CN113435662A - 水驱油藏产量预测方法、装置及存储介质 - Google Patents
水驱油藏产量预测方法、装置及存储介质 Download PDFInfo
- Publication number
- CN113435662A CN113435662A CN202110797219.9A CN202110797219A CN113435662A CN 113435662 A CN113435662 A CN 113435662A CN 202110797219 A CN202110797219 A CN 202110797219A CN 113435662 A CN113435662 A CN 113435662A
- Authority
- CN
- China
- Prior art keywords
- time
- production
- space
- neural network
- data
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 48
- 238000003860 storage Methods 0.000 title claims abstract description 16
- 238000004519 manufacturing process Methods 0.000 claims abstract description 202
- 238000010586 diagram Methods 0.000 claims abstract description 154
- 238000013528 artificial neural network Methods 0.000 claims abstract description 108
- 238000012549 training Methods 0.000 claims abstract description 93
- 238000000547 structure data Methods 0.000 claims abstract description 38
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 59
- 238000002347 injection Methods 0.000 claims description 50
- 239000007924 injection Substances 0.000 claims description 50
- 230000007774 longterm Effects 0.000 claims description 41
- 230000035699 permeability Effects 0.000 claims description 8
- 230000002123 temporal effect Effects 0.000 claims description 7
- 230000006870 function Effects 0.000 description 19
- 230000015654 memory Effects 0.000 description 16
- 230000008569 process Effects 0.000 description 12
- 238000012545 processing Methods 0.000 description 10
- 230000004044 response Effects 0.000 description 9
- 238000004590 computer program Methods 0.000 description 7
- 230000000694 effects Effects 0.000 description 7
- 238000012512 characterization method Methods 0.000 description 6
- 210000002569 neuron Anatomy 0.000 description 6
- 238000013507 mapping Methods 0.000 description 5
- 125000004122 cyclic group Chemical group 0.000 description 4
- 238000009826 distribution Methods 0.000 description 4
- 230000007787 long-term memory Effects 0.000 description 4
- 230000006403 short-term memory Effects 0.000 description 4
- 238000011161 development Methods 0.000 description 3
- 239000012530 fluid Substances 0.000 description 3
- 239000007788 liquid Substances 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 230000003993 interaction 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
- 230000008859 change Effects 0.000 description 1
- 230000001351 cycling effect Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000011423 initialization method Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 239000000126 substance Substances 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"
-
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- 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
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Mining & Mineral Resources (AREA)
- General Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- General Business, Economics & Management (AREA)
- Molecular Biology (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Evolutionary Computation (AREA)
