CN113887067A - 基于lstm的致密低渗油藏压裂井网气驱效果预测方法 - Google Patents

基于lstm的致密低渗油藏压裂井网气驱效果预测方法 Download PDF

Info

Publication number
CN113887067A
CN113887067A CN202111225571.1A CN202111225571A CN113887067A CN 113887067 A CN113887067 A CN 113887067A CN 202111225571 A CN202111225571 A CN 202111225571A CN 113887067 A CN113887067 A CN 113887067A
Authority
CN
China
Prior art keywords
numerical simulation
gas injection
reservoir
lstm
model
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
CN202111225571.1A
Other languages
English (en)
Inventor
李中
周长所
何英明
幸雪松
范白涛
谢仁军
付兴
张奎
黄宁曼
孙进
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.)
Beijing Research Center of CNOOC China Ltd
CNOOC China Ltd
Original Assignee
Beijing Research Center of CNOOC China Ltd
CNOOC China Ltd
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 Beijing Research Center of CNOOC China Ltd, CNOOC China Ltd filed Critical Beijing Research Center of CNOOC China Ltd
Priority to CN202111225571.1A priority Critical patent/CN113887067A/zh
Publication of CN113887067A publication Critical patent/CN113887067A/zh
Pending legal-status Critical Current

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
    • 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
    • G06N3/044—Recurrent networks, e.g. Hopfield 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
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • 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)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • General Health & Medical Sciences (AREA)
  • Software Systems (AREA)
  • Data Mining & Analysis (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Mathematical Physics (AREA)
  • Biomedical Technology (AREA)
  • Artificial Intelligence (AREA)
  • Business, Economics & Management (AREA)
  • Agronomy & Crop Science (AREA)
  • Human Resources & Organizations (AREA)
  • Animal Husbandry (AREA)
  • Marine Sciences & Fisheries (AREA)
  • Mining & Mineral Resources (AREA)
  • Computer Hardware Design (AREA)
  • Economics (AREA)
  • Geometry (AREA)
  • Marketing (AREA)
  • Primary Health Care (AREA)
  • Strategic Management (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明涉及一种基于LSTM的致密低渗油藏压裂井网气驱效果预测方法，包括：建立致密低渗油藏压裂井网注气开发双重介质数值模拟基础模型；基于数值模拟基础模型，建立多套致密低渗油藏注气开发双重介质数值模拟模型，形成致密低渗油藏注气开发数据库；筛选用于构建日产油、地层压力、采收率代理模型相关的特征参数；将筛选出的特征参数使用基于均方根反向传播的LSTM算法，分别建立并训练日产油、地层压力及采收率的预测代理模型。本发明为油藏模拟提供了新途径，在解决复杂的油藏工程和提高采收率模拟预测问题时，可有效兼顾易用性和精确性。

