CN115099539A - 一种基于吸水剖面的大数据人工智能注水方法 - Google Patents

Abstract

本发明涉及智能注水技术领域，尤其涉及一种基于吸水剖面的大数据人工智能注水方法，包括步骤1.利用深度全连接残差神经网络对井网内油井产液、产油进行预测，得到井网内产油及产液分布情况；步骤2.基于以上产能分析给出注水带有损失项概率化的连续性方程；步骤3.结合传统注采模型得到单井注水量；步骤4.按层劈分策略；步骤5.重复上述步骤1‑步骤4，本公开有效解决由于对地质条件认知不足和对注水去向的监控不够完善导致的注水作业的困难。

Description

一种基于吸水剖面的大数据人工智能注水方法

技术领域

本发明涉及智能注水技术领域，尤其涉及一种基于吸水剖面的大数据人工智能注水方法。

背景技术

本部分中的陈述仅提供与本公开有关的背景信息并且不构成现有技术。

注水（water injection）为了保持油层压力和提高油层采收率，由地面把经过净化的水注入油层的措施。为了使油田持续高产稳产，提高油田最终采收率，国内外有许多油田都采用向油层注水的方法，来保持地层压力，以提高油井采收率。吸水剖面是指水井各个层位对于注入水的分配比例，也是应用于调剖堵水，防止水窜，提高注入水在各个层位的波及系数，提高油层的驱油效率，从而提高采收率。注水井吸水剖面反映着地层的吸水能力,通过吸水剖面了解注入水的纵向分布,预测和控制水线推进,监视油层的吸水,进行剩余油分布分析等。科学的分析应用吸水剖面资料是了解油藏地下变化,进行油田开发分析的主要手段,是指导油田开发、进行方案部署的一个重要环节。

现有公开的技术中，常规的注水方式是通过测试研究分层能力的方法获得的

，然而在采集资料时由于受产量、工艺条件、井况及其它因素的影响,部分井剖面无法获取，就导致无法合理进行注水作业。

发明内容

发明人通过研究发现：现有技术中在进行基于吸水剖面的作业时，关于注水劈分的难点一般来自于对地质条件认知不足和对注水去向的监控不够完善。

本公开的目的在于提供一种基于吸水剖面的大数据人工智能注水方法，通过提供基于人工智能的注水方案，来解决现有技术由于对地质条件认知不足以及对注水去向监控不够完善导致的注水作业困难的技术问题。

据公开的一个方面，提供如下内容：步骤1.利用深度全连接残差神经网络对井网内油井产液、产油进行预测，得到井网内产油及产液分布情况；步骤2. 基于以上产能分析给出损失项，损失项是由概率化的连续性方程做成，也就是关于q与压力p的概率化连续性方程给出的损失项；步骤3.结合传统注采模型得到单井注水量；步骤4.按层劈分策略；步骤5.重复上述步骤1-步骤4，直至处理结束。

本公开的一些实施例中，步骤1具体包括如下内容：设

为网内N口油井数据，油井数据包括地质数据D、井史信息H、井位信息S，预测的对象为井网内各油井产能分布数据:

，其中

，为第l个油井所对应的m个水井对其的产能分布贡献向量，所要预测的第l个油井所对应的产能分布预测目标函数为：

其中, θ为第l口油井对应的网络参数；

、

为对称化的参数矩阵；M为样本总数；λ为正则项系数，

为不经过劈分的产能预测值，以此将得到和预测分布数据：

；残差网络公式如下：

；

为输出向量，

为待学习的残差映射。

本公开的一些实施例中，步骤1具体还包括如下内容：采用以双全连接层为单位，给出捷径路线的残差映射公式为：

其中

为ReLU函数，第a个预测值与残差网络第i层第j个神经元的第k个参数的关系为：

其中SVR，即支持向量机回归函数为采用线性高斯核函数的支持向量机回归模型。

本公开的一些实施例中，所述步骤2具体包括如下内容：

设井网平面内，第i口水井向N口油井注水概率为：

,

由切比雪夫不等式，第j口油井注水量为的概率为：

式1

其中

为X中的第j个数据，

为第i口水井的注入量，

为第j个数据出现概率，

由第i口注水井的连续性方程：

其中

为损失项；

带入式1得到概率化的连续性方程：

。

本公开的一些实施例中，所述步骤3具体包括如下内容：考虑利用传统注采响应模型：

其中

为第j个油井的采出量，

为第k个水井的注水量，

为第j口油井的井底流压，

为第j口油井的绕流系数，

为第j口水井的流密度系数

为第k个水井到底j口油井间的连通系数，

基于第一步骤得到的产能分布情况给出第i口注水井向第j口油井的注水概率：

其中，P为注入概率，

为第i口水井和第j口水井之间在t时刻的流量，λ为连通系数，等式左端存在τ、J和λ超参数，需要通过传统模型给定，关于q和压力p的变量，由第一步得出的产能分布和压力数据给定。

本公开的一些实施例中，所述步骤4具体包括如下内容：

步骤4.1.排除层与层之间的干扰情况，建设层间距离L、地质数据D、井史信息H、井位信息S和单井整体注水量信息x关于干扰衡量系数W的新函数：W=F(L,D,H,S,x)，将利用QGD算法，得到其基于初等函数运算的近似公式；

步骤4.2.定量化给出注水分层干扰衡量系数W；

步骤4.3.排除干扰因子后，作为新数据特征放入学习模型中；

步骤4.4.利用已有数据特征{D,H,S,x,W}对产液剖面进行学习，反向更新W，让W的函数学习逐渐逼近真实情况，最终对吸水剖面进行预测。

本公开与目前公开的技术相比，具有如下的优点和有益效果：本公开通过提供利用深度全连接残差神经网络对井网内油井产液、产油进行预测，得到井网内产油及产液分布情况；基于以上产能分析给出注水带有损失项概率化的连续性方程；结合传统注采模型得到单井注水量；按层劈分策略，来有效解决由于对地质条件认知不足和对注水去向的监控不够完善导致的注水作业的困难。

附图说明

图1是本发明的流程示意图。

具体实施方式

请参考说明附图1，本实施例提供了一种基于吸水剖面的大数据人工智能注水方法，该基于吸水剖面的大数据人工智能注水方法已经处于实际测试使用阶段。

在以下段落中，更为详细地限定了实施例的不同方面。如此限定的各方面可与任何其他的一个方面或多个方面组合，除非明确指出不可组合。尤其是，被认为是优选的或有利的任何特征可与其他一个或多个被认为是优选的或有利的特征组合。本发明中出现的“第一”、“第二”等用语仅是为了方便描述，以区分具有相同名称的不同组成部件，并不表示先后或主次关系。

实施例

包括如下内容：步骤1.利用深度全连接残差神经网络对井网内油井产液、产油进行预测，得到井网内产油及产液分布情况；步骤2. 基于以上产能分析给出损失项，损失项是由概率化的连续性方程做成，也就是关于q与压力p的概率化连续性方程给出的损失项；步骤3.结合传统注采模型得到单井注水量；步骤4.按层劈分策略；步骤5.重复上述步骤1-步骤4，直至处理结束，也就是说，循环执行步骤1-步骤4，循环次数为n，n由人为调节决定。

设

为网内N口油井数据，油井数据包括地质数据D、井史信息H、井位信息S，预测的对象为井网内各油井产能分布数据:

，其中

，为第l个油井所对应的m个水井对其的产能分布贡献向量，所要预测的第l个油井所对应的产能分布预测目标函数为：

其中, θ为第l口油井对应的网络参数；

、

为对称化的参数矩阵；M为样本总数；λ为正则项系数，

为不经过劈分的产能预测值，以此将得到和预测分布数据：

；残差网络公式如下：

；

为输出向量，

为待学习的残差映射，步骤1具体还包括如下内容：采用以双全连接层为单位，给出捷径路线的残差映射公式为：

其中

为ReLU函数，第a个预测值与残差网络第i层第j个神经元的第k个参数的关系为：

其中SVR，即支持向量机回归函数为采用线性高斯核函数的支持向量机回归模型。

步骤2具体包括如下内容：

设井网平面内，第i口水井向N口油井注水概率为：

,

由切比雪夫不等式，第j口油井注水量为的概率为：

式1

其中

为X中的第j个数据，

为第i口水井的注入量，

为第j个数据出现概率。

由第i口注水井的连续性方程：

其中

，

为损失项；

带入式1得到概率化的连续性方程：

步骤3具体包括如下内容：考虑利用传统注采响应模型：

其中

为第j个油井的采出量，

为第k个水井的注水量，

为第j口油井的井底流压，

为第j口油井的绕流系数，

为第j口水井的流密度系数，

为第k个水井到底j口油井间的连通系数。

基于第一步骤得到的产能分布情况给出第i口注水井向第j口油井的注水概率：

其中，P为注入概率，

为第i口水井和第j口水井之间在t时刻的流量，λ为连通系数。等式左端存在τ、J和λ超参数，需要通过传统模型给定，关于q和压力p的变量，由第一步得出的产能分布和压力数据给定。

步骤4具体包括如下内容：

步骤4.1.排除层与层之间的干扰情况，建设层间距离L、地质数据D、井史信息H、井位信息S和单井整体注水量信息x关于干扰衡量系数W的新函数：W=F(L,D,H,S,x)，将利用深度强化李群网络算法或者是最小二乘算法，得到其基于初等函数运算的近似公式；

步骤4.2.定量化给出注水分层干扰衡量系数W；

步骤4.3.排除干扰因子后，作为新数据特征放入学习模型中；

步骤4.4.利用已有数据特征{D,H,S,x,W}对产液剖面进行学习，反向更新W，让W的函数学习逐渐逼近真实情况，最终对吸水剖面进行预测。

需要说明的是，本公开的发明人的实现构思为：用RESNET-19产能预测，给出小井网系统内的产能分布，包括产液分布和含油分布；用连续性方程实现产量对注水概率的对应关系，从而建立产能分布与产量之间的关系；利用自主研发的QGD算法进行注水干扰的数理逻辑分析；利用注水干扰数据，优化注水劈分因子，实现按层劈分注水。

同时本公开的预先数据准备内容具体为：

1.学习数据，包括地质数据D，其具体包括：小层数据、射孔数据、射孔井段数据、井史信息H、水井井史、油井井史；井位信息S。

2.预测数据，包括吸水剖面数据。

以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。

Claims (6)

1.一种基于吸水剖面的大数据人工智能注水方法，其特征在于，包括如下内容：

步骤1.利用深度全连接残差神经网络对井网内油井产液、产油进行预测，得到井网内产油及产液分布情况；

步骤2.基于以上产能分析给出损失项，损失项是由概率化的连续性方程做成，也就是关于q与压力p的概率化连续性方程给出的损失项；

步骤3.结合传统注采模型得到单井注水量；

步骤4.按层劈分策略；

步骤5.重复上述步骤1-步骤4，直至处理结束。

2.根据权利要求1所述的一种基于吸水剖面的大数据人工智能注水方法，其特征在于，步骤1具体包括如下内容：

设

为网内N口油井数据，油井数据包括地质数据D、井史信息H、井位信息S，预测的对象为井网内各油井产能分布数据:

，其中

，为第l个油井所对应的m个水井对其的产能分布贡献向量，所要预测的第l个油井所对应的产能分布预测目标函数为：

其中,θ为第l口油井对应的网络参数；

、

为对称化的参数矩阵；M为样本总数；λ为正则项系数，

为不经过劈分的产能预测值，以此将得到和预测分布数据：

；残差网络公式如下：

；

为输出向量，

为待学习的残差映射。

3.根据权利要求2所述的一种基于吸水剖面的大数据人工智能注水方法，其特征在于，步骤1具体还包括如下内容：采用以双全连接层为单位，给出捷径路线的残差映射公式为：

其中

为ReLU函数，第a个预测值与残差网络第i层第j个神经元的第k个参数的关系为：

其中SVR，即支持向量机回归函数为采用线性高斯核函数的支持向量机回归模型。

4.根据权利要求1所述的一种基于吸水剖面的大数据人工智能注水方法，其特征在于，所述步骤2具体包括如下内容：

设井网平面内，第i口水井向N口油井注水概率为：

,

由切比雪夫不等式，第j口油井注水量为的概率为：

式1

其中

为X中的第j个数据，

为第i口水井的注入量，

为第j个数据出现概率，

由第i口注水井的连续性方程：

其中

为损失项；

带入式1得到概率化的连续性方程：

。

5.根据权利要求1所述的一种基于吸水剖面的大数据人工智能注水方法，其特征在于，所述步骤3具体包括如下内容：考虑利用传统注采响应模型：

其中

为第j个油井的采出量，

为第k个水井的注水量，

为第j口油井的井底流压，

为第j口油井的绕流系数，

为第j口水井的流密度系数，

为第k个水井到底j口油井间的连通系数，

基于第一步骤得到的产能分布情况给出第i口注水井向第j口油井的注水概率：

其中，P为注入概率，

为第i口水井和第j口水井之间在t时刻的流量，λ为连通系数，等式左端存在τ、J和λ超参数，需要通过传统模型给定，关于q和压力p的变量，由第一步得出的产能分布和压力数据给定。

6.根据权利要求2所述的一种基于吸水剖面的大数据人工智能注水方法，其特征在于，所述步骤4具体包括如下内容：

步骤4.1.排除层与层之间的干扰情况，建设层间距离L、地质数据D、井史信息H、井位信息S和单井整体注水量信息x关于干扰衡量系数W的新函数：W=F(L,D,H,S,x)，将利用深度强化李群网络算法，得到其基于初等函数运算的近似公式；

步骤4.2.定量化给出注水分层干扰衡量系数W；

步骤4.3.排除干扰因子后，作为新数据特征放入学习模型中；

步骤4.4.利用已有数据特征{D,H,S,x,W}对产液剖面进行学习，反向更新W，让W的函数学习逐渐逼近真实情况，最终对吸水剖面进行预测。

Images