CN115186936B - 基于gnn模型的油田最优井网构建方法 - Google Patents
基于gnn模型的油田最优井网构建方法 Download PDFInfo
- Publication number
- CN115186936B CN115186936B CN202211092230.6A CN202211092230A CN115186936B CN 115186936 B CN115186936 B CN 115186936B CN 202211092230 A CN202211092230 A CN 202211092230A CN 115186936 B CN115186936 B CN 115186936B
- Authority
- CN
- China
- Prior art keywords
- well
- production
- wells
- node
- graph
- 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.)
- Active
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"
-
- 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
Abstract
本发明实施例公开了一种基于GNN模型的油田最优井网构建方法,包括:获取目标区域内待开发的生产井数量和注入井数量,以及各井的预设位置、预设控制条件和预设参数,作为一组当前解;根据当前解中各井的位置,构建生产井之间的第一关系图,以及注入井与生产井之间的第二关系图;根据当前解中各井的控制条件和参数,生成各井的特征向量;将第一关系图、第二关系图和特征向量,输入训练好的油田产量预测模型,得到所有井未来的累计产油量;以累计产油量最大为目标,采用PSO对当前解进行优化,得到一组新的当前解,返回关系图的构建操作,直到达到预设的迭代终止条件。本实施例自动确定油田的最优井网,降低对工程师的依赖程度。
Description
技术领域
本发明实施例涉及井网模拟领域,尤其涉及一种基于GNN模型的油田最优井网构建方法。
背景技术
在油藏开采中,油井位置的确定非常重要。选取产油量高的井网分布,能够极大提高开采成功率,降低开采成本。
目前的井网优化方法,主要依靠工程师的经验确定几组待选井位分布,再通过验证与演算选出其中的最优方案。且对于最优的判断标准也是由工程师人为确定的,较难客观评判是否真正求得最优解。
发明内容
本发明实施例提供一种基于GNN模型的油田最优井网构建方法,提供一种油田最优井网的自动化确定方法,降低对工程师的依赖程度。
第一方面,本发明实施例提供了一种基于GNN模型的油田最优井网构建方法,包括:
获取目标区域内待开发的生产井数量和注入井数量,以及各井的预设位置、预设控制条件和预设参数,作为一组当前解;
根据所述当前解中各井的位置,构建生产井之间的第一关系图,以及注入井与生产井之间的第二关系图,其中,所述第一关系图用于反映生产井与生产井之间的连通关系,所述第二关系图应用于反映注入井与生产井之间的连通关系;
根据所述当前解中各井的控制条件和参数,生成各井的特征向量;
将所述第一关系图、所述第二关系图和所述特征向量,输入训练好的油田产量预测模型,得到所有井未来的累计产油量;
以所述累计产油量最大为目标,采用PSO对所述当前解进行优化,得到一组新的当前解,返回所述关系图的构建操作,直到达到预设的迭代终止条件。
第二方面,本发明实施例提供一种电子设备,包括:
一个或多个处理器;
存储器,用于存储一个或多个程序,
当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现上述的基于GNN模型的油田最优井网构建方法。
第三方面,本发明实施例提供一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现上述的基于GNN模型的油田最优井网构建方法。
本发明实施例采用图的数据组织方式根据井网的联通性表示出井之间的影响,同时选取井点处的渗透率、饱和度、压力以及控制条件作为输入数据,有利于覆盖更多的工况,提高预测模型的适用范围;然后以Transformer结构对井产量的时间序列进行演化,最后将PSO与深度学习结合,寻找出最优的井网布置方案,降低油藏开发的成本。特别的,该模型在给出最优井网结构的同时,还可以给出适配的最优井控条件组合,提供了更详细、全面的井位分布和油藏开采方案。
附图说明
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案,下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图是本发明的一些实施方式,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1是本发明实施例提供的一种基于GNN模型的油田最优井网构建方法的流程图。
