CN113496306A - 用于单溶洞油气井的产量预测方法及装置 - Google Patents
用于单溶洞油气井的产量预测方法及装置 Download PDFInfo
- Publication number
- CN113496306A CN113496306A CN202010269167.3A CN202010269167A CN113496306A CN 113496306 A CN113496306 A CN 113496306A CN 202010269167 A CN202010269167 A CN 202010269167A CN 113496306 A CN113496306 A CN 113496306A
- Authority
- CN
- China
- Prior art keywords
- data set
- original data
- yield
- weight
- neural network
- 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
- 238000000034 method Methods 0.000 title claims abstract description 57
- 238000012360 testing method Methods 0.000 claims abstract description 54
- 238000013528 artificial neural network Methods 0.000 claims abstract description 39
- 238000004519 manufacturing process Methods 0.000 claims abstract description 33
- 230000002068 genetic effect Effects 0.000 claims abstract description 18
- 238000005457 optimization Methods 0.000 claims abstract description 15
- 238000012549 training Methods 0.000 claims abstract description 14
- 238000010606 normalization Methods 0.000 claims description 7
- 230000015572 biosynthetic process Effects 0.000 claims description 6
- 238000013016 damping Methods 0.000 claims description 6
- 230000035699 permeability Effects 0.000 claims description 5
- 238000012545 processing Methods 0.000 claims description 4
- 230000035772 mutation Effects 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 abstract description 7
- 238000010586 diagram Methods 0.000 description 7
- 238000011156 evaluation Methods 0.000 description 7
- 239000004215 Carbon black (E152) Substances 0.000 description 5
- 229930195733 hydrocarbon Natural products 0.000 description 5
- 150000002430 hydrocarbons Chemical class 0.000 description 5
- 238000012544 monitoring process Methods 0.000 description 5
- 230000003247 decreasing effect Effects 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 230000007547 defect Effects 0.000 description 3
- 238000011161 development Methods 0.000 description 3
- 239000012530 fluid Substances 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 238000009396 hybridization Methods 0.000 description 2
