CN113361771B - 确定储层压力的方法及装置 - Google Patents

确定储层压力的方法及装置 Download PDF

Info

Publication number
CN113361771B
CN113361771B CN202110626818.4A CN202110626818A CN113361771B CN 113361771 B CN113361771 B CN 113361771B CN 202110626818 A CN202110626818 A CN 202110626818A CN 113361771 B CN113361771 B CN 113361771B
Authority
CN
China
Prior art keywords
reservoir
point
pressure
learning model
prediction
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
CN202110626818.4A
Other languages
English (en)
Other versions
CN113361771A (zh
Inventor
李道伦
查文舒
沈路航
张莉
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.)
Hefei University of Technology
Original Assignee
Hefei University of Technology
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 Hefei University of Technology filed Critical Hefei University of Technology
Priority to CN202110626818.4A priority Critical patent/CN113361771B/zh
Publication of CN113361771A publication Critical patent/CN113361771A/zh
Application granted granted Critical
Publication of CN113361771B publication Critical patent/CN113361771B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • 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—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
    • G06Q50/02—Agriculture; Fishing; Mining
    • 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

Abstract

本申请公开一种确定储层压力的方法及装置。该方法包括：获得储层中待解释点的位置信息和时间信息；根据待解释点的位置信息确定待解释点在储层中的区域；如果待解释点处于储层的非边界区域，则将待解释点的位置信息和时间信息输入第一预测模型，将第一预测模型输出的储层压力作为待解释点的解释结果；如果待解释点处于储层的边界区域，则将待解释点的位置信息和时间信息输入第一预测模型和第二预测模型，对第一预测模型和第二预测模型输出的储层压力进行求和，将求和结果作为待解释点的解释结果。基于本申请公开的方案，针对储层全部区域的储层压力解释均具有较高精度。

