CN113592194A - 建立co2吞吐效果预测模型的方法以及co2吞吐效果评价方法 - Google Patents

建立co2吞吐效果预测模型的方法以及co2吞吐效果评价方法 Download PDF

Info

Publication number
CN113592194A
CN113592194A CN202110966381.9A CN202110966381A CN113592194A CN 113592194 A CN113592194 A CN 113592194A CN 202110966381 A CN202110966381 A CN 202110966381A CN 113592194 A CN113592194 A CN 113592194A
Authority
CN
China
Prior art keywords
throughput
neural network
model
training
data set
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
Application number
CN202110966381.9A
Other languages
English (en)
Inventor
岳明
宋田茹
朱维耀
刘昀枫
宋洪庆
孔德彬
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.)
University of Science and Technology Beijing USTB
Original Assignee
University of Science and Technology Beijing USTB
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 University of Science and Technology Beijing USTB filed Critical University of Science and Technology Beijing USTB
Priority to CN202110966381.9A priority Critical patent/CN113592194A/zh
Publication of CN113592194A publication Critical patent/CN113592194A/zh
Pending legal-status Critical Current

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
    • 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
    • G06N3/06—Physical realisation, i.e. hardware implementation of neural networks, neurons or parts of neurons
    • G06N3/061—Physical realisation, i.e. hardware implementation of neural networks, neurons or parts of neurons using biological neurons, e.g. biological neurons connected to an integrated circuit
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Health & Medical Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • Molecular Biology (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Computing Systems (AREA)
  • Business, Economics & Management (AREA)
  • Software Systems (AREA)
  • Mathematical Physics (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Human Resources & Organizations (AREA)
  • Neurology (AREA)
  • Strategic Management (AREA)
  • Economics (AREA)
  • Evolutionary Biology (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Development Economics (AREA)
  • Microelectronics & Electronic Packaging (AREA)
  • Game Theory and Decision Science (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Marketing (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本公开提供了一种建立CO2吞吐效果预测模型的方法以及CO2吞吐效果评价方法。所述建立CO2吞吐效果预测模型的方法，首先获取CO2吞吐开发的样本数据集，并将样本数据集划分为训练集和测试集，然后设置神经网络结构并对神经网络模型的超参数进行初始化，之后训练模型，并通过修改超参数，将模型的损失函数值控制在误差范围内，从而得到训练好的模型。所述CO2吞吐效果评价方法包括：获取目标井区CO2吞吐开发的影响因素参数数据集，将目标井区的影响因素参数数据集输入CO2吞吐效果预测模型，预测换油率。该方法可应用于不同影响因素参数下待CO2吞吐开发的井区的换油率的快速预测。

