根据所述测井曲线数据，获取所述测井曲线数据对应的测井参数以及所述待测油井对应的地质参数；
根据所述地质参数，获取待测油井的砂岩厚度参数以及有效厚度参数；
根据所述测井参数、所述地质参数、所述砂岩厚度参数以及所述有效厚度参数，获取所述待测油井的油井单井产能数据。
上述油井单井产能预测方法、装置、电子设备和存储介质，通过获取待测油井对应的测井曲线数据；根据测井曲线数据，获取测井曲线数据对应的测井参数以及待测油井对应的地质参数；根据地质参数，获取待测油井的砂岩厚度参数以及有效厚度参数；根据测井参数、地质参数、砂岩厚度参数以及有效厚度参数，获取待测油井的油井单井产能数据。本申请以测井曲线获取的测井参数以及地质参数作为输入参数，对油井的单井产能进行预测，通过客观的测井曲线数据来对油井单井，不会受到人为因素等其它影响，可以有效提高油井单井产能预测的准确率。
附图说明
图1为一个实施例中油井单井产能预测方法的应用环境图；
图2为一个实施例中油井单井产能预测方法的流程示意图；
图3为另一个实施例中油井单井产能预测方法的流程示意图；
图4为一个实施例中图2的步骤S800的子流程示意图；
图5为一个实施例中油井单井产能预测装置的结构框图；
图6为一个实施例中电子设备的内部结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。
本申请提供的油井单井产能预测方法，可以应用于如图1所示的应用环境中。其中，终端102和产能预测服务器104通过网络进行通信，首先用户可以通过终端102输入待测油井对应的测井曲线数据，产能预测服务器104该待测油井对应的测井曲线数据；根据测井曲线数据，获取待测油井对应的地质参数；根据测井曲线数据对应的测井参数以及地质参数，获取待测油井的砂岩厚度参数以及有效厚度参数；根据测井参数、地质参数、砂岩厚度参数以及有效厚度参数，获取油井单井产能数据。其中，终端102可以但不限于是各种个人计算机、笔记本电脑、智能手机、平板电脑和便携式可穿戴设备，产能预测服务器104可以用独立的服务器或者是多个服务器组成的服务器集群来实现。
在一个实施例中，如图2所示，提供了一种油井单井产能预测方法，以该方法应用于图1中的产能预测服务器104为例进行说明，包括以下步骤：
S200，产能预测服务器104获取待测油井对应的测井曲线数据。
其中，待测油井是指本申请的油井产能预测方法预测的目标油井，本申请可以基于输入的数据对该待测油井的产能进行预测。测井曲线数据是指在测井时形成的曲线反应出不同岩性、层位特征，进而根据所得曲线判断出具体岩性、层位等。本申请中的测井曲线数据具体包括了电阻率、自然电位、声波速度、补偿密度、自然伽马、补偿中子等测井方法测得的测井曲线信息。其中，电阻率测井是在钻孔中采用布置在不同部位的供电电极和测量电极来测定岩石(包括其中的流体)电阻率的方法。自然电位测井，是电法测井的一部分，主要用于砂泥岩剖面。自然电位测井测量的是自然电位随井深变化的曲线。由于自然电位测井在渗透层处有明显的异常显示，因此，它是划分和评价储集层的重要方法之一。声波速度是在钻孔中通过研究岩层中声波传播速度来确定岩层性质的一种测井方法。通常使用的声波速度测井仪包括一个声波发生器和两个接收器。记录的参数是声波到达两个接收器的时间差，即声波在两个接收器之间岩层中传播所需要的时间。声波速度测井，可用来划分岩性、确定油气贮集层的孔隙度和划分气层。还可以提供地震勘探必需的速度资料。补偿密度测井是指利用固定强度的伽马射线源照射地层，伽马射线穿过地层时，由于产生康普顿效应，伽马射线会吸收,地层对伽马射线吸收的强弱决定于岩石中单位体积内所含的电子数,即电子密度,而电子密度又与地层的密度有关,由此通过测定伽马射线的强度就可测定岩性的密度。自然伽马测井则是沿井身测量岩层的天然伽马射线强度的方法。岩石一般都含有不同数量的放射性元素，并且不断地放出射线。例如，在火成岩中，愈近酸性，放射性强度愈大；在沉积岩中含泥质愈多，其放射性愈强。利用这些规律，根据自然伽马测井结果就有可能划分出钻孔的地质剖面、确定砂泥岩剖面中砂岩泥质含量和定性地判断岩层的渗透性。补偿中子测井是在中子测井的基础上进行版图校正后克服井眼不规则变化影响的一种中子测井方法，它同时记录源距不同的两条中子曲线，用来在裸眼井或套管井中求孔隙度。
S400，根据测井曲线数据，获取测井曲线数据对应的测井参数以及待测油井对应的地质参数。
其中，测井参数可以直接从测井曲线数据中读取，具体包含了测井曲线中各个预设深度节点对应的电阻率、自然电位、声波速度、补偿密度、补偿中子、自然伽马等数据。而本申请中根据测井曲线数据获得的地质参数具体包括了泥质含量、孔隙度、渗透率、含水饱和度这四个参数数据。具体的，在其中一个实施例中，可以根据油井所在区域的地质信息先分别构建区域泥质含量模型、孔隙度模型以及渗透率模型，而后将三个模型合并为一个地质信息模型，而后可以将测井曲线数据作为地质信息模型的输入数据，通过地质信息模型中各模型结合测井曲线数据中的相应测井曲线，分别计算得到油井内各个深度对应的泥质含量、孔隙度、渗透率、含水饱和度这四个地质参数。