Description

确定储层压力的方法及装置
技术领域
本申请属于油气藏开采技术领域，尤其涉及一种确定储层压力的方法及装置。
背景技术
储层压力是油气藏开采中非常重要的参数。利用神经网络确定储层压力目前已被应用。但是，申请人发现目前利用神经网络确定储层压力的方案存在缺陷，例如：解释出的储层压力的精度较低。
发明内容
有鉴于此，本申请的目的在于提供一种确定储层压力的方法及装置，以提高储层压力的解释精度。
为实现上述目的，本申请提供如下技术方案：
本申请提供一种确定储层压力的方法，包括：
获得储层中待解释点的位置信息和时间信息；
根据所述待解释点的位置信息确定所述待解释点在所述储层中的区域；
如果所述待解释点处于所述储层的非边界区域，则将所述待解释点的位置信息和时间信息输入预先完成训练的第一预测模型，将所述第一预测模型输出的储层压力作为所述待解释点的解释结果；
如果所述待解释点处于所述储层的边界区域，则将所述待解释点的位置信息和时间信息输入所述第一预测模型和预先完成训练的第二预测模型，对所述第一预测模型和所述第二预测模型输出的储层压力进行求和，将求和结果作为所述待解释点的解释结果；
其中，训练所述第一预测模型的第一训练样本包括：位于所述储层内任意位置的采样点在特定时间的油藏参数、以及位于所述储层内任意位置的采样点在指定时间的油藏参数的梯度特征；训练所述第二预测模型的第二训练样本包括：位于所述储层的边界区域内的采样点在特定时间的油藏参数、以及位于所述储层的边界区域内的采样点在特定时间的油藏参数的梯度特征。
可选的，所述第一预测模型和所述第二预测模型的训练过程，包括：
获得多个第一训练样本，所述第一训练样本包括：位于所述储层内任意位置的采样点在指定时间的油藏参数、以及位于所述储层内任意位置的采样点在指定时间的油藏参数的梯度特征；
获得多个第二训练样本，所述第二训练样本包括：位于所述储层的边界区域内的采样点在特定时间的油藏参数、以及位于所述储层的边界区域内的采样点在特定时间的油藏参数的梯度特征；
利用预先构建的第一学习模型对所述第一训练样本进行预测，得到第一预测压力；
利用所述第一学习模型和预先构建的第二学习模型分别对所述第二训练样本进行预测，对所述第一学习模型和所述第二学习模型输出的预测压力进行求和，将求和结果作为第二预测压力；
根据所述第一预测压力调整所述第一学习模型的参数，根据所述第二预测压力调整所述第一学习模型和所述第二学习模型的参数，直至调整后的第一学习模型和第二学习模型满足预设的收敛条件，将满足所述收敛条件的第一学习模型确定为第一预测模型，将满足所述收敛条件的第二学习模型确定为第二预测模型。
可选的，所述收敛条件包括：所述第一预测压力对应的第一损失函数的值与所述第二预测压力对应的第二损失函数的值的和小于预设的阈值。
可选的，所述第一损失函数为：loos1＝||D(u)||，所述第二损失函数为：loos2＝||B(ub)||；
其中，
loos1为第一损失函数；
loos2为第二损失函数；
Figure BDA0003101626600000031
B(ub)＝B0(ub)+B1(ub)+B2(ub)；
B0(ub)＝f(ub)-q(xb)；
Figure BDA0003101626600000032
Figure BDA0003101626600000033
φ为孔隙度，φ＝φref[1+Cr(u-pref)]；
B为地层体积系数，
Figure BDA0003101626600000034
u为所述第一预测压力；ub为所述第二预测压力；pref为参考压力；φref为在参考压力pref下的孔隙度；Cf为流体压缩系数；Cr为岩石压缩系数；Bref为在参考压力pref下的地层体积系数；k为储层渗透率；μ为流体粘度；Q为流量；rw为生产井的半径；h为储层厚度；r为以井中心点为圆心的圆的半径；ur为离井中心半径为r的圆上的点的压力；uwf为井底流压；S为表皮系数；t为时间；
Figure BDA0003101626600000035
为梯度符号。
本申请还提供一种确定储层压力的装置，包括：
信息获取单元，用于获得储层中待解释点的位置信息和时间信息；
区域确定单元，用于根据所述待解释点的位置信息确定所述待解释点在所述储层中的区域；
第一处理单元，用于如果所述待解释点处于所述储层的非边界区域，则将所述待解释点的位置信息和时间信息输入预先完成训练的第一预测模型，将所述第一预测模型输出的储层压力作为所述待解释点的解释结果；
第二处理单元，用于如果所述待解释点处于所述储层的边界区域，则将所述待解释点的位置信息和时间信息输入所述第一预测模型和预先完成训练的第二预测模型，对所述第一预测模型和所述第二预测模型输出的储层压力进行求和，将求和结果作为所述待解释点的解释结果；
