CN114638401A - 一种基于历史及预测油藏知识的剩余油分布预测方法及装置 - Google Patents
一种基于历史及预测油藏知识的剩余油分布预测方法及装置 Download PDFInfo
- Publication number
- CN114638401A CN114638401A CN202210158923.4A CN202210158923A CN114638401A CN 114638401 A CN114638401 A CN 114638401A CN 202210158923 A CN202210158923 A CN 202210158923A CN 114638401 A CN114638401 A CN 114638401A
- Authority
- CN
- China
- Prior art keywords
- well
- oil
- reservoir
- historical
- 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
- 238000000034 method Methods 0.000 title claims abstract description 88
- 238000009826 distribution Methods 0.000 title claims abstract description 75
- 238000012544 monitoring process Methods 0.000 claims abstract description 40
- 230000003068 static effect Effects 0.000 claims abstract description 33
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims abstract description 21
- 239000003129 oil well Substances 0.000 claims abstract description 14
- 238000012360 testing method Methods 0.000 claims abstract description 14
- 238000012549 training Methods 0.000 claims abstract description 14
- 238000011161 development Methods 0.000 claims abstract description 8
- 238000004519 manufacturing process Methods 0.000 claims description 41
- 239000012530 fluid Substances 0.000 claims description 35
- 238000002347 injection Methods 0.000 claims description 30
- 239000007924 injection Substances 0.000 claims description 30
- 230000035699 permeability Effects 0.000 claims description 17
- 230000008859 change Effects 0.000 claims description 13
- 230000008569 process Effects 0.000 claims description 12
- 238000004458 analytical method Methods 0.000 claims description 11
- 230000015572 biosynthetic process Effects 0.000 claims description 10
- 238000004140 cleaning Methods 0.000 claims description 5
- 238000005206 flow analysis Methods 0.000 claims description 5
- 238000004590 computer program Methods 0.000 claims description 3
- 238000003860 storage Methods 0.000 claims description 3
- 230000004927 fusion Effects 0.000 claims 1
- 238000005293 physical law Methods 0.000 abstract description 5
- 230000006870 function Effects 0.000 description 6
- 238000004422 calculation algorithm Methods 0.000 description 5
- 238000011156 evaluation Methods 0.000 description 5
- 238000004364 calculation method Methods 0.000 description 4
- 238000013136 deep learning model Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 238000013135 deep learning Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 239000000243 solution Substances 0.000 description 2
