CN114547978A - 基于异构图神经网络的多层系注水量劈分方法及系统 - Google Patents

基于异构图神经网络的多层系注水量劈分方法及系统 Download PDF

Info

Publication number
CN114547978A
CN114547978A CN202210159309.XA CN202210159309A CN114547978A CN 114547978 A CN114547978 A CN 114547978A CN 202210159309 A CN202210159309 A CN 202210159309A CN 114547978 A CN114547978 A CN 114547978A
Authority
CN
China
Prior art keywords
water injection
well
production
neural network
amount
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
CN202210159309.XA
Other languages
English (en)
Inventor
黄朝琴
王召旭
张旭
梁永星
姚军
张凯
巩亮
黄小光
孙峰
张磊
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.)
China University of Petroleum East China
Original Assignee
China University of Petroleum East China
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 China University of Petroleum East China filed Critical China University of Petroleum East China
Priority to CN202210159309.XA priority Critical patent/CN114547978A/zh
Publication of CN114547978A publication Critical patent/CN114547978A/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
    • 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
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/28—Design optimisation, verification or simulation using fluid dynamics, e.g. using Navier-Stokes equations or computational fluid dynamics [CFD]
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2113/00—Details relating to the application field
    • G06F2113/08—Fluids
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
    • G06F2119/14—Force analysis or force optimisation, e.g. static or dynamic forces
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A10/00—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE at coastal zones; at river basins
    • Y02A10/40—Controlling or monitoring, e.g. of flood or hurricane; Forecasting, e.g. risk assessment or mapping

Abstract

本发明公开了一种基于异构图神经网络的多层系注水量劈分方法及系统，涉及油气藏渗流技术领域，该方法包括：获取目标井网的三维几何数据、历史生产数据和地层数据；基于所述目标井网的历史生产数据和地层数据，构建训练异构图神经网络的样本数据库；基于所述目标井网的三维几何数据和所述样本数据库，训练建立异构图神经网络模型；利用所述异构图神经网络模型和当前阶段注水井注水量，预测当前阶段注水井注水量对应的所述目标井网中各个注水井各个射孔处的注水量劈分量，以及所述目标井网中各个生产井的产液量。本发明能够清楚表征地下真实情况，提高注水井注水量的劈分精度。