其中，训练所述第一预测模型的第一训练样本包括：位于所述储层内任意位置的采样点在特定时间的油藏参数、以及位于所述储层内任意位置的采样点在指定时间的油藏参数的梯度特征；训练所述第二预测模型的第二训练样本包括：位于所述储层的边界区域内的采样点在特定时间的油藏参数、以及位于所述储层的边界区域内的采样点在特定时间的油藏参数的梯度特征。
可选的，在上述装置的基础上，进一步设置模型训练单元；
所述模型训练单元用于：获得多个第一训练样本，所述第一训练样本包括：位于所述储层内任意位置的采样点在指定时间的油藏参数、以及位于所述储层内任意位置的采样点在指定时间的油藏参数的梯度特征；获得多个第二训练样本，所述第二训练样本包括：位于所述储层的边界区域内的采样点在特定时间的油藏参数、以及位于所述储层的边界区域内的采样点在特定时间的油藏参数的梯度特征；利用预先构建的第一学习模型对所述第一训练样本进行预测，得到第一预测压力；利用所述第一学习模型和预先构建的第二学习模型分别对所述第二训练样本进行预测，对所述第一学习模型和所述第二学习模型输出的预测压力进行求和，将求和结果作为第二预测压力；根据所述第一预测压力调整所述第一学习模型的参数，根据所述第二预测压力调整所述第一学习模型和所述第二学习模型的参数，直至调整后的第一学习模型和第二学习模型满足预设的收敛条件，将满足所述收敛条件的第一学习模型确定为第一预测模型，将满足所述收敛条件的第二学习模型确定为第二预测模型。
由此可见，本申请的有益效果为：
本申请公开的确定储层压力的方法，在获得用户输入的待解释点的位置信息和时间信息后，如果待解释点位于储层的非边界区域，那么将待解释点的位置信息和时间信息输入第一预测模型，将第一预测模型输出的储层压力作为待解释点的解释结果，能够显著提高非边界区域内待解释点的储层压力的解释精度；如果待解释点位于储层的边界区域，那么将待解释点的位置信息和时间信息同时输入第一预测模型和第二预测模型，对第一预测模型输出的储层压力和第二预测模型输出的储层压力进行求和(也就是，利用第二预测模型输出的储层压力对第一预测模型输出的储层压力进行修正)，将求和结果作为待解释点的解释结果，能够显著提高边界区域内待解释点的储层压力的解释精度，从而保证针对储层全部区域的储层压力解释均具有较高精度。
附图说明
为了更清楚地说明本申请实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本申请公开的一种确定储层压力的方法的流程图；
图2为本申请公开的训练第一预测模型和第二预测模型的方法的流程图；
图3为本申请公开的一种确定储层压力的装置的结构示意图。
具体实施方式
本申请提供一种确定储层压力的方法及装置，以提高储层压力的解释精度。
为使本申请实施例的目的、技术方案和优点更加清楚，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。
参见图1，图1为本申请公开的一种确定储层压力的方法的流程图。该方法由具有计算能力的电子设备执行，例如用户使用的终端，或者向用户提供服务的服务器。该方法具体包括：
S101：获得储层中待解释点的位置信息和时间信息。
待解释点的位置信息优选采用坐标值。
实施中，可以基于生产井所在位置构建坐标系。例如，将生产井所在位置作为坐标系的原点，从原点指向正西方向作为X轴的正方向，从原点指向正南方向作为Y轴的正方向。当然，这里仅是对坐标系的一个举例，具体实施中并不限定于此。
另外，用户也可以输入待解释点的其他类型的位置信息，例如，输入待解释点的经纬度信息。电子设备接收到待解释点的经纬度信息后，参考坐标系的原点对应的经纬度，将用户输入的经纬度信息转换为对应的坐标值。
该时间信息可以为未来的任意一个时间点。
例如，在生产井的生产过程中，用户想要获知在10天后的某一时刻，储层中某一点的储层压力，那么向电子设备输入该点的位置信息和该时间信息即可。
S102：根据待解释点的位置信息确定该待解释点在储层中的区域。
实施中，将储层划分为边界区域和非边界区域。储层的边界包括外边界和内边界(由生产井导致)。将储层中位于外边界指定范围内的区域确定为边界区域，将储层中位于内边界指定范围内的区域也确定为边界区域。储层中除边界区域之外的区域为非边界区域。也就是说，将储层中与外边界之间的距离小于预设距离的区域确定为边界区域，将储层中与内边界之间的距离小于预设距离的区域也确定为边界区域，将储层中的其他区域确定为非边界区域。其中，该预设距离可以为经过多次试验确定出的经验值。
根据待解释点的位置信息就可以确定待解释点位于储层的边界区域还是处于储层的非边界区域。
S103：如果待解释点处于储层的非边界区域，则将待解释点的位置信息和时间信息输入预先完成训练的第一预测模型，将第一预测模型输出的储层压力作为待解释点的解释结果。