Description

建立CO2吞吐效果预测模型的方法以及CO2吞吐效果评价方法
技术领域
本公开涉及油田开发技术领域，尤其涉及一种CO2吞吐效果预测模型建立方法以及CO2吞吐效果评价方法。
背景技术
特低渗透油藏是目前我国油气勘探开发的重要对象之一，具有渗透率低、油藏物性较差、单井产能较低等特征，通常采用CO2驱等气驱方式进行开采。对于常规水驱等开采方式，现在已经形成一套较为成熟的油田开发评价标准，但针对CO2驱油效果的评价指标则有待完善。
发明内容
一方面，提供一种建立CO2吞吐效果预测模型的方法，所述方法包括：
获取CO2吞吐开发的影响因素参数数据集和目标参数数据集，作为样本数据集；其中，影响因素参数包括焖井时间、裂缝间距、含水饱和度、地层压力、孔隙度、渗透率、裂缝长度、注入量和单层厚度，目标参数包括换油率；
将所述样本数据集划分为训练集和测试集；
搭建神经网络模型，并设置所述神经网络模型内神经元的权重，设置激活函数和优化器；
将所述训练集输入所述神经网络模型中进行训练；
如果所述神经网络模型的损失函数值大于预设误差，则修改训练次数、激活函数、优化器以及Dropout比率，并再次对模型进行训练；如果所述神经网络模型的损失函数值在预设误差范围内，则停止训练并将训练后的神经网络模型作为CO2吞吐效果预测模型。
在本公开的至少一个实施例中，所述将所述样本数据集划分为训练集和测试集之前，所述建立CO2吞吐效果预测模型的方法还包括：将所述样本数据集处理为机器学习能够使用的样本数据集，并对处理后的样本数据集中的数据进行归一化处理。
在本公开的至少一个实施例中，所述将所述样本数据集划分为训练集和测试集，包括：使用python开源库sklearn中的train_test_split函数划分训练集和测试集；所述样本数据集的前80％作为训练集，后20％作为测试集。
在本公开的至少一个实施例中，搭建的神经网络模型包括由输入端至输出端依次连接的一个输入层、五个隐藏层和一个输出层；其中，每个隐藏层包括200个神经元。
在本公开的至少一个实施例中，所述设置所述神经网络模型内神经元的权重，选择激活函数和优化器，包括：采用Xavier方法设置所述神经网络模型内神经元的权重，采用ReLU函数作为激活函数，以及，选择Adam优化器。
在本公开的至少一个实施例中，所述神经网络模型的损失函数包括均方误差；如果所述神经网络模型的均方误差值大于10-2，则修改训练次数、激活函数、优化器以及Dropout比率，并再次对模型进行训练；如果所述神经网络模型的均方误差值小于或等于10-2，则停止训练并将训练后的神经网络模型作为CO2吞吐效果预测模型。
在本公开的至少一个实施例中，所述建立CO2吞吐效果预测模型的方法还包括：
将所述测试集输入所述CO2吞吐效果预测模型中进行换油率预测；
如果预测的换油率的均方误差值小于10-2且决定系数R2值大于90％，则所述CO2吞吐效果预测模型的预测能力符合预测需求。
另一方面，提供一种CO2吞吐效果评价方法，所述方法包括：
获取目标井区CO2吞吐开发的影响因素参数数据集，其中，影响因素参数包括焖井时间、裂缝间距、含水饱和度、地层压力、孔隙度、渗透率、裂缝长度、注入量和单层厚度；
将所述目标井区的影响因素参数数据集输入CO2吞吐效果预测模型，预测换油率；所述CO2吞吐效果预测模型为通过权利要求1～7中任一项所述的建立CO2吞吐效果预测模型的方法建立的模型。
在本公开的至少一个实施例中，所述CO2吞吐效果评价方法还包括：使用Sobol敏感性分析方法分析换油率对不同影响因素参数的敏感程度。
又一方面，提供一种CO2吞吐效果评价装置，所述装置包括处理器和存储器，所述存储器中存储有适于所述处理器执行的计算机程序指令，所述计算机程序指令被所述处理器运行时执行如上述任一实施例所述的CO2吞吐效果评价方法中的步骤。
附图说明
附图示出了本公开的示例性实施方式，并与其说明一起用于解释本公开的原理，其中包括了这些附图以提供对本公开的进一步理解，并且附图包括在本说明书中并构成本说明书的一部分。
图1为根据一些实施例的一种建立CO2吞吐效果预测模型的方法的流程图；
图2为根据一些实施例的另一种建立CO2吞吐效果预测模型的方法的流程图；
图3为根据一些实施例的一种CO2吞吐效果评价方法的流程图；
图4为根据一些实施例的另一种CO2吞吐效果评价方法的流程图；
图5为根据一些实施例的一种CO2吞吐效果评价方法的一阶敏感性分析示意图；
图6为根据一些实施例的一种CO2吞吐效果评价方法的全阶敏感性分析示意图；
图7为根据一些实施例的一种CO2吞吐效果评价装置的示意图。
附图标记：
100-CO2吞吐效果评价装置，101-处理器，102-存储器
具体实施方式
下面结合附图和实施方式对本公开作进一步的详细说明。可以理解的是，此处所描述的具体实施方式仅用于解释相关内容，而非对本公开的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与本公开相关的部分。
需要说明的是，在不冲突的情况下，本公开中的实施方式及实施方式中的特征可以相互组合。下面将参考附图并结合实施方式来详细说明本公开。
需要说明的是，文中的步骤编号，仅为了方便具体实施例的解释，不作为限定步骤执行先后顺序的作用。
本公开一些实施例提供的方法可以由相关的处理器执行，且下文均以处理器作为执行主体为例进行说明。其中，执行主体可以根据具体案例进行调整，如服务器、电子设备、计算机等。
CO2吞吐开发的机理较复杂，影响吞吐效果的因素众多，目前相关技术中，针对即将进行CO2吞吐开发的油田区块，尚未构建一套完善的CO2吞吐开发效果评价方法。本公开针对水平井CO2吞吐开发效果评价问题，创新性的提出一种基于人工智能的建立CO2吞吐效果预测模型的方法以及CO2吞吐效果评价方法。
在本公开的一些实施例中，换油率是指，采用CO2吞吐的开发方式相比于衰竭式开发的增油量与注入的CO2的质量之比。区块开发完毕后，换油率可以作为表征CO2吞吐效果的参数。换油率越大则表明该井区采用CO2吞吐的方式进行开采的效果越好。
如图1所示，本公开的一些实施例提供了一种建立CO2吞吐效果预测模型的方法，该方法包括S1～S5。
S1，获取CO2吞吐开发的影响因素参数数据集和目标参数数据集，作为样本数据集；其中，影响因素参数包括焖井时间、裂缝间距、含水饱和度、地层压力、孔隙度、渗透率、裂缝长度、注入量和单层厚度，目标参数包括换油率。
发明人在研究中发现，影响CO2吞吐开发效果的因素主要包括以下几个方面：