- Geology (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Artificial Intelligence (AREA)
- Marketing (AREA)
- Tourism & Hospitality (AREA)
- Marine Sciences & Fisheries (AREA)
- Primary Health Care (AREA)
- Animal Husbandry (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Environmental & Geological Engineering (AREA)
- Fluid Mechanics (AREA)
- Agronomy & Crop Science (AREA)
- General Life Sciences & Earth Sciences (AREA)
- Geochemistry & Mineralogy (AREA)
Abstract
本发明实施例提供一种水驱油藏产量预测方法、装置及存储介质,属于石油开采技术领域,解决了现有技术中对于生产井产量预测考虑因素单一,导致预测准确率低的问题。所述方法包括:获取目标油藏井网的空间信息及时间信息,建立所述目标油藏井网的时空图结构数据集;对所述时空图结构数据集进行滑动时间窗口划分,建立所述目标油藏井网的训练样本集;利用所述训练样本集,训练得到用于水驱油藏产量预测的多层时空图神经网络;利用所述多层时空图神经网络,得到所述目标油藏井网的生产井的产量预测结果。本发明实施例适用于水驱油藏井网中生产井的产量预测。
Description
技术领域
本发明涉及石油开采技术领域,具体地涉及一种基于多层时空图神经网络的水驱油藏产量预测方法、装置及存储介质。
背景技术
水驱井网开发是常规油藏开采过程中最常用的方法,预测水驱井网产量是评估油田开采效益、制定油田开发规划、进行井网注采实施方案设计与调整等决策问题的基础和依据。针对水驱油藏井网进行快速准确的产量预测,对实现水驱油藏高效开发注采井网工作制度调控及优化具有重要意义。
现有的生产井产量预测方法往往只考虑时间或空间单方面的因素,导致产量预测准确性较低。
发明内容
本发明实施例的目的是提供一种基于多层时空图神经网络的水驱油藏产量预测方法、装置及存储介质,解决了现有技术中对于生产井产量预测考虑因素单一,导致预测准确率低的问题,本发明实施例同时考虑生产井产量与历史生产数据之间的时间关系,以及与井网中其他井的空间相互影响关系,有效提高了产量预测的精确性。
为了实现上述目的,本发明实施例提供一种水驱油藏产量预测方法,包括:获取目标油藏井网的空间信息及时间信息,建立所述目标油藏井网的时空图结构数据集;对所述时空图结构数据集进行滑动时间窗口划分,建立所述目标油藏井网的训练样本集;利用所述训练样本集,训练得到用于水驱油藏产量预测的多层时空图神经网络,其中,所述多层时空图神经网络包括依次相连的空间关系获取层、短期时间关系获取层、长期时间关系获取层以及预测层;利用所述多层时空图神经网络,得到所述目标油藏井网的生产井的产量预测结果。
进一步地,所述空间信息包括所述目标油藏井网的注水井数量、生产井数量、各井之间的空间方位和距离以及各井点处的孔隙度、渗透率。
进一步地,所述时间信息包括所述目标油藏井网的注水井的历史生产数据与生产井的历史生产数据。
进一步地,所述建立所述目标油藏井网的时空图结构数据集包括:根据所述目标油藏井网的所述空间信息,得到所述目标油藏井网的基础空间图结构;按照预设时间间隔将所述时间信息进行划分,得到各个时间点的历史生产数据;根据所述基础空间图结构和各个时间点的历史生产数据,得到各个时间点的所述目标油藏井网的空间图结构;按照时间顺序,将各个时间点的所述目标油藏井网的空间图结构进行组合,得到所述目标油藏井网的时空图结构数据集。
进一步地,所述对所述时空图结构数据集进行滑动时间窗口划分,建立所述目标油藏井网的训练样本集包括:按照预设时间窗口,将所述时空图结构数据集进行滑动时间窗口划分,得到所述训练样本集中每个样本的输入数据;以每个预设时间窗口内最后一个时间点的下一个时间点的生产井的历史产量作为每个样本的输出数据;根据每个样本的输入数据和输出数据,得到所述目标油藏井网的训练样本集。
进一步地,所述利用所述训练样本集,训练得到用于水驱油藏产量预测的多层时空图神经网络包括:将所述训练样本集中的输入数据中的各个时间点的空间图结构输入所述多层时空图神经网络中的空间关系获取层;将所述空间关系获取层的输出以及所述训练样本集中的输入数据输入所述多层时空图神经网络中的短期时间关系获取层;将所述短期时间关系获取层的输出输入所述多层时空图神经网络中的长期时间关系获取层;将所述长期时间关系获取层的输出输入所述多层时空图神经网络中的预测层,输出为与所述训练样本集中的输入数据对应的所述预设时间窗口内最后一个时间点的下一个时间点的生产井的预测产量;计算所述预测产量与所述训练样本集中的输出数据的历史产量之间的损失函数,根据所述损失函数的结果调整所述多层时空图神经网络中各层的参数,直至达到预设迭代停止条件,得到训练后的多层时空图神经网络。
进一步地,所述利用所述多层时空图神经网络,得到所述目标油藏井网的生产井的产量预测结果包括:将所述目标油藏井网在预测时间的生产数据输入所述多层时空图神经网络,得到在所述预测时间内的生产井的产量预测结果。
相应的,本发明实施例还提供一种水驱油藏产量预测装置,包括:数据获取模块,用于获取目标油藏井网的空间信息及时间信息,建立所述目标油藏井网的时空图结构数据集;样本建立模块,用于对所述时空图结构数据集进行滑动时间窗口划分,建立所述目标油藏井网的训练样本集;训练模块,用于利用所述训练样本集,训练得到用于水驱油藏产量预测的多层时空图神经网络,其中,所述多层时空图神经网络包括依次相连的空间关系获取层、短期时间关系获取层、长期时间关系获取层及预测层;预测模块,用于利用所述多层时空图神经网络,得到所述目标油藏井网的生产井的产量预测结果。
进一步地,所述空间信息包括所述目标油藏井网的注水井数量、生产井数量、各井之间的空间方位和距离以及各井点处的孔隙度、渗透率。
进一步地,所述时间信息包括所述目标油藏井网的注水井的历史生产数据与生产井的历史生产数据。
进一步地,所述数据获取模块还用于:根据所述目标油藏井网的所述空间信息,得到所述目标油藏井网的基础空间图结构;按照预设时间间隔将所述时间信息进行划分,得到各个时间点的历史生产数据;根据所述基础空间图结构和各个时间点的历史生产数据,得到各个时间点的所述目标油藏井网的空间图结构;按照时间顺序,将各个时间点的所述目标油藏井网的空间图结构进行组合,得到所述目标油藏井网的时空图结构数据集。
进一步地,所述样本建立模块具体用于:按照预设时间窗口,将所述时空图结构数据集进行滑动时间窗口划分,得到所述训练样本集中每个样本的输入数据;以每个预设时间窗口内最后一个时间点的下一个时间点的生产井的历史产量作为每个样本的输出数据;根据每个样本的输入数据和输出数据,得到所述目标油藏井网的训练样本集。
