CN113255131A - 一种基于认知计算的新井目标井位推荐方法 - Google Patents

一种基于认知计算的新井目标井位推荐方法 Download PDF

Info

Publication number
CN113255131A
CN113255131A CN202110569099.7A CN202110569099A CN113255131A CN 113255131 A CN113255131 A CN 113255131A CN 202110569099 A CN202110569099 A CN 202110569099A CN 113255131 A CN113255131 A CN 113255131A
Authority
CN
China
Prior art keywords
fuzzy
membership
oil
value
well
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
CN202110569099.7A
Other languages
English (en)
Other versions
CN113255131B (zh
Inventor
王宇赫
毛强强
杨潇
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 CN202110569099.7A priority Critical patent/CN113255131B/zh
Priority to US17/376,421 priority patent/US20220391551A1/en
Publication of CN113255131A publication Critical patent/CN113255131A/zh
Application granted granted Critical
Publication of CN113255131B publication Critical patent/CN113255131B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • E21B41/00—Equipment or details not covered by groups E21B15/00 - E21B40/00
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/10—Geometric CAD
    • G06F30/13—Architectural design, e.g. computer-aided architectural design [CAAD] related to design of buildings, bridges, landscapes, production plants or roads
    • 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
    • E21B49/00—Testing the nature of borehole walls; Formation testing; Methods or apparatus for obtaining samples of soil or well fluids, specially adapted to earth drilling or wells
    • E21B49/08—Obtaining fluid samples or testing fluids, in boreholes or wells
    • E21B49/087—Well testing, e.g. testing for reservoir productivity or formation parameters
    • E21B49/0875—Well testing, e.g. testing for reservoir productivity or formation parameters determining specific fluid parameters
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/10—Geometric CAD
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/004—Artificial life, i.e. computing arrangements simulating life
    • G06N3/008—Artificial life, i.e. computing arrangements simulating life based on physical entities controlled by simulated intelligence so as to replicate intelligent life forms, e.g. based on robots replicating pets or humans in their appearance or behaviour
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/04—Inference or reasoning models
    • G06N5/048—Fuzzy inferencing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N7/00—Computing arrangements based on specific mathematical models
    • G06N7/02—Computing arrangements based on specific mathematical models using fuzzy logic
    • G06N7/023—Learning or tuning the parameters of a fuzzy system
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
    • G06T17/05—Geographic models
    • 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
    • E21B2200/00—Special features related to earth drilling for obtaining oil, gas or water
    • E21B2200/20—Computer models or simulations, e.g. for reservoirs under production, drill bits
    • 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
    • E21B2200/00—Special features related to earth drilling for obtaining oil, gas or water
    • E21B2200/22—Fuzzy logic, artificial intelligence, neural networks or the like
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2111/00—Details relating to CAD techniques
    • G06F2111/10—Numerical modelling
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2113/00—Details relating to the application field
    • G06F2113/08—Fluids
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Software Systems (AREA)
  • Geometry (AREA)
  • Evolutionary Computation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Mining & Mineral Resources (AREA)
  • Geology (AREA)
  • Computer Hardware Design (AREA)
  • Mathematical Physics (AREA)
  • Computing Systems (AREA)
  • Data Mining & Analysis (AREA)
  • Artificial Intelligence (AREA)
  • Automation & Control Theory (AREA)
  • Fuzzy Systems (AREA)
  • Computational Linguistics (AREA)
  • Health & Medical Sciences (AREA)
  • Pure & Applied Mathematics (AREA)
  • Computational Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • General Health & Medical Sciences (AREA)
  • General Life Sciences & Earth Sciences (AREA)
  • Geochemistry & Mineralogy (AREA)
  • Fluid Mechanics (AREA)
  • Biomedical Technology (AREA)
  • Environmental & Geological Engineering (AREA)
  • Molecular Biology (AREA)
  • Business, Economics & Management (AREA)
  • Civil Engineering (AREA)
  • Architecture (AREA)
  • Robotics (AREA)
  • Biophysics (AREA)
  • Structural Engineering (AREA)
  • Remote Sensing (AREA)
  • Marketing (AREA)
  • Animal Husbandry (AREA)

Abstract

本发明涉及一种基于认知计算的新井目标井位推荐方法，针对待确定新井目标井位的油藏建立油藏地质模型获取动态参数和静态参数；根据先验知识，建立多个模糊规则库；将动态参数和静态参数输入对应的模糊规则库得到多个模糊变量对应的隶属度模糊集合，然后去模糊得到模糊变量对应的清晰值；将模糊变量对应的清晰值输入对应的模糊规则库得到布井潜力DA的隶属度模糊集，对DA去模糊得到DA的得分；以每个网格为中心建立以R为半径的布井潜力区域，计算该区域的区域布井潜力RDA得分，将得分最高的作为新井位的推荐区域。该方法在认知计算的框架内，通过多层模糊推理输出区域布井潜力的量化得分，综合考虑新井目标井位推荐的条件，可行性高。