S600，根据地质参数，获取待测油井的砂岩厚度参数以及有效厚度参数。
其中，砂岩厚度参数指的是砂岩层的厚度。而有效厚度是指储油层中具有工业产油能力的那部分油层的厚度，即工业油井内具可动油的储集层的厚度。砂岩层里面含有比较致密的钙质夹层或泥岩夹层，因为这类层一般对产油不做贡献，所以有效厚度就是砂岩层厚度扣除隔夹层厚度。
S800，根据测井参数、地质参数、砂岩厚度参数以及有效厚度参数，获取待测油井的油井单井产能数据。
本申请中，可以通过测井参数、地质参数、砂岩厚度参数以及有效厚度参数来对油井单井产能数据进行估计，在其中一个实施例中，可以基于待测油井所在区域的单井历史产能数据训练出产能预测模型。而后通过产能预测模型结合当前的测井参数、地质参数、砂岩厚度参数以及有效厚度参数来对当前待测油井的产能数据进行预测，获取待测油井的油井单井产能数据。
上述油井单井产能预测方法，通过获取待测油井对应的测井曲线数据；根据测井曲线数据，获取测井曲线数据对应的测井参数以及待测油井对应的地质参数；根据地质参数，获取待测油井的砂岩厚度参数以及有效厚度参数；根据测井参数、地质参数、砂岩厚度参数以及有效厚度参数，获取待测油井的油井单井产能数据。本申请以测井曲线获取的测井参数以及地质参数作为输入参数，对油井的单井产能进行预测，通过客观的测井曲线数据来对油井单井，不会受到人为因素等其它影响，可以有效提高油井单井产能预测的准确率。
如图3所示，在其中一个实施例中，步骤S200具体包括：
S210，获取待测油井对应的原始测井曲线数据。
S230，根据原始测井曲线数据中的基准曲线对原始测井曲线数据进行校深处理，得到测井曲线数据。
由于原始的测井曲线在现场采集过程中受仪器自身重量和张力变化影响，使得不同仪器在数据采集是对同一地层在深度显示上会有差异，需要对原始测井曲线数据进行校深，以保证在同一深度上各条曲线都有相应的响应。具体的，本申请的一个实施例中可以将测井曲线中的自然伽马曲线作为基准曲线，而后根据自然伽马曲线对其他的测井曲线进行校深，以保证同一深度的各个测井曲线都有相同的相应，保证产能预测结果的准确性。
在其中一个实施例中，步骤S200包括：获取待测油井对应的原始测井曲线数据；识别原始测井曲线数据中的异常值；去除原始测井曲线数据中的异常值，并进行曲线重构，得到测井曲线数据。
测井曲线在测量过程中受环境等各种因素影响，会产生一些异常值，这些值不是地层属性的真实反映，所以要对异常值进行处理。本申请中可以先识别出原始测井曲线数据中的异常值，并去除这些异常值，而后通过曲线重构的方法对异常值对应的部分进行修补，以保证测井曲线的有效性与准确性。通过异常值清除与曲线重构，可以有效提高最后所得的油井单井产能预测结果的准确性。
如图4所示，在其中一个实施例中，S800包括：
S810，根据砂岩厚度参数以及有效厚度参数确定待测油井生产层对应深度区间。
S830，根据深度区间以及测井曲线获取待测油井生产层对应的测井参数平均值，以及待测油井生产层对应的地质参数平均值。
S850，将测井参数平均值数据、地质参数平均值数据、砂岩厚度参数以及有效厚度参数输入预设单井产能预测模型，获取油井单井产能数据。
首先根据砂岩厚度参数以及有效厚度参数确定当前待测油井中的油气生产层所处的深度区间。而后根据该深度区间，从测井曲线中提取生产层对应的测井参数数值以及地质参数数值，而后计算生产层中这些参数的平均值，而后将将测井参数平均值数据、地质参数平均值数据、砂岩厚度参数以及有效厚度参数作为模型的预设单井产能预测模型，对待测油井的产能进行估计，获得油井单井产能数据。本申请通过自动机器学习的方法，以测井数据为主,以孔隙度、渗透率、饱和度和有效厚度等地质参数为辅作为输入，充分考虑各种与初始产能相关的测井地质因素，实现待测油井的单井产能预测。
在其中一个实施例中，将测井参数平均值数据、地质参数平均值数据、砂岩厚度参数以及有效厚度参数输入预设单井产能预测模型，获取油井单井产能数据之前，还包括：
获取待测油井所在区域对应的单井历史产能数据，根据单井历史产能数据获取模型训练数据以及模型测试数据，模型训练数据包括测井参数、地质参数、砂岩厚度参数、有效厚度参数以及油井单井产能数据，模型测试数据包括测井参数、地质参数、砂岩厚度参数、有效厚度参数以及油井单井产能数据；根据模型训练数据，以测井参数、地质参数、砂岩厚度参数以及有效厚度参数为输入，油井单井产能数据为目标，对各初始回归模型进行机器学习训练，获得各回归预测模型；根据模型测试数据对各回归预测模型进行测试，根据测试结果获取预设单井产能预测模型。