- 238000002347 injection Methods 0.000 description 2
- 239000007924 injection Substances 0.000 description 2
- 239000003129 oil well Substances 0.000 description 2
- 239000000243 solution Substances 0.000 description 2
- 239000013589 supplement Substances 0.000 description 2
- 150000001875 compounds Chemical class 0.000 description 1
- 238000013211 curve analysis Methods 0.000 description 1
- 238000010952 in-situ formation Methods 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 230000035515 penetration Effects 0.000 description 1
- 229920000642 polymer Polymers 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
- 231100000245 skin permeability Toxicity 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/12—Computing arrangements based on biological models using genetic models
- G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
-
- 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)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Business, Economics & Management (AREA)
- Health & Medical Sciences (AREA)
- Biophysics (AREA)
- General Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- General Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- Data Mining & Analysis (AREA)
- Computational Linguistics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Biomedical Technology (AREA)
- Evolutionary Biology (AREA)
- Primary Health Care (AREA)
- Genetics & Genomics (AREA)
- Agronomy & Crop Science (AREA)
- Animal Husbandry (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Physiology (AREA)
- Entrepreneurship & Innovation (AREA)
- Game Theory and Decision Science (AREA)
- Development Economics (AREA)
- Marine Sciences & Fisheries (AREA)
- Mining & Mineral Resources (AREA)
Abstract
本发明提供一种用于单溶洞油气井的产量预测方法,其包含:步骤一:在试井工业过程中,选取并采集影响单溶洞油气井产量的相关参数,作为原始数据集;步骤二:利用加速遗传优化投影寻踪法对原始数据集中每个相关参数的权重进行计算,得到各相关参数对应的权重值;步骤三:将权重值以及原始数据集作为输入信息,利用神经网络进行训练迭代,以实现对单溶洞油气井产量的有效预测。本发明计算速度快,实时性强,精度高,能对试井解释的单溶洞油气井的产量进行实时预测;在试井工业过程中本发明的组合网络模型应用性强,可靠性强,稳定性强,具有广泛的应用前景。
Description
技术领域
本发明涉及试井解释的单溶洞油气井产能技术领域,具体地说,涉及一种用于单溶洞油气井的产量预测方法及装置。
背景技术