Description

一种基于认知计算的新井目标井位推荐方法
技术领域
本发明涉及开发中后期油田部署新井动用剩余油技术领域，具体涉及一种基于认知计算的新井目标井位推荐方法。
背景技术
石油是全球能源的重要组成部分，随着全球工业的迅速发展，石油能源供给与需求差距越来越大。而油田最终采收率仅为30％-40％，大量剩余油仍滞留在储层未被采出，开发中后期的油田仍具有极大的剩余油挖掘潜力，如果能有效动用剩余油，将大幅度提高油气产量，在一定程度上缓解能源需求紧张的问题。
随着油田开发进程的推进，储层非均质性日益显著，可采储量逐步下降，剩余油分散程度及分布特征更加复杂，剩余油动用难度大大增加。为了最大程度地挖潜剩余油，保证油藏的全生命周期开发，无可避免地需要部署新井或加密井动用剩余油。新井目标井位确定是一个极其复杂且耗时的工作。传统的油田中后期开发部署新井的方法，主要是根据油藏静态参数、动态数据及相关政策多方面考虑，由油田专家人为确定新井目标井位。该过程基于专家经验决策新井目标井位，涉及大量的人为不确定性，且专家经验难以量化，难以均衡不同专家经验之间的不一致性，对最终方案设计造成不可逆的影响。
发明内容
针对现有技术存在的上述问题，本发明的要解决的技术问题是：综合考虑油藏静态参数及动态数据，构建模糊规则集，提出一种新井目标井位推荐方法。
为解决上述技术问题，本发明采用如下技术方案：一种基于认知计算的新井目标井位推荐方法，包括如下步骤：
S100:针对待确定新井目标井位的油藏，建立该油藏对应的油藏地质模型，所述油藏地质模型共有N个网格，获取每个网格的油藏静态参数；此处的待确定新井目标井位的油藏通常是开发中后期的油藏，对于如何认定开发中后期的油藏属于本领域的公知常识，建立所述油藏对应的油藏地质模型，该建模方法是现有成熟的技术，通过所建立的油藏地质模型可以直接获取所需的油藏静态参数。
S200:通过S100建立的油藏地质模型，获取每个网格的油藏动态数据；通过S100建立的油藏地质模型，利用油藏数值模拟的方法，即可获取该油藏的油藏动态数据，需要说明的是油藏数值模拟属于现有技术，通过油藏数值模拟主要为了模拟该油藏的生产历史状况，比如采用水驱开发、衰竭开发、聚合物驱等方案，根据实际油藏实施情况模拟油藏的生产动态。
S300:根据先验知识，建立多个模糊变量的模糊规则库。
S400:将S100获取的第i个网格的油藏静态参数和S200获取的第i个网格的油藏动态数据输入S300建立的对应的模糊变量的模糊规则库，得到第i个网格对应的多个模糊变量隶属度模糊集合。
S500:将S400得到的多个模糊变量隶属度模糊集合进行去模糊化，得到多个对应的模糊变量清晰值。
S600:将S500得到的多个对应的模糊变量清晰值输入S300建立的对应的模糊规则库，得到模糊变量布井潜力DA的DA隶属度模糊集合。
将所述DA隶属度模糊集合去模糊化得到DA的清晰值即为第i个网格的DA得分。
S700:对于每个网格重复步骤S400-S600，得到每个网格的DA得分。
S800:以每个网格为中心，以R为半径的圆形区域定位为一个布井潜力区域，根据每个布井潜力区域内的所有网格的DA得分计算所有布井潜力区域的区域布井潜力RDA得分，区域布井潜力RDA得分最高的布井潜力区域确定为新井目标井位的推荐区域并输出。由于在前一个步骤中已经计算得到了每个网格的DA得分，因此此时可以通过一个布井潜力区域内所有网格DA得分的加权平均或其他平均数来计算一个布井潜力区域的RDA得分。
作为改进，所述S100中的获取每个网格的油藏静态参数包括渗透率ki,孔隙度φi，净毛比NTGi，泥质含量shi和油层厚度hi，其中i代表网格编号，i＝1,2,...N，N代表油藏地质模型的总网格数。
作为改进，所述S200中的获取每个网格的油藏动态数据，包括油藏压力Pi，剩余油饱和度soi，原油粘度μoi，原油密度ρoi，油相相对渗透率
Figure BDA0003081933380000022
和原油体积系数Boi，其中i代表网格编号，i＝1,2,...N，N代表油藏地质模型的总网格数。
作为改进，定义剩余油可采储量丰度ARO和油相流动能力OPFC。
根据公式(1)计算剩余油可采储量丰度ARO，根据公式(2)计算油相流动能力OPFC。
Figure BDA0003081933380000021
Figure BDA0003081933380000031
其中，Ωoi表示剩余油可采储量丰度ARO的表示符号，Sori表示残余油饱和度，soi表示剩余油饱和度，Toi表示油相流动能力OPFC的表示符号，ki表示渗透率，kroi表示油相相对渗透率，μoi原油粘度。
作为改进，当所述油藏内无天然水体时，所述S300中模糊规则库的建立方法如下：
S310：建立隶属度函数μQ(x)，其中x为输入数值，μQ(x)表示x对Q的隶属程度。
Figure BDA0003081933380000032
其中，a,b,c为隶属度函数的几个常数，可以设定为经验值；比如，油藏地质模型某个网格孔隙度x为0.2，模糊化表示为孔隙度“高”的隶属度μ(x)为0.35，孔隙度“中”的隶属度μ(x)为0.5，孔隙度“低”的隶属度μ(x)为0.15，高中低为语义标签。
S320：获取待确定新井目标井位的油藏的多个油藏静态参数和油藏动态数据的历史数据，将开发中后期油藏的油藏静态参数和油藏动态数据的历史数据分别输入到公式(3)，计算所有参数对应的隶属度值；
将渗透率ki,孔隙度φi，净毛比NTGi，泥质含量shi和油层厚度hi对应的隶属度值利用现有的方法进行模糊规则的生成，即得到RSPQ模糊规则库。
将剩余油可采储量丰度ARO和油相流动能力OPFC的隶属度值利用现有的方法进行模糊规则的生成，即得到MOC模糊规则库。
将油藏压力Pi的隶属度值利用现有的方法进行模糊规则的生成，即得到EI模糊规则库。
分别计算模糊变量RSPQ的清晰值的隶属度值、模糊变量MOC的清晰值隶属度值和模糊变量EI的清晰值的隶属度值，再将RSPQ的清晰值的隶属度值，模糊变量MOC的清晰值隶属度值和模糊变量EI的清晰值的隶属度值利用现有的方法进行模糊规则的生成，即得到DA模糊规则库。
可以利用现有技术生成模糊规则，例如可用Mamdani模糊方法进行模糊规则的生成，还可以用Takagi、Sugeno和Kang提出的TSK模糊系统进行模糊规则的生成，还可以根据自学习模糊系统及自适应模糊网络进行模糊规则的生成。