图2是本发明实施例提供一个目标区域的工况示意图。
图3是本发明实施例提供的一种基于GNN模型的油田产量预测模型的结构示意图。
图4是本发明实施例提供的一种第二MLP的结构示意图。
图5是本发明实施例提供的基于第二关系图进行AGG操作的示意图。
图6是本发明实施例提供的另一种基于GNN模型的油田最优井网构建方法的流程图。
图7a是利用全物理模型和本发明实施例提供的基于GNN模型的油田产量预测模型对P1井进行预测的结果对比图。
图7b是利用全物理模型和本发明实施例提供的基于GNN模型的油田产量预测模型对P2井进行预测的结果对比图。
图8是本发明实施例提供的井位优化前后的产油量对比图。
图9是本发明实施例提供的一种电子设备的结构示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚,下面将对本发明的技术方案进行清楚、完整的描述。显然,所描述的实施例仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动的前提下所得到的所有其它实施例,都属于本发明所保护的范围。
在本发明的描述中,需要说明的是,术语“中心”、“上”、“下”、“左”、“右”、“竖直”、“水平”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系,仅是为了便于描述本发明和简化描述,而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作,因此不能理解为对本发明的限制。此外,术语“第一”、“第二”、“第三”仅用于描述目的,而不能理解为指示或暗示相对重要性。
在本发明的描述中,还需要说明的是,除非另有明确的规定和限定,术语“安装”、“相连”、“连接”应做广义理解,例如,可以是固定连接,也可以是可拆卸连接,或一体地连接;可以是机械连接,也可以是电连接;可以是直接相连,也可以通过中间媒介间接相连,可以是两个元件内部的连通。对于本领域的普通技术人员而言,可以具体情况理解上述术语在本发明中的具体含义。
图1是本发明实施例提供的一种基于GNN(Graph Neural Network,图神经网络)模型的油田最优井网构建方法的流程图,适用于基于PSO(Particle Swarm Optimization,粒子群优化算法)构建最优井网的情况。该方法由电子设备执行,如图1所示,具体包括如下步骤:
S110、获取目标区域内待开发的生产井数量和注入井数量,以及各井的预设位置、预设控制条件和预设参数,作为一组当前解。
目标区域指油田内待研究的地理区域。本实施例将在目标区域内开发一定数量的生产井和注入井,以获取最优的油产量。其中,生产井用于产油,注入井用于向生产井注入水,促进生产井产油。本步骤将各井的预设位置、预设控制条件和预设参数作为一组当前解,在后续过程中将以该组当前解为基础,采用PSO算法不断对这些变量进行优化。其中,各井的预设位置由油藏工程师根据经验选择,预设控制条件和预设参数可以根据预设位置选取或换算得到。
各生产井的控制条件包括井底压力,各注入井的控制条件包括注水速率。各油井的参数包括:X方向渗透率、Y方向渗透率、压力和饱和度;其中,所述X方向和Y方向为平行于地面的两垂直方向。由于在给定的油藏中,随着井位置的变化,井点处的压力、饱和度以及渗透率,Y方向渗透率都会发生变化,而井的控制条件也很大程度上影响着井产量,因此本实施例将井的位置、控制条件和上述参数共同作为待优化的对象。
图2是本发明实施例提供一个目标区域的工况示意图。如图2所示,该区域的二维
地理网格的大小为,渗透率呈现高斯分布。假设将要在该区域中开发3口注入井和4
口生产井,图2给出了该区域的初始井位分布和渗透率分布,其中,方形表示生产井的预设
位置,圆形表示注入井的预设位置,PERMX表示预设的渗透率分布。后续若无特别说明,将以
该目标区域为基础对后续步骤进行说明。
S120、根据所述当前解中各井的位置,构建生产井之间的第一关系图,以及注入井与生产井之间的第二关系图。
所述第一关系图用于反映生产井与生产井之间的连通关系,所述第二关系图应用于反映注入井与生产井之间的连通关系,两幅关系图将作为后续油田产量预测的一项依据。井的连通性关系与井的地理位置密切相关,因此,在每一次得到新的当前节后,都需要根据其中各井的位置更新第一关系图和第二关系图。
在一具体实施方式中,首先,根据当前解中各井的位置,对所有井进行聚类,同一类的井认为具有连通关系。可选的,将地理距离大于一定阈值的井聚为一类,或根据先验知识,将特定区域内的井聚为一类,同一类井认为具有连通关系。具体的聚类方法可以根据实际需要进行设置,本实施例不作具体限制。
