CN113627068A - 一种用于预测缝洞型油气藏试井产能的方法及系统 - Google Patents
一种用于预测缝洞型油气藏试井产能的方法及系统 Download PDFInfo
- Publication number
- CN113627068A CN113627068A CN202010378121.5A CN202010378121A CN113627068A CN 113627068 A CN113627068 A CN 113627068A CN 202010378121 A CN202010378121 A CN 202010378121A CN 113627068 A CN113627068 A CN 113627068A
- Authority
- CN
- China
- Prior art keywords
- data
- productivity
- reservoir
- fracture
- characteristic parameters
- 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
Images
Classifications
-
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2113/00—Details relating to the application field
- G06F2113/08—Fluids
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种用于预测缝洞型油气藏试井产能的方法,包括:根据缝洞型油气藏储层的试井解释资料和储层所在区域的地质资料,优选与产能相关的多个特征参数并计算相应的影响程度系数,特征参数包括原始压力、井筒表皮、储层岩石渗透率、波及系数、阻尼系数、溶洞体积、裂缝体积和总体积;对各类特征参数的历史样本数据进行预处理,基于此,结合影响程度系数,对用于预测缝洞型油气藏试井产能的预测模型进行训练,其中,预测模型为一维卷积神经网络模型;基于待预测井关于多个特征参数的实时样本数据组,利用训练好的预测模型进行试井解释产能预测。本发明预测结果精度高,对地质信息依赖程度低,相对传统方法操作更加灵活。
Description
技术领域
本发明涉及试井解释技术领域,具体地说,是涉及一种用于预测缝洞型油气藏试井产能的方法及系统。
背景技术
油气田的产能预测大多是先对现有的生产数据进行回归分析拟合,再利用采用回归方法得到的方程来进行产能预测。传统的针对生产数据的分析过程通常是基于物质平衡条件和三个理想假设的,即一口垂直井、地层边界封闭、以及流动达到边界流阶段。在生产数据分析技术领域中,最早由Arps提出了递减曲线分析方法,此方法以简单形式的数学函数去拟合产量变化曲线,该曲线主要为指数型、双曲型和调和型三种形式,Arps方法适用于稳态井底流动,可以解释数据的单调变化,但不适用于复杂井底流动,也无法解释数据的非单调变化。另外,Fetkovich将Arps方法与试井分析中的不稳定流动公式结合,将Arps方法扩展至不稳定流动阶段,但产能预测结果存在误差。
由于利用产能试井解释数据来进行油气井产能评价是国内外普遍采用的方法,但由于产能试井要求每个流量下的压力必须稳定,在实际的产能试井中,尤其是对于碳酸盐岩缝洞型油气藏,井底压力往往难以稳定,这会导致产能预测结果存在误差。因此,有必要探索一种新的理论方法,可以通过大量的试井解释数据进行动态产能的准确及高效预测。
发明内容
为了解决上述技术问题,本发明提供了一种用于预测缝洞型油气藏试井产能的方法,所述方法包括:根据缝洞型油气藏储层的试井解释资料和所述储层所在区域的地质资料,优选与产能相关的多个特征参数并计算相应的影响程度系数,所述特征参数包括原始压力、井筒表皮、储层岩石渗透率、波及系数、阻尼系数、溶洞体积、裂缝体积和总体积;对各类所述特征参数的历史样本数据进行预处理,基于此,结合所述影响程度系数,对用于预测缝洞型油气藏试井产能的预测模型进行训练,其中,所述预测模型为一维卷积神经网络模型;基于待预测井关于所述多个特征参数的实时样本数据组,利用训练好的所述预测模型进行试井解释产能预测。
优选地,在根据缝洞型油气藏储层的试井解释资料和所述储层所在区域的地质资料,优选与产能相关的多个特征参数并计算相应的影响程度系数步骤中,包括:分析影响单井产能的试井解释数据、储层所在区域的地层条件、储层性质和试油条件,得到所述多个特征参数;利用皮尔逊相关性关系,评估每个特征参数与历史试井产能之间的相关系数,基于此,确定每个特征参数对产能的影响程度系数。
优选地,在对各类所述特征参数的历史样本数据进行预处理步骤中,包括:采用基于加权平均的序列数据质量控制算法,对每类所述特征参数的历史样本数据进行数据噪声消除处理。
