CN114528767A - 基于嵌入式图神经网络的井间动态连通性预测方法及系统 - Google Patents
基于嵌入式图神经网络的井间动态连通性预测方法及系统 Download PDFInfo
- Publication number
- CN114528767A CN114528767A CN202210159389.9A CN202210159389A CN114528767A CN 114528767 A CN114528767 A CN 114528767A CN 202210159389 A CN202210159389 A CN 202210159389A CN 114528767 A CN114528767 A CN 114528767A
- Authority
- CN
- China
- Prior art keywords
- well
- production
- water injection
- sample
- data
- 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
- 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
- G06N3/047—Probabilistic or stochastic 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2113/00—Details relating to the application field
- G06F2113/08—Fluids
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Evolutionary Computation (AREA)
- Software Systems (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Biomedical Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biophysics (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Physics (AREA)
- Health & Medical Sciences (AREA)
- Probability & Statistics with Applications (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- Geophysics And Detection Of Objects (AREA)
Abstract
本发明公开了一种基于嵌入式图神经网络的井间动态连通性预测方法及系统,涉及油藏技术领域,包括基于当前时刻目标多层系井网的生产数据和生产井产液量预测模型预测下一时刻目标多层系井网中各个生产井的产液量;其中生产井产液量预测模型的确定过程为:确定目标多层系井网的样本生产数据、样本几何数据和样本地层数据;构建嵌入式图神经网络模型;该嵌入式图神经网络模型中的图神经网络模型是基于样本几何数据构建的;基于样本生产数据、样本地层数据和嵌入式图神经网络模型确定生产井产液量预测模型。本发明能够准确预测多层系井网中流体的流动能力,进而准确评估多层系井网的井间动态连通性。
Description
技术领域
本发明涉及油藏技术领域,特别是涉及一种基于嵌入式图神经网络的井间动态连通性预测方法及系统。
背景技术
油藏是一个较为复杂的动力学系统,当注水井的注水量不同时,将引起生产井产液波动,通过此操作即能反映出注水井和生产井各层内的连通性特征,且连通性越好,生产井各层的产液波动与注水井各层的注水量变化情况越趋于一致。井间连通性体现了流体在井间流动能力的好坏,是油藏工程评价的重要参数。
目前,识别流体在井间流动能力好坏的模型均为单层次模型,该模型无法识别多层系井网中流体的流动能力。
发明内容
本发明的目的是提供一种基于嵌入式图神经网络的井间动态连通性预测方法及系统,能够准确预测多层系井网中流体的流动能力,进而准确评估多层系井网的井间动态连通性。
为实现上述目的,本发明提供了如下方案:
一种基于嵌入式图神经网络的井间动态连通性预测方法,包括:
获取当前时刻目标多层系井网的生产数据;
基于所述当前时刻目标多层系井网的生产数据和生产井产液量预测模型,预测下一时刻所述目标多层系井网中各个生产井的产液量;
其中,所述生产井产液量预测模型的确定过程为:
确定所述目标多层系井网的样本数据;所述样本数据包括样本生产数据、样本几何数据和样本地层数据;所述样本生产数据包括注水井的样本注水量和生产井的样本产液量;
构建嵌入式图神经网络模型;所述嵌入式图神经网络模型包括嵌入神经网络模型以及与所述嵌入神经网络模型的输出端连接的图神经网络模型;其中,所述图神经网络模型是基于所述样本几何数据构建的;