Description

基于LSTM的致密低渗油藏压裂井网气驱效果预测方法
技术领域
本发明是关于一种基于LSTM的致密低渗油藏压裂井网气驱效果预测方法，涉及油藏工程和深度学习领域。
背景技术
压裂气驱是当前开采致密低渗油藏最有效提高采收率的技术之一。准确模拟预测压裂气驱过程是实现致密低渗油藏注气高效开发的关键理论基础。目前进行生产效果预测的方法主要有传统油藏工程方法和油藏数值模拟方法。
传统油藏工程方法仅能建立较简单的预测模型，对油藏类型、开发阶段、工作制度等差异难以考虑，导致预测精度有限。油藏数值模拟方法可以模拟实际生产井条件，预测任意措施类型的效果，但是需要以准确的地质模型和历史拟合为基础，模拟拟合预测周期较长，调参繁琐，不适合短期、局部的快速调整预测。
发明内容
针对上述问题，本发明的目的是提供一种能够对油藏生产进行准确且高效预测，准确复制油藏模拟器的行为，进而提高生产效率的基于LSTM的致密低渗油藏压裂井网气驱效果预测方法、系统、电子设备及介质。
为实现上述目的，本发明采取以下技术方案：
第一方面，本发明提供一种基于LSTM的致密低渗油藏压裂井网气驱效果预测方法，包括：
建立致密低渗油藏压裂井网注气开发双重介质数值模拟基础模型；
基于数值模拟基础模型，建立多套致密低渗油藏注气开发双重介质数值模拟模型，形成致密低渗油藏注气开发数据库；
筛选用于构建日产油、地层压力、采收率代理模型相关的特征参数；
将筛选出的特征参数使用基于均方根反向传播的LSTM算法，分别建立并训练日产油、地层压力及采收率的预测代理模型。
进一步地，基于数值模拟基础模型，建立多套致密低渗油藏注气开发双重介质数值模拟模型，形成致密低渗油藏注气开发数据库包括：
设计正交试验，用于筛选有代表性试验方案；
基于数值模拟基础模型DATA文件和正交试验方案，使用Python编程调用Eclipse软件生成多套致密低渗油藏注气开发双重介质数值模拟模型DATA文件，分别模拟不同地质\流体\油藏生产过程；
使用Python自动提取Eclipse软件运行多套注气开发数值模拟模型的结果数据，生成规范统一数据格式，包括日产油、地层压力、采收率。
进一步地，设计正交试验使用allpairs软件。
进一步地，筛选用于构建日产油、地层压力、采收率代理模型相关的特征参数基于随机森林算法。
第二方面，本发明提供的一种基于LSTM的致密低渗油藏压裂井网气驱效果预测系统，该系统包括：
基础模型建立单元，被配置为建立致密低渗油藏压裂井网注气开发双重介质数值模拟基础模型；
数据库建立单元，被配置为基于数值模拟基础模型，建立多套致密低渗油藏注气开发双重介质数值模拟模型，形成致密低渗油藏注气开发数据库；
特征参数筛选单元，被配置为筛选用于构建日产油、地层压力、采收率代理模型相关的特征参数；
预测模型建立单元，被配置为将筛选出的特征参数使用基于均方根反向传播的LSTM算法，分别建立并训练日产油、地层压力及采收率的预测代理模型。
第三方面，本发明还提供的一种电子设备，所述电子设备至少包括处理器和存储器，所述存储器上存储有计算机程序，所述处理器运行所述计算机程序时执行所述的方法。
第四方面，本发明还提供一种计算机存储介质，其上存储有计算机可读指令，所述计算机可读指令可被处理器执行以实现所述的方法。
本发明由于采取以上技术方案，其具有以下优点：
1、本发明将深度神经网络算法与油藏压裂注气开采技术相结合，实现基于数据模型准确且高效预测致密低渗油藏压裂井网气驱生产效果，为油藏模拟提供了新途径，在解决复杂的油藏工程和提高采收率模拟预测问题时，有效兼顾易用性和精确性；
2、本发明使用代理模型将深度学习与油藏工程相结合，提高生产效率，使用代理模型实现基于数据模型对油藏生产准确且高效进行预测，准确地复制油藏模拟器的行为，提高生产效率，对致密低渗油藏开发与管理有重大意义；
3、本发明基于长短期记忆单元(LSTM)的模型是对递归神经网络(RNN)的扩展，它能够清晰解决梯度消失问题，成为建模时间序列的流行选择，LSTM模型实际上扩展了递归神经网络内存，使它们能够保存和学习输入的长期依赖关系；
4、本发明应用随机森林算法筛选包含地质与工程因素的特征，简单、计算成本小，防止过拟合，油田生产由一系列相互作用的复杂参数控制，包括地质参数、与流体压力/体积/温度及其性质相关参数、与油田开发决策相关参数，所有参数重要性可用数字来描述和估计，用于确定包括日产油、地层压力、采收率的油藏整体性能，为防止样本数据量小产生过拟合风险，本发明首先应用随机森林算法研究不同输入变量的影响，进而确定参与预测的特征参数；