进一步地,所述训练模块具体用于:将所述训练样本集中的输入数据中的各个时间点的空间图结构输入所述多层时空图神经网络中的空间关系获取层;将所述空间关系获取层的输出以及所述训练样本集中的输入数据输入所述多层时空图神经网络中的短期时间关系获取层;将所述短期时间关系获取层的输出输入所述多层时空图神经网络中的长期时间关系获取层;将所述长期时间关系获取层的输出输入所述多层时空图神经网络中的预测层,输出为与所述训练样本集中的输入数据对应的所述预设时间窗口内最后一个时间点的下一个时间点的生产井的预测产量;计算所述预测产量与所述训练样本集中的输出数据的历史产量之间的损失函数,根据所述损失函数的结果调整所述多层时空图神经网络中各层的参数,直至达到预设迭代停止条件,得到训练后的多层时空图神经网络。
进一步地,所述预测模块具体用于:将所述目标油藏井网在预测时间的生产数据输入所述多层时空图神经网络,得到在所述预测时间内的生产井的产量预测结果。
相应的,本发明实施例还提供一种机器可读存储介质,该机器可读存储介质上存储有指令,该指令用于使得机器执行如上所述的水驱油藏产量预测方法。
通过上述技术方案,将目标油藏井网的时空图结构数据集作为多层时空图神经网络的训练样本集,对多层时空图神经网络进行训练,捕捉各井点生产数据的时间依赖性以及各井点之间的空间相关性,用于对目标油藏井网中的生产井产量进行预测。本发明实施例解决了现有技术中对于生产井产量预测考虑因素单一,导致预测准确率低的问题。本发明实施例通过对时空图结构数据集进行滑动时间窗口划分,得到统一、规范的训练样本集,能够有效改善模型收敛性,提高模型训练效果及效率,并利用依次相连的空间关系获取层、短期时间关系获取层、长期时间关系获取层以及预测层组成的多层图神经网络,综合考虑了生产井产量在短期、长期两个时间维度上与历史生产数据之间的关系,以及与其他井之间的空间相互影响关系,进一步获取了长期时间相关性、短期时间相关性与空间相关性之间的整体关联关系,有效提高了产量预测的精确性。
本发明实施例的其它特征和优点将在随后的具体实施方式部分予以详细说明。
附图说明
附图是用来提供对本发明实施例的进一步理解,并且构成说明书的一部分,与下面的具体实施方式一起用于解释本发明实施例,但并不构成对本发明实施例的限制。在附图中:
图1是本发明实施例提供的一种水驱油藏产量预测方法的流程示意图;
图2是本发明实施例提供的基础空间图结构的示意图;
图3是本发明实施例提供的多层时空图神经网络的架构示意图;
图4是本发明实施例提供的目标油藏井网空间信息中井位分布平面示意图;
图5是本发明实施例提供的产液量及产油量预测效果的示意图;
图6是本发明实施例提供的一种水驱油藏产量预测装置的结构示意图。
具体实施方式
以下结合附图对本发明实施例的具体实施方式进行详细说明。应当理解的是,此处所描述的具体实施方式仅用于说明和解释本发明实施例,并不用于限制本发明实施例。
为了解决现有水驱油藏产量预测方法无法同时考虑井网空间因素和历史生产数据规律,以及数值模拟方法建模过程繁琐、耗时长的问题,本发明实施例提供了一种水驱油藏产量预测方法,如图1所示,该方法包括如下步骤:
步骤101,获取目标油藏井网的空间信息及时间信息,建立所述目标油藏井网的时空图结构数据集。
其中,对于所述空间信息及时间信息的获取,可以从目标区块地质勘探资料、测井曲线、井位分布图、生产动态数据等资料中获取,具体的获取方式可以根据实际情况确定,本发明实施例对此不作限定。
在本发明实施例中,所述空间信息包括但不限于:所述目标油藏井网的注水井数量、生产井数量、各井之间的空间方位和距离以及各井点处的孔隙度、渗透率等物性特征。
所述时间信息包括但不限于:所述目标油藏井网的注水井的历史生产数据与生产井的历史生产数据,具体的可包括各井的工作起止时间、工作时长,注水井的注水量、注入压力,生产井的产量、井底压力、动液面等。其中,对于历史生产数据的获取时段,例如可为开始生产后的10年内的历史生产数据。
具体的,根据所述目标油藏井网的所述空间信息,得到所述目标油藏井网的基础空间图结构。如图2所示,将各井点作为图结构的节点,按照各井点的实际空间方位以及各井之间的距离将各个节点进行排列连接,建立所述目标油藏井网的基础空间图结构。
然后,按照预设时间间隔将所述时间信息进行划分,得到各个时间点的历史生产数据,例如,以1个月为所述预设时间间隔为例,将各个井点的时间信息中的历史生产数据进行划分。对应每个时间点分别建立一个基础空间图结构,每个时间点下的基础空间图结构中的节点均设置为其对应井点在对应时间点下的历史生产数据,从而根据所述基础空间图结构和各个时间点的历史生产数据,得到各个时间点的所述目标油藏井网的空间图结构。其中,若是以10年的历史生产数据为例,在本发明实施例中,即得到了120个时间点下的空间图结构。之后,按照时间顺序,将各个时间点的所述目标油藏井网的空间图结构进行组合,得到所述目标油藏井网的时空图结构数据集。
步骤102,对所述时空图结构数据集进行滑动时间窗口划分,建立所述目标油藏井网的训练样本集。
具体的,按照预设时间窗口,将所述时空图结构数据集进行滑动时间窗口划分,得到所述训练样本集中每个样本的输入数据,所述预设时间窗口大于或等于所述预设时间间隔,具体的,以每个样本对应的预设时间窗口内的空间图结构以及所述预设时间窗口内的最后一个时间点的下一个时间点的各注水井的注水量、井底压力,生产井的井底压力等历史生产数据作为该样本的特征数据,即作为每个样本的输入数据。例如,所述预设时间窗口为10个月,所述预设时间间隔为1个月,则所述时空图结构数据集包括120个时间点的空间图结构。具体的,取前10个时间点(10个月)作为第一样本,然后向后滑动一个时间点,取第2至第11个时间点作为第二个样本,依次滑动直至最后10个时间点,最后10个时间点作为生产井的产量预测结果的特征数据,不作为训练样本,共计获得110个样本。其中,第一个样本的输入数据(特征数据)为前10个时间点的空间图结构以及第11个时间点的各注水井的注水量、井底压力,生产井的井底压力等历史生产数据,后续样本依次向后滑动一个时间点。
另外,以每个预设时间窗口内最后一个时间点的下一个时间点的生产井的历史产量作为每个样本的输出数据(也可称为样本的响应数据),例如,第一个样本的响应数据为第11个时间点的生产井的历史产量,后续样本依次向后滑动一个时间点,最后一个样本的响应数据为第120个时间点的生产井的历史产量。
最后,根据每个样本的输入数据和输出数据,得到所述目标油藏井网的训练样本集。通过上面的示例,最终得到110个样本(每个样本包括特征数据与响应数据)的训练样本集。
步骤103,利用所述训练样本集,训练得到用于水驱油藏产量预测的多层时空图神经网络。
其中,如图3所示,所述多层时空图神经网络包括依次相连的空间关系获取层、短期时间关系获取层、长期时间关系获取层以及预测层。
具体的,将所述训练样本集中的输入数据中的各个时间点的空间图结构输入所述多层时空图神经网络中的空间关系获取层,输出为各个生产井节点与其他节点之间的空间关系,其神经元数目与空间图结构中节点数目一致,具体地,在本发明实施例中,空间关系获取层被设置为自注意力图神经网络层。