优选地,进一步,包括:将同一类所述特征数据的历史样本数据内的各样本点数据进行编号;从所述各样本点数据中选取多个中间位数据;以每个所述中间位数据为中心向前、后分别截取预设数量个的样本点数据,基于此,计算每个截取样本点与其对应的所述中间位数据之间的加权核值;根据每个所述中间位数据对应的所有截取样本点数据及相应的加权核值,对相应的所述中间位数据进行加权平均处理,以消除该类特征数据的噪声。
优选地,在对各类所述特征参数的历史样本数据进行预处理步骤中,还包括:分别对每类经过噪声消除处理的所述特征参数对应的历史样本数据进行归一化处理,以利用经归一化处理后的各类历史样本数据训练所述预测模型,其中,按照如下表达式对所述历史样本数据内的每个样本点进行归一化处理:
优选地,所述预测模型内的隐含层先叠加第一数量个特征提取结构,后叠加第二数量个全连接层,其中,所述第一卷积结构由第三数量个卷积层叠加构成、或者由先叠加所述第三数量个卷积层后叠加1个池化层构成。
优选地,所述方法还包括:对产能预测结果的估计进行有效性验证。
另外,本发明还提出了一种用于预测缝洞型油气藏试井产能的系统,所述系统包括:影响程度生成模块,其根据缝洞型油气藏储层的试井解释资料和所述储层所在区域的地质资料,优选与产能相关的多个特征参数并计算相应的影响程度系数,所述特征参数包括原始压力、井筒表皮、储层岩石渗透率、波及系数、阻尼系数、溶洞体积、裂缝体积和总体积;模型构建模块,其对各类所述特征参数的历史样本数据进行预处理,基于此,结合所述影响程度系数,对用于预测缝洞型油气藏试井产能的预测模型进行训练,其中,所述预测模型为一维卷积神经网络模型;实时预测模块,其基于待预测井关于所述多个特征参数的实时样本数据组,利用训练好的所述预测模型进行试井解释产能预测。
优选地,所述模型构建模块,包括:第一预处理单元,其采用基于加权平均的序列数据质量控制算法,对每类所述特征参数的历史样本数据进行数据噪声消除处理。
优选地,所述预测模型内的隐含层先叠加第一数量个特征提取结构,后叠加第二数量个全连接层,其中,所述特征提取结构由第三数量个卷积层叠加构成、或者由先叠加所述第三数量个卷积层后叠加1个池化层构成。
与现有技术相比,上述方案中的一个或多个实施例可以具有如下优点或有益效果:
本发明提出了一种用于预测缝洞型油气藏试井产能的方法及系统。该方法及系统利用卷积神经网络模型具有更多的神经元、更复杂的连接层的方式、可自动进行特征提取的优点,能够有效解决缝洞型油气藏由于地质信息复杂而无法精确建立产能预测模型的难题。另外,本发明的预测结果精度高,对地质信息依赖程度低,相对传统方法操作更加灵活。
本发明的其他优点、目标,和特征在某种程度上将在随后的说明书中进行阐述,并且在某种程度上,基于对下文的考察研究对本领域技术人员而言将是显而易见的,或者可以从本发明的实践中得到教导。本发明的目标和其他优点可以通过下面的说明书,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为本申请实施例的用于预测缝洞型油气藏试井产能的方法的步骤图。
图2为本申请实施例的用于预测缝洞型油气藏试井产能的方法中预处理内的数据噪声消除处理的流程图。
图3为本申请实施例的用于预测缝洞型油气藏试井产能的方法的产能预测结果与真实产能的对比图。
图4为本申请实施例的用于预测缝洞型油气藏试井产能的预测系统的模块框图。
具体实施方式
以下将结合附图及实施例来详细说明本发明的实施方式,借此对本发明如何应用技术手段来解决技术问题,并达成技术效果的实现过程能充分理解并据以实施。需要说明的是,只要不构成冲突,本发明中的各个实施例以及各实施例中的各个特征可以相互结合,所形成的技术方案均在本发明的保护范围之内。
油气田的产能预测大多是先对现有的生产数据进行回归分析拟合,再利用采用回归方法得到的方程来进行产能预测。传统的针对生产数据的分析过程通常是基于物质平衡条件和三个理想假设的,即一口垂直井、地层边界封闭、以及流动达到边界流阶段。在生产数据分析技术领域中,最早由Arps提出了递减曲线分析方法,此方法以简单形式的数学函数去拟合产量变化曲线,该曲线主要为指数型、双曲型和调和型三种形式,Arps方法适用于稳态井底流动,可以解释数据的单调变化,但不适用于复杂井底流动,也无法解释数据的非单调变化。另外,Fetkovich将Arps方法与试井分析中的不稳定流动公式结合,将Arps方法扩展至不稳定流动阶段,但产能预测结果存在误差。
由于利用产能试井解释数据来进行油气井产能评价是国内外普遍采用的方法,但由于产能试井要求每个流量下的压力必须稳定,在实际的产能试井中,尤其是对于碳酸盐岩缝洞型油气藏,井底压力往往难以稳定,这会导致产能预测结果存在误差。因此,有必要探索一种新的理论方法,可以通过大量的试井解释数据进行动态产能的准确及高效预测。