油气井产能都是针对单井,主要研究单井开采时的井底压力与地面产量之间的关系,产能试井只能适用于开采期间没有外界能量补充的衰竭式开发方式。但对于缝洞型油气藏,油井普遍存在着连通性,在油气开发时普遍采用注水、注聚合物等外界补充能量方式,产能预测难度较大。
产能试井的目的就是得到一个产能方程(流量与压力的关系),而产能试井是基于稳定渗流理论的,即前期大量的产能方程理论均基于稳定渗流方程推导出来的,如Vogel产能评价方法、Fetkovich产能评价方法、Wiggins产能评价方法等,稳定产能试井主要是建立油气井稳定状态下的井底压力与流量关系,与实际出入较大,导致其适应性差,因此在油气开发过程中又开展了大量关于用井的生产历史来预测油井储量、油藏性质等方面的研究,这类方法主要基于定井底流压下的产量随时间变化来预测未来产能的变化,由于这些方法涉及到时间,所以称之为动态产能预测,动态产能预测最主要的有以下几种方法:Arps递减曲线,Fetkovich递减曲线等。
目前,国内也有一些专家开展了基于压力试井的产能研究,如2007年郭秩瑛等人对井下压力监测数据试井解释方法进行了初步探讨。他们认为井下压力监测数据试井解释实际上是变产量试井,用动液面数据审核井下压力监测数据,当动液面监测数据量较大时,可以考虑用动液面数据折算出井底流压和产量数据进行变产量试井解释。2008年王东权等人针对压力恢复试井测试时间较短、压力波及范围小、解释结果不能综合反映长期生产后地层特征等问题,建立了考虑有效井径双重介质油藏的产量递减模型,并对模型进行求解,绘制新型产量递减分析样版曲线等等。
但是,上述动态数据的产能预测主要是基于定井底流压的假设,通过建立一定的模型和方程形成产量随时间变化曲线分析,这些模型和方法需要满足一定的条件,如地层中只有一口井的衰竭式开采、前期要有足够的生产时间保证流动到达边界等,这对于非均质性极强、可能存在连通性的缝洞型油藏难度很大,因此有必要探索从试井、生产等综合数据来进行产能分析的方法,缩短油气井产能预测时间,提高方法的实用性和适用范围。
因此,本发明提供了一种用于单溶洞油气井的产量预测方法及装置。
发明内容
为解决上述问题,本发明提供了一种用于单溶洞油气井的产量预测方法,所述方法包含以下步骤:
步骤一:在试井工业过程中,选取并采集影响单溶洞油气井产量的相关参数,作为原始数据集;
步骤二:利用加速遗传优化投影寻踪法对所述原始数据集中每个相关参数的权重进行计算,得到各相关参数对应的权重值;
步骤三:将所述权重值以及所述原始数据集作为输入信息,利用神经网络进行训练迭代,以实现对单溶洞油气井产量的有效预测。
根据本发明的一个实施例,所述相关参数包含:地层压力、原始压力、井筒表皮、渗透率、波动系数、阻尼系数以及单洞体积。
根据本发明的一个实施例,所述步骤一中还包含以下步骤:对每个相关参数进行归一化处理,通过以下公式得到归一化后的数据:
其中,x′(j)表示第j个相关参数归一化后的数据,x(j)表示第j个相关参数对应的原始数据,xmin(j)与xmax(j)分别表示第j个相关参数的最小值和最大值。
根据本发明的一个实施例,所述步骤二中具体包含以下步骤:
基于所述原始数据集,利用投影寻踪法将所述原始数据集投影到低维空间,得到一维线性投影值;
利用加速遗传算法,建立投影指标函数,基于所述一维线性投影值优化得到各相关参数对应的最佳投影方向;
基于所述最佳投影方向计算得到最佳一维线性投影值,将所述最佳一维线性投影值代入权重公式计算得到各相关参数对应的权重值。
根据本发明的一个实施例,通过以下公式计算得到所述一维线性投影值:
其中,P(i)表示所述一维线性投影值,x′(i,j)表示归一化处理后的原始数据集,l(j)表示第j个相关参数的投影方向。
根据本发明的一个实施例,通过初始化种群,适应度函数计算,进行选择、交叉、变异操作得出所述最佳投影方向。
根据本发明的一个实施例,所述权重公式如下:
其中,wj表示第j个相关参数的权重值,P(j)表示第j个相关参数的最佳一维线性投影值。
根据本发明的一个实施例,所述步骤三中具体包含以下步骤:基于所述权重值以及所述原始数据集,利用所述神经网络进行训练,迭代地修改所述神经网络隐含层的权值,最小化所述神经网络期望输出、实际输出间的绝对误差。
根据本发明的一个实施例,所述神经网络采用BP神经网络。
根据本发明的另一个方面,还提供了一种用于单溶洞油气井的产量预测装置,所述装置包含:
第一模块,其用于在试井工业过程中,选取并采集影响单溶洞油气井产量的相关参数,作为原始数据集;
第二模块,其用于利用加速遗传优化投影寻踪法对所述原始数据集中每个相关参数的权重进行计算,得到各相关参数对应的权重值;
第三模块,其用于将所述权重值以及所述原始数据集作为输入信息,利用神经网络进行训练迭代,以实现对单溶洞油气井产量的有效预测。