- 208000035126 Facies Diseases 0.000 description 1
- 230000001133 acceleration Effects 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000013145 classification model Methods 0.000 description 1
- 239000006185 dispersion Substances 0.000 description 1
- 238000003780 insertion Methods 0.000 description 1
- 230000037431 insertion Effects 0.000 description 1
- 230000007787 long-term memory Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000003208 petroleum Substances 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
- 230000005654 stationary process Effects 0.000 description 1
- 238000005309 stochastic process Methods 0.000 description 1
- 230000003797 telogen phase Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01V—GEOPHYSICS; GRAVITATIONAL MEASUREMENTS; DETECTING MASSES OR OBJECTS; TAGS
- G01V20/00—Geomodelling in general
-
- 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"
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
- G06N3/0442—Recurrent networks, e.g. Hopfield networks characterised by memory or gating, e.g. long short-term memory [LSTM] or gated recurrent units [GRU]
-
- 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
- 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)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Biophysics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Biomedical Technology (AREA)
- Artificial Intelligence (AREA)
- Business, Economics & Management (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Geophysics (AREA)
- Marketing (AREA)
- General Life Sciences & Earth Sciences (AREA)
- Primary Health Care (AREA)
- Marine Sciences & Fisheries (AREA)
- Agronomy & Crop Science (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Animal Husbandry (AREA)
- Mining & Mineral Resources (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供一种基于历史及预测油藏知识的剩余油分布预测方法及装置,属于石油开发技术领域;方法包括:根据目标油藏油井相关历史动态及静态监测数据建立完备数据集;利用完备数据集对LSTM模型进行训练及测试;利用完成训练的LSTM模型预测单井在预设时刻的产量;根据产量预测结果、油藏专家经验获取预设时刻单井三相饱和度;根据单井三相饱和度并设定油藏边界条件及物理约束条件,采用Kriging方法插值演化预设时刻油气水三相饱和度场,得到目标油藏剩余油分布预测结果。本发明考虑了众多物理规律及油藏专家经验,从不完整、离散的油藏监测数据出发,外推出了更多油藏信息,为剩余油分布预测提供了完整、鲁棒的数据支撑。
Description
技术领域
本发明涉及石油开发技术领域,特别是指一种基于历史及预测油藏知识的剩余油分布预测方法及装置。
背景技术
获悉剩余油分布一直是油藏在中后期开发阶段提高采收率的重要手段,但受储层非均质性的影响,剩余油分散程度加剧、分布特征趋于复杂,预测其分布有很大的不确定性。
相关技术一般采用利用人工智能计算剩余油分布,该方法将储层网格化并建立了判断网格单元是否见水的SVM分类模型,以长短期记忆网络为核心搭建了预测油水分布的深度学习模型,以此来实现剩余油分布的预测。