S104：如果待解释点处于储层的边界区域，则将待解释点的位置信息和时间信息输入预先完成训练的第一预测模型和第二预测模型，对第一预测模型和第二预测模型输出的储层压力进行求和，将求和结果作为待解释点的解释结果。
第一预测模型和第二预测模型是基于大量的训练样本进行训练得到的，完成训练的第一预测模型和第二预测模型具备将预测的储层压力趋于实际的储层压力的能力。
其中，训练第一预测模型的第一训练样本包括：位于储层内任意位置的采样点在特定时间的油藏参数、以及前述油藏参数的梯度特征。训练第二预测模型的第二训练样本包括：位于储层的边界区域内的采样点在特定时间的油藏参数、以及前述油藏参数的梯度特征。
在待解释点处于储层的边界区域的情况下，将待解释点的位置信息和时间信息输入第一预测模型和第二预测模型，是指：将待解释点的位置信息和时间信息输入第一预测模型，并且，将待解释点的位置信息和时间信息输入第二预测模型。第一预测模型基于输入进行运算输出储层压力，第二预测模型基于输入进行运算输出储层压力，对第一预测模型输出的储层压力和第二预测模型输出的储层压力进行求和，将求和结果作为待解释点的解释结果。
在现有技术中，是利用一个神经网络预测储层中全部区域的储层压力。
申请人发现：储层中不同区域内油气藏的流动特性可能存在较大差异。例如，储层的边界区域和非边界区域内的油气藏的流动特性可能存在较大差异，也就是，表征油气藏流动特性的渗流方程难以通过一个神经网络学习到。
在现有技术中，通过一个神经网络学习储层全部区域内油气藏的流动特性。由于油气藏的流动特性非常复杂，这导致一个神经网络难以很好的学习到边界区域的流动特性，同时由于边界区域的流动特性学习效果较差，导致非边界区域的解释精度也相应降低，最终导致整体的储层压力解释精度较低。
本申请中，训练第一预测模型所使用的训练样本是：位于储层内任意位置的采样点在特定时间的油藏参数、以及相应的梯度特征。训练第二预测模型所使用的训练样本是：位于储层的边界区域内的采样点在特定时间的油藏参数、以及相应的梯度特征。也就是说，基于储层的全部区域内多个位置的油藏参数预先训练得到第一预测模型，基于储层的边界区域内多个位置的油藏参数预先训练得到第二预测模型，第一预测模型学习整体油气藏的流动特性，第二预测模型学习储层的边界区域和非边界区域内油气藏的流动特性的差异。因此，第一预测模型能够准确地预测出储层的非边界区域内各点的储层压力。针对位于储层的边界区域的待解释点，除利用第一预测模型预测该待解释点的储层压力之外，还利用第二预测模型预测出的储层压力对第一预测模型预测出的储层压力进行修正，能够准确地预测出储层的边界区域内各点的储层压力。
可以看到，本申请中，通过第一预测模型学习整体油气藏的流动特性，通过第二预测模型学习油气藏的边界区域与非边界区域内油气藏的流动特性的差异，第一预测模型和第二预测模型相结合，能够更好地学习储层的不同区域内油气藏的流动特性，避免了边界区域的学习效果差导致的整体压力解释精度降低。同时，通过在第一预测模型和第二预测模型的训练样本中加入油藏参数的梯度特征，使得第一预测模型和第二预测模型能够准确地预测出储层的边界和非边界区域内各点的储层压力，从而保证针对储层全部区域的储层压力解释具有较高精度。与现有技术相比，能够显著提高针对储层全部区域的储层压力的解释精度。
本申请公开的确定储层压力的方法，在获得用户输入的待解释点的位置信息和时间信息后，如果待解释点位于储层的非边界区域，那么将待解释点的位置信息和时间信息输入第一预测模型，将第一预测模型输出的储层压力作为待解释点的解释结果，能够显著提高非边界区域内待解释点的储层压力的解释精度；如果待解释点位于储层的边界区域，那么将待解释点的位置信息和时间信息同时输入第一预测模型和第二预测模型，对第一预测模型输出的储层压力和第二预测模型输出的储层压力进行求和(也就是，利用第二预测模型输出的储层压力对第一预测模型输出的储层压力进行修正)，将求和结果作为待解释点的解释结果，能够显著提高边界区域内待解释点的储层压力的解释精度，从而保证针对储层全部区域的储层压力解释均具有较高精度。
下面结合图2对本申请中所使用的第一预测模型和第二预测模型的训练过程进行说明。具体包括：
S201：获得多个第一训练样本。
其中，第一训练样本包括：位于储层内任意位置的采样点在指定时间的油藏参数、以及前述油藏参数的梯度特征。
S202：获得多个第二训练样本。
其中，第二训练样本包括：位于储层的边界区域内的采样点在特定时间的油藏参数、以及前述油藏参数的梯度特征。
为了便于描述，本申请中，将用于训练第一学习模型的训练样本称为第一训练样本，将用于同时训练第一学习模型和第二学习模型的训练样本称为第二训练样本。
可以理解的是，多个第一训练样本是基于储层的全部区域中任意位置的采样点(既包括位于储层的边界区域内的采样点，也包括位于储层的非边界区域内的采样点)的油藏参数生成的，而第二训练样本是基于储层的边界区域内的采样点的油藏参数生成的。在实施中，可以从多个第一训练样本中提取出第二训练样本。