具体的，在通过预设单井产能预测模型对油井单井产能进行预测之前，还可以通过待测油井所在区域对应的单井历史产能数据对初始的模型进行训练，以得到可用的预设单井产能预测模型。可以将单井历史产能数据分为训练数据集与测试数据集。通过训练数据及对初始单井产能预测模型，通过测试数据集对训练完成的初始单井产能预测模型进行测试。其中，初始单井产能预测模型具体包括HuberRegressor、Lasso、Ridge、SGDRegressor、LinearSVR、SVR、DecisionTreeRegressor、AdaBoostRegressor、BaggingRegressor、GradientBoostRegressor、RandomForestRegressor等回归算法构建的自动机器学习模型，可以以测井参数、地质参数、砂岩厚度参数、有效厚度参数等各个数据为输入数据列，以油井单井产能数据作为目标列，对初始单井产能预测模型进行机器学习训练，得到训练完成的各回归预测模型。而后通过历史产能数据中的模型测试数据对训练完成的各回归预测模型进行测试，将其中预测最准确的回归预测模型作为预设单井产能预测模型。通过自动机器学习方法，来实现各种算法遍历，按照调优标准各种算法的结果排序择优，选出最准确的回归预测模型作为预设单井产能预测模型。可以有效提高单井产能预测的准确性。此外，训练完成后的预设单井产能预测模型还可以通过不断的自动学习，修改完善特征参数，从而不断提高和优化，提高预测结果的准确性。
在其中一个实施例中，对各初始回归模型进行机器学习训练包括：对每一个初始回归模型分别以平均绝对误差、均方误差、绝对中位差以及R2系数为调优标准进行机器学习训练。
此外，在训练过程中，对于上述每个算法对应的初始回归模型，可以分别以平均绝对误差、均方误差、绝对中位差以及R2系数为调优标准对其进行机器学习训练。通过设置不同的调优标准，对每个初始回归模型，可以获得四个训练完成的回归预测模型，在其中一个实施例中，服务器通过HuberRegressor、Lasso、Ridge、SGDRegressor、LinearSVR、SVR、DecisionTreeRegressor、AdaBoostRegressor、BaggingRegressor、GradientBoostRegressor、RandomForestRegressor这11中算法构建初始回归模型，而后平均绝对误差、均方误差、绝对中位差以及R2系数为调优标准对其进行机器学习训练，获得44个回归预测模型，而后通过对比这44个回归预测模型的预测效果，将其中预测效果最好的一个回归预测模型座位预设单井产能预测模型。通过不同的调优标准对模型进行调优，更进一步增加训练完成后得到的回归预测模型的数量，可以有效提高单井产能预测的准确性。
应该理解的是，虽然图2-4的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，图2-4中的至少一部分步骤可以包括多个子步骤或者多个阶段，这些子步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些子步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
在一个实施例中，如图5所示，提供了一种油井单井产能预测装置，装置包括：
数据获取模块200，用于获取待测油井对应的测井曲线数据；
地质参数获取模块400，用于根据测井曲线数据，获取测井曲线数据对应的测井参数以及待测油井对应的地质参数；
厚度参数获取模块600，用于根据地质参数，获取待测油井的砂岩厚度参数以及有效厚度参数；
产能预测模块800，用于根据测井参数、地质参数、砂岩厚度参数以及有效厚度参数，获取待测油井的油井单井产能数据。
在其中一个实施例中，数据获取模块200用于：获取待测油井对应的原始测井曲线数据；根据原始测井曲线数据中的基准曲线对原始测井曲线数据进行校深处理，得到测井曲线数据。
在其中一个实施例中，数据获取模块200用于：获取待测油井对应的原始测井曲线数据；识别原始测井曲线数据中的异常值；去除原始测井曲线数据中的异常值，并进行曲线重构，得到测井曲线数据。
在其中一个实施例中，产能预测模块800具体用于：根据砂岩厚度参数以及有效厚度参数确定待测油井生产层对应深度区间；根据深度区间以及测井曲线获取待测油井生产层对应的测井参数平均值，以及待测油井生产层对应的地质参数平均值；将测井参数平均值数据、地质参数平均值数据、砂岩厚度参数以及有效厚度参数输入预设单井产能预测模型，获取油井单井产能数据。
在其中一个实施例中，还包括模型构建模块，用于：获取待测油井所在区域对应的单井历史产能数据，根据单井历史产能数据获取模型训练数据以及模型测试数据，模型训练数据包括测井参数、地质参数、砂岩厚度参数、有效厚度参数以及油井单井产能数据，模型测试数据包括测井参数、地质参数、砂岩厚度参数、有效厚度参数以及油井单井产能数据；根据模型训练数据，以测井参数、地质参数、砂岩厚度参数以及有效厚度参数为输入，油井单井产能数据为目标，对各初始回归模型进行机器学习训练，获得各回归预测模型；
