CN113869613B - 一种基于能谱信号的油井产量测量方法及设备 - Google Patents
一种基于能谱信号的油井产量测量方法及设备 Download PDFInfo
- Publication number
- CN113869613B CN113869613B CN202111454766.3A CN202111454766A CN113869613B CN 113869613 B CN113869613 B CN 113869613B CN 202111454766 A CN202111454766 A CN 202111454766A CN 113869613 B CN113869613 B CN 113869613B
- Authority
- CN
- China
- Prior art keywords
- oil
- crude oil
- yield
- oil well
- water content
- 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.)
- Active
Links
- 239000003129 oil well Substances 0.000 title claims abstract description 144
- 238000000034 method Methods 0.000 title claims abstract description 35
- 238000001228 spectrum Methods 0.000 title claims abstract description 27
- 239000010779 crude oil Substances 0.000 claims abstract description 184
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims abstract description 148
- 238000004519 manufacturing process Methods 0.000 claims abstract description 131
- 239000003921 oil Substances 0.000 claims abstract description 73
- 238000005065 mining Methods 0.000 claims abstract description 35
- 238000005259 measurement Methods 0.000 claims abstract description 10
- 238000012549 training Methods 0.000 claims description 31
- 230000008859 change Effects 0.000 claims description 22
- 239000011435 rock Substances 0.000 claims description 16
- 238000013528 artificial neural network Methods 0.000 claims description 10
- 230000005251 gamma ray Effects 0.000 claims description 6
- 210000002364 input neuron Anatomy 0.000 claims description 6
- 210000004205 output neuron Anatomy 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 5
- 210000002569 neuron Anatomy 0.000 claims description 5
- 238000000605 extraction Methods 0.000 claims description 4
- 238000012163 sequencing technique Methods 0.000 claims description 4
- 238000006243 chemical reaction Methods 0.000 claims description 3
- 238000012545 processing Methods 0.000 claims description 3
- 239000000126 substance Substances 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 2
- 238000004590 computer program Methods 0.000 claims 2
- 230000003595 spectral effect Effects 0.000 claims 2
- 230000009466 transformation Effects 0.000 claims 1
- 230000015572 biosynthetic process Effects 0.000 description 5
- 238000005755 formation reaction Methods 0.000 description 5
- 230000000149 penetrating effect Effects 0.000 description 4
- 230000003247 decreasing effect Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 238000003062 neural network model Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000003556 assay Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000000691 measurement method Methods 0.000 description 1