本发明提供的用于单溶洞油气井的产量预测方法及装置在试井工业过程中,采集影响试井产量相关的参数,首先利用加速遗传优化投影寻踪法确定影响试井产量因素的权重;其次将影响因素权重与原始数据一并作为输入信息,利用BP神经网络对参数进行训练迭代,最后实现对试井单洞产量的有效预测。本发明弥补了现有稳定产能试井与动态产能试井存在的不足,即克服了稳定产能试井适应性差和动态产能试井作业时间长的问题;采用大量的、高关联的试井解释参数来预测产量,可靠性与准确性更高,并且,本发明计算速度快,实时性强,精度高,能对试井解释的单溶洞油气井的产量进行实时预测;在试井工业过程中本发明的组合网络模型应用性强,可靠性强,稳定性强,具有广泛的应用前景。
本发明的其它特征和优点将在随后的说明书中阐述,并且,部分地从说明书中变得显而易见,或者通过实施本发明而了解。本发明的目的和其他优点可通过在说明书、权利要求书以及附图中所特别指出的结构来实现和获得。
附图说明
附图用来提供对本发明的进一步理解,并且构成说明书的一部分,与本发明的实施例共同用于解释本发明,并不构成对本发明的限制。在附图中:
图1显示了根据本发明的一个实施例的用于单溶洞油气井的产量预测方法流程图;
图2显示了根据本发明的另一个实施例的用于单溶洞油气井的产量预测方法流程图;
图3显示了根据本发明的一个实施例的顺北地区用于单溶洞油气井的产量预测方法流程图;
图4显示了根据本发明的一个实施例的真实值与预测值曲线图;以及
图5显示了根据本发明的一个实施例的用于单溶洞油气井的产量预测装置结构框图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚,以下结合附图对本发明实施例作进一步地详细说明。
图1显示了根据本发明的一个实施例的用于单溶洞油气井的产量预测方法流程图。
如图1,在步骤S101中,在试井工业过程中,选取并采集影响单溶洞油气井产量的相关参数,作为原始数据集。
在一个实施例中,试井单溶洞油气井产量预测过程中需要测量与参考的指标数量众多,从中选取与总产量相关性最大的参数,即相关参数包含:地层压力、原始压力、井筒表皮、渗透率、波动系数、阻尼系数以及单洞体积。
进一步地,原始数据集包含不同类型油气井的各相关参数及对应的总产量数据,所述原始数据集分为训练集与测试集。
具体来说,步骤S101中还包含以下步骤:各相关参数量纲存在差异,为了消除各相关参数量纲不同造成的影响,对每个相关参数进行归一化处理,通过以下公式得到归一化后的数据:
其中,x′(j)表示第j个相关参数归一化后的数据,x(j)表示第j个相关参数对应的原始数据,xmin(j)与xmax(j)分别表示第j个相关参数的最小值和最大值。
如图1,在步骤S102中,利用加速遗传优化投影寻踪法对原始数据集中每个相关参数的权重进行计算,得到各相关参数对应的权重值。
在一个实施例中,各相关参数对应的权重值即神经网络最优初始权值参数与阈值。
具体来说,在步骤S102中具体包含以下步骤:
S1021、基于原始数据集,利用投影寻踪法将原始数据集投影到低维空间,得到一维线性投影值。
S1022、利用加速遗传算法,建立投影指标函数,基于一维线性投影值优化得到各相关参数对应的最佳投影方向。
S1023、基于最佳投影方向计算得到最佳一维线性投影值,将最佳一维线性投影值代入权重公式计算得到各相关参数对应的权重值。
投影寻踪法是一种以监测数据为主体的客观权重计算方法。该方法的原理是将优选出来与试井单洞产量最相关的多维试井单洞数据投影到低维空间。
进一步地,在步骤S1021中,通过以下公式计算得到一维线性投影值:
其中,P(i)表示一维线性投影值,x′(i,j)表示归一化处理后的原始数据集,l(j)表示第j个相关参数的投影方向。
进一步地,在步骤S1022中,通过初始化种群,适应度函数计算,进行选择、交叉、变异操作得出最佳投影方向。
具体来说,通过以下公式得到优化后的最佳投影方向:
Z(l)=SP×QP
式中,SP是群间距离,QP是群内密度,其计算公式如下:
进一步地,在步骤S1023中,将在步骤S1022中得到的最佳投影方向带回步骤S1021中的一维线性投影值计算公式,计算得到最佳一维线性投影值,归一化后代入权重公式计算得到各相关参数的权重值,权重公式如下:
其中,wj表示第j个相关参数的权重值,P(j)表示第j个相关参数的最佳一维线性投影值。
如图1,在步骤S103中,将权重值以及原始数据集作为输入信息,利用神经网络进行训练迭代,以实现对单溶洞油气井产量的有效预测。
具体来说,在步骤S103中具体包含以下步骤:基于权重值以及原始数据集,利用神经网络进行训练,迭代地修改神经网络隐含层的权值,最小化神经网络期望输出、实际输出间的绝对误差。
在一个实施例中,神经网络采用BP神经网络。
本发明将原始数据集与优化计算的相关参数权重作为神经网络输入,对神经网络进行训练,迭代地修改其隐含层的权值,最小化该神经网络期望输出、实际输出间的绝对误差,实现试井单溶洞油气井的产能预测;整个组合网络模型在试井单溶洞油气井产能预测上精度高,应用性强,实时性强,稳定性强。
图2显示了根据本发明的另一个实施例的用于单溶洞油气井的产量预测方法流程图。