为了解决上述技术问题,本发明提出了一种用于预测缝洞型油气藏试井产能的方法及系统。该方法及系统首先确定出影响缝洞型油气藏储层的产能预测结果的多类特征参数,并计算每类特征参数对产能的相关性影响系数;获取这些特征参数的历史样本数据,并对这些历史样本数据进行预处理;接着,根据经过预处理的历史数据、以及上述相关性影响系数,对预测模型进行训练,其中,预测模型为一维卷积神经网络模型;最后,基于待预测井的实时的多类特征参数,利用训练好的预测模型进行产能预测。这样,本发明预测准确、精度高、对地质信息的依赖程度较低,能够应付顺北区的井下复杂情况,有效解决试井过程中由于地质信息复杂而导致无法建立样本信息的预测模型的问题,以及解决了现有预测分析过程侧重于分析缝洞型油藏产能影响因素而无法建立一种直接能够预测结果的预测模型或者已构建的模型仅能在特定的假设模型下才能应用的问题。
图1为本申请实施例的用于预测缝洞型油气藏试井产能的方法的步骤图。下面参考图1,对本发明所述的用于预测缝洞型油气藏试井产能的方法(以下简称“产能预测方法”)进行详细说明。首先,步骤S110根据关于待预测井所在缝洞型储层油田区域内所有历史井的试井解释资料和当前油田区域的地质构造资料,优选出与产能预测结果相关的多个特征参数,并计算相应的影响程度系数。
在本发明实施例中,待预测井可以是当前缝洞型储层油田区域内已经过钻井和生产的历史井,针对这种井需要对未来时刻的产能进行预测。对于具有缝洞型储层的油田区域来说,这类储层存在基质、裂缝和缝洞不同组合的储集体,在进行产能预测时,所需要考虑的能够影响产能预测结果的相关性因素较多。因此,在步骤S110中需要优选出与缝洞型储层产能预测结果最相关(对产能预测结果影响较大的因素)的多个特征因素(特征参数)。
具体的,(步骤S1101)获取缝洞型储层试井解释资料和当前储层所在油田区域的地质构造资料,而后,根据这些资料,分析影响当前缝洞型储层的单井产能的试井解释参数、储层所在区域的地层条件、储层性质和试油条件,得到多类特征参数。在本发明实施例中,优选出的特征参数包括如下8类:原始地层压力、井筒表皮系数、储层岩石渗透率、波及系数、油气井阻尼系数、溶洞体积、裂缝体积和总体积(其中,总体积是溶洞体积与裂缝体积之和)。
在完成特征参数的优选后,进入到步骤S1102中,计算每类特征参数对产能的影响程度系数。步骤S1102利用皮尔逊相关性关系,评估每类特征参数的历史样本数据与历史试井产能值之间的相关系数,基于此,计算每类特征参数对产能的影响程度系数。在本发明实施例中,在试井解释资料内包括有当前缝洞型油气藏储层所在油田区域内的多口历史井10年内的各类特征参数的历史数据、以及这些历史井的实际产能值(历史试井产能值)。由于地下地质情况复杂,在参数优选时,需要考虑当前储层的构造因素、储层性质、试油条件等信息,在综合分析地质因素的基础上,合理选择优选参数(与产能预测结果最相关的参数)。在本发明实施例中,根据每类特征参数的历史样本数据、以及上述历史试井的产能值,利用皮尔逊相关系性,分析各类特征参数与历史产能之间的关系,相关系数从负相关到正相关之间变化,系数为0时,表明两个因素无关系。其中,利用如下表达式对每类特征参数对应的相关系数进行计算:
式中,ρ表示每类特征参数与历史试井产能值之间的相关系数,X表示每类特征参数的历史样本数据,Y表示历史试井产能值。这样,针对每类特征参数都得到了一个相对应的影响程度系数。
例如:以从顺北缝洞型储层区块内的历史油气井的试井样本数据为基础,根据每类特征参数的历史样本数据、以及上述历史试井的产能值,利用上述式(1),对优选出的缝洞型储层产能预测结果相关的多个特征参数对应的影响程度系数进行计算。表1为8类特征参数与产能之间的影响关系系数表。
表1特征参数与产能之间的影响关系系数表
进一步,根据表1所得到的数据表明,缝洞型储层的原始压力、渗透率、波动系数、溶洞体积、裂缝体积、以及总体积参数与产能呈正相关关系,井筒表皮、及阻尼系数与产能呈负相关关系。
在完成特征参数相关性系数计算后,进入到步骤S120中。步骤S120对各类特征参数的历史样本数据进行预处理。在步骤S120中首先需要获取每类特征参数的历史样本数据。优选地,在本发明实施例中,每类特征参数的历史样本数据为当前缝洞型储层所在油田区域内的多口历史井10年内的同类特征参数的历史数据,其中,同类特征参数的历史数据包括多个样本点数据。而后,分别对每类特征参数的历史样本数据内的每个样本点数据进行预处理,以利用经预处理后的各类历史样本数据,来训练预测模型。优选地,在本发明实施例中,预处理需要先对每类特征参数的历史样本数据进行数据噪声消除处理。更进一步地说,需要先采用基于加权平均的序列数据质量控制算法,对每类特征参数的历史样本数据进行数据噪声消除处理。
图2为本申请实施例的用于预测缝洞型油气藏试井产能的方法中预处理内的数据噪声消除处理的流程图。需要说明的是,在本发明实施例中,由于每类历史样本数据都需要按照同样的过程进行数据噪声消除处理,以在不损失原始样本数据趋势特征的情况下,消除原始数据噪声对产能预测的影响,达到提高数据精确度的目的。因此,本发明实施例以其中一类特征参数的历史样本数据的数据噪声消除处理为例,对预处理中的数据噪声消除处理进行说明。