确定井之间的连通关系后,根据该连通关系构建第一关系图。具体的,建立用于构建第一关系图的多个节点,其中每个节点对应一口生产井;在具有连通关系的生产井对应的节点之间建立边;根据所述具有连通关系的生产井之间的地理距离,设置所述边的权重,由所述节点、所述边,以及所述边的权重共同构成所述第一关系图。可选的,将所述具有连通关系的生产井之间的地理距离的倒数,设置为所述边的权重,距离越远,相互之间的影响越小。
同时,根据该连通关系建立用于构建第二关系图的多个节点,其中每个节点对应一口生产井或一口注水井;在具有连通关系的生产井和注水井对应的节点之间建立边;根据所述具有连通关系的生产井和注水井之间的地理距离,设置所述边的权重,由所述节点、所述边,以及所述边的权重共同构成所述第二关系图。同理,将具有连通关系的生产井和注水井之间的地理距离的倒数,设置为所述边的权重。
本步骤中构建的关系图是个非结构数据,能够更好的表示井之间的相互影响关系,有边相连的井之间互相影响,没有边相连的井之间没有影响。井之间关系与实际的连通情况一致,同时采用不同井点之间的距离来表示井内之间的流动影响,其流动过程更加符合实际规律。
S130、根据所述当前解中各井的控制条件和参数,生成各井的特征向量。
得到各生产井和各注入井的控制条件和参数后,根据这些数据生成各生产井和各注入井的特征向量。具体的,各井对应一个特征向量;对于任一生产井而言,由该生产井的井底压力、X方向渗透率、Y方向渗透率、压力和饱和度组成一维向量,作为所述生产井的特征向量;对于任一注入井而言,由该注水井的注水速率、X方向渗透率和Y方向渗透率、压力和饱和度组成一维向量,作为所述注入井的特征向量。
具体的,使用表示井 在X方向的渗透率,表示井 在Y方向的渗透率, 表示
井 的饱和度, 表示井 的压力, 表示生产井 的控制条件, 表示注入井j的控
制条件, 表示生产井 的特征向量, 表示注入井 的特征向量。则根据上述定义,
本步骤得到的输入数据可以表示如下:
S140、将所述第一关系图、所述第二关系图和所述特征向量,输入训练好的油田产量预测模型,得到所有井未来的累计产油量。
所述油田产量预测模型用于根据井的特征向量组成的输入数据,以及两幅关系图,预测目标区域未来的产量。具体的,产量通过产油率和产水率计算;产油率指产油速率,例如每天产油a立方米;产水率指产水速率,例如每天产水b立方米,因此本实施例中将产油率和产水率作为模型的输出数据,产油率和产水率乘以时间就可以得到产量。图3为本发明实施例提供的一种油田产量预测模型的结构示意图。如图3所示,所述油田产量预测模型包括:特征扩展层,第一AGG(AGGregate,聚合)层、第二AGG层,Transformer网络和第一MLP(Multilayer Perceptron,多层感知机)。在模型中,主要执行如下步骤:
步骤一、将各生产井和各注入的特征向量输入所述特征扩展层进行扩展编码,得到各生产井和各注入井的编码特征。可选的,所述特征扩展层包括第二MLP;将由各生产井和各注入的特征向量组成的输入数据,输入训练好的第二MLP;由所述第二MLP对所述输入数据进行上采样编码,得到的输出数据中包括各生产井和各注入井的编码特征。可选的,第二MLP的结构如图4所示,包括顺序连接的第三FC(Fully Connected Layer,全连接层)、ReLU(Rectified Linear Unit,整流线性单元)激活函数和第四FC,第三FC的的输出数据为128维,第四FC的输出数据为256维。进一步的,第二MLP可以分别对各井的特征向量进行场采样编码,由第三FC将每个特征向量扩展为128维,由第四FC将128维的向量扩展为256维,实现逐步扩展,避免造成过大的信息误差。
步骤二、将所述编码特征分别输入所述第一AGG层和所述第二AGG层,分别根据所述第一关系图和所述第二关系图,对各井的编码特征进行合并,得到不同时间点下各生产井的合并特征。在每个AGG层中,分别采用AGG操作对图中各节点进行特征合并。
在第一AGG层中,将各井的编码特征作为当前特征赋值给所述第一关系图的节点;并根据所述第一关系图中任一节点,以及与所述任一节点具有连通关系的第一节点的当前特征,计算所述任一节点在下一时间点的第一特征。具体的,在所述第一关系图中,确定与任一节点具有连通关系的第一节点;将所述任一节点的当前特征、所述第一节点的当前特征,以及所述任一节点和所述第一节点之间的边的权重进行拼接;将拼接结果输入第一全连接层,输出与所述当前特征相同尺寸的第一特征,所述第一特征用于表征所述任一节点在下一时间点的部分特性。进一步的,如果第一节点有多个,则依次对每个第一节点进行上述操作,输出每个第一节点对应的第一特征,然后将所有第一特征相加,得到最终的第一特征。