首先,在试井工业过程中,选取并采集影响单溶洞油气井产量的相关参数,作为原始数据集;然后,对原始数据集进行归一化处理,利用投影寻踪法计算得到各相关参数对应的一维线性投影值Pi。
之后,利用加速遗传算法,建立投影优化函数,通过加速遗传算法进行优化,得到各相关参数对应的最佳投影方向。接着,基于最佳投影方向计算得到最佳一维线性投影值,将最佳一维线性投影值代入权重公式计算得到各相关参数对应的权重值。
最后,将各相关参数对应的权重值以及原始数据集作为输入信息,利用BP神经网络进行训练迭代,以实现对单溶洞油气井产量的有效预测。
在进行加速遗传算法优化过程中,首先进行父代群体初始化,然后计算父代群体的适应度评价,之后进行选择、杂交操作变异得到新一代种群。接着,判断是否达到优化目标,如果否,则返回重新计算父代群体的适应度评价,进行选择、杂交操作得到新一代种群;如果否,则得到优化后的最佳投影方向。
本发明能够优选影响试井单溶洞油气井产量相关的参数;利用加速遗传优化投影寻踪法对相关参数的权重进行计算;将相关参数对应的权重值与相关参数作为神经网络的输入集,对神经网络进行训练,从而对试井单溶洞油气井产量进行有效可靠的预测。
图3显示了根据本发明的一个实施例的顺北地区用于单溶洞油气井的产量预测方法流程图。在本实施例中,针对顺北地区的断溶体试井参数对单溶洞油气井的产量进行预测。
在步骤S301中,从顺北、托甫台等区块优选了试井解释单溶洞油气井的7种试井基本参数,即原地层压力、原始压力、井筒表皮、渗透率、波动系数、阻尼系数、单洞体积,并利用优选的这7种参数数据组成试井单洞预测数据集。
进一步地,将以上所属类型油气井与各相关参数对应的总产量数据组成原始数据集,将原始数据集随机分为训练集与测试集。
在步骤S302中,将原始数据集进行归一化处理,以便于后续计算。
在步骤S303中,利用加速遗传优化投影寻踪法确定影响试井这7种相关参数的权重,最终计算各个相关参数权重如下表1:
表1各相关参数对应的权重值
参数 | 地层压力 | 原始压力 | 井筒表皮 | 渗透率 | 波动系数 | 阻尼系数 | 单洞体积 |
权重值 | 0.301 | 0.220 | 0.151 | 0.086 | 0.066 | 0.118 | 0.059 |
在步骤S304中,将7个相关参数对应的权重值与原始数据集一并作为BP神经网络输入端口,将产量作为BP神经网络的输出端。
具体来说,对BP神经网络进行训练,使其迭代地修改BP神经网络隐含层的权值,使BP神经网络期望输出、实际输出间的绝对误差最小。
在步骤S305中,将测试集输入BP神经网络,得到最终预测结果,如图4所示。如图4所示,采用本申请提出的用于单溶洞油气井的产量预测方法进行产量预测得到的预测值与真实值基本吻合,精度高。
本发明基于地层压力、原始压力、井筒表皮、渗透率、波动系数、阻尼系数、单洞体积等与产量关联度高的试井解释基础参数,通过加速遗传优化投影寻踪法-BP神经网理论进行科学分析,实现产能的快速预测,克服了现有稳态产能评价与动态产能评价存在的不足。
图5显示了根据本发明的一个实施例的用于单溶洞油气井的产量预测装置结构框图。如图5,产量预测装置500包含第一模块501、第二模块502以及第三模块503。
第一模块501用于在试井工业过程中,选取并采集影响单溶洞油气井产量的相关参数,作为原始数据集。
第二模块502用于利用加速遗传优化投影寻踪法对原始数据集中每个相关参数的权重进行计算,得到各相关参数对应的权重值。
第三模块503用于将权重值以及原始数据集作为输入信息,利用神经网络进行训练迭代,以实现对单溶洞油气井产量的有效预测。
综上,本发明提供的用于单溶洞油气井的产量预测方法及装置在试井工业过程中,采集影响试井产量相关的参数,首先利用加速遗传优化投影寻踪法确定影响试井产量因素的权重;其次将影响因素权重与原始数据一并作为输入信息,利用BP神经网络对参数进行训练迭代,最后实现对试井单洞产量的有效预测。
本发明弥补了现有稳定产能试井与动态产能试井存在的不足,即克服了稳定产能试井适应性差和动态产能试井作业时间长的问题;采用大量的、高关联的试井解释参数来预测产量,可靠性与准确性更高,并且,本发明计算速度快,实时性强,精度高,能对试井解释的单溶洞油气井的产量进行实时预测;在试井工业过程中本发明的组合网络模型应用性强,可靠性强,稳定性强,具有广泛的应用前景。
应该理解的是,本发明所公开的实施例不限于这里所公开的特定结构、处理步骤或材料,而应当延伸到相关领域的普通技术人员所理解的这些特征的等同替代。还应当理解的是,在此使用的术语仅用于描述特定实施例的目的,而并不意味着限制。
说明书中提到的“一个实施例”或“实施例”意指结合实施例描述的特定特征、结构或特性包括在本发明的至少一个实施例中。因此,说明书通篇各个地方出现的短语“一个实施例”或“实施例”并不一定均指同一个实施例。
