CN114692918A - 一种基于递减曲线的油田单井产量预测方法 - Google Patents

Abstract

本发明提出一种基于递减曲线的油田单井产量预测方法，采用物元分析和BP神经网络相结合的方法来预测产量，通过对油田单井历史产量进行分析，结合油田历史生产数据与静态参数，建立油田单井递减曲线，并采用物元方法对油田所有单井建立物元模型，并进行分类，形成典型特征库。通过物元方法建立待识别样本物元模型，计算与典型特征库的关联度，从而准确判断递减曲线类型，采用BP神经网络，将递减曲线类型考虑到输入变量中，实现精确预测单井产量。

Description

一种基于递减曲线的油田单井产量预测方法

技术领域

本发明涉及油田抽油井生产模式领域，具体地说是一种基于递减曲线的油 田单井产量预测方法。

背景技术

油气田(藏)的产量变化一般分成3个阶段：上产期、稳产期和递减期， 大量油气田的开发实践表明，一半左右的可采地质储量都是在产量递减过程中 被采出的。递减期内不仅采出的油气数量大，而且持续时间长，递减规律也十 分复杂，因此，研究产量递减规律，测算油田可采储量，对做好油气田动态预 测和油气生产规划工作意义重大。

油田产量递减阶段随油田开发程度的加深，地下剩余储量不断减小，油藏 能量不断消耗，开发到一定阶段时，油田产量必然会出现递减现象，油田生产 进入递减阶段，以辽河油田为例，目前大部分区块油井产量已经进入递减阶段。 目前辽河油田关于描述产量递减规律的数学模型，大部分采用的是传统Arps公 式模型，该模型是J.J.Arps在1945年提出的，成为油藏产量递减阶段储量评价 和产量预测的重要方法，同时Arps递减模型也被列入油田可采储量方法行业规 范，是一种统计模型，油田产量变化规律符合该模型，主要包括指数递减、双 曲递减、调和递减三种模型。

通过对辽河油田单井历史产量分析发现，传统方法中，比如图解法判断指 数递减类型时，往往并不是一条直线，而是在该直线斜率的范围内上下波动， 这样采用图解法判断递减曲线斜率时会造成误差，从而导致判断成错误的递减 曲线类型，导致在预测产量时产生较大的误差。因此，很难通过传统的方法识 别油井产量的递减曲线类型以及产量预测。

发明内容

针对现有技术的不足，本发明提出一种基于递减曲线的油田单井产量预测 方法，采用物元分析和BP神经网络相结合的方法来预测产量，通过对油田单井 历史产量进行分析，结合油田历史生产数据与静态参数，建立油田单井递减曲 线，并采用物元方法对油田所有单井建立物元模型，并进行分类，形成典型特 征库。通过物元方法建立待识别样本物元模型，计算与典型特征库的关联度， 从而准确判断递减曲线类型，采用BP神经网络，将递减曲线类型考虑到输入变 量中，实现精确预测单井产量。

本发明采用技术方案如下：一种基于递减曲线的油田单井产量预测方法， 其特征在于，包括以下步骤：

根据每个区块各油田单井历史产量数据，建立单井递减曲线特征区间；

并根据递减曲线特征区间对待识别井判断递减曲线类型；

通过示功仪获取油田生产数据，并根据递减曲线类型采用BP神经网络进行 单井产量预测。

所述根据每个区块各油田单井历史产量数据，建立单井递减曲线特征区间， 包括以下步骤：

1)构建三个递减曲线特征参数：

半对数坐标下，产量Q_i与时间Δt_i的斜率：

半对数坐标下，累产Np_i与产量Q_i的斜率：

直角坐标下，累产与时间乘积与时间的斜率：

则递减曲线特征为：

2)建立递减曲线类集：

递减曲线类集为F＝{F₁,F₂,F₃}，特征类型分别为指数递减曲线、调和递减 曲线、双曲递减曲线；

对于某一递减类型F_i(i＝1,2,3)，若F_i发生，则具有特征类型集：

{c,v|(c_ij,v_ij),i＝1,2,3j＝1,2,3}

其中，c_ij为F_i的第j个特征，v_ij为F_i的第j个特征量值；递减曲线允许波动 范围为节域，即X＝<a'_ij,b'_ij>，X表示F_i的第j个特征量值的波动范围，即节域， a'_ij,b'_ij分别表示F_i的第j个特征量值的下限和上限；

3)建立递减曲线类集的物元模型：

其中，R_i为第i种特征类型的物元模型，v_i1,v_i2,v_i3分别为特征类型的特征区 间量值；c₁、c₂、c₃分别表示该特征类型对应的三个特征，a_ij、b_ij分别表示第i 种特征类型对应第j个特征的下限和上限；