Description

基于异构图神经网络的多层系注水量劈分方法及系统
技术领域
本发明涉及油气藏渗流技术领域，特别是涉及一种基于异构图神经网络的多层系注水量劈分方法及系统。
背景技术
由于地下情况复杂，油田开发过程中的动态变化规律更是难以掌握，现场可获得的生产资料不能完全清楚表征地下真实情况，例如：从注水井到生产井是怎样流动的，注水井在各个开发层段的注水量劈分是怎样的以及各个开发层段间是否有影响。
现有技术方案为：获取目标井网的几何信息和历史生产数据，建立目标井网的时空图结构数据集；根据时空图结构数据集进行滑动时间窗口划分，建立目标井网的训练样本集；利用训练样本集，训练得到用于水驱油藏产量预测的多层时空图神经网络；利用多层时空图神经网络，得到目标油藏井网的生产井的产量预测结果。
上述技术方案存在的缺点为：(1)上述方案仅在二维平面上，通过图神经网络对井网井间特征进行提取，而实际油藏为三维空间，油田开发更是为多层系开发，上述方案导致油田开发的地下内部结构以及流动特征未能表征清楚，因此存在模型计算量大、消耗资源大以及预测结果不准确的风险。(2)现有技术使用传统的同构图神经网络来学习，同构图中的节点类型和关系类型(边的类型)都仅有一种，因此在构建图神经网络时所有节点共享同样的模型参数并且拥有同样维度的特征空间，进一步降低了预测结果的精准度。
发明内容
本发明的目的是提供一种基于异构图神经网络的多层系注水量劈分方法及系统，能够清楚表征地下真实情况，提高注水井注水量的劈分精度。
为实现上述目的，本发明提供了如下方案：
一种基于异构图神经网络的多层系注水量劈分方法，包括：
获取目标井网的三维几何数据、历史生产数据和地层数据；所述目标井网包括注水井和生产井；
基于所述目标井网的历史生产数据和地层数据，构建训练异构图神经网络的样本数据库；所述样本数据库包括在不同时间段内所述目标井网在三维空间中各个节点的注水量劈分量和各个生产井的产液量；
基于所述目标井网的三维几何数据和所述样本数据库，训练建立异构图神经网络模型；
利用所述异构图神经网络模型和当前阶段注水井注水量，预测当前阶段注水井注水量对应的所述目标井网中各个注水井各个射孔处的注水量劈分量，以及所述目标井网中各个生产井的产液量。
可选的，所述获取目标井网的三维几何数据、历史生产数据和地层数据，具体包括：
确定需要进行多层系注水量劈分分析的目标井网；
获取所述目标井网的三维几何数据；所述三维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路径关系、各个生产井与各个生产井之间的路径关系、各个注水井与各个注水井之间的路径关系、各个生产井中各个射孔处之间的距离、各个注水井中各个射孔处之间的距离、各个生产井与各个注水井之间的各个射孔处之间的距离、各个生产井中各个射孔处之间的路径关系、各个注水井中各个射孔处之间的路径关系、以及各个生产井与各个注水井之间的各个射孔处之间的路径关系；
获取所述目标井网中各个生产井和各个注水井的工作时序，并基于所述目标井网中各个生产井和各个注水井的工作时序，确定所述目标井网中各个生产井和各个注水井的历史生产数据；所述工作时序包括各个生产井的开始工作时间、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；所述历史生产数据包括各个生产井在不同时间段的产液量，以及各个注水井在不同时间段的注水量；
获取所述目标井网中各个生产井和各个注水井的各个射孔处附近开发层段的地层数据；所述地层数据包括渗透率、有效厚度、孔隙度和地层压力。
可选的，所述基于所述目标井网的历史生产数据和地层数据，构建训练异构图神经网络的样本数据库，具体包括：
基于标记注水量和训练好的循环神经网络确定所述标记注水量对应的初步产液量；所述标记注水量为所述历史生产数据中的任一注水量；
对所述地层数据进行归一化处理，并将归一化处理后的地层数据与所述标记注水量对应的初步产液量相乘以得到相乘结果，然后将所述相乘结果作为异构图神经网络在注水井中各个节点的注水量劈分量；
将所述历史生产数据中的产液量作为异构图神经网络中各个生产井的产液量。
可选的，所述基于所述目标井网的三维几何数据和所述样本数据库，训练建立异构图神经网络模型，具体包括：
根据所述目标井网的三维几何数据建立异构图神经网络；所述异构图神经网络中的节点代表不同的生产井和注水井的射孔位置；所述异构图神经网络包括各个生产井和各个注水井的位置、注水井和生产井中各个开发层段的节点位置、以及连接各个节点与其邻居节点之间的路径关系；
基于所述样本数据库对所述异构图神经网络进行训练，得到训练好的异构图神经网络；