需要说明的是，位于储层的同一采样点在多个时间的油藏参数、以及该油藏参数的梯度特征构成多个第一训练样本。例如，位于储层的采样点1在T1时刻的油藏参数、以及该油藏参数的梯度特征构成一个第一训练样本，该采样点1在T2时刻的油藏参数、以及该油藏参数的梯度特征构成另一个第一训练样本。
类似的，位于储层的边界区域内的同一采样点在多个时间的油藏参数、以及该油藏参数的梯度特征构成多个第二训练样本。例如，位于储层的边界区域内的采样点2在T1时刻的油藏参数、以及该油藏参数的梯度特征构成一个第二训练样本，该采样点2在T2时刻的油藏参数、以及该油藏参数的梯度特征构成另一个第二训练样本。
实施中，在构建第一训练样本的过程中，可以在储层的全部区域内按照预设的抽样算法选择多个采样点，针对每个采样点执行：利用该采样点在不同指定时间的油藏参数、以及该油藏参数的梯度特征构成多个第一训练样本。在构建第二训练样本的过程中，可以在储层的边界区域内按照预设的抽样算法选择多个采样点，针对每个采样点执行：利用该采样点在不同指定时间的油藏参数、以及该油藏参数的梯度特征构成多个第二训练样本。
S203：利用预先构建的第一学习模型对第一训练样本进行预测，得到第一预测压力。
S204：利用预先构建的第一学习模型和第二学习模型分别对第二训练样本进行预测，对第一学习模型和第二学习模型输出的预测压力进行求和，将求和结果作为第二预测压力。
S205：根据第一预测压力调整第一学习模型的参数，根据第二预测压力调整第一学习模型和第二学习模型的参数，直至调整后的第一学习模型和第二学习模型满足预设的收敛条件，将满足收敛条件的第一学习模型确定为第一预测模型，将满足收敛条件的第二学习模型确定为第二预测模型。
渗流方程用于表征流体的流动特性。针对非稳态的流体(处于油气藏开采过程)，其渗流方程包含累积项。进一步的，如果是位于边界处的非稳态的流体，其渗流方程还包含源汇项。
对第一学习模型进行训练得到第一预测模型的过程、以及对第二学习模型进行训练得到第二预测模型的过程，就是求解出能够准确地表征流体的流动特性的渗流方程的过程，具体是求解出渗流方程中各个系数的值的过程。
预先构建的第一学习模型和第二学习模型的初始模型参数均为自定义数值，训练第一学习模型和第二学习模型的过程就是优化模型参数，以使得第一学习模型和第二学习模型逐渐收敛，且预测结果的准确率逐渐提高的过程。当第一学习模型和第二学习模型满足预设的收敛条件时，将当前的第一学习模型确定为第一预测模型，将当前的第二学习模型确定为第二预测模型。
本申请图2所示的训练模型的方案，采用无监督学习方式，即无需针对第一训练样本和第二训练样本添加标签数据。
在一种可选的实施方式中，预设的收敛条件为：第一预测压力对应的第一损失函数的值与第二预测压力对应的第二损失函数的值的和小于预设的阈值。
也就是说，以使得第一预测压力对应的第一损失函数的值趋近于0、第二预测压力对应的第二损失函数的值趋近于0为目标，对第一学习模型和第二学习模型的模型参数进行调整，直至第一预测压力对应的第一损失函数的值与第二预测压力对应的第二损失函数的值的和小于预设的阈值，完成模型的训练。该预设的阈值为经验值。
可选的，第一损失函数为：loos1＝||D(u)||，第二损失函数为：loos2＝||B(ub)||。
其中：
loos1为第一损失函数；
loos2为第二损失函数；
Figure BDA0003101626600000121
B(ub)＝B0(ub)+B1(ub)+B2(ub)；
B0(ub)＝f(ub)-q(xb)；
Figure BDA0003101626600000122
Figure BDA0003101626600000123
φ为孔隙度，φ＝φref[1+Cr(u-pref)]；
B为地层体积系数，
Figure BDA0003101626600000124
u为第一预测压力；ub为第二预测压力；pref为参考压力；φref为在参考压力pref下的孔隙度；Cf为流体压缩系数；Cr为岩石压缩系数；Bref为在参考压力pref下的地层体积系数；k为储层渗透率；μ为流体粘度；Q为流量；rw为生产井的半径；h为储层厚度；r为以井中心点为圆心的圆的半径；ur为离井中心半径为r的圆上的点的压力；uwf为井底流压；S为表皮系数；t为时间；▽为梯度符号；f(ub)是关于第二预测压力ub的函数，q(xb)是关于位于储层的边界区域内采样点xb的函数。
上文中第一损失函数和第二损失函数所涉及的参数中，第一预测压力u是将第一训练样本输入第一学习模型后，由第一学习模型输出的，第二预测压力ub是将第二训练样本同时输入第一学习模型和第二学习模型后，对第一学习模型输出的预测压力和第二学习模型输出的预测压力进行求和得到的，其他参数的取值均是已知的。