基于所述样本生产数据、所述样本地层数据和所述嵌入式图神经网络模型确定生产井产液量预测模型。
可选地,所述确定所述目标多层系井网的样本数据,具体包括:
获取所述目标多层系井网的样本几何数据;所述样本几何数据包括注水井的数量、生产井的数量、各个生产井与各个注水井之间的距离、各个生产井与各个生产井之间的距离、各个注水井与各个注水井之间的距离、各个生产井与各个注水井之间的相对位置、各个生产井与各个生产井之间的相对位置、以及各个注水井与各个注水井之间的相对位置;
获取所述目标多层系井网的样本生产数据;所述样本生产数据包括各个生产井在不同时间的产液量和各个注水井在不同时间的注水量;
获取所述目标多层系井网的样本地层数据;所述样本地层数据包括各个生产井各层系的样本地质数据和各个注水井各层系的样本地质数据;所述地质数据包括射孔参数、层深、有效厚度、渗透率和孔隙度。
可选地,所述构建嵌入式图神经网络模型,具体包括:
根据所述样本地层数据,对所述样本生产数据进行划分,得到各个生产井各层系在不同时间的产液量和各个注水井各层系在不同时间的注水量;
构建嵌入神经网络模型;所述嵌入神经网络模型的输入端用于输入各个生产井各层系的样本地质数据和各个注水井各层系的样本地质数据;所述嵌入神经网络模型的输出端用于输出各个生产井各层系在不同时间的预测产液量和各个注水井各层系在不同时间的预测注水量;
基于所述目标多层系井网的样本几何数据,建立用不同节点来代表各生产井各层系和各注水井各层系的图神经网络模型;其中,当所述节点代表一生产井一层系时所述节点的特征为该生产井该层系的产液量,当所述节点代表一注水井一层系时所述节点的特征为该注水井该层系的注水量;所述图神经网络模型的边用于一井点与其他井点之间的距离和相对位置;一井点为生产井或者注水井,其他井点为生产井或者注水井;
所述图神经网络模型的输入端用于输入各个生产井各层系在第一时刻的预测产液量和各个注水井各层系在第一时刻的预测注水量;所述图神经网络模型的输出端用于输出各个生产井各层系在第二时刻的预测产液量;所述第一时刻为第二时刻的上一时刻。
可选地,所述基于所述样本生产数据、所述样本地层数据和所述嵌入式图神经网络模型确定生产井产液量预测模型,具体包括:
基于各个生产井各层系在不同时间的预测产液量、各个注水井各层系在不同时间的预测注水量、各个生产井各层系在不同时间的产液量和各个注水井各层系在不同时间的注水量,调整嵌入神经网络模型的模型参数,以得到训练好的嵌入神经网络模型;
基于所述样本地层数据和所述训练好的嵌入神经网络模型,得到各个生产井各层系在第一时刻的预测产液量和各个注水井各层系在第一时刻的预测注水量;所述第一时刻为样本数据中的任一时刻;
基于各个生产井各层系在第一时刻的预测产液量、各个注水井各层系在第一时刻的预测注水量和所述图神经网络模型,确定生产井产液量预测模型。
一种基于嵌入式图神经网络的井间动态连通性预测系统,包括:
数据获取模块,用于获取当前时刻目标多层系井网的生产数据;
产液量预测模块,用于基于所述当前时刻目标多层系井网的生产数据和生产井产液量预测模型,预测下一时刻所述目标多层系井网中各个生产井的产液量;
其中,所述生产井产液量预测模型的确定过程为:
样本数据确定模块,用于确定所述目标多层系井网的样本数据;所述样本数据包括样本生产数据、样本几何数据和样本地层数据;所述样本生产数据包括注水井的样本注水量和生产井的样本产液量;
神经网络模型构建模块,用于构建嵌入式图神经网络模型;所述嵌入式图神经网络模型包括嵌入神经网络模型以及与所述嵌入神经网络模型的输出端连接的图神经网络模型;其中,所述图神经网络模型是基于所述样本几何数据构建的;
生产井产液量预测模型确定模块,用于基于所述样本生产数据、所述样本地层数据和所述嵌入式图神经网络模型确定生产井产液量预测模型。
可选地,所述样本数据确定模块,具体包括:
第一获取单元,用于获取所述目标多层系井网的样本几何数据;所述样本几何数据包括注水井的数量、生产井的数量、各个生产井与各个注水井之间的距离、各个生产井与各个生产井之间的距离、各个注水井与各个注水井之间的距离、各个生产井与各个注水井之间的相对位置、各个生产井与各个生产井之间的相对位置、以及各个注水井与各个注水井之间的相对位置;
第二获取单元,用于获取所述目标多层系井网的样本生产数据;所述样本生产数据包括各个生产井在不同时间的产液量和各个注水井在不同时间的注水量;
第三获取单元,用于获取所述目标多层系井网的样本地层数据;所述样本地层数据包括各个生产井各层系的样本地质数据和各个注水井各层系的样本地质数据;所述地质数据包括射孔参数、层深、有效厚度、渗透率和孔隙度。
可选地,所述神经网络模型构建模块,具体包括:
划分单元,用于根据所述样本地层数据,对所述样本生产数据进行划分,得到各个生产井各层系在不同时间的产液量和各个注水井各层系在不同时间的注水量;