但是该方法在前期数据预处理时工作量大,而且对每个网格单元都要单独进行计算,预测效率低。
发明内容
本发明要解决的技术问题是提供一种基于历史及预测油藏知识的剩余油分布预测方法及装置,可解决在前期数据预处理时工作量大,而且对每个网格单元都要单独进行计算,预测效率低的问题。
为解决上述技术问题,本发明提供如下技术方案:
一方面,提供了一种基于历史及预测油藏知识的剩余油分布预测方法,所述方法包括:
根据目标油藏油井相关历史动态及静态监测数据建立完备数据集;
利用所述完备数据集对LSTM模型进行训练及测试;
利用完成训练的LSTM模型预测单井在预设时刻的产量;
根据产量预测结果、油藏专家经验获取所述预设时刻单井三相饱和度;
根据单井三相饱和度并设定油藏边界条件及物理约束条件,采用Kriging 方法插值演化预设时刻油气水三相饱和度场,得到目标油藏剩余油分布预测结果。
在一种可选的实施例中,根据目标油藏动静态监测数据建立完备数据集,包括:
获取目标油藏现场监测的历史动态及静态数据,形成初始数据集;
根据油藏专家经验对所述初始数据集进行清洗,得到所述目标油藏动静态监测数据集。
在一种可选的实施例中,根据目标油藏动静态监测数据集建立完备数据集,包括:
使用函数拟合方法补全单井历史井头压力数据;
根据Bernoulli方程及油藏地层压力变化分析,补全单井历史井底压力数据;
使用Kriging方法补全区块历史压力场分布数据;
根据相对渗透率曲线及地层流体流动分析,补全单井历史相饱和度数据;
使用Kriging方法补全区块历史饱和度分布数据。
在一种可选的实施例中,所述根据油井相关历史数据建立完备数据集,包括
根据Bernoulli方程及油藏地层压力变化分析,从开井和关井两个方面补全单井历史井底压力数据;
考虑流体流动沿程阻力损失是否可以忽略及区块边界条件设定,使用 Kriging方法补全区块历史压力场分布数据;
将水平井渗流过程简化为平面径向流与球形向心流、直井简化为平面径向流,并根据相对渗透率曲线及地层流体流动分析,从开井和关井两个方面补全单井历史相饱和度数据;
在考虑边界条件及物理约束条件基础上,引入测井饱和度数据的影响,使用Kriging方法补全区块历史饱和度分布数据。
在一种可选的实施例中,所述根据目标油藏油井相关历史动态及静态监测数据建立完备数据集,包括:
归一化目标油藏油井相关历史动态及静态监测数据,根据归一化后的目标油藏油井相关历史动态及静态监测数据建立完备数据集。
在一种可选的实施例中,所述根据目标油藏油井相关历史动态及静态监测数据建立完备数据集,包括:
对所述完备数据集进行划分,使预设比例数据集作为训练集,剩余比例数据集作为测试集。
在一种可选的实施例中,所述根据产量预测结果、油藏专家经验获取所述预设时刻单井三相饱和度,包括:
根据产量预测结果、油藏专家经验获取所述预设时刻生产井单井三相饱和度。
在一种可选的实施例中,所述根据产量预测结果、油藏专家经验获取所述预设时刻单井三相饱和度,还包括:
根据油藏开发管理方案判断所述预设时刻注入井的开关井状态及注入条件,根据油藏分析得到所述预设时刻注入井单井三相饱和度。
在一种可选的实施例中,所述根据产量预测结果、油藏专家经验获取所述预设时刻单井三相饱和度,还包括:
根据所述预设时刻生产井单井三相饱和度与注入井单井三相饱和度设定边界条件及物理约束条件,采用Kriging插值演化所述预设时刻油气水三相饱和度场。
另一方面,提供了一种基于历史及预测油藏知识的剩余油分布预测装置,所述装置包括可读存储介质,所述可读存储介质上存储计算机程序,所述计算机程序用于执行上述任一所述的方法。
本发明实施例提供的方法至少具有以下有益效果:
本发明实施例提供的方法通过使用历史的动态油藏知识、静态油藏数据以及预测的未来油藏信息,将深度学习技术与传统插值方法进行了联立,为剩余油分布预测提供了一种高效、准确、具有可解释性的方法;作为剩余油分布插值演化预测过程的重要部分,本发明实施例提供的方法考虑了众多物理规律及油藏专家经验,从不完整、离散的油藏监测数据出发,外推出了更多油藏信息,为剩余油分布预测提供了完整、鲁棒的数据支撑。
附图说明
图1为一种基于历史及预测油藏知识的剩余油分布预测方法流程示意图;
图2为一种基于历史及预测油藏知识的剩余油分布预测方法简化流程示意图;
图3为含油饱和度分布预测结果和对照结果图:(a)预测结果;(b)对照结果;
图4为含气饱和度分布预测结果和对照结果图:(a)预测结果;(b)对照结果;
图5为含水饱和度分布预测结果和对照结果图:(a)预测结果;(b)对照结果。
具体实施方式
为使本发明要解决的技术问题、技术方案和优点更加清楚,下面将结合附图及具体实施例进行详细描述。
典型的流动单元分析方法预测精度较低,因而考虑结合近年来兴起的深度学习技术及经典的插值算法,建立一套数据驱动方法对剩余油分布进行预测。大多数情况下,深度学习模型因没有考虑任何先验知识,包括物理公式、专家经验等,被认为是一个不可解释的黑匣子。插值算法也是以先验数据点为基础,演化未知点数据。因此先验知识对于数据驱动方法至关重要,由其所涉及的物理定律不仅可以外推出更多油藏信息,引导深度学习模型及插值算法得到正确的解,还可以约束单一的数据驱动模型,增强模型的鲁棒性及可解释性。深度学习模型与经典算法相结合、并辅以物理约束的新思路可以充分挖掘数据输入与输出之间的“隐性关系”,为准确预测剩余油分布提供了一种极具潜力的办法。鉴于此,本发明实施例提供一种基于历史及预测油藏知识的剩余油分布预测方法,以解决上述技术问题。
一方面,请一并参见图1和图2,图1为一种基于历史及预测油藏知识的剩余油分布预测方法流程示意图,图2为一种基于历史及预测油藏知识的剩余油分布预测方法简化流程示意图。该方法包括:
S101、根据目标油藏油井相关历史动态及静态监测数据建立完备数据集。
S102、利用完备数据集对LSTM模型进行训练及测试。
S103、利用完成训练的LSTM模型预测单井在预设时刻的产量。
S104、根据产量预测结果、油藏专家经验获取预设时刻单井三相饱和度。
S105、根据单井三相饱和度并设定油藏边界条件及物理约束条件,采用 Kriging方法插值演化预设时刻油气水三相饱和度场,得到目标油藏剩余油分布预测结果。
本发明实施例提供的方法至少具有以下有益效果:
本发明实施例提供的方法通过使用历史的动态油藏知识、静态油藏数据以及预测的未来油藏信息,将深度学习技术与传统插值方法进行了联立,为剩余油分布预测提供了一种高效、准确、具有可解释性的方法;作为剩余油分布插值演化预测过程的重要部分,本发明实施例提供的方法考虑了众多物理规律及油藏专家经验,从不完整、离散的油藏监测数据出发,外推出了更多油藏信息,为剩余油分布预测提供了完整、鲁棒的数据支撑。
需要说明的是,克里金法(Kriging)是依据协方差函数对随机过程/随机场进行空间建模和预测(插值)的回归算法。在特定的随机过程,例如固有平稳过程中,克里金法能够给出最优线性无偏估计(Best Linear Unbiased Prediction,BLUP),因此在统计学中也被称为空间最优无偏估计器(spatial BLUP)。
以下将通过可选的实施例进一步解释和描述本发明实施例提供的方法。
S101、根据目标油藏油井相关历史动态及静态监测数据建立完备数据集。
本发明实施例提供的动静态监测数据包括但不限于:孔隙度分布、渗透率分布、初始含油饱和度分布、储层有效厚度分布图、相对渗透率曲线和油水粘度等。
在一种可选的实施例中,根据目标油藏动静态监测数据建立完备数据集,包括:
获取目标油藏现场动静态监测数据,形成初始数据集。
根据油藏专家经验对初始数据集进行清洗,得到目标油藏动静态监测数据。
进一步的,从油藏现场收集动静态监测数据形成初始数据集。需要说明的是,原始油藏数据往往存在数据错误现象,如:生产井有产量但油嘴大小为0、注入井没有注入量但有注入压力、同一动态数据记录时间点重复但数据不统一,因此根据油藏现场专家经验对这些错误数据进行清洗。对于生产井有产量但油嘴大小为0的情况,将产量数据修正为0;对于注入井没有注入量但有注入压力的情况,将注入量修正为0;对于同一动态数据记录时间点重复但数据不统一的情况,仅保留第一次出现的数据。
S102、利用完备数据集对LSTM模型进行训练及测试。
数据缺失也是油藏记录数据存在的问题,因而需要基于物理规律对油藏历史数据进行补全。
在一种可选的实施例中,S101、根据油井相关历史数据建立完备数据集,包括:
S1011、使用函数拟合方法补全单井历史井头压力数据。
进一步的,补全单井历史井头流压数据,根据实际经验和物理背景分析单井井头流压监测数据分布规律,并基于其监测数据,利用函数拟合方法获得完整的井头流压曲线,进一步的,根据以下公式补全单井历史井头流压数据:
对于监测值未落在拟合曲线上的监测点,将其拟合曲线值替换为监测值:
其中,PHead(x)为保留监测数据信息的连续井头流压曲线。
需要说明的是,本发明实施例提供的函数拟合方法包括但不限于:线性拟合、多项式拟合、高斯拟合、幂指数拟合等,具体选择哪种拟合方法需分析井头压力监测值分布规律,以R2为评价标准,取拟合结果R2值最大的拟合方法。
S1012、根据Bernoulli方程及油藏地层压力变化分析,补全单井历史井底压力数据。进一步地,根据Bernoulli方程及油藏地层压力变化分析,从开井和关井两个方面补全单井历史井底压力数据。
更进一步地,补全单井历史井底压力数据。根据Bernoulli方程:
PBottom=PHead+ρFluid gH
其中,PBottom为井底流压值,PHead为井头流压值,ρFluid为流体密度,g为重力加速度,H为井深。不考虑流体从井底流动到地面过程中压力变化所带有的影响,流体密度计算公式如下:
其中,ρj为第j种流体的密度,Vj为第j种流体的体积。若井处于关井时间段,无法知道Vj值,因而需根据油藏专家经验补全关井时间段的井底流压值。设关井时间:
其中,是关井时刻,为关井后重新开井时刻。根据油藏分析,在关井时间段,生产井井底流压会逐渐升高,最多升高到地层压力值;注入井井底流压会逐渐降低,最多降低到地层压力值。由于时刻的井底流压会被人为因素影响,如:控制油嘴大小等,因此时刻的井底流压不能准确地反映关井期间井底流压的变化情况。采用时刻的井底流压来反映关井期间井底流压的变化,时刻的井底流压取为周边M口井在时刻的平均压力值,公式如下:
S1013、考虑流体流动沿程阻力损失是否可以忽略及区块边界条件设定,使用Kriging方法补全区块历史压力场分布数据。
由于水平井需用多组坐标表征其井轨迹,因而S1013需考虑流体流动沿程阻力损失是否可以忽略。
进一步地,补全区块历史压力场分布数据。基于每口井的井底流压数据,使用Kriging方法获得压力场分布。插值之前,设定边界条件为定压边界条件,其值为地层压力值,并根据每口井的井位坐标将相应的井底流压给定到合适的位置。对于直井,不考虑井轨迹影响,每口井采用一组坐标表征井位。对于水平井,则需要考虑井轨迹影响,每口井用多组坐标表征井位。因此需要判断流体在水平井的流动过程中沿程阻力损失是否可以忽略,沿程阻力损失计算公式为:
其中,ΔP为沿程阻力损失,μ为动力黏度,Q为流量,Lfluid为流体流动距离,d为井筒直径,Re为雷诺数。如果计算出来的ΔP远小于井底流压值,ΔP可以忽略,则水平井每组坐标都给定同样的井底流压值;如果ΔP不可忽略,则根据油藏实际井轨迹压降方向,给定多组坐标的井底流压值呈等差数列变化,公差为ΔP。