接下来,将所述空间关系获取层的输出以及所述训练样本集中的样本的输入数据输入所述多层时空图神经网络中的短期时间关系获取层,输出为样本中各个时间点的特征数据的隐含表征,其中,短期时间关系获取层的隐藏层神经元数目与空间图结构中节点数目一致,短期时间关系获取层可以设置为任意能够表征短期时间关系的循环神经网络层,具体的可以根据实际问题确定,在本发明实施例中,短期时间关系获取层可以设置为门控循环单元层。
之后,将所述短期时间关系获取层的输出输入所述多层时空图神经网络中的长期时间关系获取层,即将所述短期时间关系获取层的输出的样本中各个时间点的特征数据的隐含表征作为长期时间关系获取层的输入,输出为考虑了长期时间关系的每个样本对应的时间窗口内最后一个时间点的下一个时间点的特征数据的隐含表征,长期时间关系获取层可以设置为任意能够表征长期时间关系的循环神经网络层,具体的可以根据实际问题确定,在本发明实施例中,长期时间关系获取层可以设置为长短期记忆神经网络层。
然后,将所述长期时间关系获取层的输出输入所述多层时空图神经网络中的预测层,输出为与所述训练样本集中的输入数据对应的所述预设时间窗口内最后一个时间点的下一个时间点的生产井的预测产量,其中,所述预测层可以设置为前馈神经网络层。
之后,计算所述预测产量与所述训练样本集中的输出数据的历史产量之间的损失函数,根据所述损失函数的结果调整所述多层时空图神经网络中各层的参数,直至达到预设迭代停止条件,得到训练后的多层时空图神经网络。
步骤104,利用所述多层时空图神经网络,得到所述目标油藏井网的生产井的产量预测结果。
其中,将所述目标油藏井网在预测时间的生产数据输入所述多层时空图神经网络,得到在所述预测时间内的生产井的产量预测结果。其中,所述产量预测结果包括所述目标油藏井网内各生产井的产液量与产油量。
具体的,可获取所述训练样本集中最后一个预设时间窗口的空间图结构,以及需要预测的未来时间中的第一个时间点的注水井的注水量、井底压力,生产井的井底压力等生产数据共同作为预测样本的特征数据,输入训练后的多层时空图神经网络,得到需要预测的未来时间中的第一个时间点的产量预测结果。然后,将未来第一个时间点的产量预测结果与其他特征数据组成新的空间图结构,与所述训练样本集中最后一个预设时间窗口减一个时间点的空间图结构以及未来第二个时间点的注水井的注水量、井底压力,生产井的井底压力等生产数据共同组成新的预测样本的特征数据,输入训练后的多层时空图神经网络,得到未来第二个时间点的预测产量,将预测过程依次重复进行,直至预测得到所需未来时间内所有时间点的产量预测结果。
通过本发明实施例,将目标油藏井网的时空图结构数据集作为多层时空图神经网络的训练样本集,对多层时空图神经网络进行训练,捕捉各井点生产数据的时间依赖性以及各井点之间的空间相关性,用于对目标油藏井网中的生产井产量进行预测。本发明实施例解决了现有技术中对于生产井产量预测考虑因素单一,导致预测准确率低的问题,本发明实施例通过对时空图结构数据集进行滑动时间窗口划分得到统一、规范的训练样本集,能够有效改善模型收敛性,提高模型训练效果及效率;并利用依次相连的空间关系获取层、短期时间关系获取层、长期时间关系获取层以及预测层组成的多层图神经网络,综合考虑了生产井产量在短期、长期两个时间维度上与历史生产数据之间的关系,以及与其他井之间的空间相互影响关系,进一步获取了长期时间相关性、短期时间相关性与空间相关性之间的整体关联关系,有效提高了产量预测的精确性。同时,利用多层时空图神经网络可以快速对不同注采条件下的生产井未来产量进行预测,大大提高了目标油藏井网的注采优化效率。
为了便于理解本发明实施例,下面以获取所述目标油藏井网的10年内的历史生产数据,预设时间间隔为1个月,预设时间窗口为10个月为例说明本发明实施例。
所述目标油藏井网的空间分布如图4所示,获取所述目标油藏井网的空间信息及10内的时间信息。所述空间信息包括:注水井数量、生产井数量、各井之间的空间方位和距离以及各井点处的孔隙度、渗透率等物性特征。所述时间信息包括各井点开始生产后10年内的工作起止时间、工作时长,注水井注水量、注入压力,生产井产量、井底压力、动液面等注水井的历史生产数据与生产井的历史生产数据。
根据获取的所述目标油藏井网的空间信息,将各井点作为图结构的节点,按照各井点的实际空间方位以及各井之间的距离将各个节点进行排列连接,建立形成如图2所示的目标油藏井网的基础空间图结构。
之后,以1个月作为预设时间间隔,将各个井点时间信息中的历史生产数据进行划分。对应每个时间点分别建立一个基础空间图结构,每个时间点下的基础空间图结构中的节点均设置为其对应井点在对应时间点下的历史生产数据,即构成了不同时间点下的目标油藏井网的空间图结构。其中,由于1个月内的每个井点存在多个历史生产数据,可对1个月内的历史生产数据求均值,从而得到10年内120个时间点下的历史生产数据,即构成了120个时间点下的空间图结构。将每个时间点下的空间图结构按照时间顺序进行组合,即形成了所述目标油藏井网的时空图结构数据集。
然后,按照10个月为预设时间窗口,即10个时间点为预设时间窗口,将所述时空图结构数据集进行滑动时间窗口划分,得到所述训练样本集中每个样本的输入数据。例如,取前10个时间点作为第一个样本,然后向后滑动一个时间点,取第2到第11个时间点作为第二个样本,依次进行直至最后10个时间点,最后10个时间点为预测未来产量的特征数据,不作为训练样本,共计获得110个样本。
其中,以每个样本对应的预设时间窗口内的空间图结构,以及各个预设时间窗口内最后一个时间点的下一个时间点的各注水井的注水量、井底压力,生产井的井底压力等历史生产数据作为其样本的特征数据。例如,第一个样本的特征数据(输入数据)包括前10个时间点的空间图结构以及第11个时间点的各注水井的注水量、井底压力,生产井的井底压力等历史生产数据,后续样本依次向后滑动一个时间点,从而得到110个样本的特征数据(输入数据)。
对于样本的输出数据(响应数据)是以每个样本对应的预设时间窗口内最后一个时间点的下一个时间点的各生产井的历史产量作为其样本的响应数据。例如,第一个样本的响应数据(输出数据)为第11个时间点的各生产井的历史产量,后续样本依次向后滑动一个时间点,最后一个样本的响应为第120个时间点的各生产井的历史产量。
从而,得到了所有样本的一一对应的特征数据(输入数据)与响应数据(输出数据),构成了包括110个样本的训练样本集。
之后,利用所述训练样本集,训练得到用于水驱油藏产量预测的多层时空图神经网络。所述多层时空图神经网络包括依次连接的空间关系获取层、短期时间关系获取层、长期时间关系获取层以及预测层。
具体的,将所述训练样本集中的输入数据中的各个时间点的空间图结构输入所述多层时空图神经网络中的空间关系获取层,输出为各个生产井节点与其他节点之间的空间关系,其神经元数目与空间图结构中节点数目一致,具体地,在本发明实施例中,空间关系获取层被设置为自注意力图神经网络层。
接下来,将所述空间关系获取层的输出以及所述训练样本集中的样本的输入数据输入所述多层时空图神经网络中的短期时间关系获取层,输出为样本中各个时间点的特征数据的隐含表征,其中,短期时间关系获取层的隐藏层神经元数目与空间图结构中节点数目一致,短期时间关系获取层可以设置为任意能够表征短期时间关系的循环神经网络层,具体的可以根据实际问题确定,在本发明实施例中,短期时间关系获取层可以设置为门控循环单元层。