这里需要说明的是，本申请中所使用的第一训练样本和第二训练样本，不仅包含采样点在指定时间的油藏参数，还包含该油藏参数的梯度特征，这样能够加速第一学习模型和第二学习模型的收敛速度，并提升第一预测模型和第二预测模型的求解精度。
需要说明的是，本申请图2采用无监督学习方式训练第一学习模型和第二学习模型。实施中，也可以采用有监督学习方式训练第一学习模型和第二学习模型。在这种情况下，需要针对各个第一训练样本和各个第二训练样本添加标签数据，标签数据具体为标注的储层压力。相应的，第一损失函数表征第一预测压力与标注的储层压力之间的误差，第二损失函数表征第二预测压力与标注的储层压力之间的误差。
本申请上述公开了确定储层压力的方法，相应的，本申请还公开确定储层压力的装置，说明书中关于两者的描述可以相互参考。
参见图3，图3为本申请公开的一种确定储层压力的装置的结构示意图。该装置包括：信息获取单元301、区域确定单元302、第一处理单元303和第二处理单元304。
其中：
信息获取单元301，用于获得储层中待解释点的位置信息和时间信息。
区域确定单元302，用于根据待解释点的位置信息确定待解释点在储层中的区域。
第一处理单元303，用于如果待解释点处于储层的非边界区域，则将待解释点的位置信息和时间信息输入预先完成训练的第一预测模型，将第一预测模型输出的储层压力作为待解释点的解释结果。
第二处理单元304，用于如果待解释点处于储层的边界区域，则将待解释点的位置信息和时间信息输入预先完成训练的第一预测模型和第二预测模型，对第一预测模型和第二预测模型输出的储层压力进行求和，将求和结果作为待解释点的解释结果。
其中，训练第一预测模型的第一训练样本包括：位于储层内任意位置的采样点在特定时间的油藏参数、以及前述油藏参数的梯度特征。训练第二预测模型的第二训练样本包括：位于储层的边界区域内的采样点在特定时间的油藏参数、以及前述油藏参数的梯度特征。
可选的，在图3所示装置的基础上，进一步设置模型训练单元。
该模型训练单元用于：获得多个第一训练样本，第一训练样本包括：位于储层内任意位置的采样点在指定时间的油藏参数、以及前述油藏参数的梯度特征；获得多个第二训练样本，第二训练样本包括：位于储层的边界区域内的采样点在特定时间的油藏参数、以及前述油藏参数的梯度特征；利用预先构建的第一学习模型对第一训练样本进行预测，得到第一预测压力；利用预先构建的第一学习模型和第二学习模型分别对第二训练样本进行预测，对第一学习模型和第二学习模型输出的预测压力进行求和，将求和结果作为第二预测压力；根据第一预测压力调整第一学习模型的参数，根据第二预测压力调整第一学习模型和第二学习模型的参数，直至调整后的第一学习模型和第二学习模型满足预设的收敛条件，将满足收敛条件的第一学习模型确定为第一预测模型，将满足收敛条件的第二学习模型确定为第二预测模型。
可选的，该收敛条件包括：第一预测压力对应的第一损失函数的值与第二预测压力对应的第二损失函数的值的和小于预设的阈值。其中，第一损失函数和第二损失函数可以采用前文中记载的方案。
上述公开的模型训练单元采用无监督学习方式训练第一学习模型和第二学习模型。实施中，也可以采用有监督学习方式训练第一学习模型和第二学习模型。在这种情况下，需要针对各个第一训练样本和各个第二训练样本添加标签数据，标签数据具体为标注的储层压力。相应的，第一损失函数表征第一预测压力与标注的储层压力之间的误差，第二损失函数表征第二预测压力与标注的储层压力之间的误差。
最后，还需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，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、物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、物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，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的装置而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。
对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本申请。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本申请的精神或范围的情况下，在其它实施例中实现。因此，本申请将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。