在油藏特征方面，影响CO2吞吐开发效果的因素包括裂缝间距、裂缝长度、单层厚度和地层压力。其中，在一定油层温度下，地层压力越大，CO2溶解度越大，更容易增强地层原油的流动性，同时可以扩大波及体积。
在岩石性质方面，影响CO2吞吐开发效果的因素包括孔隙度、渗透率和含油饱和度。其中，换油率与油层渗透率级别呈对数关系，超低渗透储层(渗透率小于1×10-3μm2)的渗透率对换油率的影响显著；剩余油饱和度越大，油气产量越大，含水率越低，对CO2吞吐也越有利。
在开发工艺参数方面，影响CO2吞吐开发效果的因素包括注入量和焖井时间。注入量越大，吞吐采出程度越大，但增幅逐渐减弱，换油率先上升后逐渐下降；焖井时间越长，产油量越大，但增幅逐渐减弱。
对于已经进行CO2吞吐开发的井区，上述影响因素参数数据比较容易获得。示例性的，可以在数值模拟软件中直接导出相关井区的焖井时间、裂缝间距、含水饱和度、地层压力、孔隙度、渗透率、裂缝长度、注入量、单层厚度和换油率数据，共10种参数，每种参数导出516组样本，前9种参数作为影响因素参数，换油率作为目标参数，从而获取CO2吞吐开发的样本数据集。
S2，将样本数据集划分为训练集和测试集。
S3，搭建神经网络模型，并设置神经网络模型内神经元的权重，设置激活函数和优化器。
S4，将训练集输入神经网络模型中进行训练。
S5，如果神经网络模型的损失函数值大于预设误差，则修改训练次数、激活函数、优化器以及Dropout比率，并再次对模型进行训练；如果神经网络模型的损失函数值在预设误差范围内，则停止训练并将训练后的神经网络模型作为CO2吞吐效果预测模型。
本公开一些实施例提供的建立CO2吞吐效果预测模型的方法，首先获取CO2吞吐开发的样本数据集，并将样本数据集划分为训练集和测试集，然后设置神经网络结构并对神经网络模型的超参数进行初始化，之后训练模型，并通过修改超参数，将模型的损失函数值控制在误差范围内，从而得到训练好的模型。通过该方法训练好的神经网络模型可应用于不同影响因素参数下待CO2吞吐开发的井区的换油率快速预测，与数值模拟预测的结果相比，通过本公开的建立CO2吞吐效果预测模型的方法训练得到的神经网络模型，预测准确率更高，适应能力较强，计算速度更快。
如图2所示，在一些实施例中，步骤S2之前，建立CO2吞吐效果预测模型的方法还包括S6。
S6，将样本数据集处理为机器学习能够使用的样本数据集，并对处理后的样本数据集中的数据进行归一化处理。
例如，可以通过Matlab将样本数据集转为.mat文件，以成为机器学习能够使用的样本数据集。
对处理后的样本数据集中的数据进行归一化处理，能够消除量纲对最终结果的影响，同时防止神经网络出现梯度消失或梯度爆炸的问题。
示例性地，步骤S6中对数据进行归一化处理可以采用最大-最小标准化(Min-MaxScaling)方法，将原始数据转换到[0，1]范围。
最小-最大归一化方式为：
Figure BDA0003224165180000061
其中，X为原始数据，Xmin、Xmax分别为原始数据集的最小值和最大值，Xnom为归一化后的数据，这样归一化后的值可映射到区间[0，1]。
在一些实施例中，步骤S2中，将样本数据集划分为训练集和测试集，包括：使用python开源库sklearn中的train_test_split函数划分训练集和测试集。
示例性的，使用python开源库sklearn中的train_test_split函数，将归一化后的样本数据集的前80％作为训练集，后20％作为测试集。
设置神经网络结构，以确定神经网络的层数和每层神经元的数量。在一些实施例中，步骤S3中，搭建的神经网络模型包括由输入端至输出端依次连接的一个输入层、五个隐藏层和一个输出层；其中，每个隐藏层包括200个神经元。该结构的神经网络具有较高的预测精度。
该结构的神经网络的前馈操作可以描述为：
Figure BDA0003224165180000062
Figure BDA0003224165180000063
其中，f(·)表示激活函数，i为网络隐藏层的索引，j为隐藏层神经元的索引。z表示第i层的输入，y表示第i层的输出，w和b分别表示第i层的权重和偏差。
在一些实施例中，步骤S3中，设置神经网络模型内神经元的权重，选择激活函数和优化器，包括：
采用Xavier方法设置神经网络模型内神经元的权重，采用ReLU函数作为激活函数，以及，选择Adam优化器，从而构建健壮的模型。
其中，激活函数采用ReLU函数，该激活函数可以克服梯度消失的问题，还可以加快训练速度，其表达式为：
f(x)＝max(0,x)。
对神经网络模型的权重初始化采用Xavier方法，可以使各层激活值不会出现饱和现象，且各层激活值不为0，从而保证状态方差和梯度方差保持不变。
Xavier初始化时将权重方差表示为：
Figure BDA0003224165180000071
其中，n为神经元个数，在此基础上，第i层的权重wi可以用高斯分布初始化为：
Figure BDA0003224165180000072
采用Adam优化器为：
①计算t时间步的梯度：
Figure BDA0003224165180000073
②更新有偏一阶矩估计：
mt←β1·mt-1+(1-β1)·gt；
③更新有偏二阶原始矩估计：
Figure BDA0003224165180000074
④计算偏差修正的一阶矩估计：
Figure BDA0003224165180000075
⑤计算偏差修正的二阶原始矩估计：
Figure BDA0003224165180000076
⑥更新参数：
Figure BDA0003224165180000077
其中，t为时间步；
gt为t时间步的梯度，
Figure BDA0003224165180000078
θt-1为t-1时间步的参数向量；
f(θ)为参数θ的随机目标函数；
α为步长，默认为0.001；
β1,β2∈[0,1)，含义为矩估计的指数衰减率，β1默认值为0.9，β2默认值为0.999；
m为一阶矩向量；
v为二阶矩向量；
ε是防止分母为0的参数，一般设置为10-8。
在一些实施例中，步骤S5中，神经网络模型的损失函数包括均方误差(MeanSquared Error，简写为MSE)。进一步地，步骤S5包括：如果神经网络模型的均方误差值大于10-2，则修改训练次数、激活函数、优化器以及Dropout比率，并再次对模型进行训练；如果神经网络模型的均方误差值小于或等于10-2，则停止训练并将训练后的神经网络模型作为CO2吞吐效果预测模型。