如图2所示,步骤S201将同一类特征数据的历史样本数据内的各个样本点数据进行编号,而后进入到步骤S202中。在步骤S201中,将当前类别的历史样本数据内的各个样本点数据作为序列数据,每个样本点为一组序列对的源数据(x,y),并将这些序列对数据源一一进行编号(xi,yi),i=1,2,3…n。其中,xi表示样本点数据对的时间数据,yi表示样本点数据对所对应的相应种类特征参数的数值。
步骤S202从各样本点数据中选取多个中间位数据。在步骤S202中,需要从经过编号处理的步骤S201得到的样本点数据中,筛选出集中在中间位置处的多个样本点的源数据对(也就是说,从经过编号处理的步骤S201得到的样本点数据中的最中间位置开始,分别向前、后两段分别采集一定数量个样本点的源数据对,形成为多个中间位数据),从而进入到步骤S203中。
步骤S203先以每个中间位数据为中心向前、后分别截取预设数量(T)个的样本点数据,得到2T+1个的截取样本点数据,而后利用下述加权核值计算式,分别计算每个截取样本点与当前截取样本点集合对应的中间位数据之间的加权核值,即计算每个截取样本点相较于当前中间位数据之间的影响性关系量。其中,加权核值计算式利用如下表达式表示:
其中,Kλ表示当前截取样本点的加权核值,xt表示当前中间位数据点的时间参数,t表示当前中间位数据点的序号,xi表示当前截取样本点的时间参数,λ表示当前中间位数据点与当前截取样本点之间的经验加权值,该加权值与两个数据点之间的距离长度呈正相关。
当完成所有截取样本点对应的加权核值后,进入到步骤S204中。步骤S204根据每个中间位数据对应的所有截取样本点数据及相应的加权核值,对每个中间位数据进行加权平均处理,以消除该类特征数据的噪声。具体地,在步骤204需要根据步骤S203得到的当前中间位数据相关的所有截取样本点数据、以及每个截取样本点对应的加权核值,利用下述加权平均计算式,来对每个中间位数据进行加权平均处理。
其中,加权平均计算式利用如下表达式表示:
由此,本发明实施例利用上述步骤S201~204先进行中间位样本点数据的选取,来将对相应类别特征参数影响较小或具有异常性(噪声点)的边缘样本点数据过滤掉,而后对每个中间位样本点数据进行加权平均处理,以在保留原始数据的趋势特征的情况下将当前中间位样本点数据进行噪声消除处理,以消除掉截取点集合中的噪声点数据对中间位样本点数据的异常影响,从而兼顾了原始数据趋势特征稳定度和数据精确度。这样,反复通过步骤S201~204便能够针对所有类别的特征参数对应的历史样本数据完成相应的数据噪声消除处理了,从而得到经过数据噪声消除处理的历史样本数据,即将每类历史样本数据转化为相应特征参数类别下的多个中间位数据点的加权平均处理结果的集合。
进一步,在步骤S120中,为了进一步优化预测模型训练的输入数据,优选地,在本发明实施例中,在完成针对每类特征参数的历史样本数据的数据噪声消除处理后,还需要对数据噪声处理结果(每类特征参数下的多个中间位数据点的加权平均处理结果的集合,以下称该集合为噪声处理结果集合,每类特征参数对应一组噪声处理结果集合)进一步进行归一化处理。
具体地,利用如下表达式对每类特征参数的数据噪声消除处理结果进行归一化处理:
式中,表示经归一化处理后的样本点数据,xi表示相应特征参数对应的噪声处理结果集合内的样本点数据(即集合内中间位数据点的加权平均处理结果数据),xmax表示相应特征参数对应的噪声处理结果集合内的最大样本点数据,xmin表示相应特征参数对应的噪声处理结果集合内的最小样本点数据。由此,每个样本点数据都转化为了无量纲单位数值,且数值在区间[-1,1]之间。
在完成所有特征参数的历史样本数据的归一化处理后,进入到步骤S130中。步骤S130根据经预处理后的各类特征参数的历史样本数据(根据依次经过数据噪声消除处理和归一化处理的各类特征参数的历史样本数据),结合步骤S110得到的各类特征参数对应的影响程度系数,来训练用于预测当前缝洞型油气藏试井产能的预测模型。其中,预测模型为一维卷积神经网络模型。由于卷积神经网络具有更多的神经元、以及更复杂的连接层的方式,具有可自动特征提取的优点,能够有效解决缝洞型油气藏由于地质信息复杂而无法精确建立产能预测模型的难题。
在步骤S130对预测模型进行训练前,需要对预测模型的初始结构进行搭建。在本发明实施例中,预测模型初始结构的搭建过程,需要先对一维卷积神经网络模型的输入层、输出层进行保留,而后构建隐含层的结构。其中,隐含层结构需要先叠加第一数量个(M个)特征提取结构,后叠加第二数量个(K个)全连接层,所述特征提取结构(第一卷积结构)由第三数量个(N个)卷积层叠加构成、或者由先叠加第三数量个(N个)卷积层后叠加1个池化层构成。这样,便完成了预测模型的初始结构的构建,在后续进行模型训练过程中,先利用第一卷积结构对输入到隐含层的数据进行M轮数据特征提取部分的训练,而后,利用全连接层进行K轮数据特征分类部分的训练,以对整个预测模型进行训练。需要说明的是,本发明实施例中的M、K、N均为正整数,本发明其数值不作具体限定,本领域技术人员可根据实际的预测精度、预测效率、预测时间等方面的需求进行相应的设置。