之后,将所述短期时间关系获取层的输出输入所述多层时空图神经网络中的长期时间关系获取层,即将所述短期时间关系获取层的输出的样本中各个时间点的特征数据的隐含表征作为长期时间关系获取层的输入,输出为考虑了长期时间关系的每个样本对应的时间窗口内最后一个时间点的下一个时间点的特征数据的隐含表征,长期时间关系获取层可以设置为任意能够表征长期时间关系的循环神经网络层,具体的可以根据实际问题确定,在本发明实施例中,长期时间关系获取层可以设置为长短期记忆神经网络层。
然后,将所述长期时间关系获取层的输出输入所述多层时空图神经网络中的预测层,输出为与所述训练样本集中的输入数据对应的所述预设时间窗口内最后一个时间点的下一个时间点的生产井的预测产量,其中,所述预测层可以设置为前馈神经网络层。
在训练过程中,采用随机初始化方法对各层中神经元的权重、偏置等参数的值进行初始化。利用注意力图神经网络获取空间图结构中各生产井节点与各个节点之间的隐含状态关系,具体可表示为公式(1):
hv=fa(Na,X) 公式(1)
其中,hv为空间图结构中各生产井节点与各个节点之间的隐含状态关系,Na为注意力图神经网络中需要训练的参数,X为输入的各个样本中的空间图结构数据,fa为注意力图神经网络将输入转化为隐含状态关系的映射函数。
将各生产井节点与各个节点之间的隐含状态关系以及各个样本的特征数据输入门控循环单元层中,处理输出各个时间点的隐含表征,其中,各个时间点输入的样本特征包括注水井的注水量、井底压力,生产井的井底压力等生产数据。
具体的,每个时间点的具体处理过程包括先将上一个时间点的隐含表征通过注意力图神经网络输出的隐含状态关系进行处理,得到获取了空间关系后的上一个时间点的隐含表征;随后将获取了空间关系后的上一个时间点的隐含表征以及当前时间点的特征数据输入门控循环单元处理,获取当前时间点的隐含表征,并同时传递给长短期记忆神经网络层以及下一个时间点,直至循环至每个样本对应的预设时间窗口内的最后一个时间点的下一个时间点,如公式(2)和(3)所示:
其中,为获取了空间关系后的上一时间点的隐含表征,fa’为图神经网络根据隐含空间关系对输入进行处理的映射函数,fg为门控循环单元层获取短期时间关系的映射函数,Ht-1为上一时间点的隐含表征,Ht为当前时间点的隐含表征,Ng为门控循环单元层中需要训练的参数,Xi为输入的特征数据。
门控循环单元层的最终输出为样本中各个时间点以及对应预设时间窗口内最后一个时间点的下一个时间点的隐含表征,将其输入长短期记忆神经网络中,获取考虑了长期时间关系的每个样本对应的预设时间窗口内最后一个时间点的下一个时间点的特征的隐含表征。
长短期记忆神经网络各个时间点的具体处理可表示为公式(4)所示:
[Ht,l,ct]=fl(Nl,Ht,Ht-1,l,ct-1) 公式(4)
其中,Ht,l为当前时间点获取了长期时间关系后的隐含表征,fl为长短期神经网络层获取长期时间关系的映射函数,Ht-1为上一时间点的隐含表征,Ht为当前时间点的隐含表征,ct及ct-1分别为当前时间点与上一时间点的隐含表征,Nl为长短期记忆神经网络层中需要训练的参数。
长短期神经网络层处理过程中通过长期状态记录长期时间影响。对于每个样本,依次经过各个时间点的传递后,最终得到考虑了长期时间关系的每个样本对应的预设时间窗口内最后一个时间点的下一个时间点的隐含表征。
将长短期记忆神经网络最终输出的考虑了长期时间关系的每个样本对应的预设时间窗口内最后一个时间点的下一个时间点的隐含表征输入前馈神经网络层中,获得每个样本对应的时间窗口内最后一个时间点的下一个时间点的生产井的预测产量,如公式(5)所示。
Qprd,T=fy(Ny,HT,l) 公式(5)
其中,Qprd,T为预测的T时间点的产量,fy为预测层的映射函数,Ny为预测层需要训练的参数,HT,l为T时间点考虑了长期时间关系的隐含表征。
之后,计算所述预测产量与所述训练样本集中的输出数据的历史产量之间的损失函数,根据所述损失函数的结果调整所述多层时空图神经网络中各层的参数(包括各层中神经元的权重、偏置等),直至达到预设迭代停止条件,得到训练后的多层时空图神经网络。
在利用所述多层时空图神经网络,得到所述目标油藏井网的生产井的产量预测结果时,首先设置所述目标油藏井网中未来任意时间的注水井的注水量、井底压力,生产井的井底压力等生产数据,将所述目标油藏井网中未来任意时间的注水井的注水量、井底压力,生产井的井底压力等生产数据输入所述多层时空图神经网络中,可以得到所述目标油藏井网的生产井的产量预测结果。
例如,获取所述训练样本集中最后10个时间点的空间图结构,以及需要预测的未来时间中的第一个时间点的注水井的注水量、井底压力,生产井的井底压力等生产数据共同作为预测样本的特征数据,输入训练后的多层时空图神经网络,得到需要预测的未来时间中的第一个时间点的各生产井的预测产量。之后,将未来第一个时间点的预测产量与其他特征数据组成新的空间图结构,与所述训练样本集中最后9个时间点的空间图结构以及未来第二个时间点的注水井的注水量、井底压力,生产井的井底压力等生产数据共同组成新的预测样本的特征数据,输入训练后的多层时空图神经网络,得到未来第二个时间点的各生产井的预测产量,将预测过程依次重复进行,直至预测得到所需未来时间内所有时间点的产量预测结果。
为了验证本发明实施例中的预测效果,设置预测时间为未来两年,将目标油藏井网中未来两年内的注水井的注水量、井底压力,生产井的井底压力等生产数据输入训练后的多层时空图神经网络中,得到目标油藏井网中的生产井的产量预测结果,包括生产井的产液量以及产油量。将产量预测结果与真实生产数据进行对比,验证预测效果,其中,选取的效果指标包括决定系数(R2)、均方误差(MSE)、平均绝对偏差(MAE),具体预测效果如表1所示,预测结果与实际结果的对比如图5所示,可见模型预测效果较好。
表1
相应的,图6是本发明实施例提供的一种水驱油藏产量预测装置的结构示意图。如图6所示,所述装置60包括:数据获取模块61,用于获取目标油藏井网的空间信息及时间信息,建立所述目标油藏井网的时空图结构数据集;样本建立模块62,用于对所述时空图结构数据集进行滑动时间窗口划分,建立所述目标油藏井网的训练样本集;训练模块63,用于利用所述训练样本集,训练得到用于水驱油藏产量预测的多层时空图神经网络,其中,所述多层时空图神经网络包括依次相连的空间关系获取层、短期时间关系获取层、长期时间关系获取层及预测层;预测模块64,用于利用所述多层时空图神经网络,得到所述目标油藏井网的生产井的产量预测结果。
其中,对于所述空间信息及时间信息的获取,可以从目标区块地质勘探资料、测井曲线、井位分布图、生产动态数据等资料中获取,具体的获取方式可以根据实际情况确定,本发明实施例对此不作限定。
在本发明实施例中,所述空间信息包括但不限于:所述目标油藏井网的注水井数量、生产井数量、各井之间的空间方位和距离以及各井点处的孔隙度、渗透率等物性特征。