第一构建单元,用于构建嵌入神经网络模型;所述嵌入神经网络模型的输入端用于输入各个生产井各层系的样本地质数据和各个注水井各层系的样本地质数据;所述嵌入神经网络模型的输出端用于输出各个生产井各层系在不同时间的预测产液量和各个注水井各层系在不同时间的预测注水量;
第二构建单元,用于基于所述目标多层系井网的样本几何数据,建立用不同节点来代表各生产井各层系和各注水井各层系的图神经网络模型;其中,当所述节点代表一生产井一层系时所述节点的特征为该生产井该层系的产液量,当所述节点代表一注水井一层系时所述节点的特征为该注水井该层系的注水量;所述图神经网络模型的边用于一井点与其他井点之间的距离和相对位置;一井点为生产井或者注水井,其他井点为生产井或者注水井;
所述图神经网络模型的输入端用于输入各个生产井各层系在第一时刻的预测产液量和各个注水井各层系在第一时刻的预测注水量;所述图神经网络模型的输出端用于输出各个生产井各层系在第二时刻的预测产液量;所述第一时刻为第二时刻的上一时刻。
可选地,所述生产井产液量预测模型确定模块,具体包括:
第一训练单元,用于基于各个生产井各层系在不同时间的预测产液量、各个注水井各层系在不同时间的预测注水量、各个生产井各层系在不同时间的产液量和各个注水井各层系在不同时间的注水量,调整嵌入神经网络模型的模型参数,以得到训练好的嵌入神经网络模型;
第二训练单元,用于:
基于所述样本地层数据和所述训练好的嵌入神经网络模型,得到各个生产井各层系在第一时刻的预测产液量和各个注水井各层系在第一时刻的预测注水量;所述第一时刻为样本数据中的任一时刻;
基于各个生产井各层系在第一时刻的预测产液量、各个注水井各层系在第一时刻的预测注水量和所述图神经网络模型,确定生产井产液量预测模型。
根据本发明提供的具体实施例,本发明公开了以下技术效果:
本发明充分利用多层系井网的历史生产数据和油藏地质信息,通过嵌入式图神经网络研究出油藏的动态连通性,进而能够准确预测多层系井网中流体的流动能力,准确评估多层系井网的井间动态连通性。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例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发明的一些实施例,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。
图1为本发明基于嵌入式图神经网络的井间动态连通性预测方法的流程图;
图2为本发明基于嵌入式图神经网络的井间动态连通性预测系统的结构图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明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发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
本发明提供了一种基于嵌入式图神经网络的井间动态连通性预测方法及系统,目的是通过嵌入式图神经网络的机器学习,利用井网的几何信息、射孔参数、地质参数和历史生产数据等来识别多层系井网之中不同井之间的动态连通性状况。
为使本发明的上述目的、特征和优点能够更加明显易懂,下面结合附图和具体实施方式对本发明作进一步详细的说明。
实施例一
本发明实施例考虑了监测资料不完善及关停井等条件,基于物质平衡原理,充分利用生产数据和地质数据,建立多层井间动态连通性模型。本发明实施例提供的一种基于嵌入式图神经网络的高含水期基于嵌入式图神经网络的井间动态连通性预测方法,具体包括:
步骤1:获取目标多层系井网的多样信息,具体包括:
确定需要进行动态连通性分析的目标多层系井网;
获取目标多层系井网的几何数据,该几何数据包括注水井的数量、生产井的数量、各个井点之间的距离和各个井点之间的相对位置;
获取目标多层系井网的各个生产井和各个注水井的开始工作时间以及在不同时间所进行的关井操作和关井时长;
获取目标多层系井网的生产动态数据,该生产动态数据包括各个生产井在不同时间的产液量和各个注水井在不同时间的注水量;
获取目标多层系井网的各个层系各个生产井和各个注水井的油藏地质数据,该油藏地质数据包含射孔参数、层深、有效厚度、渗透率、孔隙度等。
步骤2:在建立神经网络模型之前,将目标多层系井网的生产动态数据和油藏地质数据进行预处理,具体包括:
对于异常数据进行删除;
记录缺失的数据点;
采用合理的时间间隔来减小缺失数据和异常数据所带来的影响;
步骤3:建立嵌入神经网络模型以获取各层系生产数据,具体包括:
根据各个生产井和各个注水井的油藏地质数据,划分为不同的层系;其划分标准:地层存在被岩石分隔开的含油层系根据射孔参数进行层系划分。
根据各井不同层系的油藏地质数据及生产动态数据建立神经网络模型,输入为各层系的地层数据(包含射孔参数、层深、有效厚度、渗透率、孔隙度)及生产数据(包括各个生产井和各个注水井在不同时间的产液量或注水量),经过3到5个全连接层,此时输出为各层系的生产数据值。