进一步,基于卷积神经网络的预测模型可以有效增强参数特征提取能力。在本发明实施例中的一维卷积神经网络模型(预测模型的初始结构)的表达式如下所示:
Netconv=INPUT→[[CONV]*N→POOL?]*M→[FC]*K→OUTPUT (5)
其中,Netconv表示卷积神经网络模型,INPUT表示输入层,CONV表示卷积层,POOL表示池化层,FC表示全连接层,OUTPUT表示输出层,整个表达式(5)表示由N个卷积层叠加,然后可选的叠加1个池化层,重复这个结构(特征提取结构)M次,最后叠加K个全连接层。
进一步,数据特征提取部分中的卷积层的模型结构的表达式如下所示:
其中,表示卷积层的输入,表示第l层第k个神经元的偏置值,表示第l-1层第i个神经元的输出,表示从第l-1层第i个神经元到第l层第k个神经元卷积核的数值大小,l表示卷积层的层号,i、k分别表示卷积层内的神经元的序号。进一步,数据特征提取部分中的池化层的模型结构的表达式如下所示:
由此,池化层反映了从第一个全连接层到最后一个卷积层的前向传播过程。
这样,在将经预处理后的各类特征参数的历史样本数据、以及每类特征参数对应的影响程度系数作为输入数据,代入上述预测模型的初始结构中后,开始对预测模型进行训练,训练完成后便得到了适应于缝洞型储层油气藏产能预测的模型,能够对试井解释过程中的当前类型的油气藏储层的产能进行动态预测。由于一维卷积神经网络模型是含有卷积计算且具有深度结构的前馈神经网络,只是隐藏层换成了卷积层、池化层、全连接层,使得一维卷积神经网络在动态预测过程中的实际输出值与期望输出的产能值之间的相对误差最小。
在对上述预测模型的初始结构进行训练过程中,当将一组历史样本数据(一组包含有各类特征参数的历史样本点数据、以及历史试井产能值)输入至上述初始结构后,会计算出该组样本数据的实际预测值,并得到当前实际预测值与历史试井产能值之间的产能误差,当多组历史样本数据输入到预测模型的初始结构中时,都会得到相应的产能误差,使得产能误差的数据量会增加,将相邻组历史样本数据得到的产能误差进行比较,得到最小的产能误差并生成针对满足预测模型达到一定精度且可进行应用的条件所需的最小产能误差阈值(该阈值比真实的最小产能误差稍大),上述这种终止条件的判断过程可通过算法程序实现。随着后期多组历史样本数据的不断增加,该方法会自适应的找寻到当前缝洞型油气储层地形的预测模型的优选参数值,历史样本数据值的组数越多,预测模型越精确。
在完成预测模型的构建后,进入到步骤S140中,以对当前缝洞型储层所属油田区域内的待预测井的试井解释产量进行预测。步骤S140获取当前待预测井在实际试井解释过程中的关于多个特征参数的实时样本数据组,基于当前的多个特征参数,将这8类特征参数的实时样本数据组,先按照上述步骤S120依次进行包括数据噪声消除处理和归一化处理的预处理,而后将经过预处理的这8类实时样本数据组作为输入数据输入至步骤S130构建完成的预测模型内,以利用这种卷积神经网络模型进行实时的试井解释产能预测,输出关于待预测井的当前单井的产能预测(估计)结果。
另外,在本发明实施例中,为了保障步骤S140得到产能预测值的准确性,本发明在步骤S140之后,还需要利用步骤S150对待预测井当前的产能预测结果进行有效性验证。具体地,需要对预测模型输出的参数估计结果进行验证,也就是说,需要将当前估计结果反馈至预测模型中,来确定估计结果是否有效,在当前估计结果有效时,将当前估计结果作为最终的产能预测结果。如果当前估计结果无效时,则需要返回步骤S140中,获取新的特征参数,重新利用预测模型进行试井解释产能预测,并且,利用步骤S150重新对估计结果的有效性进行验证。
由于步骤S150得到的估计结果是由步骤S140中得到的当前时间段(而不是近10年历史样本数据对应的时间段)的实时样本数据组预测的产能估计结果,这种实时的样本数据对于预测模型是否适用还需要进行验证。因此,在步骤S150中,需要将步骤S140得到的作为输入数据的实时样本数据组、以及产能估计结果,作为训练数据输入至上述训练完成的预测模型中,先令神经元个数初始设置为零,计算相邻两组实时样本数据组预测模型的相对产能误差,然后逐渐增加神经元个数,继续计算同样的相邻两组实时样本数据组预测模型的相对产能误差的相对误差,得到最小的相对误差值,然后重复此过程,重复计算相对产能误差,直至得到的相对产能误差满足小于最小产能误差阈值条件,则判断当前产能估计结果是有效的;否则,在经过多次增加神经元个数仍不满足小于上述最小产能误差阈值条件时,判断当前产能估计结果是无效的。需要说明的是,本发明实施例对增加神经元个数操作的次数的数值不作具体限定,本领域技术人员可根据实际需求进行设定。这样,本发明通过实时的样本数据组对预测模型进行修正改进,从而通过持续的增加现场的实时数据来不断的改进预测模型的内部参数,现场数据越多,模型越精确,达到自我修正的效果。