生成的模糊规则可以是：
Rule1为IF{A}，THEN{C}，则Rule1隶属度的数学表达式为μ(Rule1)＝min{μ(A),μ(C)}。
Rule2为IF{A and B},THEN{C}，则Rule2隶属度的数学表达式为μ(Rule2)＝min{min{μ(A),μ(B)},μ(C)}。
Rule3为IF{A or B},THEN{C}，则Rule3隶属度的数学表达式为μ(Rule3)＝min{max{μ(A),μ(B)},μ(C)}。
综合Rule1，Rule2和Rule3，则最终的规则Rules隶属度的数学表达式为μ(Rules)＝max{μ(Rule1),μ(Rule2),μ(Rule3)}。
作为改进，当所述油藏内无天然水体时，所述S400中得到每个网格对应的多个模糊变量隶属度模糊集合的过程如下：
S410:将渗透率ki,孔隙度φi，净毛比NTGi，泥质含量shi和油层厚度hi的值输入S300所建立的RSPQ模糊规则库，得到模糊变量油藏静态参数质量RSPQ的RSPQ隶属度模糊集合。
S420:将剩余油可采储量丰度ARO和油相流动能力OPFC的值输入S300所建立的MOC模糊规则库，得到模糊变量可动油程度MOC的MOC隶属度模糊集合。
S430:将油藏压力Pi的值输入S300所建立的对应的EI模糊规则库，得到模糊变量能量指数EI的EI隶属度模糊集合。
每个油藏静态参数或油藏动态数据输入所述模糊规则库中，所述模糊规则库中每条规则都会得到一个集合，那么对于模糊变量可动油程度MOC得到MOC隶属度模糊集合的过程为：将剩余油可采储量丰度ARO和油相流动能力OPFC同时输入MOC模糊规则库中，每条规则将得到一个集合，将所有规则得到的集合进行并集得到即得MOC隶属度模糊集合。
其他例如RSPQ隶属度模糊集合或EI隶属度模糊集合得到方法相同。
作为改进，当所述油藏内有天然水体时，所述S300中模糊规则库的建立方法如下：
S310’：建立隶属度函数μQ(x)，其中x为输入数值，μQ(x)表示x对Q的隶属程度。
Figure BDA0003081933380000041
其中，a,b,c为隶属度函数的几个常数。
S320’：获取待确定新井目标井位的油藏的多个油藏静态参数和油藏动态数据的历史数据，将开发中后期油藏的油藏静态参数和油藏动态数据的历史数据分别输入到公式(3)，计算所有参数对应的隶属度值；
将渗透率ki,孔隙度φi，净毛比NTGi，泥质含量shi和油层厚度hi对应的隶属度值，利用现有的方法进行模糊规则的生成，即得到的RSPQ模糊规则库。
将剩余油可采储量丰度ARO和油相流动能力OPFC的隶属度值，利用现有的方法进行模糊规则的生成，即得到MOC模糊规则库。
将距水源距离和水体通量系数的隶属度值，利用现有的方法进行模糊规则的生成，即得到NWDI模糊规则库。
将NWDI清晰值的隶属度值和油藏压力Pi的隶属度值,利用现有的方法进行模糊规则的生成，即得到EI’模糊规则库。
分别计算模糊变量RSPQ的清晰值的隶属度值、模糊变量MOC的清晰值隶属度值、模糊变量NWDI的清晰值的隶属度值和模糊变量EI的清晰值的隶属度值，再将模糊变量RSPQ的清晰值的隶属度值、模糊变量MOC的清晰值隶属度值、模糊变量NWDI的清晰值的隶属度值和模糊变量EI’的清晰值的隶属度值利用现有的方法进行模糊规则的生成，即得到DA’模糊规则库。
作为改进，当所述油藏内有天然水体时，所述S400中得到每个网格对应的多个模糊变量隶属度模糊集合的过程如下：
S410’：将渗透率ki,孔隙度φi，净毛比NTGi，泥质含量shi和油层厚度hi的值输入S300所建立的RSPQ模糊规则库，得到模糊变量油藏静态参数质量RSPQ的RSPQ隶属度模糊集合。
S420’:将剩余油可采储量丰度ARO和油相流动能力OPFC的值输入S300所建立的MOC模糊规则库，得到模糊变量可动油程度MOC的MOC隶属度模糊集合。
S430’:将距水源距离和水体通量系数的值输入S300所建立的NWDI模糊规则库，得到天然水驱指数NWDI的NWDI隶属度模糊集合。
S440’:将NWDI隶属度模糊集合进行去模糊得到NWDI的清晰值，将NWDI的清晰值和油藏压力Pi的值输入S300所建立的EI’模糊规则库，得到模糊变量能量指数EI’的EI’隶属度模糊集合。
作为改进，可以采用任何现有方法进行去模糊化的处理，本发明优选采用质心法去模糊化，采用质心法对多个模糊变量隶属度模糊集合进行去模糊化，具体如下：
采用公式(5)计算模糊变量的清晰值：
Figure BDA0003081933380000051
其中，
Figure BDA0003081933380000061
表示模糊变量的清晰值，xj为模糊变量的第j个取值，μ(xj)为模糊变量的第j个取值在该模糊变量的模糊变量隶属度模糊集合中所对应的隶属度，M是模糊变量隶属度模糊集合中元素的个数。模糊变量的取值有预先定义，例如定义所有模糊变量的取值范围为tstart-tfinish，取值间隔为t，共取tcount个值，则该模糊变量对应的隶属度模糊集合中元素个数M＝tcount，并且模糊变量的每个取值都与其的隶属度模糊集合中一个元素一一对应。
作为改进，考虑到油藏剩余油成片聚集分布，新井部署旨在动用成片状聚集的剩余油，相比于每个点或每个网格的布井潜力，某个区域的布井潜力更重要。因此，定义区域布井潜力(RDA)的概念，利用区域布井潜力表征以该点或该网格(xc,yc,zc)为中心，某一范围区域内的布井潜力平均值。
所述S800中计算区域布井潜力RDA得分的步骤为：
S810：通过油藏地质模型单层某一网格中心坐标(xc,yc)确定一个四个网格共用的顶点(x0,y0)，其中
Figure BDA0003081933380000062
a,b分别为油藏地质模型网格的长度及宽度。
S820：将y＝y0代入(x-xc)2+(y-yc)2＝R2，求出对应的两个横坐标x1,x2。
S830：判断(x1-x0)(x2-x0)的正负，若为负，则计算
Figure BDA0003081933380000063
其中Int[·]为向下取整函数，(n1+n2)记作N0。
若为正，设|x1-x0|<|x2-x0|，则计算
Figure BDA0003081933380000064
其中(n2-n1)记作N0，roundup[·]为向上取整函数。