作为损失函数的均方误差为
Figure BDA0003224165180000081
其中，yi表示真实值，
Figure BDA0003224165180000082
表示预测值，n为样本数量。
模型训练过程中，激活函数可以修改为softmax函数或tanh函数；优化器可以修改为Adadelta或SGD，以便通过多次训练将模型的损失函数值控制在误差范围内，从而得到训练好的模型。
如图2所示，在一些实施例中，建立CO2吞吐效果预测模型的方法还包括S7～S8。
S7，将测试集输入CO2吞吐效果预测模型中进行换油率预测。
S8，如果预测的换油率的均方误差值小于10-2且决定系数R2值大于90％，则认为CO2吞吐效果预测模型具有较高的预测能力，也即CO2吞吐效果预测模型的预测能力符合预测需求。
本公开的一些实施例还提供一种CO2吞吐效果评价方法，如图3所示，该方法包括S10～S20。
S10，获取目标井区CO2吞吐开发的影响因素参数数据集，其中，影响因素参数包括焖井时间、裂缝间距、含水饱和度、地层压力、孔隙度、渗透率、裂缝长度、注入量和单层厚度。
此处，目标井区是指后续将要进行CO2吞吐开发的井区。
S20，将目标井区的影响因素参数数据集输入CO2吞吐效果预测模型，预测换油率；其中，CO2吞吐效果预测模型为通过上述任一实施例所述的建立CO2吞吐效果预测模型的方法建立的模型。
本公开一些实施例以CO2吞吐井区的换油率作为预测指标，通过本公开的建立CO2吞吐效果预测模型的方法搭建的神经网络模型，可以快速有效地预测不同影响因素参数下目标井区进行CO2吞吐开发的换油率，从而迅速得知目标井区进行CO2吞吐开发的预期效果。该方法预测准确率高，适应能力强，计算速度快。该方法有助于为CO2吞吐选井和后期开发方案调整提供依据。
如图4所示，在一些实施例中，CO2吞吐效果评价方法还包括S30。
S30，使用Sobol敏感性分析方法分析换油率对不同影响因素参数的敏感程度。
使用Sobol全局敏感性分析法能够确定输入参数，如焖井时间、含水饱和度、地层压力、孔隙度、渗透率、单层厚度参数等对预测结果的影响权重，从而可以找到对目标井区的换油率影响较大的影响因素或影响因素组合，以便于对影响CO2吞吐能力的因素进行分析，从而实现对目标井区的CO2吞吐开发效果的预测评价。另外，根据分析结果，还可以通过调整相应的影响因素参数值，对目标井区的后续开发方案做出调整，有利于对实际油田开发工程的分析和指导。
对于Sobol敏感性分析方法，定义一个k维的单元体Ωk＝(x|0≤xi≤1；i＝1,2,…,k)，将函数f(x)分解成2p项递增项之和，生成Sobol随机序列实现数据采样，然后计算影响因素参数对模型响应的总方差及各项偏方差，求得各影响因素参数的灵敏度。当输入参数域Ip为p单元体时，将函数f(x)分解为2p个递增项之和：
Figure BDA0003224165180000091
式中，f0为常量，其他项对包含任一变量的积分必定为0，即：
Figure BDA0003224165180000092
式中所有项之间都是正交的并且可以表示为函数f(x)的积分：
Figure BDA0003224165180000093
Figure BDA0003224165180000094
Figure BDA0003224165180000095
以此类推，可求得公式(1)中其他高阶项。将式(1)两边平方并且在整个参数域Ip内积分，结合式(2)，可得：
Figure BDA0003224165180000096
函数f(x)的总方差D为
Figure BDA00032241651800001012
偏方差为：
Figure BDA0003224165180000101
由式(6)得：
Figure BDA0003224165180000102
全局灵敏度指数为：
Figure BDA0003224165180000103
式中，
Figure BDA0003224165180000104
为第ik个参数的一阶全局灵敏度指数，用于定量描述参数
Figure BDA0003224165180000105
的变化对模型输出结果的影响；
Figure BDA0003224165180000106
为二阶全局灵敏度指数，用于定量描述参数
Figure BDA0003224165180000107
同时变化对模型输出结果的影响；
以此类推，定义总阶全局灵敏度指数si T为参数各阶灵敏度系数之和，不但反应参数单独变化时所产生的影响，还反映与其他参数交互作用时产生的影响。将因素集合x分为x～i和xi，则si T为：
si T＝si+si(～i)＝1-s～i (11)
s～i是不包括第i个因素的所有
Figure BDA0003224165180000108
项之和，因此因素xi对输出总方差的影响为：
si T＝1-D～i/D (12)
式中，D～i为除参数xi之外的其他参数共同作用对模型输出结果造成的方差。
将f0，D，Di，
Figure BDA0003224165180000109
通过蒙特卡罗积分法估计：
Figure BDA00032241651800001010
Figure BDA00032241651800001011
Figure BDA0003224165180000111
Figure BDA0003224165180000112
其中，n是蒙特卡罗估计的采样数；
xm是Ωk空间的采样点，x(～i)m＝(x1m,x2m,…,x(i-1)m,x(i+1)m,…,xkm)；
式(15)中的上标(1)(2)代表x的两个n×k维采样数组。
本公开的一些实施例提供的CO2吞吐效果评价方法，可应用于不同影响因素参数下换油率的快速预测，其预测准确率及适应能力较强，计算速度快，基于预测结果还可以通过敏感性分析方法对影响CO2吞吐的因素进行分析，对CO2吞吐开发效果评价具有指导作用。
下面以长庆姬塬油田黄3区为例，详细介绍一下本公开一些实施例提供的CO2吞吐效果预测模型建立方法以及CO2吞吐效果评价方法。
黄3区油藏储层物性差，非均质性强，微裂缝发育，但原油性质较好，黏度低、凝固点低，流动性较强。其中，长8油层平均埋深2750m，油层组厚度约25～40m。储层细分为8个小层，主力生产层系长811，平均有效厚度13m，孔隙度7.1％，有效渗透率0.39mD，属低孔-超低渗透型油藏。黄3区作为先导试验区开展CO2驱及埋存试验，于2017年开始进行CO2的注入。