- 230000035515 penetration Effects 0.000 description 1
- 230000000750 progressive effect Effects 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
- E21B47/00—Survey of boreholes or wells
-
- 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
- E21B49/00—Testing the nature of borehole walls; Formation testing; Methods or apparatus for obtaining samples of soil or well fluids, specially adapted to earth drilling or wells
- E21B49/08—Obtaining fluid samples or testing fluids, in boreholes or wells
- E21B49/087—Well testing, e.g. testing for reservoir productivity or formation parameters
- E21B49/0875—Well testing, e.g. testing for reservoir productivity or formation parameters determining specific fluid parameters
-
- 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)
- Life Sciences & Earth Sciences (AREA)
- Business, Economics & Management (AREA)
- Mining & Mineral Resources (AREA)
- Geology (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Fluid Mechanics (AREA)
- General Life Sciences & Earth Sciences (AREA)
- Geochemistry & Mineralogy (AREA)
- Environmental & Geological Engineering (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Entrepreneurship & Innovation (AREA)
- Geophysics (AREA)
- Game Theory and Decision Science (AREA)
- Development Economics (AREA)
- Agronomy & Crop Science (AREA)
- Animal Husbandry (AREA)
- Marine Sciences & Fisheries (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Edible Oils And Fats (AREA)
Abstract
本申请实施例公开了一种基于能谱信号的油井产量测量方法及设备,属于油井产量测量技术领域。根据测井曲线确定待测油井的第一产油量;对多个时间段内分别开采的含水原油,进行能谱信号采集,以确定含水率;根据含水原油的总量、含水率,确定多个时间段分别对应的原油产量;其中,多个时间段为已经开采待测油井时的部分时长;根据含水率确定出剩余开采时长;根据原油产量与剩余开采时长,对剩余开采时长内的各时间段对应的产量比值进行预测;根据原油产量以及产量比值,确定待测油井的第二产油量;在第一产油量与第二产油量之间的误差值小于预设误差值时,将第二产油量作为最终产油量。
Description
技术领域
本申请涉及油井产量测量技术领域,尤其涉及一种基于能谱信号的油井产量测量方法及设备。
背景技术
油井产量测量是油田生产管理中的一项重要工作,对油井产量进行准确、及时计量,对掌握油藏状况,制定生产方案,具有重要指导意义。
现有技术通过在油井开采前对油井产量进行测量,以确定该油井是否达到开采的要求。但油井开采过程中,原油产量是不断降低的,开采人员通过相同的开采时长所开采的原油的产量也是不断变化的。且当油井中的含油量较低的情况下,会停止开采。而现有技术难以在原油开采过程中对原油开采量进行预测。
发明内容
本申请实施例提供了一种基于能谱信号的油井产量测量方法及设备,用于解决如下技术问题:现有计算油井产量的方法准确率较低。
本申请实施例采用下述技术方案:
本申请实施例提供一种基于能谱信号的油井产量测量方法。油井产量测量设备获取待测油井对应的测井曲线,根据测井曲线确定出待测油井对应的第一产油量;对多个时间段内分别开采的含水原油,进行能谱信号采集,并根据采集的数据,确定含水原油中的含水率;获取多个时间段分别开采出的含水原油的总量,并根据含水原油的总量,以及含水原油中的含水率,确定多个时间段分别对应的原油产量;其中,多个时间段为已经开采待测油井时的部分时长;根据含水率确定出剩余开采时长,并将剩余开采时长分为多个时间段;其中,剩余开采时长为去除多个时间段后剩余的开采时长根据所述多个时间段分别对应的原油产量与所述剩余开采时长,对剩余开采时长内的各时间段对应的产量比值,进行预测;其中,产量比值为剩余开采时长内的时间段对应的原油产量,分别与第一个时间段对应的原油产量之间的比值;其中,第一个时间段为多个时间段里的第一个时间段;根据原油产量以及产量比值,确定出待测油井的第二产油量;确定第一产油量与第二产油量之间的误差值,在误差值小于预设误差值的情况下,将第二产油量作为待测油井的最终产油量。