所述异构图神经网络模型包括训练好的循环神经网络、相乘模块以及训练好的异构图神经网络；所述训练好的循环神经网络的输入端用于输入当前阶段注水井注水量，所述训练好的循环神经网络的输出端用于输出当前阶段注水井注水量对应的初步产液量；所述相乘模块的输入端用于输入所述初步产液量以及所述初步产液量对应的归一化处理后的地层数据；所述相乘模块的输出端用于输出所述当前阶段注水井注水量对应的所述目标井网中各个注水井各个射孔处的注水量劈分量；所述训练好的异构图神经网络的输入端用于输入所述当前阶段注水井注水量对应的所述目标井网中各个注水井各个射孔处的注水量劈分量；所述训练好的异构图神经网络的输出端用于输出当前阶段注水井注水量对应的所述目标井网中各个生产井的产液量。
一种基于异构图神经网络的多层系注水量劈分系统，包括：
目标井网数据获取模块，用于获取目标井网的三维几何数据、历史生产数据和地层数据；所述目标井网包括注水井和生产井；
样本数据库构建模块，用于基于所述目标井网的历史生产数据和地层数据，构建训练异构图神经网络的样本数据库；所述样本数据库包括在不同时间段内所述目标井网在三维空间中各个节点的注水量劈分量和各个生产井的产液量；
异构图神经网络模型建立模块，用于基于所述目标井网的三维几何数据和所述样本数据库，训练建立异构图神经网络模型；
预测模块，用于利用所述异构图神经网络模型和当前阶段注水井注水量，预测当前阶段注水井注水量对应的所述目标井网中各个注水井各个射孔处的注水量劈分量，以及所述目标井网中各个生产井的产液量。
可选的，所述目标井网数据获取模块，具体包括：
目标井网确定单元，用于确定需要进行多层系注水量劈分分析的目标井网；
三维几何数据获取单元，用于获取所述目标井网的三维几何数据；所述三维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路径关系、各个生产井与各个生产井之间的路径关系、各个注水井与各个注水井之间的路径关系、各个生产井中各个射孔处之间的距离、各个注水井中各个射孔处之间的距离、各个生产井与各个注水井之间的各个射孔处之间的距离、各个生产井中各个射孔处之间的路径关系、各个注水井中各个射孔处之间的路径关系、以及各个生产井与各个注水井之间的各个射孔处之间的路径关系；
历史生产数据确定单元，用于获取所述目标井网中各个生产井和各个注水井的工作时序，并基于所述目标井网中各个生产井和各个注水井的工作时序，确定所述目标井网中各个生产井和各个注水井的历史生产数据；所述工作时序包括各个生产井的开始工作时间、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；所述历史生产数据包括各个生产井在不同时间段的产液量，以及各个注水井在不同时间段的注水量；
地层数据获取单元，用于获取所述目标井网中各个生产井和各个注水井的各个射孔处附近开发层段的地层数据；所述地层数据包括渗透率、有效厚度、孔隙度和地层压力。
可选的，所述样本数据库构建模块，具体包括：
注水量预测单元，用于基于标记注水量和训练好的循环神经网络确定所述标记注水量对应的初步产液量；所述标记注水量为所述历史生产数据中的任一注水量；
注水量劈分量确定单元，用于对所述地层数据进行归一化处理，并将归一化处理后的地层数据与所述标记注水量对应的初步产液量相乘以得到相乘结果，然后将所述相乘结果作为异构图神经网络在注水井中各个节点的注水量劈分量；
产液量确定单元，用于将所述历史生产数据中的产液量作为异构图神经网络中各个生产井的产液量。
可选的，所述异构图神经网络模型建立模块，具体包括：
异构图神经网络构建单元，用于根据所述目标井网的三维几何数据建立异构图神经网络；所述异构图神经网络中的节点代表不同的生产井和注水井的射孔位置；所述异构图神经网络包括各个生产井和各个注水井的位置、注水井和生产井中各个开发层段的节点位置、以及连接各个节点与其邻居节点之间的路径关系；
异构图神经网络模型建立单元，用于基于所述样本数据库对所述异构图神经网络进行训练，得到训练好的异构图神经网络；
所述异构图神经网络模型包括训练好的循环神经网络、相乘模块以及训练好的异构图神经网络；所述训练好的循环神经网络的输入端用于输入当前阶段注水井注水量，所述训练好的循环神经网络的输出端用于输出当前阶段注水井注水量对应的初步产液量；所述相乘模块的输入端用于输入所述初步产液量以及所述初步产液量对应的归一化处理后的地层数据；所述相乘模块的输出端用于输出所述当前阶段注水井注水量对应的所述目标井网中各个注水井各个射孔处的注水量劈分量；所述训练好的异构图神经网络的输入端用于输入所述当前阶段注水井注水量对应的所述目标井网中各个注水井各个射孔处的注水量劈分量；所述训练好的异构图神经网络的输出端用于输出当前阶段注水井注水量对应的所述目标井网中各个生产井的产液量。
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：
本发明提供一种基于异构图神经网络的多层系注水量劈分方法及系统，提供了一种多层系开发的三维空间模型，将注水井、生产井的射孔位置标注出来，考虑在各个开发层段的注水量劈分以及油水两相流动方式，更符合实际物理模型，减少了模型的计算量，提高注水井注水量的劈分精度，提高了生产井产液量预测准确度。