所述时间信息包括但不限于:所述目标油藏井网的注水井的历史生产数据与生产井的历史生产数据,具体的可包括各井的工作起止时间、工作时长,注水井的注水量、注入压力,生产井的产量、井底压力、动液面等。其中,对于历史生产数据的获取时段,例如可为开始生产后的10年内的历史生产数据。
进一步地,所述空间信息包括所述目标油藏井网的注水井数量、生产井数量、各井之间的空间方位和距离以及各井点处的孔隙度、渗透率等物性特征。
进一步地,所述数据获取模块还用于:根据所述目标油藏井网的所述空间信息,得到所述目标油藏井网的基础空间图结构;按照预设时间间隔将所述时间信息进行划分,得到各个时间点的历史生产数据;根据所述基础空间图结构和各个时间点的历史生产数据,得到各个时间点的所述目标油藏井网的空间图结构;按照时间顺序,将各个时间点的所述目标油藏井网的空间图结构进行组合,得到所述目标油藏井网的时空图结构数据集。
进一步地,所述样本建立模块还用于:按照预设时间窗口,将所述时空图结构数据集进行滑动时间窗口划分,得到所述训练样本集中每个样本的输入数据;以每个预设时间窗口内最后一个时间点的下一个时间点的生产井的历史产量作为每个样本的输出数据;根据每个样本的输入数据和输出数据,得到所述目标油藏井网的训练样本集。
进一步地,所述训练模块具体用于:将所述训练样本集中的输入数据中的各个时间点的空间图结构输入所述多层时空图神经网络中的空间关系获取层;将所述空间关系获取层的输出以及所述训练样本集中的输入数据输入所述多层时空图神经网络中的短期时间关系获取层;将所述短期时间关系获取层的输出输入所述多层时空图神经网络中的长期时间关系获取层;将所述长期时间关系获取层的输出输入所述多层时空图神经网络中的预测层,输出为与所述训练样本集中的输入数据对应的所述预设时间窗口内最后一个时间点的下一个时间点的生产井的预测产量;计算所述预测产量与所述训练样本集中的输出数据的历史产量之间的损失函数,根据所述损失函数的结果调整所述多层时空图神经网络中各层的参数,直至达到预设迭代停止条件,得到训练后的多层时空图神经网络。
进一步地,所述预测模块具体用于:将所述目标油藏井网在预测时间的生产数据输入所述多层时空图神经网络,得到在所述预测时间内的生产井的产量预测结果。
所述水驱油藏产量预测装置的实施过程与有益效果可参见上述水驱油藏产量预测方法的实施过程与有益效果,此处不再赘述。
相应的,本发明实施例还提供一种机器可读存储介质,该机器可读存储介质上存储有指令,该指令用于使得机器执行如上实施例所述的水驱油藏产量预测方法。
本领域内的技术人员应明白,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。
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。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置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。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供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步骤。
在一个典型的配置中,计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。
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。
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 (15)
1.一种水驱油藏产量预测方法,其特征在于,包括:
获取目标油藏井网的空间信息及时间信息,建立所述目标油藏井网的时空图结构数据集;
对所述时空图结构数据集进行滑动时间窗口划分,建立所述目标油藏井网的训练样本集;
利用所述训练样本集,训练得到用于水驱油藏产量预测的多层时空图神经网络,其中,所述多层时空图神经网络包括依次相连的空间关系获取层、短期时间关系获取层、长期时间关系获取层以及预测层;
利用所述多层时空图神经网络,得到所述目标油藏井网的生产井的产量预测结果。
2.根据权利要求1所述的水驱油藏产量预测方法,其特征在于,所述空间信息包括所述目标油藏井网的注水井数量、生产井数量、各井之间的空间方位和距离以及各井点处的孔隙度、渗透率。
3.根据权利要求1所述的水驱油藏产量预测方法,其特征在于,所述时间信息包括所述目标油藏井网的注水井的历史生产数据与生产井的历史生产数据。
4.根据权利要求1所述的水驱油藏产量预测方法,其特征在于,所述建立所述目标油藏井网的时空图结构数据集包括:
根据所述目标油藏井网的所述空间信息,得到所述目标油藏井网的基础空间图结构;
按照预设时间间隔将所述时间信息进行划分,得到各个时间点的历史生产数据;
根据所述基础空间图结构和各个时间点的历史生产数据,得到各个时间点的所述目标油藏井网的空间图结构;
按照时间顺序,将各个时间点的所述目标油藏井网的空间图结构进行组合,得到所述目标油藏井网的时空图结构数据集。
5.根据权利要求1所述的水驱油藏产量预测方法,其特征在于,所述对所述时空图结构数据集进行滑动时间窗口划分,建立所述目标油藏井网的训练样本集包括:
按照预设时间窗口,将所述时空图结构数据集进行滑动时间窗口划分,得到所述训练样本集中每个样本的输入数据;
以每个预设时间窗口内最后一个时间点的下一个时间点的生产井的历史产量作为每个样本的输出数据;
根据每个样本的输入数据和输出数据,得到所述目标油藏井网的训练样本集。
6.根据权利要求5所述的水驱油藏产量预测方法,其特征在于,所述利用所述训练样本集,训练得到用于水驱油藏产量预测的多层时空图神经网络包括:
将所述训练样本集中的输入数据中的各个时间点的空间图结构输入所述多层时空图神经网络中的空间关系获取层;
将所述空间关系获取层的输出以及所述训练样本集中的输入数据输入所述多层时空图神经网络中的短期时间关系获取层;
将所述短期时间关系获取层的输出输入所述多层时空图神经网络中的长期时间关系获取层;
将所述长期时间关系获取层的输出输入所述多层时空图神经网络中的预测层,输出为与所述训练样本集中的输入数据对应的所述预设时间窗口内最后一个时间点的下一个时间点的生产井的预测产量;
计算所述预测产量与所述训练样本集中的输出数据的历史产量之间的损失函数,根据所述损失函数的结果调整所述多层时空图神经网络中各层的参数,直至达到预设迭代停止条件,得到训练后的多层时空图神经网络。
7.根据权利要求1所述的水驱油藏产量预测方法,其特征在于,所述利用所述多层时空图神经网络,得到所述目标油藏井网的生产井的产量预测结果包括:
将所述目标油藏井网在预测时间的生产数据输入所述多层时空图神经网络,得到在所述预测时间内的生产井的产量预测结果。
8.一种水驱油藏产量预测装置,其特征在于,包括:
数据获取模块,用于获取目标油藏井网的空间信息及时间信息,建立所述目标油藏井网的时空图结构数据集;
样本建立模块,用于对所述时空图结构数据集进行滑动时间窗口划分,建立所述目标油藏井网的训练样本集;