图3为本申请实施例的用于预测缝洞型油气藏试井产能的方法的产能预测结果与真实产能的对比图。将应用本发明实施例所述的产能预测方法(预测模型输出)的预测结果,与当前油气藏储层生产的实际产能数据,进行对比分析,采用的一维卷积神经网络模型对序列数据特征提取在性能和收敛性上具有优势,从而实现针对缝洞储层的试井解释产能的准确性预测,结果对比分析得到最终平均均方误差为0.1596。
另一方面,本发明基于上述用于预测缝洞型油气藏试井产能的方法,还提出了一种用于预测缝洞型油气藏试井产能的系统(以下简称“产能预测系统”)。图4为本申请实施例的用于预测缝洞型油气藏试井产能的预测系统的模块框图。如图4所示,本发明所述的产能预测系统包括:影响程度生成模块41、模型构建模块42、实时预测模块43和预测结果验证模块44。其中,影响程度生成模块41按照上述步骤S110所述的方法实施,配置为根据缝洞型油气藏储层的试井解释资料和当前储层所在区域的地质资料,优选与产能相关的多个特征参数并计算相应的影响程度系数。其中,特征参数包括原始压力、井筒表皮、储层岩石渗透率、波及系数、阻尼系数、溶洞体积、裂缝体积和总体积。模型构建模块42按照上述步骤S120和步骤S130所述的方法实施,配置为对各类特征参数的历史样本数据进行预处理,基于此,结合影响程度生成模块41得到的影响程度系数,对用于预测缝洞型油气藏试井产能的预测模型进行训练,其中,该预测模型为一维卷积神经网络模型。实时预测模块43按照上述步骤S140所述的方法实施,配置为基于待预测井关于多个特征参数的实时样本数据组,利用训练好的预测模型进行试井解释产能预测。预测结果验证模块44按照上述步骤S150所述的方法实施,配置为对产能预测结果的估计进行有效性验证。
进一步,模型构建模块42包括预处理子模块421和模型训练模块422。其中,预处理子模块421包括第一预处理单元4211和第二预处理单元4212。第一预处理单元4211配置为采用基于加权平均的序列数据质量控制算法,对每类特征参数的历史样本数据进行数据噪声消除处理。第二预处理单元4212配置为分别对每类经过噪声消除处理的特征参数对应的历史样本数据进行归一化处理。模型训练模块422配置为根据经预处理的各类特征参数的历史样本数据,结合上述影响程度生成模块41输出的各类特征参数对应的影响程度系数,对用于预测缝洞型油气藏试井产能的预测模型进行训练。
进一步,上述预测模型内的隐含层先叠加第一数量个特征提取结构,后叠加第二数量个全连接层。其中,所述特征提取结构由第三数量个卷积层叠加构成、或者由先叠加第三数量个卷积层后叠加1个池化层构成。
本发明公开了一种用于预测缝洞型油气藏试井产能的方法及系统。该方法及系统在塔河、顺北等井区缝洞型油气井的施工中,要想获得油气井产能的预测结果,需要先根据缝洞试井软件解释所得到的试井解释数据,优选出与产能相关的因素,主要有原始地层压力、井筒表皮系数、渗透率、波动系数、油气井阻尼系数、溶洞体积、裂缝体积和总体积(溶洞体积与裂缝体积之和);而后根据相关性分析,得到各因素对产能的影响因子;其次,根据各类特征参数的历史数据依次进行基于加权平均的序列数据质量控制算法以消除原始数据噪声影响、及数据归一化处理,并利用处理后的数据对预先构建的一维卷积神经网络模型进行训练;最后基于训练好的卷积神经网络模型,对于试井解释实时的特征参数数据进行试井产能预测。本发明采用的卷积神经网络由于具有更多的神经元、及更复杂的连接层的方式,还具有可自动进行特征提取的优点,能够有效解决缝洞型油气藏由于地质信息复杂而无法精确建立产能预测模型的难题。另外,本发明的预测结果精度高,对地质信息依赖程度低,相对传统方法操作更加灵活。
以上所述,仅为本发明较佳的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉该技术的人员在本发明所揭露的技术范围内,可轻易想到的变化或替换,都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应该以权利要求的保护范围为准。
Claims (10)
1.一种用于预测缝洞型油气藏试井产能的方法,其特征在于,所述方法包括:
根据缝洞型油气藏储层的试井解释资料和所述储层所在区域的地质资料,优选与产能相关的多个特征参数并计算相应的影响程度系数,所述特征参数包括原始压力、井筒表皮、储层岩石渗透率、波及系数、阻尼系数、溶洞体积、裂缝体积和总体积;
对各类所述特征参数的历史样本数据进行预处理,基于此,结合所述影响程度系数,对用于预测缝洞型油气藏试井产能的预测模型进行训练,其中,所述预测模型为一维卷积神经网络模型;
基于待预测井关于所述多个特征参数的实时样本数据组,利用训练好的所述预测模型进行试井解释产能预测。
2.根据权利要求1所述的方法,其特征在于,在根据缝洞型油气藏储层的试井解释资料和所述储层所在区域的地质资料,优选与产能相关的多个特征参数并计算相应的影响程度系数步骤中,包括:
分析影响单井产能的试井解释数据、储层所在区域的地层条件、储层性质和试油条件,得到所述多个特征参数;