S840：先沿y轴正方向进行迭代，迭代步长为矩形网格的宽度b，重复S810-S830，直至求出的对应横坐标不再为实数解，共计沿正方向迭代mpos次，有mpos-1次Ni为实数值，从而得到mpos-1次迭代的Ni值，其中i＝0,1,2,...,mpos-1，记
Figure BDA0003081933380000065
S850：再从y＝y0开始，沿y轴负方向进行迭代，迭代步长为矩形网格的宽度b，当求出的横坐标再次求不出实数解，完成迭代，沿负方向共迭代mneg次，有mneg-1次Nj为实数值，从而得到mneg-1次迭代的Nj值，其中j＝0,1,2,...,mneg-1，记
Figure BDA0003081933380000066
S860：计算NG＝∑(Np+Nn)即求出半径为R的圆形区域内所有的完整网格个数。
S870：将距离该网格中心(xc,yc)最近的NG个网格的布井潜力值DA取均值，即为该区域布井潜力
Figure BDA0003081933380000071
相对于现有技术，本发明至少具有如下优点：
本发明在认知计算的框架内，基于模糊推理建立了认知计算的新井目标井位推荐方法，通过多层模糊推理量化将先验知识引入，输出区域布井潜力的量化得分，从而量化新井目标井位推荐过程需要考虑的各个指标，提高了推荐井位的可靠性。
附图说明
图1为本发明开发中后期油藏内无天然水体时的技术流程图。
图2为实施例1中，某水驱开发油藏地质模型图。
图3为实施例1中，某水驱开发油藏静态参数(孔隙度、渗透率、净毛比)分布图。
图4为实施例1中，某水驱油藏开发10年后剩余油饱和度分布图。
图5为实施例1中，某水驱油藏孔隙度的三角隶属度函数图。
图6为实施例1中，某水驱油藏经本发明提出的新井目标井位推荐方法得出的区域布井潜力分布图。
图7为经典的Punq-S3角点网格油藏地质模型对应的剩余油饱和度分布图。
图8为利用本发明提出的新井目标井位决策方法，针对Punq-S3角点网格油藏地质模型得出的区域布井潜力分布图。
具体实施方式
下面结合附图对本发明作进一步详细说明。
实施例1：参见图1，一种基于认知计算的新井目标井位推荐方法，主要包括如下步骤：
S1：针对水驱开发10年的油藏部署新井动用剩余油的问题，首先建立该油藏的地质模型如图2，该油藏地质模型共有(50×50×1)2500个块中心网格，获取2500个网格的部分静态参数，见图3，主要有渗透率ki,孔隙度φi和净毛比NTGi，其中i代表网格编号，i＝1,2,...2500。
由于本实施例简单，就单层2500个网格，使用三个参数就可以实现目标。
S2：利用油藏数值模拟，在油藏地质模型的基础上，模拟该油藏水驱开发10年的生产状况，获得水驱开发10年后油藏的压力Pi，剩余油饱和度soi以及该压力、该剩余油饱和度对应下的原油粘度μoi，原油密度ρi，油相相对渗透率
Figure BDA0003081933380000081
原油体积系数Boi等，其中i代表网格编号，i＝1,2,...2500。水驱开发后的油藏剩余油饱和度分布见图4。
S3：定义剩余油可采储量丰度ARO，油相流动能力OPFC，根据ARO和OPFC建立模糊变量可动油程度MOC。
Figure BDA0003081933380000082
Figure BDA0003081933380000083
其中，Ωoi表示定义的ARO的表示符号，Sori表示残余油饱和度，soi表示剩余油饱和度，Toi表示定义的OPFC的表示符号，ki表示渗透率，kroi表示油相相对渗透率，μoi原油粘度。
S4：根据先验知识，建立对应的模糊规则库。
1)建立定义隶属度函数μQ(x)，其中x为输入数值，μQ(x)表示x对Q的隶属程度。
Figure BDA0003081933380000084
其中，a,b,c为隶属度函数的几个常数；将某个参数明确的数值x用语义变量隶属度值模糊化表示，其中a,b,c为隶属度函数的几个常数，根据具体参数的大小人为指定即可。利用模糊逻辑输出每个输入参数的隶属度值。以油藏“中”孔隙度隶属度函数
Figure BDA0003081933380000085
为例，如图5所示，孔隙度有高、中、低三个语义变量，孔隙度“高”的隶属度函数以点划线表示，孔隙度“低”的隶属度函数以实线表示，孔隙度“中”的隶属度函数以虚线表示。比如，当孔隙度φ为0.15，模糊化表示为孔隙度“高”的隶属度为0.347，孔隙度“中”的隶属度为0.653，孔隙度“低”的隶属度为0。
2)获取所述水驱开发10年的油藏的多个油藏静态参数和油藏动态数据的历史数据，将开发中后期油藏的油藏静态参数和油藏动态数据的历史数据分别输入到公式(3)，计算所有参数对应的隶属度值，然后利用现有的方法进行模糊规则的生成。
例如，油藏压力Pi的隶属度值，利用现有的方法进行模糊规则的生成，即得到EI模糊规则库具体见表1；分别计算模糊变量RSPQ的清晰值的隶属度值、模糊变量MOC的清晰值隶属度值和模糊变量EI的清晰值的隶属度值，再将RSPQ的清晰值的隶属度值，模糊变量MOC的清晰值隶属度值和模糊变量EI的清晰值的隶属度值利用现有的方法进行模糊规则的生成，即得到DA模糊规则库见表2。
表1
P EI
低 低
中 中
高 高
表2
RSPQ MOC EI DA
高 中 / 中
/ 高 非低 高
低 中 低 低
以能量指数(EI)为例，基于模糊变量的隶属度值进行模糊数学运算，定量表示能量指数模糊规则，其数学描述具体如下：
从表1可知，有三条规则，分别是Rule1＝IF{P低}，THEN{EI低}；Rule2＝IF{P中}，THEN{EI中}；Rule3＝IF{P高}，THEN{EI高}。各规则的隶属度数学表达式为：μ(Rule1)＝min{μ低(P),μ低(EI)}；μ(Rule2)＝min{μ中(P),μ中(EI)}；μ(Rule3)＝min{μ高(P),μ高(EI)}。
现综合考虑以上三个规则，则最终的能量指数(EI)隶属度的数学表达式为：μ(Rules)＝max{μ(Rule1),μ(Rule2),μ(Rule3)}。
这里仅以EI模糊规则库为例定量化表示模糊规则，以此类推可以得到其他对应的规则库，用于后续模糊推理过程。
S5：将S1获取的每个网格的油藏静态参数和S2获取的每个网格的油藏动态数据输入S4建立的对应的模糊规则库，得到每个网格对应的多个模糊变量隶属度模糊集合；