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为本发明基于异构图神经网络的多层系注水量劈分方法的流程示意图；
图2为本发明生产井和注水井各个开发层段射孔位置示意图；
图3为本发明生产井和注水井的结构示意图；
图4为本发明异构图神经网络模型的构建示意图；
图5为本发明基于异构图神经网络的多层系注水量劈分系统的结构示意图。
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。
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。
目前方法仅在二维平面通过图神经网络对井网井间特征进行提取来预测产量，而实际油藏为三维空间，油田开发更大部分为多层系开发，上述方法未能将油田开发的地下内部结构表征清楚，导致现有模型计算量大，消耗资源大，且预测结果不准确。因此本发明提供一种基于异构图神经网络的多层系注水量劈分方法及系统，提供了一种多层系开发的三维空间模型，将注水井、生产井的射孔位置标注出来，考虑在各个开发层段的注水量劈分以及油水两相流动方式，更符合实际物理模型，减少了模型的计算量，提高注水井注水量的劈分精度，提高了生产井产液量预测准确度。
实际油藏内部结构复杂，油田开发过程中各个因素动态变化相互影响，采用同构图神经网络可能无法学习出某些参数间的关系，鉴于此本发明提供一种基于异构图神经网络的多层系注水量劈分方法及系统，由于异构图中可以存在不只一种节点类型和边类型，允许不同类型的节点拥有不同维度的特征或属性，因此泛化能力更强，提高注水井注水量的劈分精度，提高了生产井产液量预测准确度。
实施例一
本实施例提供了一种基于异构图神经网络的多层系注水量劈分方法，参见图1，包括：
步骤101：获取目标井网的三维几何数据、历史生产数据和地层数据；所述目标井网包括注水井和生产井。
其中，步骤101具体包括：
确定需要进行多层系注水量劈分分析的目标井网；
获取所述目标井网的三维几何数据；所述三维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路径关系、各个生产井与各个生产井之间的路径关系、各个注水井与各个注水井之间的路径关系、各个生产井中各个射孔处之间的距离、各个注水井中各个射孔处之间的距离、各个生产井与各个注水井之间的各个射孔处之间的距离、各个生产井中各个射孔处之间的路径关系、各个注水井中各个射孔处之间的路径关系、以及各个生产井与各个注水井之间的各个射孔处之间的路径关系。
获取所述目标井网中各个生产井和各个注水井的工作时序，并基于所述目标井网中各个生产井和各个注水井的工作时序，确定所述目标井网中各个生产井和各个注水井的历史生产数据；所述工作时序包括各个生产井的开始工作时间、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。关井时，各个生产井和各个注水井的各个节点参数记为零。所述历史生产数据包括各个生产井在不同时间段的产液量，以及各个注水井在不同时间段的注水量。
因为个人原因或者机器损坏使某个井在某个时间段上的数据和其他数据不在一个数量级上，甚至是违背流动规律，故将存在明显异常的数据要进行剔除。
获取所述目标井网中各个生产井和各个注水井的各个射孔处附近开发层段的地层数据；所述地层数据包括渗透率、有效厚度、孔隙度、地层压力，对于明显异常的数据要进行剔除，然后分别将上述四个参数进行归一化数据处理。其中，注水井和生产井，以及各个生产井和各个注水井的各个射孔如图2和图3所示。
步骤102：基于所述目标井网的历史生产数据和地层数据，构建训练异构图神经网络的样本数据库；所述样本数据库包括在不同时间段内所述目标井网在三维空间中各个节点的注水量劈分量和各个生产井的产液量。
基于循环神经网络进行产量预测。由于注水井开发有延迟性，即实时注水量与实时产液量相关性不高。注水井实时注水量不会立即在产液量上体现出来，但长期的注水量对产液量影响同样不大，所以无需顾忌循环神经网络(RNN)仅能够处理短期依赖，但无法处理长期依赖的问题，因此构建循环神经网络(RNN)。
将从当日起到5-10日的注水量作为训练数据(x1，x2，…，xn)，根据井网井距和排距的大小选择(距离越大，选择时间越长)，当日产液量作为验证数据Y，使用近五年每日的生产数据构建训练样本库，80％作为训练集，20％作为测试集。该网络模型中均使用Keras中的Adam激活函数，每一层网络节点的舍弃率(Dropout)设置为0.1，误差计算方式采用均方误差，权重参数的迭代更新方式采用BPTT算法，使用SimpleRNN的层数为三层。最终得到历史注水量与当日产液量关系，通过该模型将历史注水量预测得到的产液量，作为后续异构图神经网络中注水井的注水量。