5、本发明自动化建立、运行数值模拟模型，提取数据，基于Eclipse数值模拟软件，使用Python编程，实现自动生成、运行多套致密低渗油藏注气开发数值模拟模型，并自动提取结果数据；
6、本发明使用均方根传播算法，抑制梯度的锯齿下降，均方根传播(RMSProp)是Geoff Hinton提出的一种自适应学习率方法，RMSprop将动量思想引入梯度的累加计算中，使用指数衰减平均以丢弃遥远过去历史，使其能够在找到凸碗状结构后快速收敛，抑制梯度的锯齿下降；
综上，本发明为油藏模拟提供了新途径，在解决复杂的油藏工程和提高采收率模拟预测问题时，可有效兼顾易用性和精确性。
附图说明
通过阅读下文优选实施方式的详细描述，各种其他的优点和益处对于本领域普通技术人员将变得清楚明了。附图仅用于示出优选实施方式的目的，而并不认为是对本发明的限制。在整个附图中，用相同的附图标记表示相同的部件。在附图中：
图1是本发明实施例的基于LSTM的致密低渗油藏压裂井网气驱效果预测方法流程图；
图2是本发明实施例的致密低渗压裂井网注气开发数值模拟模型示意图；
图3是本发明实施例LSTM算法预测代理模型真实值预测值对比图，(a)LSTM算法预测日产油代理模型真实值预测值对比；(b)LSTM算法预测地层压力代理模型真实值预测值对比；(c)LSTM算法预测采收率代理模型真实值预测值对比；
图4是本发明实施例的电子设备结构图。
具体实施方式
下面将参照附图更详细地描述本发明的示例性实施方式。虽然附图中显示了本发明的示例性实施方式，然而应当理解，可以以各种形式实现本发明而不应被这里阐述的实施方式所限制。相反，提供这些实施方式是为了能够更透彻地理解本发明，并且能够将本发明的范围完整的传达给本领域的技术人员。
应理解的是，文中使用的术语仅出于描述特定示例实施方式的目的，而无意于进行限制。除非上下文另外明确地指出，否则如文中使用的单数形式“一”、“一个”以及“所述”也可以表示包括复数形式。术语“包括”、“包含”、“含有”以及“具有”是包含性的，并且因此指明所陈述的特征、步骤、操作、元件和/或部件的存在，但并不排除存在或者添加一个或多个其它特征、步骤、操作、元件、部件、和/或它们的组合。文中描述的方法步骤、过程、以及操作不解释为必须要求它们以所描述或说明的特定顺序执行，除非明确指出执行顺序。还应当理解，可以使用另外或者替代的步骤。
为了便于描述，可以在文中使用空间相对关系术语来描述如图中示出的一个元件或者特征相对于另一元件或者特征的关系，这些相对关系术语例如为“内部”、“外部”、“内侧”、“外侧”、“下面”、“上面”等。这种空间相对关系术语意于包括除图中描绘的方位之外的在使用或者操作中装置的不同方位。
近年来，深度学习(DL)算法的快速发展为解决工程领域复杂多变量问题提供了有效途径。递归神经网络(RNN)已经成为建模时间序列的流行选择，基于长短期记忆单元(LSTM)的模型是对递归神经网络的扩展，能够清晰解决梯度消失问题。本发明将深度神经网络算法与油藏压裂注气开采技术相结合，实现基于数据模型对油藏生产准确且高效预测，有效提高了生产效率。
实施例一
如图1所示，本实施例提供的基于LSTM的致密低渗油藏压裂井网气驱效果预测方法，包括：
S1、为实现使用python编程调用Eclipse软件自动化生成、运行多套数值模拟方案，本实施例使用Eclispe软件建立致密低渗油藏压裂直井/水平井混合井网注气开发双重介质数值模拟基础模型。
本实施例的数值模拟基础模型用于对致密低渗油藏直井\水平井混合压裂井网气驱生产进行模拟，基础参数包括网格大小、网格数量、介质属性、网格总数、顶深、油藏中心生产井和注气井参数等。
具体地，如图2所示，本实施例建立的数值模拟基础模型的基本参数为：网格大小为10m*10m*10m，网格数量为41*76*8，笛卡尔坐标系下油藏Z方向上4层为基质，下4层为天然裂缝，网格总数为24928个，顶深为1815m。本实施例的油藏中心一口水平生产井，位于实际油藏的第3层，长度为500m，井径为0.1m，两端有射孔，中间段射孔位置、数量不等，模拟生产20年。采用Eclipse软件的E300模拟器局部网格加密技术对中心水平生产井的多条水力裂缝进行模拟，等效裂缝导流能力为0.1-0.5μm2·m，等效裂缝网格宽度为0.1m。在致密低渗注气开发模型中，对4口垂直注气井进行水力压裂。每口注气井压裂1条沿笛卡尔坐标系下X方向、缝长为60m固定长度的水力裂缝，等效导流能力为0.1-0.5μm2·m，等效裂缝网格宽度为0.1m。水力裂缝渗透率采用公式(1)进行计算：