根据模型测试数据对各回归预测模型进行测试，根据测试结果获取预设单井产能预测模型。
在其中一个实施例中，模型构建模块还用于：对每一个初始回归模型分别以平均绝对误差、均方误差、绝对中位差以及R2系数为调优标准进行机器学习训练。
关于油井单井产能预测装置的具体限定可以参见上文中对于油井单井产能预测方法的限定，在此不再赘述。上述油井单井产能预测装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于电子设备中的处理器中，也可以以软件形式存储于电子设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
所述油井单井产能预测装置包括处理器和存储器，上述数据获取模块、地质参数获取模块、厚度参数获取模块和产能预测模块等均作为程序单元模块存储在存储器中，由处理器执行存储在存储器中的上述程序单元来实现相应的功能。
处理器中包含内核，由内核去存储器中调取相应的程序单元。内核可以设置一个或以上，通过调整内核参数来实现提高油井单井产能预测的准确率的效果。
本发明实施例提供了一种存储介质，其上存储有程序，该程序被处理器执行时实现所述油井单井产能预测方法。
本发明实施例提供了一种处理器，所述处理器用于运行程序，其中，所述程序运行时执行所述油井单井产能预测方法。
如图6所示，本发明实施例提供了一种设备70，设备70包括至少一个处理器701、以及与处理器701连接的至少一个存储器702、总线703；其中，处理器701、存储器702通过总线703完成相互间的通信；处理器用于调用存储器中的程序指令，以执行上述的游梁式抽油机运行控制方法。本文中的设备70可以是服务器、PC、PAD、手机等。
本申请还提供了一种计算机程序产品，当在数据处理设备上执行时，适于执行初始化有如下方法步骤的程序：。
获取待测油井对应的测井曲线数据；
根据测井曲线数据，获取测井曲线数据对应的测井参数以及待测油井对应的地质参数；
根据地质参数，获取待测油井的砂岩厚度参数以及有效厚度参数；
根据测井参数、地质参数、砂岩厚度参数以及有效厚度参数，获取待测油井的油井单井产能数据。
在一个实施例中，计算机程序在数据处理设备上执行时还实现以下步骤：获取待测油井对应的原始测井曲线数据；根据原始测井曲线数据中的基准曲线对原始测井曲线数据进行校深处理，得到测井曲线数据。
在一个实施例中，计算机程序在数据处理设备上执行时还实现以下步骤：获取待测油井对应的原始测井曲线数据；识别原始测井曲线数据中的异常值；去除原始测井曲线数据中的异常值，并进行曲线重构，得到测井曲线数据。
在一个实施例中，计算机程序在数据处理设备上执行时还实现以下步骤：根据砂岩厚度参数以及有效厚度参数确定待测油井生产层对应深度区间；根据深度区间以及测井曲线获取待测油井生产层对应的测井参数平均值，以及待测油井生产层对应的地质参数平均值；将测井参数平均值数据、地质参数平均值数据、砂岩厚度参数以及有效厚度参数输入预设单井产能预测模型，获取油井单井产能数据。
在一个实施例中，计算机程序在数据处理设备上执行时还实现以下步骤：获取待测油井所在区域对应的单井历史产能数据，根据单井历史产能数据获取模型训练数据以及模型测试数据，模型训练数据包括测井参数、地质参数、砂岩厚度参数、有效厚度参数以及油井单井产能数据，模型测试数据包括测井参数、地质参数、砂岩厚度参数、有效厚度参数以及油井单井产能数据；根据模型训练数据，以测井参数、地质参数、砂岩厚度参数以及有效厚度参数为输入，油井单井产能数据为目标，对各初始回归模型进行机器学习训练，获得各回归预测模型；根据模型测试数据对各回归预测模型进行测试，根据测试结果获取预设单井产能预测模型。
在一个实施例中，计算机程序在数据处理设备上执行时还实现以下步骤：对每一个初始回归模型分别以平均绝对误差、均方误差、绝对中位差以及R2系数为调优标准进行机器学习训练。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
在一个典型的配置中，设备包括一个或多个处理器(CPU)、存储器和总线。设备还可以包括输入/输出接口、网络接口等。
存储器可能包括计算机可读介质中的非永久性存储器，随机存取存储器(RAM)和/或非易失性内存等形式，如只读存储器(ROM)或闪存(flash RAM)，存储器包括至少一个存储芯片。存储器是计算机可读介质的示例。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带，磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括暂存电脑可读媒体(transitory media)，如调制的数据信号和载波。
还需要说明的是，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括要素的过程、方法、商品或者设备中还存在另外的相同要素。