该井区油藏温度为84℃，油藏原始地层压力25.9MPa，饱和压力8.48MPa，油藏初始含油饱和度为60％，地下原油密度为0.7248g/cm3、黏度为1.81mPa·s。地层水水型CaCl2，总矿化度35.42g/L。水平井体积压裂后实施CO2吞吐开发，水平井长度为1200m，裂缝半长为160～140m，周期注入CO21500t，焖井30天～60天，现场整体运行平稳。
该井区的CO2吞吐影响因素参数包括焖井时间、含水饱和度、地层压力、孔隙度、渗透率、裂缝间距、裂缝长度、注入量和单层厚度。以已开发的数据为基础，通过数值模拟软件，例如CMG或ECLIPSE，获取各影响因素参数对应的样本数据集，共生成2592组样本数。
将样本数据集中的每个参数数据均进行Min-Max归一化处理。
使用python开源库sklearn中的train_test_split函数将归一化后的样本数据集的前80％划分为训练集，后20％划分为测试集。
设置神经网络结构，将神经网络设置为一个输入层，一个输出层，五个隐藏层。隐藏层每层的神经元数量为200。对神经网络的权重初始化采用Xavier方法进行设置，选择ReLU激活函数和采用Adam优化器，然后将归一化后的数据输入到搭建的神经网络模型中。
训练模型直到MSE值小于10-2，此时得到搭建好的神经网络模型。
用该模型对测试集进行预测，预测换油率。结果显示，用该模型预测换油率为0.1432，实际换油率为0.1469，MSE值为0.0024且R2为89.4％，因此该神经网络模型预测能力较强，可以将其作为CO2吞吐效果预测模型，且预测能力符合预测需求。
使用Sobol敏感性分析方法分析换油率对不同影响因素参数的敏感程度。参考图5和图6，图中，DK表示单层厚度，FL表示裂缝半长，INJ表示注入量，PERM表示渗透率，POR表示孔隙度，PRES表示地层压力，SW表示含油饱和度，FS表示裂缝间距，SOAK表示焖井时间。
如图5所示，从一阶敏感性分析结果可以看出，换油率对影响因素参数的敏感程度排序为：焖井时间>裂缝间距>含油饱和度>地层压力>孔隙度>渗透率>裂缝半长>注入量>单层厚度。
如图6所示，从全阶敏感性分析可以看出，单层厚度、裂缝半长、注入量、含油饱和度与其他参数的耦合作用较强，渗透率、孔隙度、地层压力、裂缝间距和焖井时间相对独立，与其他参数耦合度小。
该分析结果为后续黄3区调整CO2吞吐开发方案时调整影响因素参数的优先级顺序提供了依据。示例性的，如果黄3区预测换油率未达到期望换油率，可以优先调整后续开发方案中的焖井时间，以使换油率达到期望值，从而获得更好的CO2吞吐开发效果。又例如，调整后续开发方案中的注入量时，需同时考虑注入量与其他参数的耦合作用，通过调整多个耦合的参数数值以使换油率达到期望值。
值得一提的是，可以将调整后的黄3区的影响因素参数输入搭建好的CO2吞吐换油率预测模型中，通过模型预测调整后的开发方案的换油率，从而为后续开发方案的调整提供依据，并节省时间和成本。另外，还可以将多种影响因素参数调整方案输入CO2吞吐换油率预测模型中进行换油率预测，以选择换油率最高或提高换油率效果最显著的开发方案进行后续开发。
本公开的一些实施例还提供一种CO2吞吐效果评价装置100，该装置包括处理器101和存储器102。
处理器101用于支持CO2吞吐效果评价装置100执行上述任一实施例所述的CO2吞吐效果评价方法中的步骤。处理器101可以是中央处理单元(Central Processing Unit，简称CPU)，还可以是其他通用处理器、数字信号处理器(DSP)、专用集成电路(ASIC)、现场可编程门阵列(FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。其中，通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
所述存储器102中存储有适于所述处理器101执行的计算机程序指令，所述计算机程序指令被所述处理器101运行时执行上述任一实施例所述的CO2吞吐效果评价方法中的步骤。
存储器102可以是只读存储器(Read-Only Memory，ROM)或可存储静态信息和指令的其他类型的静态存储设备，随机存取存储器(Random Access Memory，RAM)或者可存储信息和指令的其他类型的动态存储设备，也可以是电可擦可编程只读存储器(ElectricallyErasable Programmable Read-Only Memory，EEPROM)、只读光盘(Compact Disc Read-Only Memory，CD-ROM)或其他光盘存储、光碟存储(包括压缩光碟、激光碟、光碟、数字通用光碟、蓝光光碟等)、磁盘存储介质或者其他磁存储设备、或者能够用于携带或存储具有指令或数据结构形式的期望的程序代码并能够由计算机存取的任何其他介质，但不限于此。存储器102可以是独立存在，通过通信总线与处理器101相连接。存储器102也可以和处理器101集成在一起。
在本说明书的描述中，参考术语“一个实施例/方式”、“一些实施例/方式”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例/方式或示例描述的具体特征、结构、材料或者特点包含于本申请的至少一个实施例/方式或示例中。在本说明书中，对上述术语的示意性表述不必须针对的是相同的实施例/方式或示例。而且，描述的具体特征、结构、材料或者特点可以在任一个或多个实施例/方式或示例中以合适的方式结合。此外，在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例/方式或示例以及不同实施例/方式或示例的特征进行结合和组合。
此外，在本公开的描述中，“多个”的含义是至少两个，例如两个，三个等，除非另有明确具体的限定。同时，在本公开的描述中，除非另有明确的规定和限定，术语“相连”、“连接”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电性连接；可以是直接相连，也可以通过中间媒介间接相连。对于本领域的普通技术人员而言，可以根据具体情况理解上述术语在本公开中的具体含义。
本领域的技术人员应当理解，上述实施方式仅仅是为了清楚地说明本公开，而并非是对本公开的范围进行限定。对于所属领域的技术人员而言，在上述公开的基础上还可以做出其它变化或变型，并且这些变化或变型仍处于本公开的范围内。