本申请实施例提供一种基于能谱信号的油井产量测量设备,包括:至少一个处理器;以及,与至少一个处理器通信连接的存储器;其中,存储器存储有能够被至少一个处理器执行的指令,指令被至少一个处理器执行,以使至少一个处理器能够:获取待测油井对应的测井曲线,根据测井曲线确定出待测油井对应的第一产油量;对多个时间段内分别开采的含水原油,进行能谱信号采集,并根据采集的数据,确定含水原油中的含水率;获取多个时间段分别开采出的含水原油的总量,并根据含水原油的总量,以及含水原油中的含水率,确定多个时间段分别对应的原油产量;其中,多个时间段为已经开采待测油井时的部分时长;根据含水率确定出剩余开采时长,并将剩余开采时长分为多个时间段;其中,剩余开采时长为去除多个时间段后剩余的开采时长;根据剩余开采时长与原油产量,对剩余开采时长内的各时间段对应的产量比值,进行预测;其中,产量比值为剩余开采时长内的时间段对应的原油产量,分别与第一个时间段对应的原油产量之间的比值;根据原油产量以及产量比值,确定出待测油井的第二产油量;确定第一产油量与第二产油量之间的误差值,在误差值小于预设误差值的情况下,将第二产油量作为待测油井的最终产油量。
本申请实施例采用的上述至少一个技术方案能够达到以下有益效果:本申请实施例通过确定含水原油中的含水率,不但能计算出待测油井的开采时长,也能根据含水率,确定出待测油井的产量,从而对待测油井的产量进行预测。并且,本申请实施例通过对产量比值进行预测,能够确定出开采的不同时间段内分别对应的开采原油量,进而确定出待测油井随时间的变化,原油产量的变化。此外,将预测出的原油总产量与通过测井曲线得到的原油产量进行比对,进而减小预测误差,提高预测精度。
附图说明
为了更清楚地说明本申请实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本申请中记载的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。在附图中:
图1为本申请实施例提供的一种基于能谱信号的油井产量测量方法流程图;
图2为本申请实施例提供的一种基于能谱信号的油井产量测量设备的结构示意图。
具体实施方式
本申请实施例提供一种基于能谱信号的油井产量测量方法及设备。
为了使本技术领域的人员更好地理解本申请中的技术方案,下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本申请一部分实施例,而不是全部的实施例。基于本说明书实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都应当属于本申请保护的范围。
油井产量测量是油田生产管理中的一项重要工作,对油井产量进行准确、及时计量,对掌握油藏状况,制定生产方案,具有重要指导意义。
现有技术通常在油井开采前对油井产量进行测量,以确定该油井是否达到开采的要求。但油井开采过程中,原油产量是不断降低的,开采人员通过相同的开采时长所开采的原油的产量也是不断变化的。且当油井中的含油量较低的情况下,会停止开采。而现有技术难以在原油开采过程中对原油开采量进行预测。
为了解决上述问题,本申请实施例提供一种基于能谱信号的油井产量测量方法及设备。通过确定含水原油中的含水率,不但能计算出待测油井的开采时长,也能根据含水率,确定出待测油井的产量,从而对待测油井的产量进行预测。并且,本申请实施例通过对产量比值进行预测,能够确定出开采的不同时间段内分别对应的开采原油量,进而确定出待测油井的随时间的变化,原油产量的变化。此外,将预测出的原油总产量与通过测井曲线得到的原油产量进行比对,进而减小预测误差,提高预测精度。
下面通过附图对本申请实施例提出的技术方案进行详细的说明。
图1为本申请实施例提供的一种基于能谱信号的油井产量测量方法流程图。如图1所示,油井产量测量方法包括如下步骤:
步骤101、油井产量测量设备获取待测油井对应的测井曲线,根据测井曲线确定出待测油井对应的第一产油量。
在本申请的一个实施例中,油井产量测量设备根据测井曲线,获取测井参数与待测油井对应的地质参数。其中,地质参数包括,待测油井中不同种类的岩石特性参数。根据测井曲线中的极值,对测井曲线进行界面分层,并确定各界面对应的地质参数。
具体地,在测井时形成的曲线可以反应出不同岩性、层位特征,进而根据所得曲线判断出具体岩性、层位等。本申请实施例中的测井参数具体包括了电阻率、自然电位、声波速度、补偿密度、自然伽马、补偿中子等测井方法测得的测井曲线信息。油井产量测量设备根据测量得到的测井曲线信息,得到地质参数,地质参数包含多种岩石特性参数,由于不同的岩石所对应的岩石特性参数不同,因此测井曲线的波峰波谷值也会不同。依据测井曲线中波峰波谷值的不同,将测井曲线划分为不同的界面,不同的界面对应的波峰值与波谷值范围区间不同,即,不同的界面对应的岩石种类与岩石特性参数不同。
在本申请的一个实施例中,将各界面以及各界面对应的地质参数,与历史测井数据进行比对,以确定出待测油井的第一产油量。
具体地,历史测井曲线数据中包含多个不同的油井分别对应的地质参数,以及产油量。历史测井曲线数据中,也是将各油井的地质参数按照界面的不同进行了划分。将待测油井各界面的地质参数,与历史测井曲线数据进行比对,以确定出与待测油井各界面的地质参数最为接近的历史油井。在两个油井的地质参数相近的情况下,其产油量也较为相近。因此,将该历史油井的产油量作为待测油井的第一产油量。
在本申请的一个实施例中,根据各界面对应的地质参数中的岩石厚度参数,以及预置岩石厚度参数,确定待测油井生产层对应的深度区间。
具体地,在不同的地层深度区间内,对应的岩层的种类以及岩层的厚度都会不同。油井产量测量设备根据测量得到的地质参数,可以获得岩石厚度参数。依据提前划分的不同地层深度对应的岩层厚度范围,能够得到当前待测油井的深度区间。
