CN113537706A - 一种基于智能集成的油田增产措施优选方法 - Google Patents
一种基于智能集成的油田增产措施优选方法 Download PDFInfo
- Publication number
- CN113537706A CN113537706A CN202110639185.0A CN202110639185A CN113537706A CN 113537706 A CN113537706 A CN 113537706A CN 202110639185 A CN202110639185 A CN 202110639185A CN 113537706 A CN113537706 A CN 113537706A
- Authority
- CN
- China
- Prior art keywords
- production
- data
- measure
- decision
- production increasing
- 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
- 238000004519 manufacturing process Methods 0.000 title claims abstract description 37
- 238000000034 method Methods 0.000 title claims abstract description 18
- 230000010354 integration Effects 0.000 title claims abstract description 13
- 238000005457 optimization Methods 0.000 title claims description 10
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 14
- 230000000694 effects Effects 0.000 claims abstract description 14
- 238000003066 decision tree Methods 0.000 claims description 11
- 238000011156 evaluation Methods 0.000 claims description 9
- 239000003129 oil well Substances 0.000 claims description 6
- 238000012545 processing Methods 0.000 claims description 5
- 230000003247 decreasing effect Effects 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 3
- 238000001914 filtration Methods 0.000 claims description 2
- 230000014509 gene expression Effects 0.000 claims description 2
- 238000004806 packaging method and process Methods 0.000 claims description 2
- 238000007781 pre-processing Methods 0.000 claims description 2
- 238000007637 random forest analysis Methods 0.000 claims description 2
- 230000000638 stimulation Effects 0.000 claims description 2
- 238000010200 validation analysis Methods 0.000 claims description 2
- 238000012544 monitoring process Methods 0.000 abstract description 5
- 238000010801 machine learning Methods 0.000 abstract description 2
- 239000003921 oil Substances 0.000 description 23
- 238000007418 data mining Methods 0.000 description 4
- 239000011159 matrix material Substances 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 4
- 230000008859 change Effects 0.000 description 3
- 238000011161 development Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000009826 distribution Methods 0.000 description 3
- 238000002347 injection Methods 0.000 description 3
- 239000007924 injection Substances 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000003745 diagnosis Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 239000003208 petroleum Substances 0.000 description 2
- 239000000243 solution Substances 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- VEXZGXHMUGYJMC-UHFFFAOYSA-M Chloride anion Chemical compound [Cl-] VEXZGXHMUGYJMC-UHFFFAOYSA-M 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000000052 comparative effect Effects 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 239000008398 formation water Substances 0.000 description 1