Claims (10)

1.一种建立CO2吞吐效果预测模型的方法，其特征在于，所述方法包括：
获取CO2吞吐开发的影响因素参数数据集和目标参数数据集，作为样本数据集；其中，影响因素参数包括焖井时间、裂缝间距、含水饱和度、地层压力、孔隙度、渗透率、裂缝长度、注入量和单层厚度，目标参数包括换油率；
将所述样本数据集划分为训练集和测试集；
搭建神经网络模型，并设置所述神经网络模型内神经元的权重，设置激活函数和优化器；
将所述训练集输入所述神经网络模型中进行训练；
如果所述神经网络模型的损失函数值大于预设误差，则修改训练次数、激活函数、优化器以及Dropout比率，并再次对模型进行训练；如果所述神经网络模型的损失函数值在预设误差范围内，则停止训练并将训练后的神经网络模型作为CO2吞吐效果预测模型。
2.根据权利要求1所述的建立CO2吞吐效果预测模型的方法，其特征在于，所述将所述样本数据集划分为训练集和测试集之前，所述建立CO2吞吐效果预测模型的方法还包括：将所述样本数据集处理为机器学习能够使用的样本数据集，并对处理后的样本数据集中的数据进行归一化处理。
3.根据权利要求1所述的建立CO2吞吐效果预测模型的方法，其特征在于，所述将所述样本数据集划分为训练集和测试集，包括：使用python开源库sklearn中的train_test_split函数划分训练集和测试集；所述样本数据集的前80％作为训练集，后20％作为测试集。
4.根据权利要求1所述的建立CO2吞吐效果预测模型的方法，其特征在于，搭建的神经网络模型包括由输入端至输出端依次连接的一个输入层、五个隐藏层和一个输出层；其中，每个隐藏层包括200个神经元。
5.根据权利要求1所述的建立CO2吞吐效果预测模型的方法，其特征在于，所述设置所述神经网络模型内神经元的权重，选择激活函数和优化器，包括：
采用Xavier方法设置所述神经网络模型内神经元的权重，采用ReLU函数作为激活函数，以及，选择Adam优化器。
6.根据权利要求1所述的建立CO2吞吐效果预测模型的方法，其特征在于，所述神经网络模型的损失函数包括均方误差；
如果所述神经网络模型的均方误差值大于10-2，则修改训练次数、激活函数、优化器以及Dropout比率，并再次对模型进行训练；如果所述神经网络模型的均方误差值小于或等于10-2，则停止训练并将训练后的神经网络模型作为CO2吞吐效果预测模型。
7.根据权利要求1所述的建立CO2吞吐效果预测模型的方法，其特征在于，所述建立CO2吞吐效果预测模型的方法还包括：
将所述测试集输入所述CO2吞吐效果预测模型中进行换油率预测；
如果预测的换油率的均方误差值小于10-2且决定系数R2值大于90％，则所述CO2吞吐效果预测模型的预测能力符合预测需求。
8.一种CO2吞吐效果评价方法，其特征在于，所述方法包括：
获取目标井区CO2吞吐开发的影响因素参数数据集，其中，影响因素参数包括焖井时间、裂缝间距、含水饱和度、地层压力、孔隙度、渗透率、裂缝长度、注入量和单层厚度；
将所述目标井区的影响因素参数数据集输入CO2吞吐效果预测模型，预测换油率；所述CO2吞吐效果预测模型为通过权利要求1～7中任一项所述的建立CO2吞吐效果预测模型的方法建立的模型。
9.根据权利要求8所述的CO2吞吐效果评价方法，其特征在于，所述CO2吞吐效果评价方法还包括：
使用Sobol敏感性分析方法分析换油率对不同影响因素参数的敏感程度。
10.一种CO2吞吐效果评价装置，其特征在于，所述装置包括处理器和存储器，所述存储器中存储有适于所述处理器执行的计算机程序指令，所述计算机程序指令被所述处理器运行时执行如权利要求8或9所述的CO2吞吐效果评价方法中的步骤。
CN202110966381.9A 2021-08-23 2021-08-23 建立co2吞吐效果预测模型的方法以及co2吞吐效果评价方法 Pending CN113592194A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110966381.9A CN113592194A (zh) 2021-08-23 2021-08-23 建立co2吞吐效果预测模型的方法以及co2吞吐效果评价方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110966381.9A CN113592194A (zh) 2021-08-23 2021-08-23 建立co2吞吐效果预测模型的方法以及co2吞吐效果评价方法