在本申请的一个实施例中,计算各界面对应的地质参数平均值,以及待测油井生产层对应的地质参数平均值。
具体地,油井产量测量设备根据测井曲线数据将当前待测油井的界面进行划分之后,每个界面对应着不同范围区间的岩层参数。将每一个界面对应的地质参数进行平均值计算。例如,当前界面内包含的多个岩层厚度与深度区间,可以分别进行平均值计算,从而得到该界面层对应的岩层厚度平均值与深度区间平均值。
本申请实施例通过将各界面内的地质参数转换为平均值,可以简化与历史测井数据进行比对的复杂性。只需要每个界面中的每个特性对应的均值,与历史测井曲线数据进行比对,提高了的数据比对的效率。
在本申请的一个实施例中,油井产量测量设备将待测油井生产层对应的深度区间、各界面对应的地质参数平均值,以及生产层对应的地质参数平均值与历史测井数据进行比对,以在历史测井数据中确定出与待测油井的特性最接近的油井。油井产量测量设备获取特性最接近的油井的产油量,并将产油量作为待测油井的第一产油量。其中,历史测井数据包括多个油井、多个油井分别对应的深度区间、多个油井各界面对应的地质参数平均值,以及多个油井生产层对应的地质参数。
步骤102、油井产量测量设备对多个时间段内分别开采的含水原油,进行能谱信号采集,并根据采集的数据,确定含水原油中的含水率。
在本申请的一个实施例中,将预先采集的高能伽马射线与低能伽马射线,分别在预置原油样本中的衰减变化值作为训练样本输入集。将对预置原油样本经化验后得到的含水率作为训练样本输出集。
具体地,通过伽马射线在含水原油中的衰减变化情况,以确定含水率。不同含水率的含水原油,对应的伽马射线的衰减变化程度有较大的区别。且高能伽马射线与低能伽马射线在相同含水率的含水原油中的衰减变化程度也有较大的区别,二者衰减数据范围不同。通过预先采集的高能伽马射线与低能伽马射线分别对应的衰减数据,以及测量的含水原油的含水率,得到不同含水率对应的伽马射线的衰减数据值。将衰减变化值作为训练样本输入集,将对预置原油样本经化验后得到的含水率作为训练样本输出集,从而对神经网络模型进行训练。
在本申请的一个实施例中,根据训练样本输入集的数量,确定神经网络的输入神经元的数量。根据训练样本输出集的数量,确定输出神经元的数量,以及根据训练样本输入集与训练样本输出集的总量,确定神经网络隐含层的神经元的数量。根据输入神经元的数量、输出神经元的数量,以及隐含层的神经元的数量,构建神经网络结构。
具体地,输入神经元与输出神经元的数量是由样本的属性决定的,隐含层的神经元的数量应小于M-1,M为训练样本总数量。例如,根据当前训练集的属性,确定出输入神经元与输出神经元的数量都为2,训练样本的数量为20,此时,隐含层的取值范围可以设定为10。
在本申请的一个实施例中,油井产量测量设备根据公式,将训练样本输入集与训练样本输出集进行归一化处理;其中,为训练样本中的最大值;为训练样本中的最小值;为任一训练数据;为归一化后的数据。通过归一化后的数据、以及神经网络结构,对神经网络进行训练,以得到含水率预测模型。
本申请实施例通过训练样本集对神经网络模型进行训练,得到含水率预测模型。不仅提高含水量预测的效率,缩短预测时长,也能提高预测的准确率,使得测量结果更加精确。
在本申请的一个实施例中,通过含水分析仪产生两束不同能量的伽马射线,穿过待测含水原油,以获取伽马射线在待测含水原油中的衰减数据。通过探测器对获取到的衰减数据进行采集,并将采集的衰减数据输入含水率预测模型,以得到待测含水原油的含水率。
具体地,通过所述含水分析仪产生高能伽马射线与低能伽马射线,并将高能伽马射线与低能伽马射线穿过所述待测含水原油。获取高能伽马射线在预设时长内的衰减数据,以及获取低能伽马射线在预设时长内的衰减数据。通过高能伽马射线在预设时长内的衰减数据获取第一含水率,通过低能伽马射线在预设时长内的衰减数据获取第二含水率。计算第一含水率与第二含水率的平均值,并将平均值作为待测含水原油的含水率。其中,高能伽马射线在预设时长内的衰减数据,与低能伽马射线在预设时长内的衰减变化数据不存在交集。
本申请实施例通过将两束不同能量的伽马射线,穿过待测含水原油,以获取伽马射线在待测含水原油中的衰减数据。通过不同能量的伽马射线,能在不同的数据范围内对含水率进行测量,通过多组数据进行比对,以提高含水量测量的准确率。
需要说明的是,随着含水原油中含水率的下降,伽马射线的数值波动范围会逐渐增高。由于高能伽马射线与低能伽马射线对原油的穿透能力不同,低能伽马射线的穿透能力较低,穿过原油后被吸收的份额较高。高能伽马射线的穿透能力相对较高,穿过原油后被吸收的份额较少。例如,在含水率在0-92%的范围内变化时,高能伽马射线的数值变化范围为80000/min-870000/min,而低能伽马射线的数值变化范围为110000/min-180000/min。
步骤103、油井产量测量设备获取多个时间段分别开采出的含水原油的总量,并根据含水原油的总量,以及含水原油中的含水率,确定多个时间段分别对应的原油产量。
在本申请的一个实施例中,油井产量测量设备将已经进行开采的时间划分为多个时间段,并获取每个时间段分别对应的含水原油的总量。对每个时间段内开采的含水原油进行含水率测量,根据测量出的含水率以及含水原油的总量,可以计算得出每个时间段开采出的原油的产量。
具体地,在原油开采过程中,开采出的为含水原油,因此需要测量出含水量,以计算出实际的原油产量。并且,原油开采过程中,相同时间段段内开采出的原油产量是不断变化的,因此,可以将已开采的总时长划分为多个相同的时间段,并对每个时间段内开采出的含水原油的总量,以及每个时间段开采出的原油的含水率进行测量,将含水原油的总量与含水率进行乘积计算,即可得到每个时间段内的含水量,将含水原油的总量与含水量进行差值计算,即可得到每个时间段对应的原油的产量。