通过对应的模糊规则库，输入参数如渗透率、孔隙度、净毛比、剩余油可采储量丰度、油相流动能力等具体的参数值，将参数的值转化为模糊变量语义标签的隶属度模糊集合。
具体的：将渗透率ki,孔隙度φi，净毛比NTGi参数值分别输入公式(3)，计算渗透率ki,孔隙度φi，净毛比NTGi对应的隶属度值，再将渗透率ki,孔隙度φi，净毛比NTGi对应的隶属度值输入RSPQ模糊规则库中，RSPQ模糊规则库中的每条规则都会得到一个集合，将渗透率ki,孔隙度φi，净毛比NTGi通过RSPQ模糊规则库得到的所有集合进行并集，即得到所述模糊变量RSPQ对应的RSPQ隶属度模糊集合。
依次类推得到MOC隶属度模糊集合和EI隶属度模糊集合。
S6：为了得出该油藏地质模型各网格的布井潜力DA得分，本实施案例1仅需采用两层模糊推理。
采用公式(5)计算模糊变量的清晰值：
Figure BDA0003081933380000101
其中，
Figure BDA0003081933380000102
表示模糊变量的清晰值，xj为模糊变量的第j个取值，μ(xj)为模糊变量的第j个取值在该模糊变量的隶属度模糊集合中所对应的隶属度，M是模糊变量的隶属度模糊集合中元素的个数。
第一层模糊推理，将RSPQ、MOC和EI对应的隶属度模糊集合分别通过质心法去模糊后得到RSPQ的清晰值、MOC的清晰值和EI的清晰值。
质心法去模糊的方法为：
将RSPQ的取值和将RSPQ隶属度模糊集合中与RSPQ取值所对应的隶属度值输入到公式(5)得到RSPQ的清晰值。将MOC的取值以及将MOC隶属度模糊集合中与MOC取值所对应的隶属度值输入到公式(5)得到MOC的清晰值。将EI的取值以及将EI隶属度模糊集合中与EI取值所对应的隶属度值输入到公式(5)得到EI的清晰值。
第二层模糊推理，将得到的RSPQ的清晰值、MOC的清晰值和EI的清晰值输入DA模糊规则库得到模糊变量DA对应的DA隶属度模糊集合。
再采用与上述相同的质心法去模糊的方法得到DA的清晰值，DA的清晰值即DA的得分，具体的：将DA的取值以及将DA隶属度模糊集合中与DA取值所对应的隶属度值输入到公式(5)得到DA的清晰值。
总之，先通过模糊推理输出各模糊变量的隶属度模糊集合，后利用去模糊函数将输出的各模糊变量的隶属度模糊集合清晰化。通过去模糊化可得出该油藏地质模型每个网格的布井潜力DA的得分。分值越高，越适合在该网格所代表的位置布置新井。
S7：考虑到油藏剩余油成片聚集分布，新井部署旨在动用成片状聚集的剩余油，相比于每个网格的布井潜力，某个区域的布井潜力更重要。因此，定义区域布井潜力RDA的概念，利用区域布井潜力表征以某一网格为中心，某一范围区域内的布井潜力平均值，计算每个范围区域内的区域布井潜力RDA得分，区域布井潜力RDA得分最高的区域则为新井目标井位的推荐区域。因为该水驱油藏地质模型仅为单层，故假设该范围区域为半径R＝500ft(约150m)的圆形区域，具体如下：
1)通过油藏地质模型单层某一网格中心坐标(xc,yc)确定一个四个网格共用的顶点(x0,y0)，其中
Figure BDA0003081933380000111
a为油藏网格长度和宽度，大小为100ft(约30m)。
2)将y＝y0代入(x-xc)2+(y-yc)2＝5002，求出对应的两个横坐标x1,x2。
3)判断(x1-x0)(x2-x0)的正负，若为负，则计算
Figure BDA0003081933380000112
其中Int[·]为向下取整函数，(n1+n2)记作N0。若为正，不妨设|x1-x0|<|x2-x0|，则计算
Figure BDA0003081933380000113
其中(n2-n1)记作N0，roundup[·]为向上取整函数。
4)先沿y轴正方向进行迭代，迭代步长为100ft，重复S810-S830，直至求出的对应横坐标不再为实数解，共计沿正方向迭代mpos＝6次，有5次符合条件，求出每次迭代完整矩形网格的个数Ni，其中i＝0,1,2,...,5。记
Figure BDA0003081933380000114
求得Np＝35。
5)再从y＝y0开始，沿y轴负方向进行迭代，迭代步长为矩形网格的宽度100ft，当求出的横坐标再次求不出实数解，完成迭代。沿负方向共迭代mneg＝5次，有4次符合条件，求出每次迭代完整矩形网格的个数Nj，其中j＝0,1,...,4。记
Figure BDA0003081933380000115
求得Nn＝26。
6)计算NG＝∑(Np+Nn)即求出半径为R的圆形区域内所有的完整网格个数NG＝61。
7)将距离该网格中心(xc,yc)最近的61个网格的布井潜力值(DA)取均值，即为该区域布井潜力
Figure BDA0003081933380000116
如图6，推荐新井目标井位，从而实现基于认知计算辅助新井部署的推荐过程。
区域布井潜力得分越高，该地质模型网格所在位置越适合部署新井，该位置越有利于动用剩余油。从图6可以看出，白色三角形位置是根据本发明提出的新井目标井位推荐方法，推荐的三个候选井位。该水驱油藏西北方向虽然剩余油饱和度很高，但渗透率极低、净毛比较小油层较薄，孔隙度也较小，整体油藏物性较差，并不适合布置新井。而本发明方法推荐的三个候选井位综合考虑各种因素，更具有布井潜力。
此外，虽然本实施案例1针对的是块中心网格的油藏地质模型，但应当了解本发明提出新井目标井位推荐方法同样适用于角点网格的油藏地质模型。以经典的油藏地质模型Punq-S3模型为例，验证该方法对角点网格的适用性。Punq-S3模型采用的是角点网格，油层共分5层，每一层的油藏静态参数、动态数据等都各不相同。从图7可以看出，Punq-S3油藏每一层的剩余油饱和度分布各有差异，推荐后续开发新井部署的位置具有很大的难度。利用本发明提出的新井目标井位推荐方法，综合考虑新井部署涉及到的各种因素，输出的区域布井潜力图见图8。从图8可知，本发明推荐方法推荐的每个角点网格的区域布井潜力较为合理，如后续部署新井，可部署在区域布井潜力较高的区域，即油藏物性较好位置，从而充分动用区域成片的剩余油。
因此，证明了本发明方法在认知计算框架内，利用多层模糊推理搭建的布井潜力推荐井位具有可靠性。
最后说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或者等同替换，而不脱离本发明技术方案的宗旨和范围，其均应涵盖在本发明的权利要求范围当中。