- 239000000295 fuel oil Substances 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000020477 pH reduction Effects 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 238000011002 quantification Methods 0.000 description 1
- 238000011160 research Methods 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
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0637—Strategic management or analysis, e.g. setting a goal or target of an organisation; Planning actions based on goals; Analysis or evaluation of effectiveness of goals
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/24323—Tree-organised classifiers
-
- 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
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- 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)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- Evolutionary Computation (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Engineering & Computer Science (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Life Sciences & Earth Sciences (AREA)
- Educational Administration (AREA)
- Entrepreneurship & Innovation (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Development Economics (AREA)
- Geometry (AREA)
- Computer Hardware Design (AREA)
- Medical Informatics (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Software Systems (AREA)
- Game Theory and Decision Science (AREA)
- Agronomy & Crop Science (AREA)
- Animal Husbandry (AREA)
- Marine Sciences & Fisheries (AREA)
- Mining & Mineral Resources (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于智能集成的油田增产措施优选方法，本方法通过充分利用地质油藏生产监测数据，依托机器学习算法、构建增产措施优选推荐系统，可以快速准确的预测增产措施实施效果，并实现了增产措施决策的智能化推荐。
Description
技术领域
本发明属于油藏开发技术领域，具体来说涉及一种基于智能集成的油田增产措施优选方法。
背景技术
基于智能集成的数据挖掘，是从大量的、不完全的、有噪声的、模糊的、随机的实际应用数据中，提取隐含其中的、不为人们所知的、但又有潜在应用价值的信息和知识的过程。
在石油工业领域，基于智能集成的数据挖掘及系统的油田增产措施优选推荐应用不算广泛，主要局限于具体问题需求具体分析，多数科研人员只能根据用户需求来开发出相应的科研成果，还没有形成一套系统的理论体系，针对具体油田进行增产措施优选的应用的案例不是很多。当前，数据挖掘技术与石油工程领域还没有做到充分结合，应用也并不广泛。
国外主要是结合其它相关算法建立数据挖掘模型等。如La Sapienza将决策树、模糊逻辑理论与神经网络系统和AdHo网络结合并将其应用到油井监测与诊断，提供了一种生产井动态分析的新方法；Gert de Jonge开发相关的软件系统并应用到油田自动化监控中；G.Zangl对油田各项数据的质量及油井或整个生产系统的监视提高了油气田的产量；Christian Oberwinkler等人运用决策树与神经网络方法进行压裂设计，大大提高了设计最优裂缝的效率。国内主要将应用于储层评价、措施作业方式的优选、生产指标的预测以及故障诊断等方面等。
因为常用的油藏工程预测方法有着一定的局限性，只反映所预测的生产指标随着时间或者其它变量的单一的变化情况，并没考虑油藏开发问题涉及到的多维、多源的数据，这些数据之间存在着复杂的、隐蔽的关系模式。油井产量的下降过程并非只是呈现指数式、双曲线式或者调和式递减，往往伴随着一定的波动性，一个看似无关的参数变化(例如地层水中氯离子、电潜泵沉没度)都有可能会对油井产量变化产生影响。本方法针对具体油田应用决策树进行增产措施优选，在行业内具有重要参考意义。
发明内容
为了有效地分析海量的油田大数据，挖掘出蕴含其中的不易发现的规律，提高油田生产决策的科学性。本发明提供了一种基于智能集成的油田增产措施优选方法，以达到油藏地质影响因素定量化，决策科学化、准确化的目的。
一种基于智能集成的油田增产措施优选方法，包括以下步骤：
步骤一、在历史增产措施实施后的油井生产数据，通过分析措施后与措施前生产数据，对生产曲线前后单调性、周期性及残差特征，建立趋势项模型提取特征，数值解析(统计特征、分类特征)为初期增产幅值、递减趋势等多项指标或函数式。
步骤二、按照不同措施类型，将影响措施效果的各类地质因素(井型、储层厚度、极差、连通性、压差等)，进行变量分类与处理，按照不同类型变量，结合地质油藏专业知识，对部分因素进行量化与预处理。通过对特征的标准化、归一化、离散化、交叉操作等进行过滤、包装、嵌入。最后将决策等级作为输出的分类变量，选择合适的集成算法(SVM、决策树等基算法、、XGbosost、随机森林等)，建立模型，并拟合检验精度。
步骤三、将整体决策系统分类线上线下两个模块，其中线下模块将已有的、收集的各类数据进行模型建立与评估，训练线下数据用于线上模块的推荐系统。线上模块主要对待预测井进行预测与推荐，将实际的措施效果与预测效果对比，通过人工效验将合格的数据再次加入线下模块，优化线下模型。
步骤四、经过步骤三的系统构建新的待预测井，通过对输入数据的处理，加载线下模块，依据得出的决策等级推荐相应措施，并预测增产效果区间。