例如,开始开采原油的第一个月开采出的含水原油的总量为150吨,此时测得含水率为10%,由此可以计算得出第一个月开采出的原油的产量为135吨。再如,开采原油的第二个月开采出的含水原油的总量为150吨,测得含水率为15%,可以计算出第二个月开采出的原油的产量为127.5吨。根据每个月开采出的含水原油的总量以及测量得到的含水率,可以计算得出每个月开采出的原油产量。
步骤104、油井产量测量设备根据含水率确定出剩余开采时长,并将剩余开采时长分为多个时间段。
在本申请的一个实施例中,按时间顺序,对确定出的多个含水率进行排序,并绘制含水率变换曲线图。在预置含水率变化曲线库中,确定出与含水率变换曲线图最接近的历史含水率曲线图,并在所述历史含水率曲线图中,确定出从最低含水率增长至最高含水率的开采总时长。
具体地,可以根据已开采出的原油的含水率,对油井中剩余的原油可开采量进行预测,以及可以根据不断下降的原油产量,对停止开采的时间进行预测。当相同时长开采出的原油产量不断下降时,含水率会相应的提高,当含水率较高时会停止原油的开采。
具体地,若当前待测油井已经开采了5个月,测量出这5个月每月开采出的含水原油的含水量。按照时间顺序,将每月开采出的含水原油的含水量进行排序。此时,可以得到含水量随时间的变化情况。将测量得到的含水率绘制成含水率变化曲线图。在预置的含水率变化曲线库中,对比找到与该含水率变化曲线最为接近的历史含水率曲线图。其中,可以将每月的含水率与预置的含水率变化曲线库中的不同曲线对应的含水率进行比对,以确定出最为接近的历史含水率曲线图。
在本申请的一个实施例中,在开采总时长中去除多个时间段,以确定出待测油井的剩余开采时长。
具体地,在最为接近的历史含水率曲线图中,确定出该历史含水率曲线图的开采总时长。例如,开采总时长为120个月,将120个月作为待测油井的开采总时长,但是当前待测油井已经开采了部分时长,例如,已经开采了5个月,此时,可以计算得出待测油井的剩余开采时长为115个月。
在本申请的一个实施例中,根据已经开采的时长所划分的时间段,将剩余开采时长也划分为若干个相同时间段。例如,已经开采的时长是以一个月为一个时间段,假设当前待测油井的剩余开采时长为115个月,则可以将剩余开采时长划分为115个时间段,每个时间段为一个月。
步骤105、油井产量测量设备根据多个时间段分别对应的原油产量与剩余开采时长,对剩余开采时长内的各时间段对应的产量比值,进行预测。
在本申请的一个实施例中,按时间顺序,将多个时间段内分别对应的原油产量进行排序。将各时间段对应的原油产量,分别与第一个时间段对应的原油产量进行比值计算,按时间顺序将得到的比值排序,并绘制出产量比值变化曲线。
例如,第一个开采的原油产量为135吨,第二个月开采的原油产量为127.5吨,第三个月开采的原油产量为120吨,第四个月开采的原油产量为110吨,第五个月开采的原油产量为105吨。此时,将各时间对应的原油产量分别与第一个月的原油产量进行比值计算。此时,按时间顺序,得到比值排序为1、0.944、0.89、0.81、0.78。根据比值排序,将得到的比值绘制为比值变化曲线。
在本申请的一个实施例中,将比值变化曲线与剩余开采时长,输入比值预测模型中,以得到剩余开采时长内的各时间段对应的产量比值。
具体地,将当前待测油井对应的已开采时间的比值变化曲线,以及剩余开采时长,输入预置比值预测模型,可以得到剩余开采时长内,各时间段对应的产量比值的曲线图。
本申请实施例通过将各时间段对应的原油产量,分别与第一个时间段对应的原油产量进行比值计算,能够得到不同时间段内,原油产量比值的变化数据。将其绘制为产量比值变化曲线,并输入比值预测模型中,能够清晰的展现出剩余开采时长内各时间段分别对应的产量比值,以辅助检测人员对原油产量进行判断。
步骤106、油井产量测量设备根据原油产量以及产量比值,确定出待测油井的第二产油量。
在本申请的一个实施例中,在原油开采过程中,确定出第一个时间段对应的原油产量。确定出剩余开采时长内包含的时间段的数量。油井产量测量设备将剩余开采时长内包含的时间段所对应的产量比值,分别与第一个时间段对应的原油产量进行计算,得到剩余开采时长内包含的时间段分别对应的原油产量。
具体地,确定出待测油井第一个时间段对应的原油产量,例如第一个月的原油产量为135吨。再确定出剩余开采时长内的各时间段分别对应的产量比值,将各比值与第一个月的原油产量进行计算,以得到各时间段分别对应的原油产量。
例如,当前待测油井的剩余开采时长是从第6个月开始,得到第6个月的产量比值为0.75,此时将该比值与第一个月的原油产量进行计算,可以得到第6个月的原油产量为101.25吨。同理,假设第7个月的产量比值为0.7,可以得到第七个月的原油产量为94.5吨。以此,得到剩余开采时长内各时间段分别对应的原油产量。
在本申请的一个实施例中,油井产量测量设备对计算出的原油产量的数量进行统计,并将原油产量的数量,与剩余开采时长内包含的时间段的数量进行比对,在二者数量相同的情况下,将剩余开采时长内包含的时间段分别对应的原油产量,与多个时间段分别对应的原油产量进行相加计算,以得到待测油井的第二产油量。
具体地,油井产量测量设备将计算出的剩余开采时长内各时间段对应的原油产量的数量进行统计,以确定是否有遗漏的时间段。在原油产量的数量与时间段的数量相同的情况下,将剩余开采时长内各时间段对应的原油产量进行相加计算,得到剩余开采时长的原油产量。再将已经开采的各时间段对应的原油产量进行相加计算,得到已开采原油产量。将剩余开采时长的原油产量与已开采原油产量进行相加计算,可以得到当前待测油井的第二产油量。
本申请实施例通过将剩余开采时长内各时间段对应的原油产量进行预测,不仅可以根据时间段的划分,提高原油产量预测的精度。同时也可以得到各时间段对应的产量比值,帮助原油开采人员确认当前待测油井的原油开采价值,以确定当前油井是否有开采的价值,从而降低投入成本高,原油开采量较少的风险。
步骤107、油井产量测量设备确定第一产油量与第二产油量之间的误差值,在误差值小于预设误差值的情况下,将第二产油量作为待测油井的最终产油量。
在本申请的一个实施例中,油井产量测量设备将通过测井曲线获取到的第一产油量,与计算得到的第二产油量进行比对,确定二者之间的误差值。在该误差值小于预设误差值的情况下,确定计算得到的原油产量正确。例如,预设误差值可以为第一产油量的5%,若该误差值小于第一产油量的5%,则确定计算得到的原油产量正确。