kf×wf＝k′f×Δf (1)
式中，wf和Δf分别为水力裂缝、等效水力裂缝网格的宽度，单位为m；kf和k′f分别为水力裂缝、等效水力裂缝网格的渗透率，单位为μm2。
S2、基于数值模拟基础模型，使用python编程调用Eclipse软件建立多套致密低渗油藏注气开发双重介质数值模拟模型，形成致密低渗油藏注气开发数据库，包括：
S21、使用allpairs软件设计正交试验，涉及包括地质参数、与流体压力/体积/温度及其性质相关参数、与油田开发决策相关的因素等26个：地层厚度、地层初始压力、地层温度、岩石压缩系数、水平井长度、水平井水力裂缝条数、水平井水力裂缝半长总长度、水平井最小水力裂缝半长、射孔位置、基质孔隙度、天然裂缝孔隙度、天然裂缝渗透率、注气井裂缝渗透率、注气量、注气气体组分比例、原油粘度、束缚水粘度、多个相渗参数(油水系统油相指数、油水系统水相指数、油水系统最大水相相对渗透率、油水系统残余油饱和度、束缚水饱和度、油气系统油相指数、油气系统气相指数、油气系统最大气相相对渗透率、油气系统残余油饱和度)，用于筛选有代表性试验方案；
S22、基于S1中使用Eclipse建立的基础模型DATA文件和S21正交试验方案，使用Python编程调用Eclipse生成多套致密低渗油藏注气开发双重介质数值模拟模型DATA文件，实现自动生成、运行多套致密低渗油藏注气开发数值模拟模型，分别模拟不同地质\流体\油藏生产过程，具体地，本实施例通过Eclipse软件产生例如571种数值模拟方案。
S23、使用Python自动提取Eclipse软件运行多套注气开发数值模拟模型的结果数据，生成规范统一数据格式，包括日产油(FOPR)、地层压力(FPR)、采收率(FOE)等。
S3、基于随机森林算法筛选用于构建日产油(FOPR)、地层压力(FPR)、采收率(FOE)代理模型相关的特征参数。
具体地，本实施例应用随机森林算法研究各个特征参数对日产油(FOPR)、地层压力(FPR)、采收率(FOE)不同输入变量的影响程度，综合筛选包括地质参数、与流体压力/体积/温度及其性质相关参数、与油田开发决策相关的特征，涉及地层初始压力、岩石压缩系数、裂缝条数、裂缝半长总长度、射孔位置、基质孔隙度、天然裂缝孔隙度、天然裂缝渗透率、注气井裂缝渗透率、注气量、注气气体组分比例、多个相渗参数(油气系统油相指数、油气系统最大气相相对渗透率、油气系统残余油饱和度、束缚水饱和度)共15个特征参数，作为后续深度学习的输入参数，减小样本过拟合风险。
S4、将筛选出的特征参数使用基于均方根反向传播(RMSprop)的长短期记忆单元(LSTM)算法，分别建立并训练日产油(FOPR)、地层压力(FPR)及采收率(FOE)的预测代理模型。
具体地，将筛选出的特征参数使用基于均方根反向传播(RMSprop)的长短期记忆单元(LSTM)算法，经过MinMax归一化，并按照设定要求划分为训练集(90％)和测试集(10％)，分别训练日产油(FOPR)、地层压力(FPR)、采收率(FOE)预测代理模型，在测试集上进行盲测。
本实施例采用的评价标准有拟合系数(R2)、均方根误差(RMSE)、平均绝对误差(MAE)，如公式(2)、(3)、(4)所示。
Figure BDA0003314166830000061
Figure BDA0003314166830000071
Figure BDA0003314166830000072
其中，y为真实值，
Figure BDA0003314166830000073
为预测值，
Figure BDA0003314166830000074
为真实值的平均值，n为样本个数。
预测代理模型可以根据以往数据预测未知，准确地复制油藏模拟器的行为。使用长短期记忆单元(LSTM)算法训练三种预测代理模型，所使用的超参数如表1所示，预测代理模型研究结果如表2所示，基于LSTM算法的预测代理模型真实值预测值对比如图3所示，经过特征参数筛选、正确划分训练集测试集，减小样本过拟合风险后，基于LSTM算法的预测代理模型能被用来挖掘多变量油藏数据之间复杂非线性关系，在解决复杂的油藏工程和提高采收率模拟预测问题时，可有效兼顾易用性和精确性。
表1神经网络超参数
Figure BDA0003314166830000075
表2预测代理模型研究结果