步骤4:根据目标多层系井网的多样信息建立多层系下的图神经网络模型,具体包括:
通过目标多层系井网的各层系生产数据和几何信息建立不同的节点来代表生产井各层系点和注水井各层系点;
以xv代表产液量或注水量作为某节点的节点特征;
以xco[v]代表不同井点之间的距离和相对位置作为边属性;
以xne[v]代表某节点邻居节点的节点特征;
以f作为随时间间隔变化的状态更新参数;
状态更新函数为:hv t+1=f(xv,xco[v],xne[v]);
输入为步骤3中的输出,即为各层系的生产数据值,输出为生产井的生产数据值。
此过程中包含图神经网络中两个过程。
1.注水井各层段到生产井各层段,通过所分配的属性,基于注意力机制得到层段之间的权重值,并将注水井各层段的数据通过边传递到生产井各层段。
2.基于步骤3中将生产井各层段的属性通过MLP得到生产井到各层段权重值,将生产井各层段数据传递到生产井。
步骤5:训练图神经网络模型,获得动态连通性情况,具体包括:
整体的训练使用的输入数据为当前及之前多个时刻(50-100)的地层数据,生产数据。输出为下一时刻生产井的产液数据。
采用百分之八十的数据为训练数据;
采用百分之十的数据为测试数据;
采用百分之十的数据为验证数据;
调用状态更新参数f若干次直到收敛;
将此时的输出参数用g来表示;
将预测数据的真实值用t来表示;
通过计算误差Loss=∑|g-t|反向传播;
更新模型的状态更新参数f,直到误差Loss接近于零,此时模型收敛,训练嵌入神经网络和图神经网络模型结束;
调用状态更新参数f中关于节点特征xv和邻居节点特征xne[v]的参数;
将调用参数用softmax进行归一化处理,处理后的参数即为多层系井间连通性的权重参数。
将油藏、井网及动态变化参数为节点属性,以井网中注水井、生产井的各层系作为数据结构顶点,数据结构的边体现井间连通性,考虑空间、时间对数据所产生的影响,将数据进行预处理,从而训练出嵌入式图神经网络,得到动态的多层系井间连通性变化。目前大部分反演井间动态连通性模型多为单层模型,不能满足反演多层油藏井间动态连通性的需要。本发明的优点在于基于历史数据训练得出多层系井间连通性的动态变化。
实施例二
如图1所示,本发明实施例提供的一种基于嵌入式图神经网络的井间动态连通性预测方法,包括:
步骤101:获取当前时刻目标多层系井网的生产数据。
步骤102:基于所述当前时刻目标多层系井网的生产数据和生产井产液量预测模型,预测下一时刻所述目标多层系井网中各个生产井的产液量。
其中,所述生产井产液量预测模型的确定过程为:
确定所述目标多层系井网的样本数据;所述样本数据包括样本生产数据、样本几何数据和样本地层数据;所述样本生产数据包括注水井的样本注水量和生产井的样本产液量。
构建嵌入式图神经网络模型;所述嵌入式图神经网络模型包括嵌入神经网络模型以及与所述嵌入神经网络模型的输出端连接的图神经网络模型;其中,所述图神经网络模型是基于所述样本几何数据构建的。
基于所述样本生产数据、所述样本地层数据和所述嵌入式图神经网络模型确定生产井产液量预测模型。
进一步地,所述确定所述目标多层系井网的样本数据,具体包括:
获取所述目标多层系井网的样本几何数据;所述样本几何数据包括注水井的数量、生产井的数量、各个生产井与各个注水井之间的距离、各个生产井与各个生产井之间的距离、各个注水井与各个注水井之间的距离、各个生产井与各个注水井之间的相对位置、各个生产井与各个生产井之间的相对位置、以及各个注水井与各个注水井之间的相对位置;
获取所述目标多层系井网的样本生产数据;所述样本生产数据包括各个生产井在不同时间的产液量和各个注水井在不同时间的注水量;
获取所述目标多层系井网的样本地层数据;所述样本地层数据包括各个生产井各层系的样本地质数据和各个注水井各层系的样本地质数据;所述地质数据包括射孔参数、层深、有效厚度、渗透率和孔隙度。
所述构建嵌入式图神经网络模型,具体包括:
根据所述样本地层数据,对所述样本生产数据进行划分,得到各个生产井各层系在不同时间的产液量和各个注水井各层系在不同时间的注水量;
构建嵌入神经网络模型;所述嵌入神经网络模型的输入端用于输入各个生产井各层系的样本地质数据和各个注水井各层系的样本地质数据;所述嵌入神经网络模型的输出端用于输出各个生产井各层系在不同时间的预测产液量和各个注水井各层系在不同时间的预测注水量;
基于所述目标多层系井网的样本几何数据,建立用不同节点来代表各生产井各层系和各注水井各层系的图神经网络模型;其中,当所述节点代表一生产井一层系时所述节点的特征为该生产井该层系的产液量,当所述节点代表一注水井一层系时所述节点的特征为该注水井该层系的注水量;所述图神经网络模型的边用于一井点与其他井点之间的距离和相对位置;一井点为生产井或者注水井,其他井点为生产井或者注水井;
所述图神经网络模型的输入端用于输入各个生产井各层系在第一时刻的预测产液量和各个注水井各层系在第一时刻的预测注水量;所述图神经网络模型的输出端用于输出各个生产井各层系在第二时刻的预测产液量;所述第一时刻为第二时刻的上一时刻。