需要说明的是,本申请实施例中的预设误差值优选为第一产油量的5%,但并不仅仅限定为5%。在应用中,可以根据实际情况对其进行设置。
因计算得到的原油产量较测井曲线获取到的第一产油量精度较高,因此,在误差小于预设值的情况下,将计算得到的第二产油量作为待测油井的产油量。
图2为本申请实施例提供的一种基于能谱信号的油井产量测量设备200的结构示意图。如图2所示,设备包括:
至少一个处理器201;以及,
与至少一个处理器201通信连接的存储器202;其中,
存储器202存储有能够被至少一个处理器201执行的指令,指令被至少一个处理器201执行,以使至少一个处理器201能够:
油井产量测量设备获取待测油井对应的测井曲线,根据测井曲线确定出待测油井对应的第一产油量;
对多个时间段内分别开采的含水原油,进行能谱信号采集,并根据采集的数据,确定含水原油中的含水率;
获取多个时间段分别开采出的含水原油的总量,并根据含水原油的总量,以及含水原油中的含水率,确定多个时间段分别对应的原油产量;其中,多个时间段为已经开采待测油井时的部分时长;
根据含水率确定出剩余开采时长,并将剩余开采时长分为多个时间段;其中,剩余开采时长为去除多个时间段后剩余的开采时长;
根据剩余开采时长与多个时间段分别对应的原油产量,对剩余开采时长内的各时间段对应的产量比值,进行预测;其中,产量比值为剩余开采时长内的时间段对应的原油产量,分别与第一个时间段对应的原油产量之间的比值;其中,第一个时间段为多个时间段里的第一个时间段;
根据原油产量以及产量比值,确定出待测油井的第二产油量;
确定第一产油量与第二产油量之间的误差值,在误差值小于预设误差值的情况下,将第二产油量作为待测油井的最终产油量。
本申请中的各个实施例均采用递进的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。尤其,对于装置、设备、非易失性计算机存储介质实施例而言,由于其基本相似于方法实施例,所以描述的比较简单,相关之处参见方法实施例的部分说明即可。
上述对本申请特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下,在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外,在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中,多任务处理和并行处理也是可以的或者可能是有利的。
以上所述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,本申请的实施例可以有各种更改和变化。凡在本申请实施例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 (10)
1.一种基于能谱信号的油井产量测量方法,其特征在于,所述方法包括:
油井产量测量设备获取待测油井对应的测井曲线,根据所述测井曲线确定出所述待测油井对应的第一产油量;
对多个时间段内分别开采的含水原油,进行能谱信号采集,并根据采集的数据,确定所述含水原油中的含水率;
获取所述多个时间段分别开采出的含水原油的总量,并根据所述含水原油的总量,以及所述含水原油中的含水率,确定所述多个时间段分别对应的原油产量;其中,所述多个时间段为已经开采所述待测油井时的部分时长;
根据所述含水率确定出剩余开采时长,并将所述剩余开采时长分为多个时间段;其中,所述剩余开采时长为去除所述多个时间段后剩余的开采时长;
根据所述多个时间段分别对应的原油产量与所述剩余开采时长,对所述剩余开采时长内的各时间段对应的产量比值,进行预测;其中,所述产量比值为所述剩余开采时长内的时间段对应的原油产量,分别与第一个时间段对应的原油产量之间的比值;其中,所述第一个时间段为所述多个时间段里的第一个时间段;
根据所述原油产量以及所述产量比值,确定出所述待测油井的第二产油量;
确定所述第一产油量与所述第二产油量之间的差值,在所述差值小于预设差值的情况下,将所述第二产油量作为所述待测油井的最终产油量。
2.根据权利要求1所述的一种基于能谱信号的油井产量测量方法,其特征在于,所述对多个时间段内分别开采的含水原油,进行能谱信号采集,并根据采集的数据,确定所述含水原油中的含水率,具体包括:
通过含水分析仪产生两束不同能量的伽马射线,穿过待测含水原油,以获取所述伽马射线在所述待测含水原油中的衰减数据;
通过探测器对获取到的所述衰减数据进行采集,并将采集的所述衰减数据输入含水率预测模型,以得到所述待测含水原油的含水率。
3.根据权利要求2所述的一种基于能谱信号的油井产量测量方法,其特征在于,所述通过含水分析仪产生两束不同能量的伽马射线,穿过待测含水原油,以获取所述伽马射线在所述待测含水原油中的衰减数据,具体包括:
通过所述含水分析仪产生高能伽马射线与低能伽马射线,并将所述高能伽马射线与所述低能伽马射线穿过所述待测含水原油;
获取所述高能伽马射线在预设时长内的衰减数据,以及获取所述低能伽马射线在所述预设时长内的衰减数据;
通过所述高能伽马射线在预设时长内的衰减数据获取第一含水率,通过所述低能伽马射线在所述预设时长内的衰减数据获取第二含水率;
计算所述第一含水率与所述第二含水率的平均值,并将所述平均值作为所述待测含水原油的含水率;
其中,所述高能伽马射线在预设时长内的衰减数据,与所述低能伽马射线在所述预设时长内的衰减数据不存在交集。
4.根据权利要求3所述的一种基于能谱信号的油井产量测量方法,其特征在于,所述将采集的所述衰减数据输入含水率预测模型之前,所述方法还包括:
将预先采集的高能伽马射线与低能伽马射线,分别在预置原油样本中的衰减值作为训练样本输入集;将对所述预置原油样本经化验后得到的含水率作为训练样本输出集;