Figure BDA0003314166830000076
实施例二
上述实施例一提供了基于LSTM的致密低渗油藏压裂井网气驱效果预测的方法，与之相对应地，本实施例提供一种基于LSTM的致密低渗油藏压裂井网气驱效果预测的系统。本实施例提供的系统可以实施实施例一的基于LSTM的致密低渗油藏压裂井网气驱效果预测的方法，该系统可以通过软件、硬件或软硬结合的方式来实现。为了描述的方便，描述本实施例时以功能分为各种单元分别描述。当然，在实施时可以把各单元的功能在同一个或多个软件和/或硬件中实现。例如，该系统可以包括集成的或分开的功能模块或功能单元来执行实施例一各方法中的对应步骤。由于本实施例的系统基本相似于方法实施例，所以本实施例描述过程比较简单，相关之处可以参见实施例一的部分说明即可，本发明提供的基于LSTM的致密低渗油藏压裂井网气驱效果预测的系统的实施例仅仅是示意性的。
本实施例提供的基于LSTM的致密低渗油藏压裂井网气驱效果预测系统，包括：
基础模型建立单元，被配置为建立致密低渗油藏压裂井网注气开发双重介质数值模拟基础模型；
数据库建立单元，被配置为基于数值模拟基础模型，建立多套致密低渗油藏注气开发双重介质数值模拟模型，形成致密低渗油藏注气开发数据库；
特征参数筛选单元，被配置为筛选用于构建日产油、地层压力、采收率代理模型相关的特征参数；
预测模型建立单元，被配置为将筛选出的特征参数使用基于均方根反向传播的LSTM算法，分别建立并训练日产油、地层压力及采收率的预测代理模型。
实施例三
本实施例提供一种与本实施例一所提供的基于LSTM的致密低渗油藏压裂井网气驱效果预测的方法对应的电子设备，电子设备可以是用于客户端的电子设备，例如手机、笔记本电脑、平板电脑、台式机电脑等，以执行实施例一的方法。
如图4所示，电子设备包括处理器、存储器、通信接口和总线，处理器、存储器和通信接口通过总线连接，以完成相互间的通信。总线可以是工业标准体系结构(ISA，IndustryStandard Architecture)总线，外部设备互连(PCI，Peripheral Component)总线或扩展工业标准体系结构(EISA，Extended Industry Standard Component)总线等等。存储器中存储有可在所述处理器上运行的计算机程序，所述处理器运行所述计算机程序时执行本实施例一所提供的基于LSTM的致密低渗油藏压裂井网气驱效果预测的方法。本领域技术人员可以理解，图4中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算设备的限定，具体的计算设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
在一些实现中，上述的存储器中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、光盘等各种可以存储程序代码的介质。
在另一些实现中，处理器可以为中央处理器(CPU)、数字信号处理器(DSP)等各种类型通用处理器，在此不做限定。
实施例四
本实施例一的基于LSTM的致密低渗油藏压裂井网气驱效果预测的方法可被具体实现为一种计算机程序产品，计算机程序产品可以包括计算机可读存储介质，其上载有用于执行本实施例一所述的基于LSTM的致密低渗油藏压裂井网气驱效果预测的方法的计算机可读程序指令。
计算机可读存储介质可以是保持和存储由指令执行设备使用的指令的有形设备。计算机可读存储介质例如可以是但不限于电存储设备、磁存储设备、光存储设备、电磁存储设备、半导体存储设备或者上述的任意组合。
本说明书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，对于系统实施例而言，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。在本说明书的描述中，参考术语“一个实施例”、“一些实现”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本说明书实施例的至少一个实施例或示例中。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或示例以及不同实施例或示例的特征进行结合和组合。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。