所述基于所述样本生产数据、所述样本地层数据和所述嵌入式图神经网络模型确定生产井产液量预测模型,具体包括:
基于各个生产井各层系在不同时间的预测产液量、各个注水井各层系在不同时间的预测注水量、各个生产井各层系在不同时间的产液量和各个注水井各层系在不同时间的注水量,调整嵌入神经网络模型的模型参数,以得到训练好的嵌入神经网络模型;
基于所述样本地层数据和所述训练好的嵌入神经网络模型,得到各个生产井各层系在第一时刻的预测产液量和各个注水井各层系在第一时刻的预测注水量;所述第一时刻为样本数据中的任一时刻;
基于各个生产井各层系在第一时刻的预测产液量、各个注水井各层系在第一时刻的预测注水量和所述图神经网络模型,确定生产井产液量预测模型。
实施例三
如图2所示,本实施例提供了一种基于嵌入式图神经网络的井间动态连通性预测系统,包括:
数据获取模块201,用于获取当前时刻目标多层系井网的生产数据。
产液量预测模块202,用于基于所述当前时刻目标多层系井网的生产数据和生产井产液量预测模型,预测下一时刻所述目标多层系井网中各个生产井的产液量。
其中,所述生产井产液量预测模型的确定过程为:
样本数据确定模块,用于确定所述目标多层系井网的样本数据;所述样本数据包括样本生产数据、样本几何数据和样本地层数据;所述样本生产数据包括注水井的样本注水量和生产井的样本产液量;
神经网络模型构建模块,用于构建嵌入式图神经网络模型;所述嵌入式图神经网络模型包括嵌入神经网络模型以及与所述嵌入神经网络模型的输出端连接的图神经网络模型;其中,所述图神经网络模型是基于所述样本几何数据构建的;
生产井产液量预测模型确定模块,用于基于所述样本生产数据、所述样本地层数据和所述嵌入式图神经网络模型确定生产井产液量预测模型。
进一步地,所述样本数据确定模块,具体包括:
第一获取单元,用于获取所述目标多层系井网的样本几何数据;所述样本几何数据包括注水井的数量、生产井的数量、各个生产井与各个注水井之间的距离、各个生产井与各个生产井之间的距离、各个注水井与各个注水井之间的距离、各个生产井与各个注水井之间的相对位置、各个生产井与各个生产井之间的相对位置、以及各个注水井与各个注水井之间的相对位置;
第二获取单元,用于获取所述目标多层系井网的样本生产数据;所述样本生产数据包括各个生产井在不同时间的产液量和各个注水井在不同时间的注水量;
第三获取单元,用于获取所述目标多层系井网的样本地层数据;所述样本地层数据包括各个生产井各层系的样本地质数据和各个注水井各层系的样本地质数据;所述地质数据包括射孔参数、层深、有效厚度、渗透率和孔隙度。
所述神经网络模型构建模块,具体包括:
划分单元,用于根据所述样本地层数据,对所述样本生产数据进行划分,得到各个生产井各层系在不同时间的产液量和各个注水井各层系在不同时间的注水量;
第一构建单元,用于构建嵌入神经网络模型;所述嵌入神经网络模型的输入端用于输入各个生产井各层系的样本地质数据和各个注水井各层系的样本地质数据;所述嵌入神经网络模型的输出端用于输出各个生产井各层系在不同时间的预测产液量和各个注水井各层系在不同时间的预测注水量;
第二构建单元,用于基于所述目标多层系井网的样本几何数据,建立用不同节点来代表各生产井各层系和各注水井各层系的图神经网络模型;其中,当所述节点代表一生产井一层系时所述节点的特征为该生产井该层系的产液量,当所述节点代表一注水井一层系时所述节点的特征为该注水井该层系的注水量;所述图神经网络模型的边用于一井点与其他井点之间的距离和相对位置;一井点为生产井或者注水井,其他井点为生产井或者注水井;
所述图神经网络模型的输入端用于输入各个生产井各层系在第一时刻的预测产液量和各个注水井各层系在第一时刻的预测注水量;所述图神经网络模型的输出端用于输出各个生产井各层系在第二时刻的预测产液量;所述第一时刻为第二时刻的上一时刻。
所述生产井产液量预测模型确定模块,具体包括:
第一训练单元,用于基于各个生产井各层系在不同时间的预测产液量、各个注水井各层系在不同时间的预测注水量、各个生产井各层系在不同时间的产液量和各个注水井各层系在不同时间的注水量,调整嵌入神经网络模型的模型参数,以得到训练好的嵌入神经网络模型;
第二训练单元,用于:
基于所述样本地层数据和所述训练好的嵌入神经网络模型,得到各个生产井各层系在第一时刻的预测产液量和各个注水井各层系在第一时刻的预测注水量;所述第一时刻为样本数据中的任一时刻;
基于各个生产井各层系在第一时刻的预测产液量、各个注水井各层系在第一时刻的预测注水量和所述图神经网络模型,确定生产井产液量预测模型。
本说明书中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似部分互相参见即可。对于实施例公开的系统而言,由于其与实施例公开的方法相对应,所以描述的比较简单,相关之处参见方法部分说明即可。