由于注水井到注水井各层段注水量的劈分量在地下进行，以目前的技术和成本要求，无法监控测得在各个开发层段的注水量劈分量，流通量以及在生产井汇集时各个层段的产液量劈分量，但知道它们是与地层信息有关的。
将循环神经网络(RNN)预测的注水量分别于注水井中各个节点归一化处理后的四个参数(渗透率、有效厚度、孔隙度、地层压力)相乘，构建异构图神经网络在注水井中各个节点的注水量样本数据库。
故步骤102具体包括：
基于标记注水量和训练好的循环神经网络确定所述标记注水量对应的初步产液量；所述标记注水量为所述历史生产数据中的任一注水量；其中，所述训练好的循环神经网络是以历史生产数据中的注水量为输入数据，以历史生产数据中的产液量为标签数据，对循环神经网络进行训练后得到的。
对所述地层数据进行归一化处理，并将归一化处理后的地层数据与所述标记注水量对应的初步产液量相乘以得到相乘结果，然后将所述相乘结果作为异构图神经网络在注水井中各个节点的注水量劈分量。
将所述历史生产数据中的产液量作为异构图神经网络中各个生产井的产液量。
步骤103：基于所述目标井网的三维几何数据和所述样本数据库，训练建立异构图神经网络模型。此异构图神经网络模型用于预测当前阶段所述目标井网中的注水量与下一阶段目标井网中的产液量之间的关系。
根据所述目标井网的三维几何信息建立异构图神经网络。G(V，E)描述图的拓扑结构，所述图神经网络的节点代表不同的生产井和注水井的射孔位置，每个节点都是一个顶点，V表示顶点的集合(节点集)，V＝{v1，v2，···，vn}，E是图中边的集合(连接集)。获取与学习内容相关的异构图神经网络拓扑图数据，所述异构图神经网络包括各个生产井和注水井位置、注水井和生产井中各个开发层段的节点位置、以及连接各个节点与其邻居节点之间的路径关系(同一注水井仅有自上而下的关系、同一生产井仅有自下而上的关系、注水井各个节点指向生产井各个节点的关系、各个节点间存在一对多或者多对一的路径关系)，所述路径至少一种类型；基于所述路径的类型，对所述各个节点进行分组，使得同一组的邻居节点的路径类型相同。
利用所述异构图神经网络在三维空间中各个节点注水量、产液量样本数据库，输入为注水井各个节点的注水量劈分量，输出为生产井产液量，前百分之八十的数据作为训练集数据，百分之十作为验证集数据，百分之十作为测试集数据。不断更新迭代节点处各个参数(渗透率、有效厚度、孔隙度、地层压力)的权重、节点注意力权重和路径注意力权重，计算损失函数，直至所述异构图神经网络的训练集、验证集、测试集损失函数Loss值趋近于零，则模型训练完成。
故步骤103具体包括：
根据所述目标井网的三维几何数据建立异构图神经网络；所述异构图神经网络中的节点代表不同的生产井和注水井的射孔位置；所述异构图神经网络包括各个生产井和各个注水井的位置、注水井和生产井中各个开发层段的节点位置、以及连接各个节点与其邻居节点之间的路径关系。
基于所述样本数据库对所述异构图神经网络进行训练，得到训练好的异构图神经网络。
所述异构图神经网络模型包括训练好的循环神经网络、相乘模块以及训练好的异构图神经网络；所述训练好的循环神经网络的输入端用于输入当前阶段注水井注水量，所述训练好的循环神经网络的输出端用于输出当前阶段注水井注水量对应的初步产液量；所述相乘模块的输入端用于输入所述初步产液量以及所述初步产液量对应的归一化处理后的地层数据；所述相乘模块的输出端用于输出所述当前阶段注水井注水量对应的所述目标井网中各个注水井各个射孔处的注水量劈分量；所述训练好的异构图神经网络的输入端用于输入所述当前阶段注水井注水量对应的所述目标井网中各个注水井各个射孔处的注水量劈分量；所述训练好的异构图神经网络的输出端用于输出当前阶段注水井注水量对应的所述目标井网中各个生产井的产液量。
其中步骤102和步骤103的实施过程如图4所示。
本发明是通过一个循环神经网络(RNN)将注水井注水量与下一阶段的产液量联系起来，目的是为了减少异构图神经网络的计算量，提高泛化能力。
步骤104：利用所述异构图神经网络模型和当前阶段注水井注水量，预测当前阶段注水井注水量对应的所述目标井网中各个注水井各个射孔处的注水量劈分量，以及所述目标井网中各个生产井的产液量。
根据训练好的异构图神经网络模型可以进行预测得到注水井中各个节点处的注水量劈分量，以及注水量和产液量之间的关系，结合实际油藏情况进行调整各个井的注水量使得经济效益最大化，指导现场实际生产。
实施例二
如图5所示，本发明实施例提供的一种基于异构图神经网络的多层系注水量劈分系统，包括：
目标井网数据获取模块501，用于获取目标井网的三维几何数据、历史生产数据和地层数据；所述目标井网包括注水井和生产井。
样本数据库构建模块502，用于基于所述目标井网的历史生产数据和地层数据，构建训练异构图神经网络的样本数据库；所述样本数据库包括在不同时间段内所述目标井网在三维空间中各个节点的注水量劈分量和各个生产井的产液量。