利用皮尔逊相关性关系,评估每个特征参数与历史试井产能之间的相关系数,基于此,确定每个特征参数对产能的影响程度系数。
3.根据权利要求1或2所述的方法,其特征在于,在对各类所述特征参数的历史样本数据进行预处理步骤中,包括:
采用基于加权平均的序列数据质量控制算法,对每类所述特征参数的历史样本数据进行数据噪声消除处理。
4.根据权利要求3所述的方法,其特征在于,进一步,包括:
将同一类所述特征数据的历史样本数据内的各样本点数据进行编号;
从所述各样本点数据中选取多个中间位数据;
以每个所述中间位数据为中心向前、后分别截取预设数量个的样本点数据,基于此,计算每个截取样本点与其对应的所述中间位数据之间的加权核值;
根据每个所述中间位数据对应的所有截取样本点数据及相应的加权核值,对相应的所述中间位数据进行加权平均处理,以消除该类特征数据的噪声。
6.根据权利要求1~5中任一项所述的方法,其特征在于,所述预测模型内的隐含层先叠加第一数量个特征提取结构,后叠加第二数量个全连接层,其中,所述第一卷积结构由第三数量个卷积层叠加构成、或者由先叠加所述第三数量个卷积层后叠加1个池化层构成。
7.根据权利要求1~6中任一项所述的方法,其特征在于,所述方法还包括:对产能预测结果的估计进行有效性验证。
8.一种用于预测缝洞型油气藏试井产能的系统,其特征在于,所述系统包括:
影响程度生成模块,其根据缝洞型油气藏储层的试井解释资料和所述储层所在区域的地质资料,优选与产能相关的多个特征参数并计算相应的影响程度系数,所述特征参数包括原始压力、井筒表皮、储层岩石渗透率、波及系数、阻尼系数、溶洞体积、裂缝体积和总体积;
模型构建模块,其对各类所述特征参数的历史样本数据进行预处理,基于此,结合所述影响程度系数,对用于预测缝洞型油气藏试井产能的预测模型进行训练,其中,所述预测模型为一维卷积神经网络模型;
实时预测模块,其基于待预测井关于所述多个特征参数的实时样本数据组,利用训练好的所述预测模型进行试井解释产能预测。
9.根据权利要求8所述的系统,其特征在于,所述模型构建模块,包括:
第一预处理单元,其采用基于加权平均的序列数据质量控制算法,对每类所述特征参数的历史样本数据进行数据噪声消除处理。
10.根据权利要求8或9所述的系统,其特征在于,所述预测模型内的隐含层先叠加第一数量个特征提取结构,后叠加第二数量个全连接层,其中,所述特征提取结构由第三数量个卷积层叠加构成、或者由先叠加所述第三数量个卷积层后叠加1个池化层构成。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010378121.5A CN113627068A (zh) | 2020-05-07 | 2020-05-07 | 一种用于预测缝洞型油气藏试井产能的方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010378121.5A CN113627068A (zh) | 2020-05-07 | 2020-05-07 | 一种用于预测缝洞型油气藏试井产能的方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113627068A true CN113627068A (zh) | 2021-11-09 |
Family
ID=78376870
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010378121.5A Pending CN113627068A (zh) | 2020-05-07 | 2020-05-07 | 一种用于预测缝洞型油气藏试井产能的方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113627068A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114461704A (zh) * | 2022-04-14 | 2022-05-10 | 浙江理工大学 | 一种基于织机产能预测织机了机的方法及系统 |
CN114925632A (zh) * | 2022-05-26 | 2022-08-19 | 西南石油大学 | 一种缝洞型气藏产能测试的动态模拟方法 |
CN114997080A (zh) * | 2022-05-26 | 2022-09-02 | 西南石油大学 | 一种缝洞型气藏未稳定产能测试资料解释方法 |
CN116341393A (zh) * | 2023-05-26 | 2023-06-27 | 中国石油大学(华东) | 一种自动非稳态试井解释方法、装置、设备及介质 |
-
2020
- 2020-05-07 CN CN202010378121.5A patent/CN113627068A/zh active Pending