Claims (10)

1.一种基于认知计算的新井目标井位推荐方法，其特征在于，包括如下步骤：
S100:针对待确定新井目标井位的油藏，建立该油藏对应的油藏地质模型，所述油藏地质模型共有N个网格，获取每个网格的油藏静态参数；
S200:通过S100建立的油藏地质模型，获取每个网格的油藏动态数据；
S300:根据先验知识，建立多个模糊变量的模糊规则库；
S400:将S100获取的第i个网格的油藏静态参数和S200获取的第i个网格的油藏动态数据输入S300建立的对应的模糊变量的模糊规则库，得到第i个网格对应的多个模糊变量隶属度模糊集合；
S500:将S400得到的多个模糊变量隶属度模糊集合进行去模糊化，得到多个对应的模糊变量清晰值；
S600:将S500得到的多个对应的模糊变量清晰值输入S300建立的对应的模糊规则库，得到模糊变量布井潜力DA的DA隶属度模糊集合；
将所述DA隶属度模糊集合去模糊化得到DA的清晰值即第i个网格的DA得分；
S700:对于每个网格重复步骤S400-S600，得到每个网格的DA得分；
S800:以每个网格为中心，以R为半径的圆形区域定位为一个布井潜力区域，根据每个布井潜力区域内的所有网格的DA得分计算所有布井潜力区域的区域布井潜力RDA得分，区域布井潜力RDA得分最高的布井潜力区域确定为新井目标井位的推荐区域并输出。
2.如权利要求1所述的基于认知计算的新井目标井位推荐方法，其特征在于，所述S100中的获取每个网格的油藏静态参数包括渗透率,孔隙度，净毛比，泥质含量和油层厚度。
3.权利要求1所述的基于认知计算的新井目标井位推荐方法，其特征在于，所述S200中的获取每个网格的油藏动态数据，包括油藏压力，剩余油饱和度，原油粘度，原油密度，油相相对渗透率和原油体积系数。
4.权利要求1所述的基于认知计算的新井目标井位推荐方法，其特征在于，定义剩余油可采储量丰度ARO和油相流动能力OPFC；
根据公式(1)计算剩余油可采储量丰度ARO，根据公式(2)计算油相流动能力OPFC；
Figure FDA0003081933370000011
Figure FDA0003081933370000012
其中，Ωoi表示剩余油可采储量丰度ARO的表示符号，hi表示油层厚度，φi表示孔隙度，Sori表示残余油饱和度，Soi表示剩余油饱和度，ρoi表示原油密度，Boi表示原油体积系数，Toi表示油相流动能力OPFC的表示符号，ki表示渗透率，kroi表示油相相对渗透率，μoi原油粘度。
5.权利要求4所述的基于认知计算的新井目标井位推荐方法，其特征在于，当所述油藏内无天然水体时，所述S300中模糊规则库的建立方法如下：
S310：建立隶属度函数μQ(x)，其中x为输入数值，μQ(x)表示x对Q的隶属程度；
Figure FDA0003081933370000021
其中，a,b,c为隶属度函数的几个常数；
S320：获取待确定新井目标井位的油藏的多个油藏静态参数和油藏动态数据的历史数据，将开发中后期油藏的油藏静态参数和油藏动态数据的历史数据分别输入到公式(3)，计算所有参数对应的隶属度值；
将渗透率ki,孔隙度φi，净毛比NTGi，泥质含量shi和油层厚度hi对应的隶属度值利用现有的方法进行模糊规则的生成，即得到RSPQ模糊规则库；
将剩余油可采储量丰度ARO和油相流动能力OPFC的隶属度值利用现有的方法进行模糊规则的生成，即得到MOC模糊规则库；
将油藏压力Pi的隶属度值利用现有的方法进行模糊规则的生成，即得到EI模糊规则库；
分别计算模糊变量RSPQ的清晰值的隶属度值、模糊变量MOC的清晰值隶属度值和模糊变量EI的清晰值的隶属度值，再将RSPQ的清晰值的隶属度值，模糊变量MOC的清晰值隶属度值和模糊变量EI的清晰值的隶属度值利用现有的方法进行模糊规则的生成，即得到DA模糊规则库。
6.权利要求5所述的基于认知计算的新井目标井位推荐方法，其特征在于，当所述油藏内无天然水体时，所述S400中得到每个网格对应的多个模糊变量隶属度模糊集合的过程如下：
S410:将渗透率ki,孔隙度φi，净毛比NTGi，泥质含量shi和油层厚度hi的值输入S300所建立的RSPQ模糊规则库，得到模糊变量油藏静态参数质量RSPQ的RSPQ隶属度模糊集合；
S420:将剩余油可采储量丰度ARO和油相流动能力OPFC的值输入S300所建立的MOC模糊规则库，得到模糊变量可动油程度MOC的MOC隶属度模糊集合；
S430:将油藏压力Pi的值输入S300所建立的对应的EI模糊规则库，得到模糊变量能量指数EI的EI隶属度模糊集合。
7.权利要求4所述的基于认知计算的新井目标井位推荐方法，其特征在于，当所述油藏内有天然水体时，所述S300中模糊规则库的建立方法如下：
S310’：建立隶属度函数μQ(x)，其中x为输入数值，μQ(x)表示x对Q的隶属程度；
Figure FDA0003081933370000031
其中，a,b,c为隶属度函数的几个常数；
S320’：获取待确定新井目标井位的油藏的多个油藏静态参数和油藏动态数据的历史数据，将开发中后期油藏的油藏静态参数和油藏动态数据的历史数据分别输入到公式(3)，计算所有参数对应的隶属度值；
