CN114997452A - 基于维诺图及时空图卷积神经网络的产油量预测方法 - Google Patents
基于维诺图及时空图卷积神经网络的产油量预测方法 Download PDFInfo
- Publication number
- CN114997452A CN114997452A CN202110195192.6A CN202110195192A CN114997452A CN 114997452 A CN114997452 A CN 114997452A CN 202110195192 A CN202110195192 A CN 202110195192A CN 114997452 A CN114997452 A CN 114997452A
- Authority
- CN
- China
- Prior art keywords
- time
- diagram
- well
- node
- neural network
- 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
- 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"
-
- E—FIXED CONSTRUCTIONS
- E21—EARTH DRILLING; MINING
- E21B—EARTH DRILLING, e.g. DEEP DRILLING; OBTAINING OIL, GAS, WATER, SOLUBLE OR MELTABLE MATERIALS OR A SLURRY OF MINERALS FROM WELLS
- E21B47/00—Survey of boreholes or wells
-
- 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—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
- G06Q50/02—Agriculture; Fishing; Mining
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Life Sciences & Earth Sciences (AREA)
- Theoretical Computer Science (AREA)
- Mining & Mineral Resources (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- General Physics & Mathematics (AREA)
- Geology (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Biophysics (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Operations Research (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Entrepreneurship & Innovation (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Quality & Reliability (AREA)
- Geophysics (AREA)
- Environmental & Geological Engineering (AREA)
- Fluid Mechanics (AREA)
- Game Theory and Decision Science (AREA)
- Development Economics (AREA)
- General Life Sciences & Earth Sciences (AREA)
- Geochemistry & Mineralogy (AREA)
- Agronomy & Crop Science (AREA)
- Animal Husbandry (AREA)
- Marine Sciences & Fisheries (AREA)
Abstract
本发明提供一种基于维诺图及时空图卷积神经网络的产油量预测方法,该基于维诺图及时空图卷积神经网络的产油量预测方法包括:步骤1,获取目标井网数据;步骤2,根据井网的位置信息,建立结构图;步骤3,基于维诺图对邻接矩阵进行处理;步骤4,建立时空图卷积神经网络模型;步骤5,进行网络模型训练及产油量预测。该基于维诺图及时空图卷积神经网络的产油量预测方法不仅可以考虑到相关因素对产油量的影响,而且还可以考虑到数据在时间上的相关性,并且预测精度高,可以作为一种新的方法应用于油田中生产经的产油量预测。
Description
技术领域
本发明涉及油田开发技术领域,特别是涉及到一种基于维诺图及时空图卷积神经网络的产油量预测方法。
背景技术
目前在油田生产井产油量预测中使用的人工智能算法主要是基于反向传播神经网络和支持向量机回归方面的算法,但是这两类方法在预测过程中无法考虑到数据在时间上的相关性。
在申请号:CN201910917091.8的中国专利申请中,涉及到一种油气产能检测方法及系统,涉及油气藏勘探开发领域。该方法包括:将数值数据、类别数值数据和结构化数据分别输入到预设的混合神经网络模型中;通过多层感知机网络对数值数据和类别数值数据进行处理,得到第一输出结果;通过卷积神经网络对结构化数据进行处理,得到第二输出结果;通过全连接层和激活函数对第一输出结果和第二输出结果进行处理,得到油气井的产能。
在申请号:CN202010604568.X的中国专利申请中,涉及到一种基于人工智能的石油产量预测方法。该方法包括:将多个历史时间点的石油产量相关信息输入至经训练的时间序列预测模型,依次输出下一个时间点的石油产量相关信息,进而获得时间序列预测值;对于所述时间序列预测值,判断异常事件和对应的时间点,并以降低异常波动带来的损失为目标,通过滑动平均模型计算所述异常事件时间点后续的石油产量相关信息的预测值;以计算出的石油产量相关信息的预测值替换所述时间序列模型输出的对应时间点的预测值,获得石油产量预测结果。
在申请号:CN201510535506.7的中国专利申请中,涉及到一种改进的神经网络的油井产量预测方法及其装置,其涉及石油生产领域,它通过改进的粒子群优化算法对神经网络中的隐层连接权值、输出层连接权值进行优化,再利用神经网络和历史的油井基本参数建立油气产量的预测模型,最终通过输入样本值得到该样本值下的油井产量预测值。
以上现有技术均与本发明有较大区别,未能解决我们想要解决的技术问题,为此我们发明了一种新的基于维诺图及时空图卷积神经网络的产油量预测方法。
发明内容
本发明的目的是提供一种预测精度高,可以应用于油田中生产经的产油量预测的基于维诺图及时空图卷积神经网络的产油量预测方法。
本发明的目的可通过如下技术措施来实现:基于维诺图及时空图卷积神经网络的产油量预测方法,该基于维诺图及时空图卷积神经网络的产油量预测方法包括:
步骤1,获取目标井网数据;
步骤2,根据井网的位置信息,建立结构图;
步骤3,基于维诺图对邻接矩阵进行处理;
步骤4,建立时空图卷积神经网络模型;
步骤5,进行网络模型训练及产油量预测。
本发明的目的还可通过如下技术措施来实现:
在步骤1中,获得需要进行产油量预测的目标生产井网的各类信息,包括采油速率、注水速率、井点位置、射孔信息、地层厚度、渗透率、流体粘度、压力数据以及不同时刻的开关井状态。
在步骤2中,根据得到的井网的位置信息,以井网中注水井、生产井为数据结构节点,以注水井和生产井之间的连接为边,建立目标井网对应的结构图。
在步骤3中,维诺图是由一组由连接两邻点直线的垂直平分线组成的连续多边形组成,N个在平面上有区别的点,按照最邻近原则划分平面。
在步骤3中,在维诺图中节点所属不同的区域内,使用该区域内平均数据代替节点的数据。
在步骤3中,由已知数据代入公式1中进行计算不同节点之间的qij用于表征两个节点之间的邻接矩阵:
qij=Tij(pi-pj) 公式1
公式1中qij表示流量,Tij表示节点i与节点j之间的传导率,pi表示节点i的压力,pj表示节点j的压力,公式2中Kij表示节点i和节点j之间的平均渗透率,μij表示节点i与节点j之间的流体粘度,Lij表示节点i与节点j之间的距离,Aij表示节点i与节点j之间射开层系的地层厚度乘以维诺图中两点之间的边界长度。
在步骤4中,将t-M+1到t时刻的M个时刻的生产井的采油速率、注水井的注水速率和各井的压力数据以及开关井状态作为节点特征进行输入,将输入的数据经过两个时空卷积块以及一个输出层,其中每个时空卷积块依次进行一个时间上的一维卷积,一个空间上的图卷积,再一个时间上的一维卷积,输出层包括一个时间上的一维卷积和一个全连接层;从而得到t+1到t+H的H个时刻的生产井的采油速率和含水率,将其与已知数据通过均方误差MSE计算误差进行优化。
在步骤5中,将多个时刻的数据划分为训练集和测试集,通过训练集进行误差计算并进行优化得到时空图卷积神经网络模型,并在测试集上验证其预测精度。
本发明中的基于维诺图及时空图卷积神经网络的产油量预测方法,通过时空图卷积神经网络和维诺图,利用井网的历史生产数据、井位数据以及渗透率数据等来进行生产井的产油量预测。该基于维诺图及时空图卷积神经网络的产油量预测方法不仅可以考虑到相关因素对产油量的影响,而且还可以考虑到数据在时间上的相关性,并且预测精度高,可以作为一种新的方法应用于油田中生产经的产油量预测,作为一种预测精度高且运算效率高的方法应用于油田中生产井的产油量预测,为特高含水期水驱油藏进一步提高采收率提供技术支持。
附图说明
图1为本发明的基于维诺图及时空图卷积神经网络的产油量预测方法的一具体实施例的流程图;
图2为本发明的一具体实施例1中井网结构示意图;
图3为本发明的一具体实施例中根据维诺图对不同节点进行划分示意图;
图4为本发明的一具体实施例2中井网结构示意图;
图5为本发明的一具体实施例2中测试集中部分井的预测结果示意图;
图6为本发明的一具体实施例3中井网结构示意图。
具体实施方式
应该指出,以下详细说明都是示例性的,旨在对本发明提供进一步的说明。除非另有指明,本文使用的所有技术和科学术语具有与本发明所属技术领域的普通技术人员通常理解的相同含义。
需要注意的是,这里所使用的术语仅是为了描述具体实施方式,而非意图限制根据本发明的示例性实施方式。如在这里所使用的,除非上下文另外明确指出,否则单数形式也意图包括复数形式,此外,还应当理解的是,当在本说明书中使用术语“包含”和/或“包括”时,其指明存在特征、步骤、操作和/或它们的组合。
如图1所示,图1为本发明的基于维诺图及时空图卷积神经网络的产油量预测方法的流程图。该基于维诺图及时空图卷积神经网络的产油量预测方法包括了以下步骤:
步骤101:获取目标井网数据
获得需要进行产油量预测的目标生产井网的各类信息,包括采油速率、注水速率、井点位置、射孔信息、地层厚度、渗透率、流体粘度、压力数据以及不同时刻的开关井状态。
步骤102:根据井网的位置信息,建立结构图
根据得到的井网的位置信息,以井网中注水井、生产井为数据结构节点,以注水井和生产井之间的连接为边,建立目标井网对应的结构图。
步骤103:基于维诺图对邻接矩阵进行处理
维诺图是由一组由连接两邻点直线的垂直平分线组成的连续多边形组成。N个在平面上有区别的点,按照最邻近原则划分平面。
在维诺图中节点所属不同的区域内,使用该区域内平均数据代替节点的数据。由已知数据代入公式1中进行计算不同节点之间的qij用于表征两个节点之间的邻接矩阵。
qij=Tij(pi-pj) 公式1
公式1中qij表示流量,Tij表示节点i与节点j之间的传导率,pi表示节点i的压力,公式2中Kij表示节点i和节点j之间的平均渗透率,μij表示节点i与节点j之间的流体粘度,Lij表示节点i与节点j之间的距离,Aij表示节点i与节点j之间射开层系的地层厚度乘以维诺图中两点之间的边界长度。
步骤104:建立时空图卷积神经网络模型
将t-M+1到t时刻的M个时刻的生产井的采油速率、注水井的注水速率和各井的压力数据以及开关井状态(0表示关井,1表示开井)作为节点特征进行输入,将输入的数据经过两个时空卷积块以及一个输出层,其中每个时空卷积块依次进行一个时间上的一维卷积,一个空间上的图卷积,再一个时间上的一维卷积,输出层包括一个时间上的一维卷积和一个全连接层。从而得到t+1到t+H的H个时刻的生产井的采油速率和含水率,将其与已知数据通过MSE(均方误差)计算误差进行优化。
步骤105,网络模型训练及产油量预测
将多个时刻的数据划分为训练集和测试集,通过训练集进行误差计算并进行优化得到时空图卷积神经网络模型,并在测试集上验证其预测精度。
在应用本发明的具体实施例1中,该基于维诺图及时空图卷积神经网络的产油量预测方法包括了以下步骤:
步骤1:获取目标井网数据
获得需要进行产油量预测的目标生产井网的各类信息,包括采油速率、注水速率、井点位置、射孔信息、地层厚度、渗透率、流体粘度、压力数据以及不同时刻的开关井状态。
步骤2:根据井网的位置信息,建立结构图
根据得到的井网的位置信息,以井网中注水井、生产井为数据结构节点,以注水井和生产井之间的连接为边,建立目标井网对应的结构图,如图2所示(其中1、3、5、7为生产井,2、4、6、8为注水井)。
步骤3:基于维诺图对邻接矩阵进行处理
维诺图是由一组由连接两邻点直线的垂直平分线组成的连续多边形组成。N个在平面上有区别的点,按照最邻近原则划分平面,如图3所示,根据W1、W2、W3、W4、W5、W6、W7、W8划分为8个多边形。
在维诺图中节点所属不同的区域内,使用该区域内平均数据代替节点的数据。由已知数据代入公式1中进行计算不同节点之间的qij用于表征两个节点之间的邻接矩阵。
qij=Tij(pi-pj) 公式1
公式1中qij表示流量,Tij表示节点i与节点j之间的传导率,pi表示节点i的压力,公式2中Kij表示节点i和节点j之间的平均渗透率,μij表示节点i与节点j之间的流体粘度,Lij表示节点i与节点j之间的距离,Aij表示节点i与节点j之间射开层系的地层厚度乘以维诺图中两点之间的边界长度。
步骤4:建立时空图卷积神经网络模型
将t-M+1到t时刻的M个时刻的生产井的采油速率、注水井的注水速率和各井的压力数据以及开关井状态(0表示关井,1表示开井)作为节点特征进行输入,将输入的数据经过两个时空卷积块以及一个输出层,其中每个时空卷积块依次进行一个时间上的一维卷积,一个空间上的图卷积,再一个时间上的一维卷积,输出层包括一个时间上的一维卷积和一个全连接层。从而得到t+1到t+H的H个时刻的生产井的采油速率和含水率,将其与已知数据通过MSE(均方误差)计算误差进行优化。
步骤5,网络模型训练及产油量预测。
将多个时刻的数据划分为训练集和测试集,通过训练集进行误差计算并进行优化得到时空图卷积神经网络模型,并在测试集上验证其预测精度。
在应用本发明的具体实施例2中,针对胜利某注水开发油藏开展产油量预测研究,该基于维诺图及时空图卷积神经网络的产油量预测方法包括了以下步骤:
步骤1:获取目标井网数据
获得需要进行产油量预测的目标生产井网的各类信息,包括49口井的采油速率、注水速率、井点位置、九点平均压强、井点渗透率、井点孔隙度以及不同时刻的开关井状态。
步骤2:根据井网的位置信息,建立结构图
根据得到的井网的位置信息,以井网中注水井、生产井为数据结构节点,以注水井和生产井之间的连接为边,建立目标井网对应的结构图,某一时刻的井网结构图如图4所示(其中实心圆圈为生产井,空心带箭头圆圈为注水井)。
步骤3:基于维诺图对邻接矩阵进行处理
维诺图是由一组由连接两邻点直线的垂直平分线组成的连续多边形组成。49个在平面上有区别的点,按照最邻近原则划分平面。
在维诺图中节点所属不同的区域内,使用该区域内平均数据代替节点的数据。由已知数据代入公式1中进行计算不同节点之间的qij用于表征两个节点之间的邻接矩阵。
qij=Tij(pi-pj) 公式1
公式1中qij表示流量,Tij表示节点i与节点j之间的传导率,pi表示节点i的压力,公式2中Kij表示节点i和节点j之间的平均渗透率,μij表示节点i与节点j之间的流体粘度,Lij表示节点i与节点j之间的距离,Aij表示节点i与节点j之间射开层系的地层厚度乘以维诺图中两点之间的边界长度。
步骤4:建立时空图卷积神经网络模型
将t-M+1到t时刻的M个时刻的生产井的采油速率、注水井的注水速率和各井的压力数据以及开关井状态(0表示关井,1表示开井)作为节点特征进行输入,将输入的数据经过两个时空卷积块以及一个输出层,其中每个时空卷积块依次进行一个时间上的一维卷积,一个空间上的图卷积,再一个时间上的一维卷积,输出层包括一个时间上的一维卷积和一个全连接层。从而得到t+1到t+H的H个时刻的生产井的采油速率和含水率,将其与已知数据通过MSE(均方误差)计算误差进行优化。
步骤5,网络模型训练及产油量预测。
本例中,共748时间步长,选取数据集的70%为训练集,30%为验证集;输入的时间步为12,预测的时间步为3。通过训练集进行误差计算并进行优化得到时空图卷积神经网络模型,并在测试集上验证其预测精度,结果表明83%的井预测精度达到85%以上,预测的部分结果见图5。
在应用本发明的具体实施例3中,针对胜利某注水开发油藏开展产油量预测研究,该基于维诺图及时空图卷积神经网络的产油量预测方法包括了以下步骤:
步骤1:获取目标井网数据
获得需要进行产油量预测的目标生产井网的各类信息,包括81口井的采油速率、注水速率、井点位置、九点平均压强、井点渗透率、井点孔隙度以及不同时刻的开关井状态。
步骤2:根据井网的位置信息,建立结构图
根据得到的井网的位置信息,以井网中注水井、生产井为数据结构节点,以注水井和生产井之间的连接为边,建立目标井网对应的结构图,某一时刻的井网结构示意图如图6所示(其中实心圆圈为生产井,空心带箭头圆圈为注水井)。
步骤3:基于维诺图对邻接矩阵进行处理
维诺图是由一组由连接两邻点直线的垂直平分线组成的连续多边形组成。81个在平面上有区别的点,按照最邻近原则划分平面。
在维诺图中节点所属不同的区域内,使用该区域内平均数据代替节点的数据。由已知数据代入公式1中进行计算不同节点之间的qij用于表征两个节点之间的邻接矩阵。
qij=Tij(pi-pj) 公式1
公式1中qij表示流量,Tij表示节点i与节点j之间的传导率,pi表示节点i的压力,公式2中Kij表示节点i和节点j之间的平均渗透率,μij表示节点i与节点j之间的流体粘度,Lij表示节点i与节点j之间的距离,Aij表示节点i与节点j之间射开层系的地层厚度乘以维诺图中两点之间的边界长度。
步骤4:建立时空图卷积神经网络模型
将t-M+1到t时刻的M个时刻的生产井的采油速率、注水井的注水速率和各井的压力数据以及开关井状态(0表示关井,1表示开井)作为节点特征进行输入,将输入的数据经过两个时空卷积块以及一个输出层,其中每个时空卷积块依次进行一个时间上的一维卷积,一个空间上的图卷积,再一个时间上的一维卷积,输出层包括一个时间上的一维卷积和一个全连接层。从而得到t+1到t+H的H个时刻的生产井的采油速率和含水率,将其与已知数据通过MSE(均方误差)计算误差进行优化。
步骤5,网络模型训练及产油量预测。
本例中,共548时间步长,选取数据集的70%为训练集,30%为验证集;输入的时间步为12,预测的时间步为3。通过训练集进行误差计算并进行优化得到时空图卷积神经网络模型,并在测试集上验证其预测精度,结果表明76%的井预测精度达到85%以上。
最后应说明的是:以上所述仅为本发明的优选实施例而已,并不用于限制本发明,尽管参照前述实施例对本发明进行了详细的说明,对于本领域技术人员来说,其依然可以对前述实施例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。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
除说明书所述的技术特征外,均为本专业技术人员的已知技术。
Claims (8)
1.基于维诺图及时空图卷积神经网络的产油量预测方法,其特征在于,该基于维诺图及时空图卷积神经网络的产油量预测方法包括:
步骤1,获取目标井网数据;
步骤2,根据井网的位置信息,建立结构图;
步骤3,基于维诺图对邻接矩阵进行处理;
步骤4,建立时空图卷积神经网络模型;
步骤5,进行网络模型训练及产油量预测。
2.根据权利要求1所述的基于维诺图及时空图卷积神经网络的产油量预测方法,其特征在于,在步骤1中,获得需要进行产油量预测的目标生产井网的各类信息,包括采油速率、注水速率、井点位置、射孔信息、地层厚度、渗透率、流体粘度、压力数据以及不同时刻的开关井状态。
3.根据权利要求1所述的基于维诺图及时空图卷积神经网络的产油量预测方法,其特征在于,在步骤2中,根据得到的井网的位置信息,以井网中注水井、生产井为数据结构节点,以注水井和生产井之间的连接为边,建立目标井网对应的结构图。
4.根据权利要求1所述的基于维诺图及时空图卷积神经网络的产油量预测方法,其特征在于,在步骤3中,维诺图是由一组由连接两邻点直线的垂直平分线组成的连续多边形组成,N个在平面上有区别的点,按照最邻近原则划分平面。
5.根据权利要求4所述的基于维诺图及时空图卷积神经网络的产油量预测方法,其特征在于,在步骤3中,在维诺图中节点所属不同的区域内,使用该区域内平均数据代替节点的数据。
7.根据权利要求1所述的基于维诺图及时空图卷积神经网络的产油量预测方法,其特征在于,在步骤4中,将t-M+1到t时刻的M个时刻的生产井的采油速率、注水井的注水速率和各井的压力数据以及开关井状态作为节点特征进行输入,将输入的数据经过两个时空卷积块以及一个输出层,其中每个时空卷积块依次进行一个时间上的一维卷积,一个空间上的图卷积,再一个时间上的一维卷积,输出层包括一个时间上的一维卷积和一个全连接层;从而得到t+1到t+H的H个时刻的生产井的采油速率和含水率,将其与已知数据通过均方误差MSE计算误差进行优化。
8.根据权利要求7所述的基于维诺图及时空图卷积神经网络的产油量预测方法,其特征在于,在步骤5中,将多个时刻的数据划分为训练集和测试集,通过训练集进行误差计算并进行优化得到时空图卷积神经网络模型,并在测试集上验证其预测精度。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110195192.6A CN114997452A (zh) | 2021-02-22 | 2021-02-22 | 基于维诺图及时空图卷积神经网络的产油量预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110195192.6A CN114997452A (zh) | 2021-02-22 | 2021-02-22 | 基于维诺图及时空图卷积神经网络的产油量预测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114997452A true CN114997452A (zh) | 2022-09-02 |
Family
ID=83018083
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110195192.6A Pending CN114997452A (zh) | 2021-02-22 | 2021-02-22 | 基于维诺图及时空图卷积神经网络的产油量预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114997452A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115169761A (zh) * | 2022-09-08 | 2022-10-11 | 中科数智能源科技(深圳)有限公司 | 基于gnn和lstm的复杂井网油田产量预测方法 |
CN115186936A (zh) * | 2022-09-08 | 2022-10-14 | 中科数智能源科技(深圳)有限公司 | 基于gnn模型的油田最优井网构建方法 |
-
2021
- 2021-02-22 CN CN202110195192.6A patent/CN114997452A/zh active Pending
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115169761A (zh) * | 2022-09-08 | 2022-10-11 | 中科数智能源科技(深圳)有限公司 | 基于gnn和lstm的复杂井网油田产量预测方法 |
CN115186936A (zh) * | 2022-09-08 | 2022-10-14 | 中科数智能源科技(深圳)有限公司 | 基于gnn模型的油田最优井网构建方法 |
CN115186936B (zh) * | 2022-09-08 | 2022-12-27 | 中科数智能源科技(深圳)有限公司 | 基于gnn模型的油田最优井网构建方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US5924048A (en) | Automated material balance system for hydrocarbon reservoirs using a genetic procedure | |
CN112360411B (zh) | 基于图神经网络的局部井网注水开发优化方法 | |
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 | |
CN110400006A (zh) | 基于深度学习算法的油井产量预测方法 | |
Hong et al. | Robust production optimization with capacitance-resistance model as precursor | |
US20230358123A1 (en) | Reinforcement learning-based decision optimization method of oilfield production system | |
Kim et al. | Efficient and robust optimization for well patterns using a PSO algorithm with a CNN-based proxy model | |
CN108595803A (zh) | 基于递归神经网络的页岩气井生产压力预测方法 | |
CN113537592B (zh) | 基于长短时记忆网络的油气藏产量预测方法及装置 | |
Guler et al. | An artificial neural network based relative permeability predictor | |
CN115186936B (zh) | 基于gnn模型的油田最优井网构建方法 | |
CN112302594A (zh) | 非均质水驱油藏的连通结构确定方法、装置及设备 | |
CN117252374A (zh) | 一种基于机器学习的致密气合采气井多层合采产量分配方法 | |
CN113610446B (zh) | 一种复杂分散断块油田群投产顺序的决策方法 | |
US11501043B2 (en) | Graph network fluid flow modeling | |
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 | |
US20230193791A1 (en) | Method and system for managing carbon dioxide supplies and supercritical turbines using machine learning | |
Yang et al. | Forecasting model for urban traffic flow with BP neural network based on genetic algorithm | |
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 | |
CN116911216B (zh) | 一种储层油井产能因素评估与预测方法 | |
CN111335871A (zh) | 一种基于分层产能评价的查层补孔技术方法 | |
US20230229907A1 (en) | System and method for water injection optimization in a reservoir | |
Liu et al. | Physics-Coupled Machine Learning Toolset for Geological Carbon Storage Evaluation and Performance Analysis | |
CN109711040A (zh) | 一种基于搜索方向学习的智能工业设计强化学习算法 | |
CN115081170A (zh) | 一种油气田开发评价的井网系统优选方法及装置 |
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 |