本发明的优点和有益效果为：
本发明公开了一种基于智能集成的油田增产措施优选方法，本方法通过充分利用地质油藏生产监测数据，依托机器学习算法、构建增产措施优选推荐系统，可以快速准确的预测增产措施实施效果，并实现了增产措施决策的智能化推荐。
附图说明
图1为本发明实施例1的增产措施优选推荐系统框架。
图2为本发明实施例1的四项措施评价指标矩阵图。
图3为本发明实施例1的依据评价指标的形成决策等级的聚类过程图。
图4为本发明实施例1的21项油藏地质因素权重分布图。
图5为本发明实施例1的决策树参数层拟合度分布图。
图6为本发明实施例1的单颗cast决策树。
图7为本发明实施例1的新方法实施前后对比表格。
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，可以根据以上附图获得其他的相关附图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案，下面结合具体实施例进一步说明本发明的技术方案。
实施例BZ油田智能决策系统推荐
BZ油田组属于稠油油藏，目前综合含水达93％，处于高含水期，单井含水上升速度快，BZ油田长期注水开发，受注入压力高、酸化有效期变短等因素制约，增注难度日益增大。
按照步骤1)要求，根据BZ油田从投产到现在低产低效井治理历史作为离线模块的训练数据，将措施效果数值解析为幅值与递减两项指数化指标。以换泵作业为例，通过对生产曲线指数滑动均匀等算法光滑化，观察数据措施前后单调区间及周期性变化，提取数据基线，依据曲线形状拟合递减趋势。建立效果评价指标。
按照步骤2)要求，与步骤1)基础上同时结合措施成本因素及实施难易程度。数据来源于实际作业成本，人员成本，平台占用情况、有效期等量化因素，共4项评价指标。建立评价矩阵，根据数据分布划分为四个决策等级。采用无监督的层次聚类算法，调整层次聚类算法参数，覆盖各分类数据点，形成决策区间。
按照步骤3)要求，基于大数据技术思维，选取了21种影响措施效果的油藏地质相关因素(粘度、厚度等)。进行变量分类归类，归一化处理，将相关因素数据化，通过人工将重要的决策标记出来，构成了训练数据体。在此基础上建立cast决策树模型。该算法运算速度更快，相比其他算法过于抽象，且很难向非专家解释，决策树形成的树状结构更贴合我们的决策过程，易于理解。与建立的决策分级制度进行建模。
按照步骤4)要求，形成的油藏措施智能决策系统，通过不断调整算法参数矩阵寻找最佳拟合度与预测准确度的模型。这里展示其中的一颗7层决策树模型。新的决策就可以通过模型改变措施类型观察决策等级。同时可以清楚的显示出相关因素的重要性。
按照步骤5)要求，展开应用，通过改变5口井的措施类型，将3，4级决策等级，调整为优先级较高的12级。整体上看从整体来看，平台措施经过决，优化后，实际累增油量2.53万方，超计划完成0.29万方产量；从时间尺度来看，以B22井和B24井为例，通过优化顺序后，相对高产井提前增产，产量间接增加585m3/d。
上述研究成果，指导BZ油田措施实施优化，取得了良好的效果。
以上对本发明做了示例性的描述，应该说明的是，在不脱离本发明的核心的情况下，任何简单的变形、修改或者其他本领域技术人员能够不花费创造性劳动的等同替换均落入本发明的保护范围。
Claims (2)
1.一种基于智能集成的油田增产措施优选方法，其特征在于，包括以下步骤：
步骤一、在历史增产措施实施后的油井生产数据，通过分析措施后与措施前生产数据，对生产曲线前后单调性、周期性及残差特征，建立趋势项模型提取特征，数值解析为初期增产幅值、递减趋势的指标或函数式；
步骤二、按照不同措施类型，将影响措施效果的各类地质因素进行变量分类与处理，所述地质因素包括井型、储层厚度、极差、连通性和压差，按照不同类型变量，结合地质油藏专业知识，对部分因素进行量化与预处理，通过对特征的标准化、归一化、离散化、交叉操作等进行过滤、包装、嵌入；最后将决策等级作为输出的分类变量，选择合适的集成算法建立模型，并拟合检验精度；
步骤三、将整体决策系统分类线上线下两个模块，其中线下模块将已有的、收集的各类数据进行模型建立与评估，训练线下数据用于线上模块的推荐系统，线上模块主要对待预测井进行预测与推荐，将实际的措施效果与预测效果对比，通过人工效验将合格的数据再次加入线下模块，优化线下模型；
步骤四、经过步骤三的系统构建新的待预测井，通过对输入数据的处理，加载线下模块，依据得出的决策等级推荐相应措施，并预测增产效果区间。
2.根据权利要求1所述的一种基于智能集成的油田增产措施优选方法，其特征在于，在步骤二中，所述集成算法包括SVM、决策树等基算法、XGbosost和随机森林。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110639185.0A CN113537706A (zh) | 2021-06-08 | 2021-06-08 | 一种基于智能集成的油田增产措施优选方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110639185.0A CN113537706A (zh) | 2021-06-08 | 2021-06-08 | 一种基于智能集成的油田增产措施优选方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN113537706A true CN113537706A (zh) | 2021-10-22 |
Family
ID=78124696
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110639185.0A Pending CN113537706A (zh) | 2021-06-08 | 2021-06-08 | 一种基于智能集成的油田增产措施优选方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113537706A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116861800A (zh) * | 2023-09-04 | 2023-10-10 | 青岛理工大学 | 一种基于深度学习的油井增产措施优选及效果预测方法 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20110313743A1 (en) * | 2010-06-16 | 2011-12-22 | Foroil | Method of Improving the Production of a Mature Gas or Oil Field |
| CN103198354A (zh) * | 2013-02-28 | 2013-07-10 | 重庆科技学院 | 一种利用bp神经网络与nsga2实现油田抽油机采油节能增产优化方法 |