将渗透率ki,孔隙度φi，净毛比NTGi，泥质含量shi和油层厚度hi对应的隶属度值，利用现有的方法进行模糊规则的生成，即得到的RSPQ模糊规则库；
将剩余油可采储量丰度ARO和油相流动能力OPFC的隶属度值，利用现有的方法进行模糊规则的生成，即得到MOC模糊规则库；
将距水源距离和水体通量系数的隶属度值，利用现有的方法进行模糊规则的生成，即得到NWDI模糊规则库；
将NWDI清晰值的隶属度值和油藏压力Pi的隶属度值,利用现有的方法进行模糊规则的生成，即得到EI’模糊规则库；
分别计算模糊变量RSPQ的清晰值的隶属度值、模糊变量MOC的清晰值隶属度值、模糊变量NWDI的清晰值的隶属度值和模糊变量EI的清晰值的隶属度值，再将模糊变量RSPQ的清晰值的隶属度值、模糊变量MOC的清晰值隶属度值、模糊变量NWDI的清晰值的隶属度值和模糊变量EI’的清晰值的隶属度值利用现有的方法进行模糊规则的生成，即得到DA’模糊规则库。
8.权利要求7所述的基于认知计算的新井目标井位推荐方法，其特征在于，当所述油藏内有天然水体时，所述S400中得到每个网格对应的多个模糊变量隶属度模糊集合的过程如下：
S410’：将渗透率ki,孔隙度φi，净毛比NTGi，泥质含量shi和油层厚度hi的值输入S300所建立的RSPQ模糊规则库，得到模糊变量油藏静态参数质量RSPQ的RSPQ隶属度模糊集合；
S420’:将剩余油可采储量丰度ARO和油相流动能力OPFC的值输入S300所建立的MOC模糊规则库，得到模糊变量可动油程度MOC的MOC隶属度模糊集合；
S430’:将距水源距离和水体通量系数的值输入S300所建立的NWDI模糊规则库，得到天然水驱指数NWDI的NWDI隶属度模糊集合；
S440’:将NWDI隶属度模糊集合进行去模糊得到NWDI的清晰值，将NWDI的清晰值和油藏压力Pi的值输入S300所建立的EI’模糊规则库，得到模糊变量能量指数EI’的EI’隶属度模糊集合。
9.如权利要求1-8任一项所述的基于认知计算的新井目标井位推荐方法，其特征在于，采用质心法对多个模糊变量隶属度模糊集合进行去模糊化，具体如下：
采用公式(5)计算模糊变量的清晰值：
Figure FDA0003081933370000041
其中，
Figure FDA0003081933370000042
表示模糊变量的清晰值，xj为模糊变量的第j个取值，μ(xj)为模糊变量的第j个取值在该模糊变量的模糊变量隶属度模糊集合中所对应的隶属度，M是模糊变量隶属度模糊集合中元素的个数。
10.如权利要求9所述的基于认知计算的新井目标井位推荐方法，其特征在于，所述S800中计算区域布井潜力RDA得分的步骤为：
S810：通过油藏地质模型单层某一网格中心坐标(xc,yc)确定一个四个网格共用的顶点(x0,y0)，其中
Figure FDA0003081933370000043
a,b分别为油藏地质模型网格的长度及宽度；
S820：将y＝y0代入(x-xc)2+(y-yc)2＝R2，求出对应的两个横坐标x1,x2；
S830：判断(x1-x0)(x2-x0)的正负，若为负，则计算
Figure FDA0003081933370000044
其中Int[·]为向下取整函数，(n1+n2)记作N0；
若为正，设|x1-x0|<|x2-x0|，则计算
Figure FDA0003081933370000045
其中(n2-n1)记作N0，roundup[·]为向上取整函数；
S840：先沿y轴正方向进行迭代，迭代步长为矩形网格的宽度b，重复S810-S830，直至求出的对应横坐标不再为实数解，共计沿正方向迭代mpos次，有mpos-1次Ni为实数值，从而得到mpos-1次迭代的Ni值，其中i＝0,1,2,...,mpos-1，记
Figure FDA0003081933370000046
S850：再从y＝y0开始，沿y轴负方向进行迭代，迭代步长为矩形网格的宽度b，当求出的横坐标再次求不出实数解，完成迭代，沿负方向共迭代mneg次，有mneg-1次Nj为实数值，从而得到mneg-1次迭代的Nj值，其中j＝0,1,2,...,mneg-1，记
Figure FDA0003081933370000051
S860：计算NG＝∑(Np+Nn)即求出半径为R的圆形区域内所有的完整网格个数；
S870：将距离该网格中心(xc,yc)最近的NG个网格的布井潜力值DA取均值，即为该区域布井潜力
Figure FDA0003081933370000052
CN202110569099.7A 2021-05-25 2021-05-25 一种基于认知计算的新井目标井位推荐方法 Active CN113255131B (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN202110569099.7A CN113255131B (zh) 2021-05-25 2021-05-25 一种基于认知计算的新井目标井位推荐方法
US17/376,421 US20220391551A1 (en) 2021-05-25 2021-07-15 Method for recommending drilling target of new well based on cognitive computing