根据训练样本输入集的数量,确定神经网络的输入神经元的数量;根据训练样本输出集的数量,确定输出神经元的数量;以及根据训练样本输入集与训练样本输出集的总量,确定所述神经网络隐含层的神经元的数量;
根据所述输入神经元的数量、所述输出神经元的数量,以及所述隐含层的神经元的数量,构建神经网络结构;
通过所述归一化后的数据、以及所述神经网络结构,对所述神经网络进行训练,以得到所述含水率预测模型。
5.根据权利要求1所述的一种基于能谱信号的油井产量测量方法,其特征在于,所述根据所述含水率确定出剩余开采时长,具体包括:
按时间顺序,对确定出的多个所述含水率进行排序,并绘制含水率变换曲线图;
在预置含水率变化曲线库中,确定出与所述含水率变换曲线图最接近的历史含水率曲线图,并在所述历史含水率曲线图中,确定出从最低含水率增长至最高含水率的开采总时长;
在所述开采总时长中去除已开采的所述多个时间段,以确定出所述待测油井的所述剩余开采时长。
6.根据权利要求1所述的一种基于能谱信号的油井产量测量方法,其特征在于,所述根据所述剩余开采时长与所述多个时间段分别对应的原油产量,对所述剩余开采时长内的各时间段对应的产量比值,进行预测,具体包括:
按时间顺序,将所述多个时间段内分别对应的原油产量进行排序;
将各时间段对应的原油产量,分别与第一个时间段对应的原油产量进行比值计算,按时间顺序将得到的比值排序,并绘制出产量比值变化曲线;
将所述比值变化曲线与所述剩余开采时长,输入比值预测模型中,以得到所述剩余开采时长内的各时间段对应的产量比值。
7.根据权利要求1所述的一种基于能谱信号的油井产量测量方法,其特征在于,所述根据所述原油产量以及所述产量比值,确定出所述待测油井的第二产油量,具体包括:
在原油开采过程中,确定出所述第一个时间段对应的原油产量;
确定出所述剩余开采时长内包含的所述时间段的数量;
将所述剩余开采时长内包含的时间段所对应的产量比值,分别与所述第一个时间段对应的原油产量进行计算,得到所述剩余开采时长内包含的时间段分别对应的原油产量;
对计算出的原油产量的数量进行统计,并将所述原油产量的数量,与所述剩余开采时长内包含的时间段的数量进行比对,在二者数量相同的情况下,将所述剩余开采时长内包含的时间段分别对应的原油产量,与已开采的所述多个时间段分别对应的原油产量进行相加计算,以得到所述待测油井的第二产油量。
8.根据权利要求1所述的一种基于能谱信号的油井产量测量方法,其特征在于,所述获取待测油井对应的测井曲线,根据所述测井曲线确定出所述待测油井对应的第一产油量,具体包括:
根据所述测井曲线,获取测井参数与所述待测油井对应的地质参数;其中,所述地质参数包括,待测油井中不同种类的岩石特性参数;
根据所述测井曲线中的极值,对所述测井曲线进行界面分层,并确定各界面对应的地质参数;
将所述各界面以及所述各界面对应的地质参数,与历史测井数据进行比对,以确定出所述待测油井的第一产油量。
9.根据权利要求8所述的一种基于能谱信号的油井产量测量方法,其特征
在于,所述将所述各界面以及所述各界面对应的地质参数,与历史测井数据进行比对,以确定出所述待测油井的第一产油量,具体包括:
根据所述各界面对应的地质参数中的岩石厚度参数,以及预置岩石厚度参数,确定所述待测油井生产层对应的深度区间;
计算所述各界面对应的地质参数平均值,以及所述待测油井生产层对应的地质参数平均值;
将所述待测油井生产层对应的深度区间、所述各界面对应的地质参数平均值,以及所述生产层对应的地质参数平均值与历史测井数据进行比对,以在所述历史测井数据中确定出与所述待测油井的特性最接近的油井;
获取所述特性最接近的油井的产油量,并将所述产油量作为所述待测油井的第一产油量;
其中,所述历史测井数据包括多个油井、所述多个油井分别对应的深度区间、所述多个油井各界面对应的地质参数平均值,以及所述多个油井生产层对应的地质参数。
10.一种基于能谱信号的油井产量测量设备,该设备包括用于存储计算机程序指令的存储器和用于执行程序指令的处理器,其中,当该计算机程序指令被该处理器执行时,触发该设备执行权利要求1-9中的任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111454766.3A CN113869613B (zh) | 2021-12-02 | 2021-12-02 | 一种基于能谱信号的油井产量测量方法及设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111454766.3A CN113869613B (zh) | 2021-12-02 | 2021-12-02 | 一种基于能谱信号的油井产量测量方法及设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113869613A CN113869613A (zh) | 2021-12-31 |
CN113869613B true CN113869613B (zh) | 2022-03-08 |
Family
ID=78985497
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111454766.3A Active CN113869613B (zh) | 2021-12-02 | 2021-12-02 | 一种基于能谱信号的油井产量测量方法及设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113869613B (zh) |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105096007A (zh) * | 2015-08-27 | 2015-11-25 | 中国石油天然气股份有限公司 | 基于一种改进的神经网络的油井产量预测方法及其装置 |
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 |
-
2021