虽然本发明所公开的实施方式如上,但所述的内容只是为了便于理解本发明而采用的实施方式,并非用以限定本发明。任何本发明所属技术领域内的技术人员,在不脱离本发明所公开的精神和范围的前提下,可以在实施的形式上及细节上作任何的修改与变化,但本发明的专利保护范围,仍须以所附的权利要求书所界定的范围为准。
Claims (10)
1.一种用于单溶洞油气井的产量预测方法,其特征在于,所述方法包含以下步骤:
步骤一:在试井工业过程中,选取并采集影响单溶洞油气井产量的相关参数,作为原始数据集;
步骤二:利用加速遗传优化投影寻踪法对所述原始数据集中每个相关参数的权重进行计算,得到各相关参数对应的权重值;
步骤三:将所述权重值以及所述原始数据集作为输入信息,利用神经网络进行训练迭代,以实现对单溶洞油气井产量的有效预测。
2.如权利要求1所述的方法,其特征在于,所述相关参数包含:地层压力、原始压力、井筒表皮、渗透率、波动系数、阻尼系数以及单洞体积。
4.如权利要求3所述的方法,其特征在于,所述步骤二中具体包含以下步骤:
基于所述原始数据集,利用投影寻踪法将所述原始数据集投影到低维空间,得到一维线性投影值;
利用加速遗传算法,建立投影指标函数,基于所述一维线性投影值优化得到各相关参数对应的最佳投影方向;
基于所述最佳投影方向计算得到最佳一维线性投影值,将所述最佳一维线性投影值代入权重公式计算得到各相关参数对应的权重值。
6.如权利要求4所述的方法,其特征在于,通过初始化种群,适应度函数计算,进行选择、交叉、变异操作得出所述最佳投影方向。
8.如权利要求1-7中任一项所述的方法,其特征在于,所述步骤三中具体包含以下步骤:基于所述权重值以及所述原始数据集,利用所述神经网络进行训练,迭代地修改所述神经网络隐含层的权值,最小化所述神经网络期望输出、实际输出间的绝对误差。
9.如权利要求1-8中任一项所述的方法,其特征在于,所述神经网络采用BP神经网络。
10.一种用于单溶洞油气井的产量预测装置,其特征在于,所述装置包含:
第一模块,其用于在试井工业过程中,选取并采集影响单溶洞油气井产量的相关参数,作为原始数据集;
第二模块,其用于利用加速遗传优化投影寻踪法对所述原始数据集中每个相关参数的权重进行计算,得到各相关参数对应的权重值;
第三模块,其用于将所述权重值以及所述原始数据集作为输入信息,利用神经网络进行训练迭代,以实现对单溶洞油气井产量的有效预测。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010269167.3A CN113496306A (zh) | 2020-04-08 | 2020-04-08 | 用于单溶洞油气井的产量预测方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010269167.3A CN113496306A (zh) | 2020-04-08 | 2020-04-08 | 用于单溶洞油气井的产量预测方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113496306A true CN113496306A (zh) | 2021-10-12 |
Family
ID=77995788
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010269167.3A Pending CN113496306A (zh) | 2020-04-08 | 2020-04-08 | 用于单溶洞油气井的产量预测方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113496306A (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103902737A (zh) * | 2014-04-22 | 2014-07-02 | 上海理工大学 | 基于群智能算法的投影寻踪分类建模软件及实现 |
CN104732303A (zh) * | 2015-04-09 | 2015-06-24 | 中国石油大学(华东) | 一种基于动态径向基函数神经网络的油田产量预测方法 |
CN107239874A (zh) * | 2017-04-26 | 2017-10-10 | 广西电网有限责任公司电力科学研究院 | 一种面向轨道交通的电能质量及节能分析系统 |
CN109541398A (zh) * | 2018-11-29 | 2019-03-29 | 广西电网有限责任公司电力科学研究院 | 一种公共连接点处母线电压谐波污染水平的评估方法 |
CN109858755A (zh) * | 2018-12-28 | 2019-06-07 | 温州医科大学 | 一种评价水体质量的方法 |
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 |
-
2020