本领域技术人员应明白，本申请的实施例可提供为方法、系统或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
以上仅为本申请的实施例而已，并不用于限制本申请。对于本领域技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本申请的权利要求范围之内。
Claims (10)
1.一种油井单井产能预测方法，所述方法包括：
获取待测油井对应的测井曲线数据；
根据所述测井曲线数据，获取所述测井曲线数据对应的测井参数以及所述待测油井对应的地质参数；
根据所述地质参数，获取待测油井的砂岩厚度参数以及有效厚度参数；
根据所述测井参数、所述地质参数、所述砂岩厚度参数以及所述有效厚度参数，获取所述待测油井的油井单井产能数据。
2.根据权利要求1所述的方法，其特征在于，所述获取待测油井对应的测井曲线数据包括：
获取待测油井对应的原始测井曲线数据；
根据所述原始测井曲线数据中的基准曲线对所述原始测井曲线数据进行校深处理，得到测井曲线数据。
3.根据权利要求1所述的方法，其特征在于，所述获取待测油井对应的测井曲线数据包括：
获取待测油井对应的原始测井曲线数据；
识别所述原始测井曲线数据中的异常值；
去除所述原始测井曲线数据中的异常值，并进行曲线重构，得到测井曲线数据。
4.根据权利要求1所述的方法，其特征在于，所述根据所述测井参数、所述地质参数、所述砂岩厚度参数以及所述有效厚度参数，获取油井单井产能数据包括：
根据所述砂岩厚度参数以及所述有效厚度参数确定待测油井生产层对应深度区间；
根据所述深度区间以及所述测井曲线数据获取所述待测油井生产层对应的测井参数平均值，以及所述待测油井生产层对应的地质参数平均值；
将所述测井参数平均值数据、所述地质参数平均值数据、所述砂岩厚度参数以及所述有效厚度参数输入预设单井产能预测模型，获取油井单井产能数据。
5.根据权利要求4所述的方法，其特征在于，所述将所述测井参数平均值数据、所述地质参数平均值数据、所述砂岩厚度参数以及所述有效厚度参数输入预设单井产能预测模型，获取所述油井单井产能数据之前，还包括：
获取所述待测油井所在区域对应的单井历史产能数据，根据所述单井历史产能数据获取模型训练数据以及模型测试数据，所述模型训练数据包括测井参数、地质参数、砂岩厚度参数、有效厚度参数以及油井单井产能数据，所述模型测试数据包括测井参数、地质参数、砂岩厚度参数、有效厚度参数以及油井单井产能数据；
根据所述模型训练数据，以测井参数、地质参数、砂岩厚度参数以及有效厚度参数为输入，油井单井产能数据为目标，对各初始回归模型进行机器学习训练，获得各回归预测模型；
根据模型测试数据对所述各回归预测模型进行测试，根据所述测试结果获取预设单井产能预测模型。
6.根据权利要求5所述的方法，其特征在于，所述对各初始回归模型进行机器学习训练包括：
对每一个初始回归模型分别以平均绝对误差、均方误差、绝对中位差以及R2系数为调优标准进行机器学习训练。
7.一种油井单井产能预测装置，其特征在于，所述装置包括：
数据获取模块，用于获取待测油井对应的测井曲线数据；
地质参数获取模块，用于根据所述测井曲线数据，获取所述测井曲线数据对应的测井参数以及所述待测油井对应的地质参数；
厚度参数获取模块，用于根据所述地质参数，获取待测油井的砂岩厚度参数以及有效厚度参数；
产能预测模块，用于根据所述测井参数、所述地质参数、所述砂岩厚度参数以及所述有效厚度参数，获取所述待测油井的油井单井产能数据。
8.根据权利要求7所述的装置，其特征在于，所述数据获取模块用于：
获取待测油井对应的原始测井曲线数据；
根据所述原始测井曲线数据中的基准曲线对所述原始测井曲线数据进行校深处理，得到测井曲线数据。
9.一种电子设备，所述电子设备包括至少一个处理器、以及与处理器连接的至少一个存储器、总线；其中，所述处理器、所述存储器通过所述总线完成相互间的通信；所述处理器用于调用所述存储器中的程序指令，以执行如权利要求1至6中任意一项所述方法的步骤。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至6中任一项所述的方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911380210.7A CN113052356A (zh) | 2019-12-27 | 2019-12-27 | 油井单井产能预测方法、装置、电子设备和存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911380210.7A CN113052356A (zh) | 2019-12-27 | 2019-12-27 | 油井单井产能预测方法、装置、电子设备和存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN113052356A true CN113052356A (zh) | 2021-06-29 |