- 2021-12-02 CN CN202111454766.3A patent/CN113869613B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105096007A (zh) * | 2015-08-27 | 2015-11-25 | 中国石油天然气股份有限公司 | 基于一种改进的神经网络的油井产量预测方法及其装置 |
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 |
Non-Patent Citations (2)
Title |
---|
"基于时序动态分析的油井产量预测研究";杨洋等;《西南石油大学学报(自然科学版)》;20201231;第42卷(第6期);第82-87页 * |
"基于机器学习方法的油井日产油量预测";刘巍等;《石油钻采工艺》;20200131;第42卷(第1期);第70-75页 * |
Also Published As
Publication number | Publication date |
---|---|
CN113869613A (zh) | 2021-12-31 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN101832133B (zh) | 密度孔隙度和中子孔隙度差值储层流体类型判别方法 | |
CN108897066B (zh) | 碳酸盐岩裂缝密度定量预测方法及装置 | |
CN104533400B (zh) | 一种重构测井曲线的方法 | |
CN107120111B (zh) | 一种基于多重分形的油藏井间连通程度的评估方法及系统 | |
CN105158796B (zh) | 确定toc含量的方法和装置 | |
CN105277979B (zh) | 一种地震属性的优化方法和装置 | |
CN113837501A (zh) | 基于图神经网络的页岩总有机碳预测方法、系统和设备 | |
Chen et al. | Comparison and application of neural networks in LWD lithology identification | |
CN110988997A (zh) | 一种基于机器学习的烃源岩三维空间展布定量预测技术 | |
CN117251802B (zh) | 一种基于迁移学习的非均质储层参数预测方法及系统 | |
CN114357750A (zh) | 一种采空区充水状态评估方法 | |
CN113869613B (zh) | 一种基于能谱信号的油井产量测量方法及设备 | |
CN116432855A (zh) | 一种基于掘进数据的隧道塌方情况的预测方法 | |
CN111155980B (zh) | 一种水流优势通道识别方法及装置 | |
CN115809411A (zh) | 一种基于测井数据的改进型决策树岩性识别方法 | |
CN115522912A (zh) | 基于大数据的电缆吸附卡风险定量评价方法、系统及介质 | |
CN112069444B (zh) | 一种利用测井资料计算储集层试井渗透率方法及计算机 | |
Kakouei et al. | Lithological facies identification in Iranian largest gas field: A comparative study of neural network methods | |
RU2419111C2 (ru) | Способ определения проницаемости терригенных пород-коллекторов | |
Jin et al. | Quantitative Interpretation of Water Sensitivity Based on Well Log Data: A Case of a Conglomerate Reservoir in the Karamay Oil Field | |
Kurniadi et al. | Local mean imputation for handling missing value to provide more accurate facies classification | |
CN115032705B (zh) | 一种γ能谱测井铀矿定量五点反褶积解释方法 | |
CN111830562A (zh) | 一种油气储层渗透率预测方法及装置 | |
CN114076990B (zh) | 油页岩反射能量确定方法、系统、存储介质及电子设备 | |
CN114075973B (zh) | 地层元素测井曲线重构方法及装置 |
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 | ||
TR01 | Transfer of patent right | ||
TR01 | Transfer of patent right |
Effective date of registration: 20230906 Address after: 257000 Shengli Industrial Zone, Dongying District, Shandong, Dongying Patentee after: Deshi Energy Technology Group Co.,Ltd. Address before: 257000 building 18, college student Pioneer Park, Zoucheng Road, Dongying District, Dongying City, Shandong Province Patentee before: Deshi Energy Technology Group Co.,Ltd. Patentee before: SHANDONG DESHI PETROLEUM EQUIPMENT Co.,Ltd. |