Publications (1)

Publication Number Publication Date
CN113592194A true CN113592194A (zh) 2021-11-02

Family

ID=78239019

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110966381.9A Pending CN113592194A (zh) 2021-08-23 2021-08-23 建立co2吞吐效果预测模型的方法以及co2吞吐效果评价方法

Country Status (1)

Country Link
CN (1) CN113592194A (zh)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114781951A (zh) * 2022-06-23 2022-07-22 中国石油大学(华东) 一种页岩油藏二氧化碳吞吐开发选井决策方法及系统
CN115732041A (zh) * 2022-12-07 2023-03-03 中国石油大学(北京) 二氧化碳捕获量预测模型构建方法、智能预测方法及装置
CN115822533A (zh) * 2022-11-28 2023-03-21 新疆敦华绿碳技术股份有限公司 一种底水砂岩油藏驱油方法
CN116066066A (zh) * 2021-12-22 2023-05-05 中国石油天然气集团有限公司 一种筛选氮气吞吐措施井的方法
CN118155743A (zh) * 2024-05-13 2024-06-07 中国石油大学(华东) 一种基于图像空间矩理论的co2羽流分布模式评估方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108252688A (zh) * 2018-01-08 2018-07-06 中国地质大学（北京） 致密油藏二氧化碳吞吐影响因素敏感性分析方法及其应用
CN108960546A (zh) * 2017-05-19 2018-12-07 中国石油化工股份有限公司 一种co2吞吐选井方法及装置
CN111882033A (zh) * 2020-07-15 2020-11-03 南京航空航天大学 一种基于Keras的区域民航主被动碳排放预测方法
CN112633328A (zh) * 2020-12-04 2021-04-09 北京科技大学 一种基于深度学习的致密油藏改造效果评价方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108960546A (zh) * 2017-05-19 2018-12-07 中国石油化工股份有限公司 一种co2吞吐选井方法及装置
CN108252688A (zh) * 2018-01-08 2018-07-06 中国地质大学（北京） 致密油藏二氧化碳吞吐影响因素敏感性分析方法及其应用
CN111882033A (zh) * 2020-07-15 2020-11-03 南京航空航天大学 一种基于Keras的区域民航主被动碳排放预测方法
CN112633328A (zh) * 2020-12-04 2021-04-09 北京科技大学 一种基于深度学习的致密油藏改造效果评价方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
侯天江等: "神经网络的CO2吞吐候选井模糊优选方法", 《西南石油学院学报》 *
张娟等: "水平井CO_2吞吐增油机理及影响因素", 《油田化学》 *
赵庶旭等: "《神经网络——理论、技术、方法及应用》", 31 May 2013, 中国铁道出版社 *