Claims (5)

1.一种确定储层压力的方法，其特征在于，包括：
获得储层中待解释点的位置信息和时间信息，所述时间信息为未来的任意一个时间点；
根据所述待解释点的位置信息确定所述待解释点在所述储层中的区域；
如果所述待解释点处于所述储层的非边界区域，则将所述待解释点的位置信息和时间信息输入预先完成训练的第一预测模型，将所述第一预测模型输出的储层压力作为所述待解释点的解释结果；
如果所述待解释点处于所述储层的边界区域，则将所述待解释点的位置信息和时间信息输入所述第一预测模型和预先完成训练的第二预测模型，对所述第一预测模型和所述第二预测模型输出的储层压力进行求和，将求和结果作为所述待解释点的解释结果；
其中，所述第一预测模型和所述第二预测模型的训练过程，包括：
获得多个第一训练样本，所述第一训练样本包括：位于所述储层内任意位置的采样点在指定时间的油藏参数、以及位于所述储层内任意位置的采样点在指定时间的油藏参数的梯度特征；
获得多个第二训练样本，所述第二训练样本包括：位于所述储层的边界区域内的采样点在特定时间的油藏参数、以及位于所述储层的边界区域内的采样点在特定时间的油藏参数的梯度特征；
利用预先构建的第一学习模型对所述第一训练样本进行预测，得到第一预测压力；
利用所述第一学习模型和预先构建的第二学习模型分别对所述第二训练样本进行预测，对所述第一学习模型和所述第二学习模型输出的预测压力进行求和，将求和结果作为第二预测压力；
根据所述第一预测压力调整所述第一学习模型的参数，根据所述第二预测压力调整所述第一学习模型和所述第二学习模型的参数，直至调整后的第一学习模型和第二学习模型满足预设的收敛条件，将满足所述收敛条件的第一学习模型确定为第一预测模型，将满足所述收敛条件的第二学习模型确定为第二预测模型。
2.根据权利要求1所述的方法，其特征在于，所述收敛条件包括：所述第一预测压力对应的第一损失函数的值与所述第二预测压力对应的第二损失函数的值的和小于预设的阈值。
3.根据权利要求2所述的方法，其特征在于，所述第一损失函数为：loos1＝||D(u)||，所述第二损失函数为：loos2＝||B(ub)||；
其中，
loos1为第一损失函数；
loos2为第二损失函数；
Figure FDA0004092624640000021
B(ub)＝B0(ub)+B1(ub)+B2(ub)；
B0(ub)＝f(ub)-q(xb)；
Figure FDA0004092624640000022
Figure FDA0004092624640000023
φ为孔隙度，φ＝φref[1+Cr(u-pref)]；
B为地层体积系数，
Figure FDA0004092624640000024
u为所述第一预测压力；ub为所述第二预测压力；pref为参考压力；φref为在参考压力pref下的孔隙度；Cf为流体压缩系数；Cr为岩石压缩系数；Bref为在参考压力pref下的地层体积系数；k为储层渗透率；μ为流体粘度；Q为流量；rw为生产井的半径；h为储层厚度；r为以井中心点为圆心的圆的半径；ur为离井中心半径为r的圆上的点的压力；uwf为井底流压；S为表皮系数；t为时间；
Figure FDA0004092624640000031
为梯度符号；xb为位于存储的边界区域内的采样点；f(ub)为关于第二预测压力ub的函数；q(xb)为关于位于储层的边界区域内采样点xb的函数。
4.一种确定储层压力的装置，其特征在于，包括：
信息获取单元，用于获得储层中待解释点的位置信息和时间信息，所述时间信息为未来的任意一个时间点；
区域确定单元，用于根据所述待解释点的位置信息确定所述待解释点在所述储层中的区域；
第一处理单元，用于如果所述待解释点处于所述储层的非边界区域，则将所述待解释点的位置信息和时间信息输入预先完成训练的第一预测模型，将所述第一预测模型输出的储层压力作为所述待解释点的解释结果；
第二处理单元，用于如果所述待解释点处于所述储层的边界区域，则将所述待解释点的位置信息和时间信息输入所述第一预测模型和预先完成训练的第二预测模型，对所述第一预测模型和所述第二预测模型输出的储层压力进行求和，将求和结果作为所述待解释点的解释结果；
模型训练单元，用于：获得多个第一训练样本，所述第一训练样本包括：位于所述储层内任意位置的采样点在指定时间的油藏参数、以及位于所述储层内任意位置的采样点在指定时间的油藏参数的梯度特征；获得多个第二训练样本，所述第二训练样本包括：位于所述储层的边界区域内的采样点在特定时间的油藏参数、以及位于所述储层的边界区域内的采样点在特定时间的油藏参数的梯度特征；利用预先构建的第一学习模型对所述第一训练样本进行预测，得到第一预测压力；利用所述第一学习模型和预先构建的第二学习模型分别对所述第二训练样本进行预测，对所述第一学习模型和所述第二学习模型输出的预测压力进行求和，将求和结果作为第二预测压力；根据所述第一预测压力调整所述第一学习模型的参数，根据所述第二预测压力调整所述第一学习模型和所述第二学习模型的参数，直至调整后的第一学习模型和第二学习模型满足预设的收敛条件，将满足所述收敛条件的第一学习模型确定为第一预测模型，将满足所述收敛条件的第二学习模型确定为第二预测模型。
5.根据权利要求4所述的装置，其特征在于，所述收敛条件包括：所述第一预测压力对应的第一损失函数的值与所述第二预测压力对应的第二损失函数的值的和小于预设的阈值。
CN202110626818.4A 2021-06-04 2021-06-04 确定储层压力的方法及装置 Active CN113361771B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110626818.4A CN113361771B (zh) 2021-06-04 2021-06-04 确定储层压力的方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110626818.4A CN113361771B (zh) 2021-06-04 2021-06-04 确定储层压力的方法及装置