S1014、将水平井渗流过程简化为平面径向流与球形向心流、直井简化为平面径向流,并根据相对渗透率曲线及地层流体流动分析,从开井和关井两个方面补全单井历史相饱和度数据。油藏实际生产过程中,井往往会出现关井的情况,因而本发明实施例从开井和关井两个方面对单井历史井底压力数据进行了补全。
需要说明的是,相对渗透率曲线需结合油藏实际情况,可能为每口单井有各自的相对渗透率曲线,也可能为某个区域内的井为同一个相对渗透率曲线。
进一步地,补全单井历史相饱和度数据。相饱和度数据通过使用相渗曲线和各相的饱和度之和为1两个关系进行补全。对于生产井,将流体在水平井中的流动简化为水平段的平面径向流和尾端的球形向心流,其中,认为球形向心流的半径远大于井筒半径。因此水平井的产量公式为:
其中,Qhorizontal为水平井产量公式,K为渗透率,L为水平井长度,Pe为地层压力,Re为外边界到井筒的距离,Rw为井筒半径。直井则考虑为平面径向流,因此直井的产量公式为:
根据上述两个公式,可推导出第j相流体的相对渗透率:
其中,Ka为绝对渗透率。计算出第j相流体的相对渗透率后,根据相渗曲线可得到其余各相流体的饱和度。然后,通过1减去其余各相流体饱和度之和得到第j相流体的相饱和度。
对于注入井,根据相渗曲线,可直接得到除注入相之外各相流体的残余油饱和度,认为除注入相之外各相流体的饱和度为其残余油饱和度。因此注入相饱和度可通过1减去其余各相流体残余油饱和度之后得到。
关井时间段,生产井没有产量,注入井没有注入相,上述过程无法使用。生产井在关井时间的饱和度变化规律复杂,但最终会反映到重新开井时刻认为时刻到时间饱和度变化是线性的,因此,生产井在关井时间的未知饱和度可用等距插值方法补全:
S1015、使用Kriging方法补全区块历史饱和度分布数据。
在一种可选的实施例中,在考虑边界条件及物理约束条件基础上,引入测井饱和度数据的影响,使用Kriging方法补全区块历史饱和度分布数据。
测井饱和度数据往往较少,但其包含了油藏重要的实际信息,因而S1015 需使用测井饱和度数据影响Kriging插值场的分布。
进一步地,补全区块历史饱和度分布数据。基于每口井的饱和度数据,用 Kriging方法获得区块饱和度分布数据。插分之前,边界条件设定为区块初始饱和度。约束各个位置点的所有相饱和度之和为1。若油藏还有其余物理约束条件,也同样设定。另外,若油藏有测井饱和度数据,依据其井位坐标进行放置,让测井饱和度影响周边场饱和度的分布。所有条件设定好后进行插分,补全区块饱和度分布数据。
在一种可选的实施例中,S101包括:
归一化目标油藏油井相关历史动态及静态监测数据,根据归一化后的目标油藏油井相关历史动态及静态监测数据建立完备数据集。
数据归一化。油藏数据尺度差异较大,使用不同尺度的数据可能会诱发数值问题,为消除量纲的影响及提高模型收敛速度,采用Min-Max Scaling对数据进行归一化,这也有助于加快模型的收敛速度。归一化公式如下:
将完成数据清洗、补全及归一化后的数据集定义为D。
在一种可选的实施例中,根据目标油藏油井相关历史动态及静态监测数据建立完备数据集,包括:
对完备数据集进行划分,使预设比例数据集作为训练集,剩余比例数据集作为测试集。
作为一种示例,可以将数据集的前90%作为训练集,剩余10%作为测试集。
S102、利用完备数据集对LSTM模型进行训练及测试。
采用训练集数据训练每口生产井的LSTM模型并在测试集上进行测试。其模型输出需包括各类流体的产量,如:产油量、产气量、产水量。设定LSTM 的动态输入为日产油、日产气、日产水、油嘴大小以及开关井状态,静态输入为孔隙度、渗透率以及初始含水饱和度,输出为日产油、日产气和日产水。使用评价指标R2评估模型训练的精度。
S103、利用完成训练的LSTM模型预测单井在预设时刻的产量。
使用LSTM模型作为产量特征学习器,设置LSTM模型输入输出,并对其进行训练及测试。
作为一种示例,在测试集上,确定需要预测剩余油分布的时间点为T+1,认为需要预测T+1时刻剩余油分布,因此当前所在时刻为T,且T时刻及以前的数据集都已获知。利用完成训练的LSTM模型预测T+1时刻的产量。
请一并参见图3至图5,图3至图5依次展示了同一时刻目标油藏的含油饱和度场、含气饱和度场以及含水饱和度场的预测结果和对照结果,比较预测结果与对照结果可以看出,本发明实施例提供的一种基于历史及预测油藏知识的剩余油分布预测方法可以较高精度地预测目标油藏剩余油饱和度场分布,可良好地解决剩余油分布预测问题。
S104、根据产量预测结果、油藏专家经验获取预设时刻单井三相饱和度。
在一种可选的实施例中,根据产量预测结果、油藏专家经验获取预设时刻单井三相饱和度,包括:
根据产量预测结果、油藏专家经验获取预设时刻生产井单井三相饱和度。
S104计算T+1时刻生产井单井三相饱和度过程,考虑预测的T+1时刻生产井是否关井,不同情况需采用各自的计算方法。
进一步地,作为一种示例,计算T+1时刻生产井单井三相饱和度。使用训练完成的LSTM模型预测生产井单井T+1时刻的日产油、日产气、日产水,如果预测该单井T+1时刻的三个产量都为0,意味着这口井在T+1时刻关井,地层流体流动较少,且T+1时刻与T时刻是相邻时间,认为T+1时刻与T时刻的含油饱和度分布、含气饱和度分布、含水饱和度分布差异可忽略,因此根据该井井位坐标,从T时刻的饱和度场获得三相饱和度作为该井T+1时刻的饱和度。
如果预测该单井T+1时刻的日产油、日产气、日产水不全为0,则根据预测的产量及第五步过程计算T+1时刻的三相饱和度。值得一提的是,LSTM预测结果从数值上可能会出现日产油为0但日产气或日产水不为0的情况,但这并不符合油藏实际,认为出现这种结果的LSTM模型并未学习到该井的产量变化特征,返回S102重新训练该井LSTM模型。