异构图神经网络模型建立模块503，用于基于所述目标井网的三维几何数据和所述样本数据库，训练建立异构图神经网络模型。
预测模块504，用于利用所述异构图神经网络模型和当前阶段注水井注水量，预测当前阶段注水井注水量对应的所述目标井网中各个注水井各个射孔处的注水量劈分量，以及所述目标井网中各个生产井的产液量。
所述目标井网数据获取模块501，具体包括：
目标井网确定单元，用于确定需要进行多层系注水量劈分分析的目标井网。
三维几何数据获取单元，用于获取所述目标井网的三维几何数据；所述三维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路径关系、各个生产井与各个生产井之间的路径关系、各个注水井与各个注水井之间的路径关系、各个生产井中各个射孔处之间的距离、各个注水井中各个射孔处之间的距离、各个生产井与各个注水井之间的各个射孔处之间的距离、各个生产井中各个射孔处之间的路径关系、各个注水井中各个射孔处之间的路径关系、以及各个生产井与各个注水井之间的各个射孔处之间的路径关系。
历史生产数据确定单元，用于获取所述目标井网中各个生产井和各个注水井的工作时序，并基于所述目标井网中各个生产井和各个注水井的工作时序，确定所述目标井网中各个生产井和各个注水井的历史生产数据；所述工作时序包括各个生产井的开始工作时间、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；所述历史生产数据包括各个生产井在不同时间段的产液量，以及各个注水井在不同时间段的注水量。
地层数据获取单元，用于获取所述目标井网中各个生产井和各个注水井的各个射孔处附近开发层段的地层数据；所述地层数据包括渗透率、有效厚度、孔隙度和地层压力。
所述样本数据库构建模块502，具体包括：
注水量预测单元，用于基于标记注水量和训练好的循环神经网络确定所述标记注水量对应的初步产液量；所述标记注水量为所述历史生产数据中的任一注水量。
注水量劈分量确定单元，用于对所述地层数据进行归一化处理，并将归一化处理后的地层数据与所述标记注水量对应的初步产液量相乘以得到相乘结果，然后将所述相乘结果作为异构图神经网络在注水井中各个节点的注水量劈分量。
产液量确定单元，用于将所述历史生产数据中的产液量作为异构图神经网络中各个生产井的产液量。
所述异构图神经网络模型建立模块503，具体包括：
异构图神经网络构建单元，用于根据所述目标井网的三维几何数据建立异构图神经网络；所述异构图神经网络中的节点代表不同的生产井和注水井的射孔位置；所述异构图神经网络包括各个生产井和各个注水井的位置、注水井和生产井中各个开发层段的节点位置、以及连接各个节点与其邻居节点之间的路径关系。
异构图神经网络模型建立单元，用于基于所述样本数据库对所述异构图神经网络进行训练，得到训练好的异构图神经网络。
所述异构图神经网络模型包括训练好的循环神经网络、相乘模块以及训练好的异构图神经网络；所述训练好的循环神经网络的输入端用于输入当前阶段注水井注水量，所述训练好的循环神经网络的输出端用于输出当前阶段注水井注水量对应的初步产液量；所述相乘模块的输入端用于输入所述初步产液量以及所述初步产液量对应的归一化处理后的地层数据；所述相乘模块的输出端用于输出所述当前阶段注水井注水量对应的所述目标井网中各个注水井各个射孔处的注水量劈分量；所述训练好的异构图神经网络的输入端用于输入所述当前阶段注水井注水量对应的所述目标井网中各个注水井各个射孔处的注水量劈分量；所述训练好的异构图神经网络的输出端用于输出当前阶段注水井注水量对应的所述目标井网中各个生产井的产液量。
与现有技术相比，本发明具有以下创新点：
1.采用三维几何信息构建异构图神经网络，各个节点位置以及它们之间路径关系对最终结果起到了至关重要的作用，而现有技术仅有二维平面上井与井的关系，本模型更符合实际油藏物理模型，泛化能力和准确度更高。
2.考虑到当日注水有延迟性，使用循环神经网络，提高模型的泛化能力和准确度。
3.使用异构图神经网络代替传统同构图神经网络。
与现有技术相比，本发明具有以下优点：
1.模型的建立在三维空间油藏多层系开发，更符合实际情况，优化了结构，减少了模型的计算量，提高了预测准确度。
2.由于注水开发有延迟性，注水井实时注水量不会立即在产液量上体现出来，即与产液量相关性不高，因此构建循环神经网络，更符合实际情况，能更好地学习内部结构，泛化能力更强，提高了预测准确度。
3.使用基于图异构网络的图神经网络，异构图中可以存在不只一种节点和边，因此允许不同类型的节点拥有不同维度的特征或属性，更好地学习内部结构，泛化能力更强，提高了预测准确度。
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)