Claims (7)

1.一种基于LSTM的致密低渗油藏压裂井网气驱效果预测方法，其特征在于包括：
建立致密低渗油藏压裂井网注气开发双重介质数值模拟基础模型；
基于数值模拟基础模型，建立多套致密低渗油藏注气开发双重介质数值模拟模型，形成致密低渗油藏注气开发数据库；
筛选用于构建日产油、地层压力、采收率代理模型相关的特征参数；
将筛选出的特征参数使用基于均方根反向传播的LSTM算法，分别建立并训练日产油、地层压力及采收率的预测代理模型。
2.根据权利要求1所述的致密低渗油藏压裂井网气驱效果预测方法，其特征在于，基于数值模拟基础模型，建立多套致密低渗油藏注气开发双重介质数值模拟模型，形成致密低渗油藏注气开发数据库包括：
S21、设计正交试验，用于筛选有代表性试验方案；
S22、基于数值模拟基础模型DATA文件和正交试验方案，使用Python编程调用Eclipse软件生成多套致密低渗油藏注气开发双重介质数值模拟模型DATA文件，分别模拟不同地质\流体\油藏生产过程；
S23、使用Python自动提取Eclipse软件运行多套注气开发数值模拟模型的结果数据，生成规范统一数据格式，包括日产油、地层压力、采收率。
3.根据权利要求2所述的基于LSTM的致密低渗油藏压裂井网气驱效果预测方法，其特征在于，设计正交试验使用allpairs软件。
4.根据权利要求1所述的基于LSTM的致密低渗油藏压裂井网气驱效果预测方法，其特征在于，筛选用于构建日产油、地层压力、采收率代理模型相关的特征参数基于随机森林算法。
5.一种基于LSTM的致密低渗油藏压裂井网气驱效果预测系统，其特征在于，该系统包括：
基础模型建立单元，被配置为建立致密低渗油藏压裂井网注气开发双重介质数值模拟基础模型；
数据库建立单元，被配置为基于数值模拟基础模型，建立多套致密低渗油藏注气开发双重介质数值模拟模型，形成致密低渗油藏注气开发数据库；
特征参数筛选单元，被配置为筛选用于构建日产油、地层压力、采收率代理模型相关的特征参数；
预测模型建立单元，被配置为将筛选出的特征参数使用基于均方根反向传播的LSTM算法，分别建立并训练日产油、地层压力及采收率的预测代理模型。
6.一种电子设备，所述电子设备至少包括处理器和存储器，所述存储器上存储有计算机程序，其特征在于，所述处理器运行所述计算机程序时执行以实现权利要求1到4任一项所述的方法。
7.一种计算机存储介质，其特征在于，其上存储有计算机可读指令，所述计算机可读指令可被处理器执行以实现权利要求1到4任一项所述的方法。
CN202111225571.1A 2021-10-21 2021-10-21 基于lstm的致密低渗油藏压裂井网气驱效果预测方法 Pending CN113887067A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111225571.1A CN113887067A (zh) 2021-10-21 2021-10-21 基于lstm的致密低渗油藏压裂井网气驱效果预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111225571.1A CN113887067A (zh) 2021-10-21 2021-10-21 基于lstm的致密低渗油藏压裂井网气驱效果预测方法