本文中应用了具体个例对本发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的方法及其核心思想;同时,对于本领域的一般技术人员,依据本发明的思想,在具体实施方式及应用范围上均会有改变之处。综上所述,本说明书内容不应理解为对本发明的限制。
Claims (8)
1.一种基于嵌入式图神经网络的井间动态连通性预测方法,其特征在于,包括:
获取当前时刻目标多层系井网的生产数据;
基于所述当前时刻目标多层系井网的生产数据和生产井产液量预测模型,预测下一时刻所述目标多层系井网中各个生产井的产液量;
其中,所述生产井产液量预测模型的确定过程为:
确定所述目标多层系井网的样本数据;所述样本数据包括样本生产数据、样本几何数据和样本地层数据;所述样本生产数据包括注水井的样本注水量和生产井的样本产液量;
构建嵌入式图神经网络模型;所述嵌入式图神经网络模型包括嵌入神经网络模型以及与所述嵌入神经网络模型的输出端连接的图神经网络模型;其中,所述图神经网络模型是基于所述样本几何数据构建的;
基于所述样本生产数据、所述样本地层数据和所述嵌入式图神经网络模型确定生产井产液量预测模型。
2.根据权利要求1所述的一种基于嵌入式图神经网络的井间动态连通性预测方法,其特征在于,所述确定所述目标多层系井网的样本数据,具体包括:
获取所述目标多层系井网的样本几何数据;所述样本几何数据包括注水井的数量、生产井的数量、各个生产井与各个注水井之间的距离、各个生产井与各个生产井之间的距离、各个注水井与各个注水井之间的距离、各个生产井与各个注水井之间的相对位置、各个生产井与各个生产井之间的相对位置、以及各个注水井与各个注水井之间的相对位置;
获取所述目标多层系井网的样本生产数据;所述样本生产数据包括各个生产井在不同时间的产液量和各个注水井在不同时间的注水量;
获取所述目标多层系井网的样本地层数据;所述样本地层数据包括各个生产井各层系的样本地质数据和各个注水井各层系的样本地质数据;所述地质数据包括射孔参数、层深、有效厚度、渗透率和孔隙度。
3.根据权利要求1所述的一种基于嵌入式图神经网络的井间动态连通性预测方法,其特征在于,所述构建嵌入式图神经网络模型,具体包括:
根据所述样本地层数据,对所述样本生产数据进行划分,得到各个生产井各层系在不同时间的产液量和各个注水井各层系在不同时间的注水量;
构建嵌入神经网络模型;所述嵌入神经网络模型的输入端用于输入各个生产井各层系的样本地质数据和各个注水井各层系的样本地质数据;所述嵌入神经网络模型的输出端用于输出各个生产井各层系在不同时间的预测产液量和各个注水井各层系在不同时间的预测注水量;
基于所述目标多层系井网的样本几何数据,建立用不同节点来代表各生产井各层系和各注水井各层系的图神经网络模型;其中,当所述节点代表一生产井一层系时所述节点的特征为该生产井该层系的产液量,当所述节点代表一注水井一层系时所述节点的特征为该注水井该层系的注水量;所述图神经网络模型的边用于一井点与其他井点之间的距离和相对位置;一井点为生产井或者注水井,其他井点为生产井或者注水井;
所述图神经网络模型的输入端用于输入各个生产井各层系在第一时刻的预测产液量和各个注水井各层系在第一时刻的预测注水量;所述图神经网络模型的输出端用于输出各个生产井各层系在第二时刻的预测产液量;所述第一时刻为第二时刻的上一时刻。
4.根据权利要求3所述的一种基于嵌入式图神经网络的井间动态连通性预测方法,其特征在于,所述基于所述样本生产数据、所述样本地层数据和所述嵌入式图神经网络模型确定生产井产液量预测模型,具体包括:
基于各个生产井各层系在不同时间的预测产液量、各个注水井各层系在不同时间的预测注水量、各个生产井各层系在不同时间的产液量和各个注水井各层系在不同时间的注水量,调整嵌入神经网络模型的模型参数,以得到训练好的嵌入神经网络模型;
基于所述样本地层数据和所述训练好的嵌入神经网络模型,得到各个生产井各层系在第一时刻的预测产液量和各个注水井各层系在第一时刻的预测注水量;所述第一时刻为样本数据中的任一时刻;
基于各个生产井各层系在第一时刻的预测产液量、各个注水井各层系在第一时刻的预测注水量和所述图神经网络模型,确定生产井产液量预测模型。
5.一种基于嵌入式图神经网络的井间动态连通性预测系统,其特征在于,包括:
数据获取模块,用于获取当前时刻目标多层系井网的生产数据;
产液量预测模块,用于基于所述当前时刻目标多层系井网的生产数据和生产井产液量预测模型,预测下一时刻所述目标多层系井网中各个生产井的产液量;
其中,所述生产井产液量预测模型的确定过程为:
样本数据确定模块,用于确定所述目标多层系井网的样本数据;所述样本数据包括样本生产数据、样本几何数据和样本地层数据;所述样本生产数据包括注水井的样本注水量和生产井的样本产液量;
神经网络模型构建模块,用于构建嵌入式图神经网络模型;所述嵌入式图神经网络模型包括嵌入神经网络模型以及与所述嵌入神经网络模型的输出端连接的图神经网络模型;其中,所述图神经网络模型是基于所述样本几何数据构建的;
生产井产液量预测模型确定模块,用于基于所述样本生产数据、所述样本地层数据和所述嵌入式图神经网络模型确定生产井产液量预测模型。