在第二AGG层中,将各井的编码特征作为当前特征赋值给所述第二关系图的节点;并根据所述第二关系图中对应生产井的第二节点,以及与所述第二节点具有连通关系的第三节点的当前特征,计算所述第二节点在下一时间点的第二特征。具体的,在所述第二关系图中,确定对应生产井的第二节点,以及与所述第二节点具有连通关系的第三节点;将所述第二节点的当前特征、所述第三节点的当前特征,以及所述第二节点和所述第三节点之间的边的权重进行拼接;将拼接结果输入第二全连接层,输出与所述当前特征相同尺寸的第二特征,所述第二特征用于表征所述任一节点在下一时间点的另一部分特性。进一步的,如果第三节点有多个,则依次对每个第三节点进行上述操作,输出每个第三节点对应的第二特征,然后将所有第二特征相加,得到最终的第二特征。
下面以图5所示的第二关系图为例,说明存在多个第三节点的情况下,在第二AGG
层中求解最终的第二特征的具体过程。图中包含P的节点表示生产井节点,包含I的节点为
注入井节点,实线表示第二关系图中的边,虚线及虚线指向的节点表示AGG操作中生成的临
时状态。假设当前需要更新某一第二节点P-1(对应一口生产井)的状态,也就是求解节点P-
1在下一时间点的合并特征。由于第二关系图中和P-1相连接的第三节点有I-1和I-2,因此,
首先将生产井和注入井的编码特征赋值给生产井节点P-1以及注入井节点I-1和I-2,同时
根据节点之间距离的倒数作为节点之间的边的权重(假如P-1到I-1之间边的权重为,
P-1到I-2之间边的权重为)。然后,将拼接特征[P-1,I-1,]作为输入第二FC(输
出维度是256维),得到新的特征输出P-1-1(即第三节点I-1对应的第二特征);同样,将[P-
1,I-2,]作为输入第二FC,得到新的特征输出P-1-2(即第三节点I-1对应的第二特
征),最终将第二特征P-1-1和P-1-2的相加,得到最终内的第二特征P-1-new。
同理,在第一AGG层中求解最终的第一特征的具体过程类似,本实施例不再赘述。
得到各生产井的第一特征和第二特征后,将同一生产井对应的所述第一特征和所
述第二特征融合,得到所述同一生产井在下一时间点的合并特征。第一特征中学习到
了生产井到生产井的关系,第二特征中学习到了注入井到生产井的关系,可以使用第
五FC将特征和 融合在一起,得到合并特征。
得到各生产井在下一时间点的合并特征后,根据这些特征更新当前特征,得到新的当前特征,并重新赋值给所述第一关系图和所述第二关系图中对应的节点,返回所述第一特征和所述第二特征的计算操作,直到得到不同时间点下各生产井的合并特征。可选的,达到设定的终止时间点后即可终止迭代循环。例如,以一个月为时间步长预测未来五个月的油产率,则第五个月即为终止时间点。
步骤三、根据所述合并特征,采用训练好的Transformer网络和第三MLP得到不同时间点下的各生产井的产量。得到不同时间点下各生产井的合并特征后,使用训练好的Transformer结构对整个特征进行时间演化,最后通过一个2层的第三MLP得到各井不同时间点下的产量输出。其中,第三MLP具体结构也是“全连接+激活函数+全连接”,第一个全连接的输出是128维度,第二个FC的输出是2维,分别是产油率和产水率。
步骤四、根据所述不同时间点下的各生产井的产量,计算所有井未来的累计产油量。将所有生产井、所有时间点下的产量累加,得到累计产油量。
S150、以所述累计产油量最大为目标,采用PSO对所述当前解进行优化,得到一组新的当前解,返回所述关系图的构建操作,直到达到预设的迭代终止条件。
本实施例以井的位置、控制条件和参数为待优化对象,采用PSO方法在解空间内进行搜索,寻找使所有井的累计产油量最大的最优解。每一次搜索到一组新的当前解后,又以新的当前解为基础,重复S120-S140中的操作,直到达到预设的迭代终止条件,得出最优的井网部署。整个最优解的确定过程如图6所示。可选的,所述迭代终止条件可以根据实际需要具体设置,例如达到设定的循环次数,或达到设定的累计油产量阈值等,本实施例不作具体限制。
综上所述,本实施例采用图的数据组织方式根据井网的联通性表示出井之间的影响,采用GNN模型井井之间的影响引入到产量预测中,提高了预测精度;同时选取井点处的渗透率、饱和度、压力以及控制条件作为输入数据,有利于覆盖更多的工况,提高预测模型的适用范围;然后以Transformer结构对井产量的时间序列进行演化,得到了不同井位方案下的累计油产量,并以累计油产量最优为原则,将PSO与深度学习结合,寻找出最优的井网布置方案,降低油藏开发的成本。特别的,该模型在给出最优井网结构的同时,还可以给出适配的最优井控条件组合,提供了更详细、全面的井位分布和油藏开采方案。
与其他技术方案相比,本实施例提供的预测模型可以达到更好的精度以及更快的速度。本申请以全物理模型模拟结果为基础,比了该技术方案模型和模拟器的误差。在精度方面,本实施例的模型模型在产油方面的平均相对误差为7.1%,在速度方面,本实施例的模型完成一个预测需要0.3s。图7a和图7b是在一次井位优化后,分别采用全物理模型和本申请的模型对优化后的两口井(P1井和P2井)进行产量预测的结果对比图。其中,图7a是P1井的预测结果对比图,图7b是P2井的预测结果对比图,虚线代表全物理模型的预测结果,实线代表本申请的模型的预测结果。可以看出,本申请的模型和全物理模型的模拟结果具有较高的一致性。基于以上预测结果,继续采用本申请提供的PSO方法对4口井的最优位置进行优化,发现优化前后的累计产油量提高了35%,如图8所示。