Publications (2)

Publication Number Publication Date
CN113361771A CN113361771A (zh) 2021-09-07
CN113361771B true CN113361771B (zh) 2023-04-18

Family

ID=77532450

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110626818.4A Active CN113361771B (zh) 2021-06-04 2021-06-04 确定储层压力的方法及装置

Country Status (1)

Country Link
CN (1) CN113361771B (zh)

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110486008A (zh) * 2019-09-02 2019-11-22 合肥鼎盛锦业科技有限公司 一种径向复合油藏的参数解释方法及系统
WO2021004551A1 (zh) * 2019-09-26 2021-01-14 深圳前海微众银行股份有限公司 纵向联邦学习系统优化方法、装置、设备及可读存储介质

Family Cites Families (16)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8265915B2 (en) * 2007-08-24 2012-09-11 Exxonmobil Upstream Research Company Method for predicting well reliability by computer simulation
EP2599029A4 (en) * 2010-07-29 2014-01-08 Exxonmobil Upstream Res Co METHODS AND SYSTEMS FOR AUTOMATIC LEARNING FLOW SIMULATION
US9896930B2 (en) * 2013-08-30 2018-02-20 Saudi Arabian Oil Company Three-dimensional reservoir pressure determination using real time pressure data from downhole gauges
WO2015174882A1 (ru) * 2014-05-15 2015-11-19 Общество С Ограниченной Ответственностью "Поликод" Способ определения фильтрационных параметров межскважинных интервалов
KR101706245B1 (ko) * 2015-09-14 2017-02-14 동아대학교 산학협력단 디지털 오일필드에서 인공신경망을 이용한 생산량 제어방법
WO2017192423A1 (en) * 2016-05-04 2017-11-09 Saudi Arabian Oil Company Two dimensional reservoir pressure estimation with integrated static bottom–hole pressure survey data and simulation modeling
WO2018012995A1 (ru) * 2016-07-12 2018-01-18 Общество С Ограниченной Ответственностью "Поликод" Способ определения фильтрационных параметров в многоскважинной системе методом импульсно-кодового гидропрослушивания (икг)
CN106814388B (zh) * 2016-12-27 2018-11-02 中国石油大学(北京) 砂泥岩储层地层压力的地震预测方法及装置
CN109505590B (zh) * 2017-09-13 2021-10-29 中国石油化工股份有限公司 页岩气储层压力的确定方法及计算机可读存储介质
CN110083852B (zh) * 2018-02-26 2022-02-01 中国石油天然气股份有限公司 井底压力的确定方法、装置及存储介质
CN108681793B (zh) * 2018-05-18 2022-02-01 中国石油天然气集团有限公司 深层油藏采油指数预测方法及装置
CN109458176A (zh) * 2018-12-28 2019-03-12 西南石油大学 碳酸盐岩储层压力的预测方法及其应用
CN110056348B (zh) * 2019-04-25 2021-05-11 中国海洋石油集团有限公司 一种测定地层流体组成和性质的方法和系统
US11501038B2 (en) * 2019-10-31 2022-11-15 Saudi Arabian Oil Company Dynamic calibration of reservoir simulation models using pattern recognition
CN111101929B (zh) * 2019-11-14 2021-07-09 中国石油大学(北京) 一种计算油气藏平均地层压力的方法、装置及系统
CN110991079B (zh) * 2019-12-17 2023-04-28 合肥鼎盛锦业科技有限公司 基于神经网络的油气藏参数解释方法、装置及电子设备

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110486008A (zh) * 2019-09-02 2019-11-22 合肥鼎盛锦业科技有限公司 一种径向复合油藏的参数解释方法及系统
WO2021004551A1 (zh) * 2019-09-26 2021-01-14 深圳前海微众银行股份有限公司 纵向联邦学习系统优化方法、装置、设备及可读存储介质

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
吴浩君 ; 姜永 ; 王迪 ; .多层复合油藏试井解释模型建立.油气井测试.2019,(03),全文. *
闫星宇 ; 顾汉明 ; 肖逸飞 ; 任浩 ; 倪俊 ; .XGBoost算法在致密砂岩气储层测井解释中的应用.石油地球物理勘探.2019,(02),全文. *

Also Published As

Publication number Publication date
CN113361771A (zh) 2021-09-07

Similar Documents

Publication Publication Date Title
Li et al. Uncertainty quantification of reservoir performance predictions using a stochastic optimization algorithm
Leuven et al. Topographic forcing of tidal sandbar patterns for irregular estuary planforms
US8874419B2 (en) Method of developing a petroleum reservoir from a facies map construction
CN111461386B (zh) 基于bp神经网络的页岩气甜点预测方法
Ponomareva et al. Operational method for determining bottom hole pressure in mechanized oil producing wells, based on the application of multivariate regression analysis
CN109763800A (zh) 一种油田分层注水量预测方法
CN111027638B (zh) 一种基于流量的抽油机冲次及动液面信息监测方法及系统
CN111175817B (zh) 一种微地震数据辅助的致密油气藏裂缝分布反演方法
CN114638401A (zh) 一种基于历史及预测油藏知识的剩余油分布预测方法及装置
CN113361771B (zh) 确定储层压力的方法及装置
CN112761631B (zh) 纯地层水的密度确定方法、取样方法和污染率的确定方法
CN112926386B (zh) 一种水文地质中含水层与隔水层的识别方法
US11840927B2 (en) Methods and systems for gas condensate well performance prediction
CA3116482C (en) Reservoir fluid property modeling using machine learning
CN112818501B (zh) 基于动态监测数据校正碳酸盐岩油藏静态渗透率的方法
CN110486008B (zh) 一种径向复合油藏的参数解释方法及系统
CN116910638A (zh) 一种基于大数据的优势渗流通道智能识别方法
CN116384770A (zh) 一种提液井产量预测方法、系统、设备及介质
He et al. Adaptive Material Balance Method for Reserve Evaluation: A Combination of Machine Learning and Reservoir Engineering
CN110566196B (zh) 一种储层连通性分析方法
Kim et al. Enhanced History Matching of Gas Reservoirs With an Aquifer Using the Combination of Discrete Cosine Transform and Level Set Method in ES-MDA
CN113378999B (zh) 一种基于云模型的致密砂岩储层分类定级方法
Li et al. Semiautomatic multiple resolution design for history matching
CN117422001B (zh) 一种优势渗流通道确定方法、装置、设备及存储介质
CN113722530B (zh) 一种细粒度地理位置定位方法

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