4)待判断递减曲线的物元模型如下：

其中，R_x表示待诊断递减曲线的物元模型，v_x1,v_x2,v_x3分别为待识别样本S 的指数递减曲线特征值、调和递减曲线特征值、双曲递减曲线特征值。

所述根据递减曲线特征区间对待识别井判断递减曲线类型，包括以下步骤：

(1)确定待识别样本与各递减曲线类集的关联函数如下：

其中，i＝1,2,3j＝1,2,3；K_ij(v_j)表示第j个特征下待识别样本与第i个递减 曲线类型的关联函数，ρ(v_j,v_ij)表示第j个特征下待识别样本与各递减曲线类型 之间的间距，|v_ij|表示v_ija与v_ijb区间之间的距离，为X节域；v_j为第j个特征的 特征量值；

(2)计算待识别样本与递减曲线类型特征库的关联度I：

其中，ω_ij＝(v_j/v_ijb)/∑(v_j/v_ijb)为各特征值的权重，v_j表示第j个递减曲线 特征值，v_ijb表示第i类递减曲线的第j个递减曲线特征区间值的上界值；

(3)确定待识别样本相对于各递减曲线类集的发生程度：

I(F_i)＜0表示待识别样本不属于该递减曲线类型；I(F_i)＞0表示待识别样本 相对于该递减曲线类型的发生程度，该F_i为待诊断的递减曲线类型；若所有的 I(F_i)＜0，则认为待识别样本不在现有的递减曲线类型中。

所述神经网络模型的输入包括有效冲程、泵径、冲次、原油体积系数、柱 塞长度，汽油比以及递减曲线类型；模型的输出为单井产量；

其中，有效冲程、冲次通过示功仪采集获取，泵径、原油体积系数、柱塞长度、 汽油比从油田数据库获取。

所述神经网络选用一个三层神经网络来构建单井产量预测模型，输入层为7 个影响参数，包括有效冲程、泵径、冲次、原油体积系数、柱塞长度，汽油比 以及递减曲线类型，节点数为7；输出层为单井产量，节点数为1；

通过公式法先确定隐含层节点数取值的范围，再通过仿真最终确定隐含层 节点数为8。

所述神经网络的隐含层节点数通过下式得到：

其中，l为隐含层节点数；n为输入层神经元数；m为输出层神经元数，α为 常数。

本发明具有以下效果及优点：

1、当前技术条件下，油井地面功图的获取已经实现实时化，因此采用功图 进行量油，能够保证单井产量的精确计算；

2、采用基于物元分析的方法判断单井递减曲线类型，改变了传统图解法求 取递减类型的弊端，实现递减曲线类型的精确判断；

3、采用BP神经网络方法对单井产量进行预测，实现单井产量的精确计算；

4、本发明改变了以往在传统模式下，油井产量的计算方式，通过采用功图 计量，并结合递减曲线，采用物元分析与神经网络关键技术，取代硬件量油的 方式。能够根据单井实际情况合理预测油田单井产量，大大降低了以往单井产 量计量的成本，最大限度的发挥功图量油的优点，实现了抽油井产量精细化管 理。

附图说明

图1是本发明的单井产量预测BP神经网络拓扑图；

图2是辽河油田某油井近五年的历史产量数据图；

图3a是待识别样本特征区间的特征一区间图；

图3b是待识别样本特征区间的特征二区间图；

图3c是待识别样本特征区间的特征三区间图；

图4是BP神经网络仿真结果图。

具体实施方式

下面结合附图及实施例对本发明做进一步的详细说明。

本发明针对功图量油的技术需求，设计了一种新的油田单井产量预测方法。 本发明通过对油井地面功图进行分析，采用物元分析和BP神经网络相结合的方 法来预测产量，通过对油田单井历史产量进行分析，结合油田历史生产数据与 静态参数，建立油田单井递减曲线，并采用物元方法对油田所有单井建立物元 模型，并进行分类，形成典型特征库。通过物元方法建立待识别样本物元模型， 计算与典型特征库的关联度，从而准确判断递减曲线类型，采用BP神经网络， 将递减曲线类型考虑到输入变量中，实现精确预测单井产量。本发明通过采用 基于物元分析和BP神经网络的单井产量预测方法，改变了以往传统模式下，油 井产量的预测依赖于硬件计量、功图计量精度不高，无法实时预测的局限。本 发明可以最大限度的发挥功图计量的优点，实现了抽油井产量精细化管理。

1、基于物元可拓理论确定递减曲线特征参数

采用物元可拓理论进行递减曲线类型的判断，找到能够准确描述递减曲线 的特征参数与曲线类型的对应关系，通过关联度判断曲线类型程度。构造三个 递减曲线参数如下：

半对数坐标下，产量与时间的斜率：

半对数坐标下，累产与产量的斜率：

直角坐标下，累产与时间乘积与时间的斜率：

则递减曲线特征为：

2、给出典型递减曲线类集

设典型递减曲线类集为F＝{F₁,F₂,F₃}，特征类型分别为指数、调和、双曲 递减曲线，如果为某一递减类型F_i(i＝1,2,3)，若F_i发生，则具有特征类型集：