训练模块,用于利用所述训练样本集,训练得到用于水驱油藏产量预测的多层时空图神经网络,其中,所述多层时空图神经网络包括依次相连的空间关系获取层、短期时间关系获取层、长期时间关系获取层及预测层;
预测模块,用于利用所述多层时空图神经网络,得到所述目标油藏井网的生产井的产量预测结果。
9.根据权利要求8所述的水驱油藏产量预测装置,其特征在于,所述空间信息包括所述目标油藏井网的注水井数量、生产井数量、各井之间的空间方位和距离以及各井点处的孔隙度、渗透率。
10.根据权利要求8所述的水驱油藏产量预测装置,其特征在于,所述时间信息包括所述目标油藏井网的注水井的历史生产数据与生产井的历史生产数据。
11.根据权利要求8所述的水驱油藏产量预测装置,其特征在于,所述数据获取模块还用于:
根据所述目标油藏井网的所述空间信息,得到所述目标油藏井网的基础空间图结构;
按照预设时间间隔将所述时间信息进行划分,得到各个时间点的历史生产数据;
根据所述基础空间图结构和各个时间点的历史生产数据,得到各个时间点的所述目标油藏井网的空间图结构;
按照时间顺序,将各个时间点的所述目标油藏井网的空间图结构进行组合,得到所述目标油藏井网的时空图结构数据集。
12.根据权利要求8所述的水驱油藏产量预测装置,其特征在于,所述样本建立模块具体用于:
按照预设时间窗口,将所述时空图结构数据集进行滑动时间窗口划分,得到所述训练样本集中每个样本的输入数据;
以每个预设时间窗口内最后一个时间点的下一个时间点的生产井的历史产量作为每个样本的输出数据;
根据每个样本的输入数据和输出数据,得到所述目标油藏井网的训练样本集。
13.根据权利要求12所述的水驱油藏产量预测装置,其特征在于,所述训练模块具体用于:
将所述训练样本集中的输入数据中的各个时间点的空间图结构输入所述多层时空图神经网络中的空间关系获取层;
将所述空间关系获取层的输出以及所述训练样本集中的输入数据输入所述多层时空图神经网络中的短期时间关系获取层;
将所述短期时间关系获取层的输出输入所述多层时空图神经网络中的长期时间关系获取层;
将所述长期时间关系获取层的输出输入所述多层时空图神经网络中的预测层,输出为与所述训练样本集中的输入数据对应的所述预设时间窗口内最后一个时间点的下一个时间点的生产井的预测产量;
计算所述预测产量与所述训练样本集中的输出数据的历史产量之间的损失函数,根据所述损失函数的结果调整所述多层时空图神经网络中各层的参数,直至达到预设迭代停止条件,得到训练后的多层时空图神经网络。
14.根据权利要求8所述的水驱油藏产量预测装置,其特征在于,所述预测模块具体用于:
将所述目标油藏井网在预测时间的生产数据输入所述多层时空图神经网络,得到在所述预测时间内的生产井的产量预测结果。
15.一种机器可读存储介质,该机器可读存储介质上存储有指令,该指令用于使得机器执行根据权利要求1-7任一项所述的水驱油藏产量预测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110797219.9A CN113435662B (zh) | 2021-07-14 | 2021-07-14 | 水驱油藏产量预测方法、装置及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110797219.9A CN113435662B (zh) | 2021-07-14 | 2021-07-14 | 水驱油藏产量预测方法、装置及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113435662A true CN113435662A (zh) | 2021-09-24 |
CN113435662B CN113435662B (zh) | 2022-10-04 |
Family
ID=77760397
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110797219.9A Active CN113435662B (zh) | 2021-07-14 | 2021-07-14 | 水驱油藏产量预测方法、装置及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113435662B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115169761A (zh) * | 2022-09-08 | 2022-10-11 | 中科数智能源科技(深圳)有限公司 | 基于gnn和lstm的复杂井网油田产量预测方法 |
CN115186936A (zh) * | 2022-09-08 | 2022-10-14 | 中科数智能源科技(深圳)有限公司 | 基于gnn模型的油田最优井网构建方法 |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108009469A (zh) * | 2017-10-24 | 2018-05-08 | 中国科学院电子学研究所苏州研究院 | 一种基于结构递归神经网络的海上油气平台检测方法 |
CN109359768A (zh) * | 2018-09-25 | 2019-02-19 | 联想(北京)有限公司 | 一种数据处理方法、服务器及电子设备 |
CN110400006A (zh) * | 2019-07-02 | 2019-11-01 | 中国石油化工股份有限公司 | 基于深度学习算法的油井产量预测方法 |
CA3065684A1 (en) * | 2018-12-22 | 2020-06-22 | Schlumberger Canada Limited | Dynamic reservoir characterization |
CN111639787A (zh) * | 2020-04-28 | 2020-09-08 | 北京工商大学 | 一种基于图卷积网络的时空数据预测方法 |
CN112052977A (zh) * | 2019-12-24 | 2020-12-08 | 中国石油大学(华东) | 一种基于深度时空注意力网络的油藏储量预测方法 |
CN112282714A (zh) * | 2020-11-30 | 2021-01-29 | 河海大学 | 基于深度学习和图论的全井网注水开发优化方法 |
CN112360411A (zh) * | 2020-11-30 | 2021-02-12 | 河海大学 | 基于图神经网络的局部井网注水开发优化方法 |
CN112926771A (zh) * | 2021-02-22 | 2021-06-08 | 中国石油大学(华东) | 一种基于改进的时空图卷积网络产油量预测方法及系统 |
CN113052371A (zh) * | 2021-03-16 | 2021-06-29 | 中国石油大学(华东) | 基于深度卷积神经网络的剩余油分布预测方法及装置 |
-
2021