| US20170364795A1 (en) * | 2016-06-15 | 2017-12-21 | Akw Analytics Inc. | Petroleum analytics learning machine system with machine learning analytics applications for upstream and midstream oil and gas industry |
| CN111291097A (zh) * | 2020-05-08 | 2020-06-16 | 西南石油大学 | 一种基于决策树数据挖掘的钻井漏层位置实时预测方法 |
-
2021
- 2021-06-08 CN CN202110639185.0A patent/CN113537706A/zh active Pending
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20110313743A1 (en) * | 2010-06-16 | 2011-12-22 | Foroil | Method of Improving the Production of a Mature Gas or Oil Field |
| CN103198354A (zh) * | 2013-02-28 | 2013-07-10 | 重庆科技学院 | 一种利用bp神经网络与nsga2实现油田抽油机采油节能增产优化方法 |
| US20170364795A1 (en) * | 2016-06-15 | 2017-12-21 | Akw Analytics Inc. | Petroleum analytics learning machine system with machine learning analytics applications for upstream and midstream oil and gas industry |
| CN111291097A (zh) * | 2020-05-08 | 2020-06-16 | 西南石油大学 | 一种基于决策树数据挖掘的钻井漏层位置实时预测方法 |
Non-Patent Citations (2)
| Title |
|---|
| 赵云斌等: "决策树分析方法在BZ油田低产低效井治理决策中的应用", 《化工管理》, 31 December 2021 (2021-12-31), pages 197 - 198 * |
| 马海燕: "油井增产措施效果评价体系的研究", 《中国优秀硕士学位论文全文数据库 (工程科技Ⅰ辑)》, no. 07, 15 July 2019 (2019-07-15), pages 29 - 30 * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116861800A (zh) * | 2023-09-04 | 2023-10-10 | 青岛理工大学 | 一种基于深度学习的油井增产措施优选及效果预测方法 |
| CN116861800B (zh) * | 2023-09-04 | 2023-11-21 | 青岛理工大学 | 一种基于深度学习的油井增产措施优选及效果预测方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111724126B (zh) | 一种工艺流程质量异常精准追溯方法及系统 | |
| CN110674841B (zh) | 一种基于聚类算法的测井曲线识别方法 | |
| CN111985610B (zh) | 一种基于时序数据的抽油机井泵效预测系统和方法 | |
| CN105760673B (zh) | 一种河流相储层地震敏感参数模板分析方法 | |
| CN108573078A (zh) | 基于数据挖掘的压裂效果预测方法 | |
| CN108595803A (zh) | 基于递归神经网络的页岩气井生产压力预测方法 | |
| CN115375031A (zh) | 一种产油量预测模型建立方法、产能预测方法及存储介质 | |
| CN108491991A (zh) | 基于工业大数据产品工期的约束条件分析系统与方法 | |
| CN113283180A (zh) | 基于K-means与SVR组合的致密油藏水平井压裂产能预测方法与应用 | |
| CN114004100B (zh) | 一种油藏辅助历史拟合和优化模拟方法 | |
| CN113537706A (zh) | 一种基于智能集成的油田增产措施优选方法 | |
| CN114548494A (zh) | 一种可视化造价数据预测智能分析系统 | |
| CN109669017A (zh) | 基于深度学习的炼厂蒸馏塔顶切水离子浓度预测方法 | |
| Haixiang et al. | Optimizing reservoir features in oil exploration management based on fusion of soft computing | |
| US10954766B2 (en) | Methods, systems, and computer-readable media for evaluating service companies, identifying candidate wells and designing hydraulic refracturing | |
| CN114429073A (zh) | 抽油机井耗电量影响因素敏感性的分析方法 | |
| CN116303626A (zh) | 一种基于特征优化和在线学习的固井泵压预测方法 | |
| CN110852496A (zh) | 一种基于lstm循环神经网络的天然气负荷预测方法 | |
| CN108596781A (zh) | 一种电力系统数据挖掘与预测整合方法 | |
| CN115438823A (zh) | 一种井壁失稳机制分析与预测方法及系统 | |
| CN113887049A (zh) | 一种基于机器学习的石油钻井的钻速预测方法及系统 | |
| CN115438090A (zh) | 基于掉块图像特征的井壁失稳类型分析及预测方法及系统 | |
| CN114764546A (zh) | 基于生成对抗神经网络的断块油藏剩余油预测方法 | |
| Kumar et al. | Performing predictive analysis using machine learning on the Information retrieved from production data of oil & gas upstream segment | |
| CN109236277A (zh) | 一种基于产生式规则的抽油井故障诊断专家系统 |
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 |