{c,v|(c_ij,v_ij),i＝1,2,3j＝1,2,3}

其中，c_ij为F_i的第j个特征类型，v_ij为其特征量值；递减曲线允许波动范围 为节域，即v'_ij＝<a'_ij,b'_ij>。

3、建立典型递减曲线类集的物元模型

递减曲线类型F_i的物元模型可以表示为：

其中，v_i1,v_i2,v_i3分别为每个特征类型的特征区间量值，由已知样本的最小最 大值确定，即为经典域。

4、给出待判断递减曲线的物元模型

令：

其中，v_x1,v_x2,v_x3分别为待识别样本S的3个递减曲线特征值。

5、确定关联度函数

待识别样本与各递减曲线类集的关联函数如下：

其中，i＝1,2,3j＝1,2,3。K_ij(v_j)表示第j个特征下待识别样本与第i个递减 曲线类型的关联函数，ρ(v_j,v_ij)表示其间距，|v_ij|表示区间之间的距离，为X节 域。

6、计算待识别样本与典型递减曲线类型特征库的关联度

待识别样本与典型递减曲线类型特征库的关联度可以表示为：

其中，ω_ij＝(v_j/v_ijb)/∑(v_j/v_ijb)为各特征值的权重，v_j表示第j个递减曲线 特征值，v_ijb表示第i类递减曲线的第j个递减曲线特征区间值的上界值。

7、确定待识别样本相对于各典型递减曲线类集的发生程度

I(F_i)＜0表示待识别样本不属于该递减曲线类型；I(F_i)＞0表示待识别样本 相对于该递减曲线类型的发生程度；若所有的I(F_i)＜0，则认为待识别样本不在 现有的递减曲线类型中。

8、神经网络模型输入输出的确定

因为针对单井进行产量预测，模型的输入需考虑到单井计算理论排量时所 需要的参数，包括有效冲程、泵径、冲次、原油体积系数；同时，也需要考虑 计算漏失量时的参数，包括柱塞长度，汽油比；此外，由于在BP神经网络训练 过程中，训练数据有可能包含多个阶段的递减曲线类型，因此，需将不同递减 曲线类型的时间序列加入输入变量中，使模型更精确。而模型的输出为单井产 量，如图1，其中ω_ij为输入层-隐含层的7*8矩阵，A_j为隐含层节点，v_jk为隐含 层-输出层8*1矩阵。

9、神经网络隐含层确定

BP神经网络隐含层节点太少，会导致网络结构过于简单，不能有效准确地 映射关系，网络误差过大；相反若隐含层节点数太多，虽然能够建立有效准确 的映射关系，但是网络结构过于复杂，不仅造成网络训练诊断时间长，甚至出 现“过拟合”现象，即训练样本预测准确，但是其余样本误差比较大。常用的 选择隐含层节点数参考公式：

其中，l为隐含层节点数；n为输入层神经元数；m为输出层神经元数，α为 1-10之间的常数，这里选取为6。

10、神经网络结构的确定

本发明选用一个三层神经网络来构建单井产量预测模型，输入层为7个影 响参数，节点数为7，输出层为单井产量，节点数为1。结合隐含层规律，通过 公式法可以先确定隐含层节点数取值的范围，再通过仿真试凑最终确定隐含层 节点数为8。

实施例：

如图2所示，为辽河油田某油井近五年的历史产量数据。

提取历史产量数据中3个递减曲线特征上下限，v₁＝[-0.0992,0.1214]， v₂＝[-17.4297,3.0936]，v₃＝[5.923,15782.82]，如图所示。

得到历史曲线特征值为：

如图3a～图3c所示。

求待识别样本与各递减曲线类型的关联度，并进行归一化处理， I(F)＝[0.16,-0.00019,-0.00052]。

当I(F_i)＜0时，认为不属于此类型的递减曲线。I(F₁)＞0，因此，待识别样 本属于指数递减曲线类型。通过物元分析方法得到的结论，为实际中判断递减 曲线类型提供了参考，也为下一阶段通过BP神经网络进行产量预测提供了依据。

采用matlab神经网络工具箱对产量进行预测，构建的网络拓扑结构如图 3a～图3c所示，网络隐含层采用tansig函数，输出层采用purelin函数。经过反 复试验，期望误差设定为，学习速率为0.2，训练次数设定为500次。选取历史 产量数据60组，从中选定50组样本数据为训练样本集，10组样本数据为测试 集，对BP神经网络进行仿真测试，仿真结果如图4所示，其中，Epochs为采样 步长，Best Validation Performance is 0.020607 atEpoch 7表示在第7步找到最佳 验证性能，具体数值为0.020607，Mean Squared Error为均方根误差，Train为训 练样本，Validation为验证样本，Test为测试样本，Best为最优值，Goal为目标 值。