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114461704A (zh) * | 2022-04-14 | 2022-05-10 | 浙江理工大学 | 一种基于织机产能预测织机了机的方法及系统 |
CN114461704B (zh) * | 2022-04-14 | 2022-06-24 | 浙江理工大学 | 一种基于织机产能预测织机了机的方法及系统 |
CN114925632A (zh) * | 2022-05-26 | 2022-08-19 | 西南石油大学 | 一种缝洞型气藏产能测试的动态模拟方法 |
CN114997080A (zh) * | 2022-05-26 | 2022-09-02 | 西南石油大学 | 一种缝洞型气藏未稳定产能测试资料解释方法 |
CN114997080B (zh) * | 2022-05-26 | 2023-08-08 | 西南石油大学 | 一种缝洞型气藏未稳定产能测试资料解释方法 |
CN114925632B (zh) * | 2022-05-26 | 2023-09-01 | 西南石油大学 | 一种缝洞型气藏产能测试的动态模拟方法 |
CN116341393A (zh) * | 2023-05-26 | 2023-06-27 | 中国石油大学(华东) | 一种自动非稳态试井解释方法、装置、设备及介质 |
CN116341393B (zh) * | 2023-05-26 | 2023-08-04 | 中国石油大学(华东) | 一种自动非稳态试井解释方法、装置、设备及介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113627068A (zh) | 一种用于预测缝洞型油气藏试井产能的方法及系统 | |
CN109000930B (zh) | 一种基于堆叠去噪自编码器的涡轮发动机性能退化评估方法 | |
Amiri et al. | Relationship between exports, imports, and economic growth in France: evidence from cointegration analysis and Granger causality with using geostatistical models | |
CN111364953B (zh) | 一种基于图神经网络的井间动态连通性识别方法及系统 | |
CN115906675B (zh) | 基于时序多目标预测模型的井位及注采参数联合优化方法 | |
CN108595803A (zh) | 基于递归神经网络的页岩气井生产压力预测方法 | |
CN110568483A (zh) | 基于卷积神经网络的地震线性噪声压制效果自动评估方法 | |
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 | |
CN112232488A (zh) | 基于深度学习与数据驱动的新能源出力场景生成方法 | |
CN116644284A (zh) | 一种地层分类特征因子确定方法、系统、电子设备及介质 | |
CN114004100B (zh) | 一种油藏辅助历史拟合和优化模拟方法 | |
CN115860197A (zh) | 一种基于数据驱动的煤层气产量预测方法及系统 | |
CN115618987A (zh) | 生产井生产数据预测方法、装置、设备和存储介质 | |
CN117172360A (zh) | 一种基于mlp和高效pso的钻井机械钻速优化方法、系统、设备及介质 | |
CN112081582A (zh) | 水驱开发油藏中优势通道的预测方法、系统及装置 | |
CN116384770A (zh) | 一种提液井产量预测方法、系统、设备及介质 | |
CN114562236B (zh) | 一种基于集成学习模型的地质工程一体化井漏实时预警方法 | |
CN115099406A (zh) | 基于多元时间序列的地层压力反演方法及装置 | |
CN114596262A (zh) | 一种基于图像识别技术的大坝监测分析方法及系统 | |
CN113946790A (zh) | 一种导水裂隙带高度预测方法、系统、设备及终端 | |
CN111749675A (zh) | 一种基于级联模型算法的地层可钻性预测方法及系统 | |
CN112649869A (zh) | 基于ga-wnn的储层特征参数预测方法及系统 | |
CN115184939B (zh) | 一种新的体扫描数据文件生成方法 | |
CN112502690A (zh) | 低渗特低渗砂岩中的有效储层预测方法及系统 | |
CN116720662B (zh) | 基于集对分析的分布式能源系统适用性评估方法 |
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 |