Publications (1)

Publication Number Publication Date
CN113887067A true CN113887067A (zh) 2022-01-04

Family

ID=79003992

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111225571.1A Pending CN113887067A (zh) 2021-10-21 2021-10-21 基于lstm的致密低渗油藏压裂井网气驱效果预测方法

Country Status (1)

Country Link
CN (1) CN113887067A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117610313A (zh) * 2024-01-18 2024-02-27 西安石油大学 页岩油藏人工裂缝的网格加密方法及装置

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117610313A (zh) * 2024-01-18 2024-02-27 西安石油大学 页岩油藏人工裂缝的网格加密方法及装置
CN117610313B (zh) * 2024-01-18 2024-04-26 西安石油大学 页岩油藏人工裂缝的网格加密方法及装置

Similar Documents

Publication Publication Date Title
US10597982B2 (en) Systems and methods for evaluating and optimizing stimulation efficiency using diverters
Shahkarami et al. Applications of smart proxies for subsurface modeling
Zendehboudi et al. Estimation of breakthrough time for water coning in fractured systems: Experimental study and connectionist modeling
Kalantari-Dahaghi et al. Numerical simulation and multiple realizations for sensitivity study of shale gas reservoir
CN114595608B (zh) 一种压裂施工参数和工作制度参数优化方法及系统
He et al. Reservoir simulation using smart proxy in SACROC unit-Case study
WO2012031089A2 (en) Iterative method and system to construct robust proxy models for reservoir simulation
AU2012217609A1 (en) System and method for uncertainty quantification in reservoir simulation
Sarma et al. Efficient and robust uncertainty quantification in reservoir simulation with polynomial chaos expansions and non-intrusive spectral projection
Litvak et al. Field development optimization with subsurface uncertainties
EP4269747A1 (en) System and method for effective hydrocarbon reservoir pressure prediction and control
WO2018236238A1 (en) PREDICTION OF WELLBORE FLOW PERFORMANCE
Lechner et al. Treating uncertainties in reservoir performance prediction with neural networks
Alabboodi et al. Conditioning the estimating ultimate recovery of shale wells to reservoir and completion parameters
Amini et al. Pattern recognition and data-driven analytics for fast and accurate replication of complex numerical reservoir models at the grid block level
Zhang et al. History matching and optimal design of chemically enhanced oil recovery using multi-objective optimization
CN113887067A (zh) 基于lstm的致密低渗油藏压裂井网气驱效果预测方法
Hamdi et al. Bayesian history-matching and probabilistic forecasting for tight and shale wells
Li et al. Development of decline curve analysis parameters for tight oil wells using a machine learning algorithm
WO2017171576A1 (en) Method for predicting perfomance of a well penetrating
Naugolnov et al. New approach to estimate reservoir complexity index for West Siberian fields
Enyioha et al. Performance prediction for advanced well structures in unconventional oil and gas reservoirs using artificial intelligent expert systems
Costa et al. A new methodology to reduce uncertainty of global attributes in naturally fractured reservoirs
Choudhary et al. Application of global optimization methods for history matching and probabilistic forecasting—case studies
Wang et al. Method of characterization of complex fracture network with combination of microseismic using fractal theory

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