在一种可选的实施例中,根据产量预测结果、油藏专家经验获取预设时刻单井三相饱和度,还包括:
根据油藏开发管理方案判断预设时刻注入井的开关井状态及注入条件,根据油藏分析得到预设时刻注入井单井三相饱和度。
根据油藏开发管理方案决定T+1时刻注入井开关井状态及注入流体类型,不同情况需采用各自的计算方法。进一步地,作为一种示例,计算T+1时刻注入井单井三相饱和度。T+1时刻注入井的开关井状态及注入流体类型可在T 时刻根据油藏开发管理方案获知。如果开采现场决定在T+1时刻关闭该注入井,由于其井底流压不低于地层压力,井附近的流体不能流到井筒里,则认为T+1时刻该井的三相饱和度和T时刻相同。同样,若开采现场决定在T+1时刻维持T时刻的注入条件,则同样认为T+1时刻该井的三相饱和度和T时刻相同。若决定在T+1时刻调整注入流体类型,则根据第五步过程计算T+1时刻的三相饱和度。
在一种可选的实施例中,根据产量预测结果、油藏专家经验获取预设时刻单井三相饱和度,还包括:
根据预设时刻生产井单井三相饱和度与注入井单井三相饱和度设定边界条件及物理约束条件,采用Kriging插值演化预设时刻油气水三相饱和度场。
需要说明的是,物理约束条件包括但不限于:同一网格点三相饱和度之和为1。根据油藏实际情况,若另有物理约束条件,需同样进行设定约束Kriging 插分过程。
进一步地,作为一种示例,插值演化T+1时刻剩余油分布。利用Kriging 方法获得T+1时刻的剩余油分布。插值之前,将每口井的三相饱和度数据放到其井位坐标处,同时设定外边界条件为区块初始饱和度条件,设定每个网格点三相饱和度之和为1。另外,若油藏现场还需设定其他约束条件,也进行相应设定约束插值过程。输出剩余油分布预测结果,并与测试集中的对照结果进行比较,使用R2指标评价预测精度。
进一步地,本发明实施例提供的方法还包括采用评价指标R2对剩余油分布预测结果进行评估。
另一方面,提供了一种基于历史及预测油藏知识的剩余油分布预测装置,装置包括可读存储介质,可读存储介质上存储计算机程序,计算机程序用于执行上述任一的方法。
以上所述是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明所述原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也应视为本发明的保护范围。
Claims (10)
1.一种基于历史及预测油藏知识的剩余油分布预测方法,其特征在于,所述方法包括:
根据目标油藏油井相关历史动态及静态监测数据建立完备数据集;
利用所述完备数据集对LSTM模型进行训练及测试;
利用完成训练的LSTM模型预测单井在预设时刻的产量;
根据产量预测结果、油藏专家经验获取所述预设时刻单井三相饱和度;
根据单井三相饱和度并设定油藏边界条件及物理约束条件,采用Kriging方法插值演化预设时刻油气水三相饱和度场,得到目标油藏剩余油分布预测结果。
2.根据权利要求1所述的方法,其特征在于,根据目标油藏初始数据集清洗融合形成动静态监测数据集,包括:
获取目标油藏现场监测的历史动态及静态数据,形成初始数据集;
根据油藏专家经验对所述初始数据集进行清洗,得到所述目标油藏动静态监测数据集。
3.根据权利要求1所述的方法,其特征在于,根据目标油藏动静态监测数据集建立完备数据集,包括:
使用函数拟合方法补全单井历史井头压力数据;
根据Bernoulli方程及油藏地层压力变化分析,补全单井历史井底压力数据;
使用Kriging方法补全区块历史压力场分布数据;
根据相对渗透率曲线及地层流体流动分析,补全单井历史相饱和度数据;
使用Kriging方法补全区块历史饱和度分布数据。
4.根据权利要求3所述的方法,其特征在于,所述根据目标油藏动静态监测数据集建立完备数据集,包括:
根据Bernoulli方程及油藏地层压力变化分析,从开井和关井两个方面补全单井历史井底压力数据;
考虑流体流动沿程阻力损失是否可以忽略及区块边界条件设定,使用Kriging方法补全区块历史压力场分布数据;
将水平井渗流过程简化为平面径向流与球形向心流、直井简化为平面径向流,并根据相对渗透率曲线及地层流体流动分析,从开井和关井两个方面补全单井历史相饱和度数据;
在考虑边界条件及物理约束条件基础上,引入测井饱和度数据的影响,使用Kriging方法补全区块历史饱和度分布数据。
5.根据权利要求1所述的方法,其特征在于,所述根据目标油藏油井相关历史动态及静态监测数据建立完备数据集;,包括:
归一化目标油藏油井相关历史动态及静态监测数据,根据归一化后的油井相关历史动态及静态监测数据建立完备数据集。
6.根据权利要求5所述的方法,其特征在于,所述根据目标油藏油井相关历史动态及静态监测数据建立完备数据集,包括:
对所述完备数据集进行划分,使预设比例数据集作为训练集,剩余比例数据集作为测试集。
7.根据权利要求1所述的方法,其特征在于,所述根据产量预测结果、油藏专家经验获取所述预设时刻单井三相饱和度,包括:
根据产量预测结果、油藏专家经验获取所述预设时刻生产井单井三相饱和度。
8.根据权利要求7所述的方法,其特征在于,所述根据产量预测结果、油藏专家经验获取所述预设时刻单井三相饱和度,还包括:
根据油藏开发管理方案判断所述预设时刻注入井的开关井状态及注入条件,根据油藏分析得到所述预设时刻注入井单井三相饱和度。
9.根据权利要求8所述的方法,其特征在于,所述根据产量预测结果、油藏专家经验获取所述预设时刻单井三相饱和度,还包括:
根据所述预设时刻生产井单井三相饱和度与注入井单井三相饱和度设定边界条件及物理约束条件,采用Kriging插值演化所述预设时刻油气水三相饱和度场。