在上述实施例和下述实施例的基础上,本实施例对图3所示的预测模型的训练过程进行细化。可选的,在将所述第一关系图、所述第二关系图和所述特征向量,输入训练好的油田产量预测模型,得到所有井未来的累计产油量之前,还包括如下步骤:
首先,根据井的控制条件生成多个不同控制条件下的算例,并采用LandSim等模拟软件对算例进行模拟,提取出井的产油率以及产水率作为模型的输出标签。
然后,对提取到的数据进行归一化,并划分为训练集和测试集。可选的,采用最大值最小值的方法对数据进行归一化,将归一化的数据按照8:2的比例划分训练集和测试集。
同时,为了更好的调节每部分输出的重要性,将模型的损失函数分为含油量损失和含水量损失两部分,构造如下损失函数:
其中, 表示产水的损失,M表示生产井个数,T表示模拟的时间总数,表示井i
在时间t下的真实产水率,表示井i在时间t下的利用本申请模型预测的产水率; 表示
产油的损失,表示井i在时间t下的真实产油率,表示井i在时间t下的利用本申请模型
预测的产油率。 表示总体损失,其中和表示权重,可以分别取值为5和10。
最后,利用所述训练样本和损失函数,对油田产量预测模型进行训练。具体的,采用ADAM优化器,初始学习率是0.0001,epoch的个数是100。
训练完毕后对模型参数保存为对应的模型文件。在使用过程中首先对模型进行加载,然后将井的输入数据进行归一化,送入训练好的预测模型中并得到结果,最后通过反归一化得到井的实际产量的相关信息。
图9为本发明实施例提供的一种电子设备的结构示意图,如图9所示,该设备包括处理器50、存储器51、输入装置52和输出装置53;设备中处理器50的数量可以是一个或多个,图9中以一个处理器50为例;设备中的处理器50、存储器51、输入装置52和输出装置53可以通过总线或其他方式连接,图9中以通过总线连接为例。
存储器51作为一种计算机可读存储介质,可用于存储软件程序、计算机可执行程序以及模块,如本发明实施例中的基于GNN模型的油田最优井网构建方法对应的程序指令/模块。处理器50通过运行存储在存储器51中的软件程序、指令以及模块,从而执行设备的各种功能应用以及数据处理,即实现上述的基于GNN模型的油田最优井网构建方法。
存储器51可主要包括存储程序区和存储数据区,其中,存储程序区可存储操作系统、至少一个功能所需的应用程序;存储数据区可存储根据终端的使用所创建的数据等。此外,存储器51可以包括高速随机存取存储器,还可以包括非易失性存储器,例如至少一个磁盘存储器件、闪存器件、或其他非易失性固态存储器件。在一些实例中,存储器51可进一步包括相对于处理器50远程设置的存储器,这些远程存储器可以通过网络连接至设备。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
输入装置52可用于接收输入的数字或字符信息,以及产生与设备的用户设置以及功能控制有关的键信号输入。输出装置53可包括显示屏等显示设备。
本发明实施例还提供了一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现任一实施例的基于GNN模型的油田最优井网构建方法。
本发明实施例的计算机存储介质,可以采用一个或多个计算机可读的介质的任意组合。计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质。计算机可读存储介质例如可以是但不限于电、磁、光、电磁、红外线、或半导体的系统、装置或器件,或者任意以上的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括:具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本文件中,计算机可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。
计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号,其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式,包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质,该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。