- 2020-04-08 CN CN202010269167.3A patent/CN113496306A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103902737A (zh) * | 2014-04-22 | 2014-07-02 | 上海理工大学 | 基于群智能算法的投影寻踪分类建模软件及实现 |
CN104732303A (zh) * | 2015-04-09 | 2015-06-24 | 中国石油大学(华东) | 一种基于动态径向基函数神经网络的油田产量预测方法 |
CN107239874A (zh) * | 2017-04-26 | 2017-10-10 | 广西电网有限责任公司电力科学研究院 | 一种面向轨道交通的电能质量及节能分析系统 |
CN109541398A (zh) * | 2018-11-29 | 2019-03-29 | 广西电网有限责任公司电力科学研究院 | 一种公共连接点处母线电压谐波污染水平的评估方法 |
CN109858755A (zh) * | 2018-12-28 | 2019-06-07 | 温州医科大学 | 一种评价水体质量的方法 |
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 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112901137B (zh) | 基于深度神经网络Sequential模型的深井钻井机械钻速预测方法 | |
AU2011283109B2 (en) | Systems and methods for predicting well performance | |
WO2012031089A2 (en) | Iterative method and system to construct robust proxy models for reservoir simulation | |
CN112308269A (zh) | 用于低渗透油气藏的产能预测方法及装置 | |
CN112100930B (zh) | 一种基于卷积神经网络和Eaton公式的地层孔隙压力计算方法 | |
CN111767674A (zh) | 一种基于主动域适应的测井岩性识别方法 | |
CN114117881A (zh) | 一种出砂风险预测方法及系统 | |
CN113627639A (zh) | 用于碳酸盐岩缝洞型储层的试井产能预测方法及系统 | |
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 | |
CN114741944A (zh) | 一种利用机器学习和深度学习算法预测测井曲线的方法 | |
Goodwin et al. | Stochastic modeling of subseismic faults conditioned on displacement and orientation maps | |
CN114718556A (zh) | 人工裂缝参数的获取方法、装置及设备 | |
CN110486008B (zh) | 一种径向复合油藏的参数解释方法及系统 | |
CN113496306A (zh) | 用于单溶洞油气井的产量预测方法及装置 | |
Ariadji et al. | Optimization of vertical well placement for oil field development based on basic reservoir rock properties using a genetic algorithm | |
CN106934075A (zh) | 钻井液密度确定方法及静态当量密度确定方法 | |
CN110309597A (zh) | 基于构型界面的阻流带模型确定方法、装置及存储介质 | |
CN115438823A (zh) | 一种井壁失稳机制分析与预测方法及系统 | |
CN113627640A (zh) | 一种针对缝洞型油藏油气井的产能试井预测方法及系统 | |
CN113627069A (zh) | 针对缝洞型油藏油气井的试井动态产量评价方法及系统 | |
CN113818859B (zh) | 一种低渗透油藏的极限井距确定方法、判定方法与装置 | |
CN115539026B (zh) | 一种复杂储层水平井初期产量融合预测方法 | |
CN117035197B (zh) | 一种代价最低化的井漏智能预测方法 | |
CN116911216B (zh) | 一种储层油井产能因素评估与预测方法 | |
CN113419281B (zh) | 一种基于四叉树检索大规模偏移速度样本的高效速度场模拟方法 |
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 |