Family
ID=76506669
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201911380210.7A Pending CN113052356A (zh) | 2019-12-27 | 2019-12-27 | 油井单井产能预测方法、装置、电子设备和存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113052356A (zh) |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101937108A (zh) * | 2009-07-03 | 2011-01-05 | 中国石油天然气股份有限公司 | 低渗碎屑岩油气藏储量确定方法 |
| CN107590550A (zh) * | 2017-07-26 | 2018-01-16 | 长江大学 | 有关超低渗透储层油田产能评价及预测的方法 |
| US20180202264A1 (en) * | 2016-02-08 | 2018-07-19 | Rs Energy Group Topco, Inc. | Method for estimating oil/gas production using statistical learning models |
| US20190024494A1 (en) * | 2015-12-29 | 2019-01-24 | Schlumberger Technology Corporation | Machine Learning for Production Prediction |
| CN110284873A (zh) * | 2019-06-27 | 2019-09-27 | 中国石油集团东方地球物理勘探有限责任公司 | 一种油井储集性质的检测方法及检测装置 |
| CN110295894A (zh) * | 2018-03-22 | 2019-10-01 | 中国石油化工股份有限公司 | 一种建立水平井产能预测模型的方法 |
-
2019
- 2019-12-27 CN CN201911380210.7A patent/CN113052356A/zh active Pending
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101937108A (zh) * | 2009-07-03 | 2011-01-05 | 中国石油天然气股份有限公司 | 低渗碎屑岩油气藏储量确定方法 |
| US20190024494A1 (en) * | 2015-12-29 | 2019-01-24 | Schlumberger Technology Corporation | Machine Learning for Production Prediction |
| US20180202264A1 (en) * | 2016-02-08 | 2018-07-19 | Rs Energy Group Topco, Inc. | Method for estimating oil/gas production using statistical learning models |
| CN107590550A (zh) * | 2017-07-26 | 2018-01-16 | 长江大学 | 有关超低渗透储层油田产能评价及预测的方法 |
| CN110295894A (zh) * | 2018-03-22 | 2019-10-01 | 中国石油化工股份有限公司 | 一种建立水平井产能预测模型的方法 |
| CN110284873A (zh) * | 2019-06-27 | 2019-09-27 | 中国石油集团东方地球物理勘探有限责任公司 | 一种油井储集性质的检测方法及检测装置 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US10324229B2 (en) | System and method of pore type classification for petrophysical rock typing | |
| US11037084B2 (en) | Method and apparatus for evaluating exploitation value of a geological resource | |