计算机可读介质上包含的程序代码可以用任何适当的介质传输,包括但不限于无线、电线、光缆、RF等等,或者上述的任意合适的组合。可以以一种或多种程序设计语言或其组合来编写用于执行本发明操作的计算机程序代码,程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++,还包括常规的过程式程序设计语言—诸如”C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中,远程计算机可以通过任意种类的网络,包括局域网(LAN)或广域网(WAN),连接到用户计算机,或者,可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
最后应说明的是:以上各实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述各实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分或者全部技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案。
Claims (9)
1.一种基于GNN模型的油田最优井网构建方法,其特征在于,包括:
获取目标区域内待开发的生产井数量和注入井数量,以及各井的预设位置、预设控制条件和预设参数,作为一组当前解;
根据所述当前解中各井的位置,构建生产井之间的第一关系图,以及注入井与生产井之间的第二关系图,其中,所述第一关系图用于反映生产井与生产井之间的连通关系,所述第二关系图应用于反映注入井与生产井之间的连通关系;具体的,根据当前解中各井的位置对所有井进行聚类,同一类的井认为具有连通关系;建立用于构建第一关系图的多个节点,其中每个节点对应一口生产井;在具有连通关系的生产井对应的节点之间建立边;根据所述具有连通关系的生产井之间的地理距离,设置所述边的权重,由所述节点、所述边,以及所述边的权重共同构成所述第一关系图;建立用于构建第二关系图的多个节点,其中每个节点对应一口生产井或一口注水井;在具有连通关系的生产井和注水井对应的节点之间建立边;根据所述具有连通关系的生产井和注水井之间的地理距离,设置所述边的权重,由所述节点、所述边,以及所述边的权重共同构成所述第二关系图;
根据所述当前解中各井的控制条件和参数,生成各井的特征向量;
将所述第一关系图、所述第二关系图和所述特征向量,输入训练好的油田产量预测模型,得到所有井未来的累计产油量;
以所述累计产油量最大为目标,采用PSO对所述当前解进行优化,得到一组新的当前解,返回所述关系图的构建操作,直到达到预设的迭代终止条件。
2.根据权利要求1所述的方法,其特征在于,各生产井的控制条件包括井底压力,各注入井的控制条件包括注水速率;
所述参数包括:X方向渗透率、Y方向渗透率、压力和饱和度;
其中,所述X方向和Y方向为平行于地面的两垂直方向。
3.根据权利要求2所述的方法,其特征在于,所述根据所述当前解中各井的控制条件和参数,生成各井的特征向量,包括:
由任一生产井的井底压力、X方向渗透率、Y方向渗透率、压力和饱和度,构成所述生产井的特征向量;
由任一注入井的注水速率、X方向渗透率和Y方向渗透率、压力和饱和度,构成所述注入井的特征向量。
4.根据权利要求1所述的方法,其特征在于,所述油田产量预测模型包括:特征扩展层,第一AGG层、第二AGG层,Transformer网络和第一MLP;
将所述第一关系图、所述第二关系图和所述特征向量,输入训练好的油田产量预测模型,得到所有井未来的累计产油量,包括:
将各生产井和各注入的特征向量输入所述特征扩展层进行扩展编码,得到各生产井和各注入井的编码特征;
将所述编码特征分别输入所述第一AGG层和所述第二AGG层,分别根据所述第一关系图和所述第二关系图对各井的编码特征进行合并,得到不同时间点下各生产井的合并特征;
根据所述合并特征,采用训练好的Transformer网络和第一MLP得到不同时间点下的各生产井的产量;
根据所述不同时间点下的各生产井的产量,计算所有井未来的累计产油量。
5.根据权利要求4所述的方法,其特征在于,所述特征扩展层包括第二MLP;
所述将各生产井和各注入的特征向量输入所述特征扩展层进行扩展编码,得到各生产井和各注入井的编码特征,包括:
由各生产井和各注入的特征向量组成输入数据,输入训练好的第二MLP;
由所述第二MLP对所述输入数据进行上采样编码,得到的输出数据中包括各生产井和各注入井的编码特征。
6.根据权利要求4所述的方法,其特征在于,所述将所述编码特征分别输入所述第一AGG层和所述第二AGG层,分别根据所述第一关系图和所述第二关系图,对各井的编码特征进行合并,得到不同时间点下各生产井的合并特征,包括:
在第一AGG层中,将各井的编码特征作为当前特征赋值给所述第一关系图的节点;根据所述第一关系图中任一节点,以及与所述任一节点具有连通关系的第一节点的当前特征,计算所述任一节点在下一时间点的第一特征;
在第二AGG层中,将各井的编码特征作为当前特征赋值给所述第二关系图的节点;根据所述第二关系图中对应生产井的第二节点,以及与所述第二节点具有连通关系的第三节点的当前特征,计算所述第二节点在下一时间点的第二特征;