6.根据权利要求5所述的一种基于嵌入式图神经网络的井间动态连通性预测系统,其特征在于,所述样本数据确定模块,具体包括:
第一获取单元,用于获取所述目标多层系井网的样本几何数据;所述样本几何数据包括注水井的数量、生产井的数量、各个生产井与各个注水井之间的距离、各个生产井与各个生产井之间的距离、各个注水井与各个注水井之间的距离、各个生产井与各个注水井之间的相对位置、各个生产井与各个生产井之间的相对位置、以及各个注水井与各个注水井之间的相对位置;
第二获取单元,用于获取所述目标多层系井网的样本生产数据;所述样本生产数据包括各个生产井在不同时间的产液量和各个注水井在不同时间的注水量;
第三获取单元,用于获取所述目标多层系井网的样本地层数据;所述样本地层数据包括各个生产井各层系的样本地质数据和各个注水井各层系的样本地质数据;所述地质数据包括射孔参数、层深、有效厚度、渗透率和孔隙度。
7.根据权利要求5所述的一种基于嵌入式图神经网络的井间动态连通性预测系统,其特征在于,所述神经网络模型构建模块,具体包括:
划分单元,用于根据所述样本地层数据,对所述样本生产数据进行划分,得到各个生产井各层系在不同时间的产液量和各个注水井各层系在不同时间的注水量;
第一构建单元,用于构建嵌入神经网络模型;所述嵌入神经网络模型的输入端用于输入各个生产井各层系的样本地质数据和各个注水井各层系的样本地质数据;所述嵌入神经网络模型的输出端用于输出各个生产井各层系在不同时间的预测产液量和各个注水井各层系在不同时间的预测注水量;
第二构建单元,用于基于所述目标多层系井网的样本几何数据,建立用不同节点来代表各生产井各层系和各注水井各层系的图神经网络模型;其中,当所述节点代表一生产井一层系时所述节点的特征为该生产井该层系的产液量,当所述节点代表一注水井一层系时所述节点的特征为该注水井该层系的注水量;所述图神经网络模型的边用于一井点与其他井点之间的距离和相对位置;一井点为生产井或者注水井,其他井点为生产井或者注水井;
所述图神经网络模型的输入端用于输入各个生产井各层系在第一时刻的预测产液量和各个注水井各层系在第一时刻的预测注水量;所述图神经网络模型的输出端用于输出各个生产井各层系在第二时刻的预测产液量;所述第一时刻为第二时刻的上一时刻。
8.根据权利要求7所述的一种基于嵌入式图神经网络的井间动态连通性预测系统,其特征在于,所述生产井产液量预测模型确定模块,具体包括:
第一训练单元,用于基于各个生产井各层系在不同时间的预测产液量、各个注水井各层系在不同时间的预测注水量、各个生产井各层系在不同时间的产液量和各个注水井各层系在不同时间的注水量,调整嵌入神经网络模型的模型参数,以得到训练好的嵌入神经网络模型;
第二训练单元,用于:
基于所述样本地层数据和所述训练好的嵌入神经网络模型,得到各个生产井各层系在第一时刻的预测产液量和各个注水井各层系在第一时刻的预测注水量;所述第一时刻为样本数据中的任一时刻;
基于各个生产井各层系在第一时刻的预测产液量、各个注水井各层系在第一时刻的预测注水量和所述图神经网络模型,确定生产井产液量预测模型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210159389.9A CN114528767A (zh) | 2022-02-22 | 2022-02-22 | 基于嵌入式图神经网络的井间动态连通性预测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210159389.9A CN114528767A (zh) | 2022-02-22 | 2022-02-22 | 基于嵌入式图神经网络的井间动态连通性预测方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114528767A true CN114528767A (zh) | 2022-05-24 |
Family
ID=81623917
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210159389.9A Pending CN114528767A (zh) | 2022-02-22 | 2022-02-22 | 基于嵌入式图神经网络的井间动态连通性预测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114528767A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117420807A (zh) * | 2023-12-14 | 2024-01-19 | 深圳市德镒盟电子有限公司 | 一种智能控制去粘层厚度的方法、系统及生产设备 |
-
2022