| CA2784405C (en) | Workflow for petrophysical and geophysical formation evaluation of wireline and lwd log data | |
| US20200095858A1 (en) | Modeling reservoir permeability through estimating natural fracture distribution and properties | |
| US20150088424A1 (en) | Identifying geological formation depth structure using well log data | |
| US11105943B2 (en) | System and method for mapping hydrocarbon source rock using seismic attributes | |
| US9892366B2 (en) | Facies definition using unsupervised classification procedures | |
| CN111665560B (zh) | 油气层识别方法、装置、计算机设备及可读存储介质 | |
| CA2914912A1 (en) | A simulation-to-seismic workflow construed from core based rock typing and enhanced by rock replacement modeling | |
| CN113919219A (zh) | 基于测井大数据的地层评价方法及系统 | |
| US20180267204A1 (en) | Rock Type Based Free Water Level Inversion | |
| US20220351037A1 (en) | Method and system for spectroscopic prediction of subsurface properties using machine learning | |
| US20210124071A1 (en) | Methods and systems for characterizing clay content of a geological formation | |
| Ali et al. | A novel machine learning approach for detecting outliers, rebuilding well logs, and enhancing reservoir characterization | |
| US11434759B2 (en) | Optimization of discrete fracture network (DFN) using streamlines and machine learning | |
| US11892590B2 (en) | Tight reservoir fluid characterization by using sonic slowness well logs | |
| US11719851B2 (en) | Method and system for predicting formation top depths | |
| CN113052356A (zh) | 油井单井产能预测方法、装置、电子设备和存储介质 | |
| CN116931105A (zh) | 高钍砂岩储层测井识别方法、装置、设备及可读存储介质 | |
| US20240011384A1 (en) | Prediction of bound fluid volumes using machine learning | |
| US11953647B2 (en) | System and method for radioactivity prediction to evaluate formation productivity | |
| WO2024087800A1 (zh) | 基于常规测井资料的高频旋回碳酸盐岩识别方法 | |
| CN114609666B (zh) | 一种页岩薄储层的预测方法、装置、设备及存储介质 | |
| Emelyanova et al. | Improving prediction of Total Organic Carbon in prospective Australian basins by employing machine learning | |
| EP3406844B1 (en) | Resource production forcasting |
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 |