将同一生产井对应的所述第一特征和所述第二特征融合,得到所述同一生产井在下一时间点的合并特征;
根据各生产井在下一时间点的合并特征更新所述当前特征,重新赋值给所述第一关系图和所述第二关系图中对应的节点,返回所述第一特征和所述第二特征的计算操作,直到得到不同时间点下各生产井的合并特征。
7.根据权利要求6所述的方法,其特征在于,所述根据所述第一关系图中任一节点,以及与所述任一节点具有连通关系的第一节点的当前特征,计算所述任一节点在下一时间点的第一特征,包括:
在所述第一关系图中,确定与任一节点具有连通关系的第一节点;
将所述任一节点的当前特征、所述第一节点的当前特征,以及所述任一节点和所述第一节点之间的边的权重进行拼接;
将拼接结果输入第一全连接层,输出与所述当前特征相同尺寸的第一特征,所述第一特征用于表征所述任一节点在下一时间点的部分特性。
8.一种电子设备,其特征在于,包括:
一个或多个处理器;
存储器,用于存储一个或多个程序,
当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现如权利要求1-7中任一所述的基于GNN模型的油田最优井网构建方法。
9.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,该程序被处理器执行时实现如权利要求1-7中任一所述的基于GNN模型的油田最优井网构建方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211092230.6A CN115186936B (zh) | 2022-09-08 | 2022-09-08 | 基于gnn模型的油田最优井网构建方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211092230.6A CN115186936B (zh) | 2022-09-08 | 2022-09-08 | 基于gnn模型的油田最优井网构建方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115186936A CN115186936A (zh) | 2022-10-14 |
CN115186936B true CN115186936B (zh) | 2022-12-27 |
Family
ID=83523829
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211092230.6A Active CN115186936B (zh) | 2022-09-08 | 2022-09-08 | 基于gnn模型的油田最优井网构建方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115186936B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117684947B (zh) * | 2022-12-14 | 2024-05-07 | 中国科学院沈阳自动化研究所 | 一种基于深度学习的油井井底流压软测量方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111364953A (zh) * | 2020-03-09 | 2020-07-03 | 中国石油大学(华东) | 一种基于图神经网络的井间动态连通性识别方法及系统 |
CN112926771A (zh) * | 2021-02-22 | 2021-06-08 | 中国石油大学(华东) | 一种基于改进的时空图卷积网络产油量预测方法及系统 |
CN113435662A (zh) * | 2021-07-14 | 2021-09-24 | 中国石油大学(华东) | 水驱油藏产量预测方法、装置及存储介质 |
CN114997452A (zh) * | 2021-02-22 | 2022-09-02 | 中国石油化工股份有限公司 | 基于维诺图及时空图卷积神经网络的产油量预测方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20220164657A1 (en) * | 2020-11-25 | 2022-05-26 | Chevron U.S.A. Inc. | Deep reinforcement learning for field development planning optimization |
-
2022
- 2022-09-08 CN CN202211092230.6A patent/CN115186936B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111364953A (zh) * | 2020-03-09 | 2020-07-03 | 中国石油大学(华东) | 一种基于图神经网络的井间动态连通性识别方法及系统 |