- 2022-02-22 CN CN202210159389.9A patent/CN114528767A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117420807A (zh) * | 2023-12-14 | 2024-01-19 | 深圳市德镒盟电子有限公司 | 一种智能控制去粘层厚度的方法、系统及生产设备 |
CN117420807B (zh) * | 2023-12-14 | 2024-03-12 | 深圳市德镒盟电子有限公司 | 一种智能控制去粘层厚度的方法、系统及生产设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20240068329A1 (en) | Artificial intelligence assisted production advisory system and method | |
CN112360411B (zh) | 基于图神经网络的局部井网注水开发优化方法 | |
CN110308487B (zh) | 一种断溶体型油藏定量表征方法 | |
US8868390B2 (en) | Method of developing a petroleum reservoir from a flow model calibrated through pressure and saturation map scaling | |
US10895131B2 (en) | Probabilistic area of interest identification for well placement planning under uncertainty | |
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 | |
NO347038B1 (en) | Automatic geosteering and evolutionary algorithm for use with same | |
US20180306030A1 (en) | Method for improving reservoir performance by using data science | |
CN114528767A (zh) | 基于嵌入式图神经网络的井间动态连通性预测方法及系统 | |
CN114997452A (zh) | 基于维诺图及时空图卷积神经网络的产油量预测方法 | |
CN112578475A (zh) | 基于数据挖掘的致密储层双甜点识别方法 | |
US11803678B2 (en) | Disentanglement for inference on seismic data and generation of seismic data | |
CN116910638A (zh) | 一种基于大数据的优势渗流通道智能识别方法 | |
RU2135766C1 (ru) | Способ контроля за разработкой нефтяных залежей | |
CN115717522A (zh) | 页岩气井分层强化参数钻井方法及钻井装置 | |
CN114547978A (zh) | 基于异构图神经网络的多层系注水量劈分方法及系统 | |
CN110566196B (zh) | 一种储层连通性分析方法 | |
RU2119583C1 (ru) | Способ контроля за разработкой нефтяных залежей | |
Ballin et al. | New reservoir dynamic connectivity measurement for efficient well placement strategy analysis under depletion | |
RU2300632C1 (ru) | Способ оценки дебита горизонтальной скважины | |
CN111335871A (zh) | 一种基于分层产能评价的查层补孔技术方法 | |
CN116911216B (zh) | 一种储层油井产能因素评估与预测方法 | |
US20230193736A1 (en) | Infill development prediction system | |
Jenei | History Matching to Honour Geological Constraints | |
US20240060405A1 (en) | Method and system for generating predictive logic and query reasoning in knowledge graphs for petroleum systems |
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 |