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110569099.7A CN113255131B (zh) 2021-05-25 2021-05-25 一种基于认知计算的新井目标井位推荐方法

Publications (2)

Publication Number Publication Date
CN113255131A true CN113255131A (zh) 2021-08-13
CN113255131B CN113255131B (zh) 2023-02-28

Family

ID=77184183

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110569099.7A Active CN113255131B (zh) 2021-05-25 2021-05-25 一种基于认知计算的新井目标井位推荐方法

Country Status (2)

Country Link
US (1) US20220391551A1 (zh)
CN (1) CN113255131B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20230281310A1 (en) * 2022-03-01 2023-09-07 Meta Plataforms, Inc. Systems and methods of uncertainty-aware self-supervised-learning for malware and threat detection

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104299162A (zh) * 2013-07-19 2015-01-21 中国石油化工股份有限公司 一种基于弗晰逻辑的地质风险不确定性评价方法
CN106647279A (zh) * 2017-01-13 2017-05-10 清华大学 一种基于模糊规则的机车智能操纵优化计算方法
CN107844653A (zh) * 2017-11-10 2018-03-27 中国石油天然气股份有限公司 一种油藏水驱开发潜力综合评价方法及装置
CN109753671A (zh) * 2017-11-07 2019-05-14 中国石油大学(华东) 一种基于鱼群算法的油藏精确井位优化方法
CN110927793A (zh) * 2019-11-27 2020-03-27 中国地质大学（北京） 一种基于序贯随机模糊模拟的储层预测方法及系统
CN111259600A (zh) * 2020-01-19 2020-06-09 西北大学 一种提高自动井位优化的优化效率方法
CN112396230A (zh) * 2020-11-16 2021-02-23 中国石油大学(华东) 基于近邻神经网络的油藏地质建模静态参数分布预测方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2019075242A1 (en) * 2017-10-11 2019-04-18 Beyond Limits, Inc. SYSTEM FOR IMPROVING EXPLORATION AND TANK PRODUCTION

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104299162A (zh) * 2013-07-19 2015-01-21 中国石油化工股份有限公司 一种基于弗晰逻辑的地质风险不确定性评价方法
CN106647279A (zh) * 2017-01-13 2017-05-10 清华大学 一种基于模糊规则的机车智能操纵优化计算方法
CN109753671A (zh) * 2017-11-07 2019-05-14 中国石油大学(华东) 一种基于鱼群算法的油藏精确井位优化方法
CN107844653A (zh) * 2017-11-10 2018-03-27 中国石油天然气股份有限公司 一种油藏水驱开发潜力综合评价方法及装置
CN110927793A (zh) * 2019-11-27 2020-03-27 中国地质大学（北京） 一种基于序贯随机模糊模拟的储层预测方法及系统
CN111259600A (zh) * 2020-01-19 2020-06-09 西北大学 一种提高自动井位优化的优化效率方法
CN112396230A (zh) * 2020-11-16 2021-02-23 中国石油大学(华东) 基于近邻神经网络的油藏地质建模静态参数分布预测方法

Non-Patent Citations (6)

* Cited by examiner, † Cited by third party
Title
ARTUN EMRE 等: "基于模糊推理的致密砂岩气储集层重复压裂井选择方法", 《石油勘探与开发》 *
SHUYI DU 等: "The Connectivity Evaluation Among Wells in Reservoir Utilizing Machine Learning Methods", 《IEEE ACCESS》 *
TONG WANG 等: "Investigation on Heat Extraction Performance of Fractured Geothermal Reservoir Using Coupled Thermal-Hydraulic-Mechanical Model Based on Equivalent Continuum Method", 《ENERGIES》 *
左淑红 等: "机电井井位的模糊优选方法", 《黑龙江水专学报》 *
郭长杰 等: "浅析机器学习技术在油气行业的应用场景", 《信息系统工程》 *
陈明强 等: "油藏类型识别的一个模糊数学模型", 《西南石油学院学报》 *

Also Published As

Publication number Publication date
US20220391551A1 (en) 2022-12-08
CN113255131B (zh) 2023-02-28

Similar Documents

Publication Publication Date Title
Subbotin The neuro-fuzzy network synthesis and simplification on precedents in problems of diagnosis and pattern recognition
Sahoo et al. A data clustering algorithm for stratified data partitioning in artificial neural network
CN113255131B (zh) 一种基于认知计算的新井目标井位推荐方法
CN105023071A (zh) 一种基于高斯云变换和模糊时间序列的水质预测方法
CN115099519A (zh) 一种基于多机器学习模型融合的油井产量预测方法
Bej et al. A multi-schematic classifier-independent oversampling approach for imbalanced datasets
CN105205052A (zh) 一种数据挖掘方法及装置
Lin et al. Designing mamdani type fuzzy rule using a collaborative FCM scheme
Toprak Flow discharge modeling in open canals using a new fuzzy modeling technique (SMRGT)
Starkey et al. iPatch: A many-objective type-2 fuzzy logic system for field workforce optimization
Hakimi-Asiabar et al. Multi-objective genetic local search algorithm using Kohonen’s neural map
Handoyo et al. The fuzzy inference system with rule bases generated by using the fuzzy C-means to predict regional minimum wage in Indonesia
Cruz et al. Semantic Clustering of Social Networks using Points of View.
Cordón et al. A multiobjective genetic learning process for joint feature selection and granularity and contexts learning in fuzzy rule-based classification systems
CN113688424A (zh) 基于权重社会网络的个性化差分隐私保护方法
CN107239599A (zh) 基于神经模糊推理系统的盾构施工引起的地表沉降预测方法
Ismail et al. River flow forecasting: a hybrid model of self organizing maps and least square support vector machine
CN113610446B (zh) 一种复杂分散断块油田群投产顺序的决策方法
Shahraki et al. A new approach for forecasting enrollments using harmony search algorithm
Belloir et al. A general approach to construct RBF net-based classifier.
Attoh-Okine Aggregating evidence in pavement management decision-making using belief functions and qualitative Markov tree
Christyawan et al. Optimization of fuzzy time series interval length using modified genetic algorithm for forecasting
Akbari et al. Fuzzy rule based models modification by new data: application to flood flow forecasting
CN109886313A (zh) 一种基于密度峰的动态图聚类方法
Azizah et al. Optimization of fuzzy inference system by using table look-up method to predict white sugar price in the international market

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