1.一种基于异构图神经网络的多层系注水量劈分方法，其特征在于，包括：
获取目标井网的三维几何数据、历史生产数据和地层数据；所述目标井网包括注水井和生产井；
基于所述目标井网的历史生产数据和地层数据，构建训练异构图神经网络的样本数据库；所述样本数据库包括在不同时间段内所述目标井网在三维空间中各个节点的注水量劈分量和各个生产井的产液量；
基于所述目标井网的三维几何数据和所述样本数据库，训练建立异构图神经网络模型；
利用所述异构图神经网络模型和当前阶段注水井注水量，预测当前阶段注水井注水量对应的所述目标井网中各个注水井各个射孔处的注水量劈分量，以及所述目标井网中各个生产井的产液量。
2.根据权利要求1所述的一种基于异构图神经网络的多层系注水量劈分方法，其特征在于，所述获取目标井网的三维几何数据、历史生产数据和地层数据，具体包括：
确定需要进行多层系注水量劈分分析的目标井网；
获取所述目标井网的三维几何数据；所述三维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路径关系、各个生产井与各个生产井之间的路径关系、各个注水井与各个注水井之间的路径关系、各个生产井中各个射孔处之间的距离、各个注水井中各个射孔处之间的距离、各个生产井与各个注水井之间的各个射孔处之间的距离、各个生产井中各个射孔处之间的路径关系、各个注水井中各个射孔处之间的路径关系、以及各个生产井与各个注水井之间的各个射孔处之间的路径关系；
获取所述目标井网中各个生产井和各个注水井的工作时序，并基于所述目标井网中各个生产井和各个注水井的工作时序，确定所述目标井网中各个生产井和各个注水井的历史生产数据；所述工作时序包括各个生产井的开始工作时间、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；所述历史生产数据包括各个生产井在不同时间段的产液量，以及各个注水井在不同时间段的注水量；
获取所述目标井网中各个生产井和各个注水井的各个射孔处附近开发层段的地层数据；所述地层数据包括渗透率、有效厚度、孔隙度和地层压力。
3.根据权利要求1所述的一种基于异构图神经网络的多层系注水量劈分方法，其特征在于，所述基于所述目标井网的历史生产数据和地层数据，构建训练异构图神经网络的样本数据库，具体包括：
基于标记注水量和训练好的循环神经网络确定所述标记注水量对应的初步产液量；所述标记注水量为所述历史生产数据中的任一注水量；
对所述地层数据进行归一化处理，并将归一化处理后的地层数据与所述标记注水量对应的初步产液量相乘以得到相乘结果，然后将所述相乘结果作为异构图神经网络在注水井中各个节点的注水量劈分量；
将所述历史生产数据中的产液量作为异构图神经网络中各个生产井的产液量。
4.根据权利要求3所述的一种基于异构图神经网络的多层系注水量劈分方法，其特征在于，所述基于所述目标井网的三维几何数据和所述样本数据库，训练建立异构图神经网络模型，具体包括：
根据所述目标井网的三维几何数据建立异构图神经网络；所述异构图神经网络中的节点代表不同的生产井和注水井的射孔位置；所述异构图神经网络包括各个生产井和各个注水井的位置、注水井和生产井中各个开发层段的节点位置、以及连接各个节点与其邻居节点之间的路径关系；
基于所述样本数据库对所述异构图神经网络进行训练，得到训练好的异构图神经网络；
所述异构图神经网络模型包括训练好的循环神经网络、相乘模块以及训练好的异构图神经网络；所述训练好的循环神经网络的输入端用于输入当前阶段注水井注水量，所述训练好的循环神经网络的输出端用于输出当前阶段注水井注水量对应的初步产液量；所述相乘模块的输入端用于输入所述初步产液量以及所述初步产液量对应的归一化处理后的地层数据；所述相乘模块的输出端用于输出所述当前阶段注水井注水量对应的所述目标井网中各个注水井各个射孔处的注水量劈分量；所述训练好的异构图神经网络的输入端用于输入所述当前阶段注水井注水量对应的所述目标井网中各个注水井各个射孔处的注水量劈分量；所述训练好的异构图神经网络的输出端用于输出当前阶段注水井注水量对应的所述目标井网中各个生产井的产液量。
5.一种基于异构图神经网络的多层系注水量劈分系统，其特征在于，包括：
目标井网数据获取模块，用于获取目标井网的三维几何数据、历史生产数据和地层数据；所述目标井网包括注水井和生产井；
样本数据库构建模块，用于基于所述目标井网的历史生产数据和地层数据，构建训练异构图神经网络的样本数据库；所述样本数据库包括在不同时间段内所述目标井网在三维空间中各个节点的注水量劈分量和各个生产井的产液量；
异构图神经网络模型建立模块，用于基于所述目标井网的三维几何数据和所述样本数据库，训练建立异构图神经网络模型；
预测模块，用于利用所述异构图神经网络模型和当前阶段注水井注水量，预测当前阶段注水井注水量对应的所述目标井网中各个注水井各个射孔处的注水量劈分量，以及所述目标井网中各个生产井的产液量。
6.根据权利要求5所述的一种基于异构图神经网络的多层系注水量劈分系统，其特征在于，所述目标井网数据获取模块，具体包括：
目标井网确定单元，用于确定需要进行多层系注水量劈分分析的目标井网；
三维几何数据获取单元，用于获取所述目标井网的三维几何数据；所述三维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路径关系、各个生产井与各个生产井之间的路径关系、各个注水井与各个注水井之间的路径关系、各个生产井中各个射孔处之间的距离、各个注水井中各个射孔处之间的距离、各个生产井与各个注水井之间的各个射孔处之间的距离、各个生产井中各个射孔处之间的路径关系、各个注水井中各个射孔处之间的路径关系、以及各个生产井与各个注水井之间的各个射孔处之间的路径关系；
历史生产数据确定单元，用于获取所述目标井网中各个生产井和各个注水井的工作时序，并基于所述目标井网中各个生产井和各个注水井的工作时序，确定所述目标井网中各个生产井和各个注水井的历史生产数据；所述工作时序包括各个生产井的开始工作时间、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；所述历史生产数据包括各个生产井在不同时间段的产液量，以及各个注水井在不同时间段的注水量；
地层数据获取单元，用于获取所述目标井网中各个生产井和各个注水井的各个射孔处附近开发层段的地层数据；所述地层数据包括渗透率、有效厚度、孔隙度和地层压力。
7.根据权利要求5所述的一种基于异构图神经网络的多层系注水量劈分系统，其特征在于，所述样本数据库构建模块，具体包括：
注水量预测单元，用于基于标记注水量和训练好的循环神经网络确定所述标记注水量对应的初步产液量；所述标记注水量为所述历史生产数据中的任一注水量；
注水量劈分量确定单元，用于对所述地层数据进行归一化处理，并将归一化处理后的地层数据与所述标记注水量对应的初步产液量相乘以得到相乘结果，然后将所述相乘结果作为异构图神经网络在注水井中各个节点的注水量劈分量；
产液量确定单元，用于将所述历史生产数据中的产液量作为异构图神经网络中各个生产井的产液量。
8.根据权利要求5所述的一种基于异构图神经网络的多层系注水量劈分系统，其特征在于，所述异构图神经网络模型建立模块，具体包括：
异构图神经网络构建单元，用于根据所述目标井网的三维几何数据建立异构图神经网络；所述异构图神经网络中的节点代表不同的生产井和注水井的射孔位置；所述异构图神经网络包括各个生产井和各个注水井的位置、注水井和生产井中各个开发层段的节点位置、以及连接各个节点与其邻居节点之间的路径关系；
异构图神经网络模型建立单元，用于异构图神经网络模型建立单元，用于基于所述样本数据库对所述异构图神经网络进行训练，得到训练好的异构图神经网络；
所述异构图神经网络模型包括训练好的循环神经网络、相乘模块以及训练好的异构图神经网络；所述训练好的循环神经网络的输入端用于输入当前阶段注水井注水量，所述训练好的循环神经网络的输出端用于输出当前阶段注水井注水量对应的初步产液量；所述相乘模块的输入端用于输入所述初步产液量以及所述初步产液量对应的归一化处理后的地层数据；所述相乘模块的输出端用于输出所述当前阶段注水井注水量对应的所述目标井网中各个注水井各个射孔处的注水量劈分量；所述训练好的异构图神经网络的输入端用于输入所述当前阶段注水井注水量对应的所述目标井网中各个注水井各个射孔处的注水量劈分量；所述训练好的异构图神经网络的输出端用于输出当前阶段注水井注水量对应的所述目标井网中各个生产井的产液量。
CN202210159309.XA 2022-02-22 2022-02-22 基于异构图神经网络的多层系注水量劈分方法及系统 Pending CN114547978A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210159309.XA CN114547978A (zh) 2022-02-22 2022-02-22 基于异构图神经网络的多层系注水量劈分方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210159309.XA CN114547978A (zh) 2022-02-22 2022-02-22 基于异构图神经网络的多层系注水量劈分方法及系统