Claims (6)

1.一种基于递减曲线的油田单井产量预测方法，其特征在于包括以下步骤：

根据每个区块各油田单井历史产量数据，建立单井递减曲线特征区间；

并根据递减曲线特征区间对待识别井判断递减曲线类型；

通过示功仪获取油田生产数据，并根据递减曲线类型采用BP神经网络进行单井产量预测。

2.根据权利要求1所述的基于递减曲线的油田单井产量预测方法，其特征在于所述根据每个区块各油田单井历史产量数据，建立单井递减曲线特征区间，包括以下步骤：

1)构建三个递减曲线特征参数：

半对数坐标下，产量Q_i与时间Δt_i的斜率：

半对数坐标下，累产Np_i与产量Q_i的斜率：

直角坐标下，累产与时间乘积与时间的斜率：

则递减曲线特征为：

2)建立递减曲线类集：

递减曲线类集为F＝{F₁,F₂,F₃}，特征类型分别为指数递减曲线、调和递减曲线、双曲递减曲线；

对于某一递减类型F_i(i＝1,2,3)，若F_i发生，则具有特征类型集：

{c,v|(c_ij,v_ij),i＝1,2,3j＝1,2,3}

其中，c_ij为F_i的第j个特征，v_ij为F_i的第j个特征量值；递减曲线允许波动范围为节域，即X＝<a′_ij,b′_ij>，X表示F_i的第j个特征量值的波动范围，即节域，a′_ij,b′_ij分别表示F_i的第j个特征量值的下限和上限；

3)建立递减曲线类集的物元模型：

其中，R_i为第i种特征类型的物元模型，v_i1,v_i2,v_i3分别为特征类型的特征区间量值；c₁、c₂、c₃分别表示该特征类型对应的三个特征，a_ij、b_ij分别表示第i种特征类型对应第j个特征的下限和上限；

4)待判断递减曲线的物元模型如下：

其中，R_x表示待诊断递减曲线的物元模型，v_x1,v_x2,v_x3分别为待识别样本S的指数递减曲线特征值、调和递减曲线特征值、双曲递减曲线特征值。

3.根据权利要求1所述的基于递减曲线的油田单井产量预测方法，其特征在于所述根据递减曲线特征区间对待识别井判断递减曲线类型，包括以下步骤：

(1)确定待识别样本与各递减曲线类集的关联函数如下：

其中，i＝1,2,3j＝1,2,3；K_ij(v_j)表示第j个特征下待识别样本与第i个递减曲线类型的关联函数，ρ(v_j,v_ij)表示第j个特征下待识别样本与各递减曲线类型之间的间距，|v_ij|表示v_ija与v_ijb区间之间的距离，为X节域；v_j为第j个特征的特征量值；

(2)计算待识别样本与递减曲线类型特征库的关联度I：

其中，ω_ij＝(v_j/v_ijb)/∑(v_j/v_ijb)为各特征值的权重，v_j表示第j个递减曲线特征值，v_ijb表示第i类递减曲线的第j个递减曲线特征区间值的上界值；

(3)确定待识别样本相对于各递减曲线类集的发生程度：

I(F_i)＜0表示待识别样本不属于该递减曲线类型；I(F_i)＞0表示待识别样本相对于该递减曲线类型的发生程度，该F_i为待诊断的递减曲线类型；若所有的I(F_i)＜0，则认为待识别样本不在现有的递减曲线类型中。

4.根据权利要求1所述的基于递减曲线的油田单井产量预测方法，其特征在于所述神经网络模型的输入包括有效冲程、泵径、冲次、原油体积系数、柱塞长度，汽油比以及递减曲线类型；模型的输出为单井产量；

其中，有效冲程、冲次通过示功仪采集获取，泵径、原油体积系数、柱塞长度、汽油比从油田数据库获取。

5.根据权利要求1所述的基于递减曲线的油田单井产量预测方法，其特征在于所述神经网络选用一个三层神经网络来构建单井产量预测模型，输入层为7个影响参数，包括有效冲程、泵径、冲次、原油体积系数、柱塞长度，汽油比以及递减曲线类型，节点数为7；输出层为单井产量，节点数为1；

通过公式法先确定隐含层节点数取值的范围，再通过仿真最终确定隐含层节点数为8。

6.根据权利要求1所述的基于递减曲线的油田单井产量预测方法，其特征在于所述神经网络的隐含层节点数通过下式得到：

其中，l为隐含层节点数；n为输入层神经元数；m为输出层神经元数，α为常数。

Images