- 2021-07-14 CN CN202110797219.9A patent/CN113435662B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108009469A (zh) * | 2017-10-24 | 2018-05-08 | 中国科学院电子学研究所苏州研究院 | 一种基于结构递归神经网络的海上油气平台检测方法 |
CN109359768A (zh) * | 2018-09-25 | 2019-02-19 | 联想(北京)有限公司 | 一种数据处理方法、服务器及电子设备 |
CA3065684A1 (en) * | 2018-12-22 | 2020-06-22 | Schlumberger Canada Limited | Dynamic reservoir characterization |
CN110400006A (zh) * | 2019-07-02 | 2019-11-01 | 中国石油化工股份有限公司 | 基于深度学习算法的油井产量预测方法 |
CN112052977A (zh) * | 2019-12-24 | 2020-12-08 | 中国石油大学(华东) | 一种基于深度时空注意力网络的油藏储量预测方法 |
CN111639787A (zh) * | 2020-04-28 | 2020-09-08 | 北京工商大学 | 一种基于图卷积网络的时空数据预测方法 |
CN112282714A (zh) * | 2020-11-30 | 2021-01-29 | 河海大学 | 基于深度学习和图论的全井网注水开发优化方法 |
CN112360411A (zh) * | 2020-11-30 | 2021-02-12 | 河海大学 | 基于图神经网络的局部井网注水开发优化方法 |
CN112926771A (zh) * | 2021-02-22 | 2021-06-08 | 中国石油大学(华东) | 一种基于改进的时空图卷积网络产油量预测方法及系统 |
CN113052371A (zh) * | 2021-03-16 | 2021-06-29 | 中国石油大学(华东) | 基于深度卷积神经网络的剩余油分布预测方法及装置 |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115169761A (zh) * | 2022-09-08 | 2022-10-11 | 中科数智能源科技(深圳)有限公司 | 基于gnn和lstm的复杂井网油田产量预测方法 |
CN115186936A (zh) * | 2022-09-08 | 2022-10-14 | 中科数智能源科技(深圳)有限公司 | 基于gnn模型的油田最优井网构建方法 |
CN115186936B (zh) * | 2022-09-08 | 2022-12-27 | 中科数智能源科技(深圳)有限公司 | 基于gnn模型的油田最优井网构建方法 |
Also Published As
Publication number | Publication date |
---|---|
CN113435662B (zh) | 2022-10-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113435662B (zh) | 水驱油藏产量预测方法、装置及存储介质 | |
CN112360411B (zh) | 基于图神经网络的局部井网注水开发优化方法 | |
CN110083125A (zh) | 一种基于深度学习的机床热误差建模方法 | |
CN114693005B (zh) | 基于卷积傅里叶神经网络的三维地下油藏动态预测方法 | |
Chaki et al. | Machine learning for proxy modeling of dynamic reservoir systems: deep neural network DNN and recurrent neural network RNN applications | |
CN114723095A (zh) | 缺失测井曲线预测方法及装置 | |
Grema et al. | Optimal feedback control of oil reservoir waterflooding processes | |
Tang et al. | Well control optimization of waterflooding oilfield based on deep neural network | |
CN112541256A (zh) | 基于深度学习降维重构的强非均质油藏历史拟合方法 | |
CN114462262A (zh) | 一种基于时间和空间双重维度的历史拟合预测方法 | |
CN111753423B (zh) | 一种基于XGBoost的井间动态连通性量化方法 | |
Verga et al. | Improved application of assisted history matching techniques | |
CN115618750B (zh) | 一种基于耦合神经网络的地下油水渗流代理模型 | |
CN110486008B (zh) | 一种径向复合油藏的参数解释方法及系统 | |
CN110852415B (zh) | 基于神经网络算法的植被指数预测方法、系统及设备 | |
van Essen et al. | Integrated dynamic optimization and control in reservoir engineering using locally identified linear models | |
CN116384770A (zh) | 一种提液井产量预测方法、系统、设备及介质 | |
Chen | Ensemble-based closed-loop production optimization | |
CN112818508B (zh) | 稠油油藏蒸汽驱油藏井间连通性识别方法、装置和存储介质 | |
CN112926774A (zh) | 基于长短时记忆神经网络的地热产能预测方法及系统 | |
Cheng et al. | Deep learning-based prediction of subsurface oil reservoir pressure using spatio-temporal data | |
CN113671596B (zh) | 细菌损害油气层建模方法、损害程度时空演化4d定量与智能诊断方法及其系统 | |
Feder | Machine-learning approach determines spatial variation in shale decline curves | |
CN117422001B (zh) | 一种优势渗流通道确定方法、装置、设备及存储介质 | |
CN111783847B (zh) | 一种低对比度油气层识别方法、装置、设备及系统 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |