CN115099539A - 一种基于吸水剖面的大数据人工智能注水方法 - Google Patents
一种基于吸水剖面的大数据人工智能注水方法 Download PDFInfo
- Publication number
- CN115099539A CN115099539A CN202211022993.3A CN202211022993A CN115099539A CN 115099539 A CN115099539 A CN 115099539A CN 202211022993 A CN202211022993 A CN 202211022993A CN 115099539 A CN115099539 A CN 115099539A
- Authority
- CN
- China
- Prior art keywords
- well
- water injection
- water
- oil
- 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
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 title claims abstract description 120
- 238000002347 injection Methods 0.000 title claims abstract description 77
- 239000007924 injection Substances 0.000 title claims abstract description 77
- 238000010521 absorption reaction Methods 0.000 title claims abstract description 23
- 238000000034 method Methods 0.000 title claims abstract description 22
- 238000013473 artificial intelligence Methods 0.000 title claims abstract description 13
- 239000003129 oil well Substances 0.000 claims abstract description 46
- 238000009826 distribution Methods 0.000 claims abstract description 31
- 238000004519 manufacturing process Methods 0.000 claims abstract description 17
- 239000012530 fluid Substances 0.000 claims abstract description 7
- 238000013528 artificial neural network Methods 0.000 claims abstract description 5
- 230000006870 function Effects 0.000 claims description 21
- 239000010410 layer Substances 0.000 claims description 20
- 239000007788 liquid Substances 0.000 claims description 9
- 238000004891 communication Methods 0.000 claims description 6
- 229910052739 hydrogen Inorganic materials 0.000 claims description 6
- 238000005259 measurement Methods 0.000 claims description 6
- 238000012706 support-vector machine Methods 0.000 claims description 6
- 238000013507 mapping Methods 0.000 claims description 4
- 239000011229 interlayer Substances 0.000 claims description 3
- 239000011159 matrix material Substances 0.000 claims description 3
- 210000002569 neuron Anatomy 0.000 claims description 3
- 230000004044 response Effects 0.000 claims description 3
- 230000019771 cognition Effects 0.000 abstract description 4
- 238000012544 monitoring process Methods 0.000 abstract description 4
- 238000011084 recovery Methods 0.000 description 4
- 238000011161 development Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 230000005465 channeling Effects 0.000 description 1
- 239000000470 constituent Substances 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000006073 displacement reaction Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 239000008213 purified water Substances 0.000 description 1
- 238000011160 research Methods 0.000 description 1
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"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/11—Complex mathematical operations for solving equations, e.g. nonlinear equations, general mathematical optimization problems
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
-
- 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
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
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:
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:
由第i口注水井的连续性方程:
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:
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:
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:
由第i口注水井的连续性方程:
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:
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:
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。
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。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211022993.3A CN115099539A (zh) | 2022-08-25 | 2022-08-25 | 一种基于吸水剖面的大数据人工智能注水方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211022993.3A CN115099539A (zh) | 2022-08-25 | 2022-08-25 | 一种基于吸水剖面的大数据人工智能注水方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115099539A true CN115099539A (zh) | 2022-09-23 |
Family
ID=83301779
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211022993.3A Pending CN115099539A (zh) | 2022-08-25 | 2022-08-25 | 一种基于吸水剖面的大数据人工智能注水方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115099539A (zh) |
Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20110146993A1 (en) * | 2009-12-21 | 2011-06-23 | Chevron U.S.A. Inc. | System and method for waterflooding offshore reservoirs |
US20130025853A1 (en) * | 2009-07-18 | 2013-01-31 | Morrow Norman R | Single-well diagnostics and increased oil recovery by oil injection and sequential waterflooding |
CN104732303A (zh) * | 2015-04-09 | 2015-06-24 | 中国石油大学(华东) | 一种基于动态径向基函数神经网络的油田产量预测方法 |
CN105888633A (zh) * | 2016-06-20 | 2016-08-24 | 中国石油大学(华东) | 分层注水层段配注量确定方法 |
CN107339087A (zh) * | 2017-08-10 | 2017-11-10 | 中国石油天然气股份有限公司 | 一种注水量劈分方法及装置 |
CN109002574A (zh) * | 2018-06-06 | 2018-12-14 | 西安石油大学 | 一种多层油藏脉冲周期注水开发指标预测方法 |
CN109543828A (zh) * | 2018-12-28 | 2019-03-29 | 中国石油大学(华东) | 一种基于小样本条件下的吸水剖面预测方法 |
CN111861780A (zh) * | 2019-04-24 | 2020-10-30 | 中国石油天然气股份有限公司 | 生产井中生产层的产量确定方法、装置及存储介质 |
CN112282714A (zh) * | 2020-11-30 | 2021-01-29 | 河海大学 | 基于深度学习和图论的全井网注水开发优化方法 |
CN112360411A (zh) * | 2020-11-30 | 2021-02-12 | 河海大学 | 基于图神经网络的局部井网注水开发优化方法 |
CN114357852A (zh) * | 2021-11-12 | 2022-04-15 | 中法渤海地质服务有限公司 | 一种基于长短期记忆神经网络和粒子群优化算法的分层注水优化方法 |
CN114810008A (zh) * | 2022-04-14 | 2022-07-29 | 哈尔滨理工大学 | 一种油田分层注水量预测方法 |
-
2022
- 2022-08-25 CN CN202211022993.3A patent/CN115099539A/zh active Pending
Patent Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20130025853A1 (en) * | 2009-07-18 | 2013-01-31 | Morrow Norman R | Single-well diagnostics and increased oil recovery by oil injection and sequential waterflooding |
US20110146993A1 (en) * | 2009-12-21 | 2011-06-23 | Chevron U.S.A. Inc. | System and method for waterflooding offshore reservoirs |
CN104732303A (zh) * | 2015-04-09 | 2015-06-24 | 中国石油大学(华东) | 一种基于动态径向基函数神经网络的油田产量预测方法 |
CN105888633A (zh) * | 2016-06-20 | 2016-08-24 | 中国石油大学(华东) | 分层注水层段配注量确定方法 |
CN107339087A (zh) * | 2017-08-10 | 2017-11-10 | 中国石油天然气股份有限公司 | 一种注水量劈分方法及装置 |
CN109002574A (zh) * | 2018-06-06 | 2018-12-14 | 西安石油大学 | 一种多层油藏脉冲周期注水开发指标预测方法 |
CN109543828A (zh) * | 2018-12-28 | 2019-03-29 | 中国石油大学(华东) | 一种基于小样本条件下的吸水剖面预测方法 |
CN111861780A (zh) * | 2019-04-24 | 2020-10-30 | 中国石油天然气股份有限公司 | 生产井中生产层的产量确定方法、装置及存储介质 |
CN112282714A (zh) * | 2020-11-30 | 2021-01-29 | 河海大学 | 基于深度学习和图论的全井网注水开发优化方法 |
CN112360411A (zh) * | 2020-11-30 | 2021-02-12 | 河海大学 | 基于图神经网络的局部井网注水开发优化方法 |
CN114357852A (zh) * | 2021-11-12 | 2022-04-15 | 中法渤海地质服务有限公司 | 一种基于长短期记忆神经网络和粒子群优化算法的分层注水优化方法 |
CN114810008A (zh) * | 2022-04-14 | 2022-07-29 | 哈尔滨理工大学 | 一种油田分层注水量预测方法 |
Non-Patent Citations (1)
Title |
---|
王晨羽: "强化深度学习在藏油工程中的应用", 《第六届数字油田国际学术会议》 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112836349B (zh) | 基于井筒参数的注采联调智能决策方法及系统 | |
CN109948841B (zh) | 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 | |
CN111625922B (zh) | 一种基于机器学习代理模型的大规模油藏注采优化方法 | |
CN112861423B (zh) | 数据驱动的注水油藏优化方法和系统 | |
CN110288157A (zh) | 一种基于注意力机制和lstm的径流预测方法 | |
CN109615011A (zh) | 一种基于lstm的中小河流短期洪水预报方法 | |
CN102819663B (zh) | 一种基于优化的支持向量回归参数的船舶航迹预测方法 | |
CN111861774B (zh) | 一种基于并行代理模型的油藏生产机器学习方法 | |
Larestani et al. | Predicting formation damage of oil fields due to mineral scaling during water-flooding operations: Gradient boosting decision tree and cascade-forward back-propagation network | |
CN104615862A (zh) | 基于进化算法的高含水油田确定井位的方法 | |
Sami et al. | Forecasting multiphase flowing bottom-hole pressure of vertical oil wells using three machine learning techniques | |
CN108985515A (zh) | 一种基于独立循环神经网络的新能源出力预测方法及系统 | |
CN108961468B (zh) | 一种基于集成学习的船舶动力系统故障诊断方法 | |
CN106321072A (zh) | 一种基于泵功图的抽油井故障诊断方法 | |
CN104216341A (zh) | 一种基于改进随机扰动近似算法的油藏生产实时优化方法 | |
CN106200381A (zh) | 一种根据处理水量分阶段控制水厂运行的方法 | |
CN115099539A (zh) | 一种基于吸水剖面的大数据人工智能注水方法 | |
CN110424207A (zh) | 一种道路集热地下蓄能双温差梯级流量控制系统及控制方法 | |
Huang et al. | A deep-learning-based graph neural network-long-short-term memory model for reservoir simulation and optimization with varying well controls | |
Chen et al. | Optimization of production performance in a CO2 flooding reservoir under uncertainty | |
CN114429023A (zh) | 基于平面流动单元划定的分段注采参数优化方法 | |
CN107355200A (zh) | 一种纳微米颗粒分散体系改善水驱选井方法 | |
CN109002878A (zh) | 一种ga优化bp神经网络 | |
CN113610446B (zh) | 一种复杂分散断块油田群投产顺序的决策方法 | |
Camargo et al. | Advanced supervision of oil wells based on soft computing techniques |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20220923 |
|
RJ01 | Rejection of invention patent application after publication |