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116066066A (zh) * 2021-12-22 2023-05-05 中国石油天然气集团有限公司 一种筛选氮气吞吐措施井的方法
CN116066066B (zh) * 2021-12-22 2024-05-24 中国石油天然气集团有限公司 一种筛选氮气吞吐措施井的方法
CN114781951A (zh) * 2022-06-23 2022-07-22 中国石油大学(华东) 一种页岩油藏二氧化碳吞吐开发选井决策方法及系统
CN115822533A (zh) * 2022-11-28 2023-03-21 新疆敦华绿碳技术股份有限公司 一种底水砂岩油藏驱油方法
CN115822533B (zh) * 2022-11-28 2024-09-20 新疆敦华绿碳技术股份有限公司 一种底水砂岩油藏驱油方法
CN115732041A (zh) * 2022-12-07 2023-03-03 中国石油大学(北京) 二氧化碳捕获量预测模型构建方法、智能预测方法及装置
CN115732041B (zh) * 2022-12-07 2023-10-13 中国石油大学(北京) 二氧化碳捕获量预测模型构建方法、智能预测方法及装置
CN118155743A (zh) * 2024-05-13 2024-06-07 中国石油大学(华东) 一种基于图像空间矩理论的co2羽流分布模式评估方法

Similar Documents

Publication Publication Date Title
CN113592194A (zh) 建立co2吞吐效果预测模型的方法以及co2吞吐效果评价方法
Erofeev et al. Prediction of porosity and permeability alteration based on machine learning algorithms
CN106351651B (zh) 页岩气井产能的预测方法及装置
Zolotukhin et al. Machine learning in reservoir permeability prediction and modelling of fluid flow in porous media
CN116611350B (zh) 一种基于迁移学习的油井酸化措施效果预测方法
US12019202B2 (en) Fast variogram modeling driven by artificial intelligence
CN114693005A (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
Al-Tashi et al. Feature selection based on grey wolf optimizer for oil & gas reservoir classification
CN113792479A (zh) 一种基于物理约束的煤层气藏压裂效果评价方法
Raji et al. A new approach in well placement optimization using metaheuristic algorithms
Yaralidarani et al. An improved Ant Colony Optimization (ACO) technique for estimation of flow functions (kr and Pc) from core-flood experiments
CN110717270B (zh) 一种基于数据的油气藏仿真模拟方法
Fan et al. Estimation of three-phase relative permeabilities for a water-alternating-gas process by use of an improved ensemble randomized maximum-likelihood algorithm
Seyyedattar et al. Relative permeability modeling using extra trees, ANFIS, and hybrid LSSVM–CSA methods
Muther et al. Subsurface physics inspired neural network to predict shale oil recovery under the influence of rock and fracture properties
CN117494617B (zh) 基于内嵌物理信息神经网络的二氧化碳驱油快速模拟方法
Hatamizadeh et al. Simulation of carbonate reservoirs acidizing using machine and meta-learning methods and its optimization by the genetic algorithm
US10934812B2 (en) Integrated a priori uncertainty parameter architecture in simulation model creation
Fathi et al. Simultaneous well spacing and completion optimization using an automated machine learning approach. A case study of the Marcellus Shale reservoir, northeastern United States
Aryanto et al. Hydraulic fracturing candidate-well selection using artificial intelligence approach
Wang et al. On the Feasibility of An Ensemble Multi-Fidelity Neural Network for Fast Data Assimilation for Subsurface Flow in Porous Media
US20230184061A1 (en) Machine Learning with Physics-based Models to Predict Multilateral Well Performance
Sheng et al. Interpretable knowledge-guided framework for modeling reservoir water-sensitivity damage based on Light Gradient Boosting Machine using Bayesian optimization and hybrid feature mining
Gowida et al. Comparative analysis between different artificial based models for predicting static Poisson’s ratio of sandstone formations
Temizel et al. Production Forecasting in Conventional Oil Reservoirs Using Deep Learning

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
RJ01 Rejection of invention patent application after publication

Application publication date: 20211102

RJ01 Rejection of invention patent application after publication