10.一种基于历史及预测油藏知识的剩余油分布预测装置,其特征在于,所述装置包括可读存储介质,所述可读存储介质上存储计算机程序,所述计算机程序用于执行权利要求1-9任一所述的方法。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210158923.4A CN114638401A (zh) | 2022-02-21 | 2022-02-21 | 一种基于历史及预测油藏知识的剩余油分布预测方法及装置 |
US17/971,074 US20230266499A1 (en) | 2022-02-21 | 2022-10-21 | Method and device for predicting remaining oil distribution based on historical and predictive reservoir knowledge |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210158923.4A CN114638401A (zh) | 2022-02-21 | 2022-02-21 | 一种基于历史及预测油藏知识的剩余油分布预测方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114638401A true CN114638401A (zh) | 2022-06-17 |
Family
ID=81945588
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210158923.4A Pending CN114638401A (zh) | 2022-02-21 | 2022-02-21 | 一种基于历史及预测油藏知识的剩余油分布预测方法及装置 |
Country Status (2)
Country | Link |
---|---|
US (1) | US20230266499A1 (zh) |
CN (1) | CN114638401A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116451877A (zh) * | 2023-06-16 | 2023-07-18 | 中国石油大学(华东) | 一种基于可计算语义网络的管网停开井产量预测方法 |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117521529B (zh) * | 2024-01-04 | 2024-03-29 | 中国石油大学(华东) | 一种嵌入物理意义的注采量劈分机器学习动态分析方法 |
CN117706045B (zh) * | 2024-02-06 | 2024-05-10 | 四川省德阳生态环境监测中心站 | 基于物联网实现大气臭氧监测设备的联合控制方法及系统 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109948841A (zh) * | 2019-03-11 | 2019-06-28 | 中国石油大学(华东) | 一种基于深度学习的水驱开发油田剩余油分布的预测方法 |
CN113052371A (zh) * | 2021-03-16 | 2021-06-29 | 中国石油大学(华东) | 基于深度卷积神经网络的剩余油分布预测方法及装置 |
CN113945639A (zh) * | 2020-07-16 | 2022-01-18 | 中国石油天然气股份有限公司 | 油、气、水三相饱和度确定方法及装置 |
-
2022
- 2022-02-21 CN CN202210158923.4A patent/CN114638401A/zh active Pending
- 2022-10-21 US US17/971,074 patent/US20230266499A1/en active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109948841A (zh) * | 2019-03-11 | 2019-06-28 | 中国石油大学(华东) | 一种基于深度学习的水驱开发油田剩余油分布的预测方法 |
CN113945639A (zh) * | 2020-07-16 | 2022-01-18 | 中国石油天然气股份有限公司 | 油、气、水三相饱和度确定方法及装置 |
CN113052371A (zh) * | 2021-03-16 | 2021-06-29 | 中国石油大学(华东) | 基于深度卷积神经网络的剩余油分布预测方法及装置 |
Non-Patent Citations (1)
Title |
---|
ZHU WEIYAO等: "A new three-dimensional effective water-flooding unit model for potential tapping of remained oil in the reservoirs with rhythmic conditions", 《JOURNAL OF PETROLEUM EXPLORATION AND PRODUCTION TECHNOLOGY》, vol. 11, no. 3, 31 March 2021 (2021-03-31), pages 1375 - 1391 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116451877A (zh) * | 2023-06-16 | 2023-07-18 | 中国石油大学(华东) | 一种基于可计算语义网络的管网停开井产量预测方法 |