Publications (1)

Publication Number Publication Date
CN114547978A true CN114547978A (zh) 2022-05-27

Family

ID=81677329

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210159309.XA Pending CN114547978A (zh) 2022-02-22 2022-02-22 基于异构图神经网络的多层系注水量劈分方法及系统

Country Status (1)

Country Link
CN (1) CN114547978A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117611485A (zh) * 2024-01-24 2024-02-27 西南石油大学 一种基于时空图神经网络的三维岩心渗透率预测方法

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117611485A (zh) * 2024-01-24 2024-02-27 西南石油大学 一种基于时空图神经网络的三维岩心渗透率预测方法
CN117611485B (zh) * 2024-01-24 2024-04-02 西南石油大学 一种基于时空图神经网络的三维岩心渗透率预测方法

Similar Documents

Publication Publication Date Title
CN109543828B (zh) 一种基于小样本条件下的吸水剖面预测方法
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
CN112360411B (zh) 基于图神经网络的局部井网注水开发优化方法
US20130124171A1 (en) Systems and methods for predicting well performance
CN114492211B (zh) 一种基于自回归网络模型的剩余油分布预测方法
Park et al. Improved decision making with new efficient workflows for well placement optimization
CN105678417A (zh) 一种施工隧道撑子面涌水量预测方法及装置
CN112016212B (zh) 一种基于渗流控制方程的储层纵向非均质性评价方法
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
CN110766792B (zh) 基于ArcGIS水文分析工具网格演算次序编码方法
CN112554864A (zh) 一种计算产水气井单井控制储量的方法
Preis et al. Online hydraulic state prediction for water distribution systems
CN110486008B (zh) 一种径向复合油藏的参数解释方法及系统
CN112307410A (zh) 基于船载ctd测量数据的海水温盐信息时序预测方法
US20230350096A1 (en) System and method for effective hydrocarbon reservoir pressure prediction and control
US11921256B2 (en) Neural ordinary differential equation network for reservoir modeling
CN110566196B (zh) 一种储层连通性分析方法
CN114117654A (zh) 一种基于机器学习的水平井射孔优化设计方法及装置
Artun Machine Learning Assisted Forecasting of Reservoir Performance
Babin et al. A methodology for the refinement of well locations during operational drilling in presence of geological uncertainty
CN116911216B (zh) 一种储层油井产能因素评估与预测方法
Cheng et al. Deep learning-based prediction of subsurface oil reservoir pressure using spatio-temporal data
CN117521529B (zh) 一种嵌入物理意义的注采量劈分机器学习动态分析方法
Du et al. A data-driven model for production prediction of strongly heterogeneous reservoir under uncertainty
US20230237225A1 (en) Machine learning based reservoir modeling

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