CN116451877B (zh) * | 2023-06-16 | 2023-09-01 | 中国石油大学(华东) | 一种基于可计算语义网络的管网停开井产量预测方法 |
Also Published As
Publication number | Publication date |
---|---|
US20230266499A1 (en) | 2023-08-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114638401A (zh) | 一种基于历史及预测油藏知识的剩余油分布预测方法及装置 | |
US20130124171A1 (en) | Systems and methods for predicting well performance | |
EA026086B1 (ru) | Статистическая модель коллектора, основанная на обнаруженных явлениях, связанных с потоком | |
CN101517560A (zh) | 利用遗传算法预测油藏产量 | |
WO2007089829A2 (en) | Methods, systems, and computer-readable media for fast updating of oil and gas field production models with physical and proxy simulators | |
Du et al. | The connectivity evaluation among wells in reservoir utilizing machine learning methods | |
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 | |
US11803678B2 (en) | Disentanglement for inference on seismic data and generation of seismic data | |
US11767750B1 (en) | Gas-oil ratio forecasting in unconventional reservoirs | |
US11972183B2 (en) | Reduced physics well production monitoring | |
US11555943B2 (en) | Method for identifying misallocated historical production data using machine learning to improve a predictive ability of a reservoir simulation | |
Molinari et al. | A Reduced Physics Modeling Approach to Understand Multiphase Well Production Performance for Unconventional Reservoirs | |
Sankaran et al. | Data Analytics in Reservoir Engineering | |
CN110717270B (zh) | 一种基于数据的油气藏仿真模拟方法 | |
Khazaeni et al. | Intelligent production modeling using full field pattern recognition | |
CN115860197A (zh) | 一种基于数据驱动的煤层气产量预测方法及系统 | |
Li et al. | Development of decline curve analysis parameters for tight oil wells using a machine learning algorithm | |
CA3116482C (en) | Reservoir fluid property modeling using machine learning | |
CN110486008B (zh) | 一种径向复合油藏的参数解释方法及系统 | |
McLennan et al. | SAGD reservoir characterization using geostatistics: Application to the Athabasca oil sands, Alberta, Canada | |
CN115130268A (zh) | 油藏注采方案设计方法、系统、存储介质及电子设备 | |
Aslam et al. | Capacitance Resistance Clustered Model for Mature Peripheral Waterflood Performance Prediction & Optimization | |
CN115062552B (zh) | 一种缝洞油藏氮气吞吐效果预测方法及系统 | |
CN113344729B (zh) | 一种基于小样本学习的剩余油挖潜方法 | |
CN115539026B (zh) | 一种复杂储层水平井初期产量融合预测方法 |
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 |