CN112926771A (zh) * | 2021-02-22 | 2021-06-08 | 中国石油大学(华东) | 一种基于改进的时空图卷积网络产油量预测方法及系统 |
CN114997452A (zh) * | 2021-02-22 | 2022-09-02 | 中国石油化工股份有限公司 | 基于维诺图及时空图卷积神经网络的产油量预测方法 |
CN113435662A (zh) * | 2021-07-14 | 2021-09-24 | 中国石油大学(华东) | 水驱油藏产量预测方法、装置及存储介质 |
Non-Patent Citations (2)
Title |
---|
基于IPSO-GNN的油田指标预测模型研究;严胡勇等;《科学技术与工程》;20140528;第14卷(第15期);第197-202页 * |
油田中后期开发优化与决策研究;张福坤;《中国优秀博硕士学位论文全文数据库(硕士)工程科技Ⅰ辑》;20151215(第12期);第1-147页 * |
Also Published As
Publication number | Publication date |
---|---|
CN115186936A (zh) | 2022-10-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20210287138A1 (en) | Learning to simulate and design for structural engineering | |
US8849623B2 (en) | Systems and methods for reservoir development and management optimization | |
CN109416769B (zh) | 生成用于开采油气储藏的油田开发计划(fdp)的计算机实施的方法 | |
CN112187554B (zh) | 一种基于蒙特卡洛树搜索的运维系统故障定位方法和系统 | |
CN105452598B (zh) | 选择和优化用于产量平台的油田控制的方法 | |
CN115186936B (zh) | 基于gnn模型的油田最优井网构建方法 | |
AlQahtani et al. | Well optimization strategies in conventional reservoirs | |
CN115688600A (zh) | 油藏井位优化方法、电子设备及存储介质 | |
CN107786989A (zh) | 一种Lora智能水表网络网关部署方法及装置 | |
CN113326343B (zh) | 基于多级网格和文件索引的路网数据存储方法及系统 | |
CN113779881A (zh) | 致密含水气藏产能预测方法、装置及设备 | |
CN117318033A (zh) | 一种结合数据孪生的电网数据管理方法及系统 | |
CN117150595A (zh) | 基于人工智能的bim软件间互操作自动建模方法及系统 | |
Le Ravalec | Optimizing well placement with quality maps derived from multi-fidelity meta-models | |
CN115455899A (zh) | 一种基于图神经网络的解析布局方法 | |
CN115375867A (zh) | 利用网格模型计算地热资源量方法、系统、设备及介质 | |
CN116341634A (zh) | 神经结构搜索模型的训练方法、装置及电子设备 | |
Farshi | Improving genetic algorithms for optimum well placement | |
Bouzarkouna et al. | Well placement optimization under uncertainty with CMA-ES using the neighborhood | |
CN115169761B (zh) | 基于gnn和lstm的复杂井网油田产量预测方法 | |
Panigrahi et al. | Spider monkey particle swarm optimization (SMPSO) with coverage criteria for optimal test case generation in object-oriented systems | |
CN112990631A (zh) | 渗流场的评价方法及装置、计算机可读存储介质 | |
CN117454133B (zh) | 一种数据库参数配置方法及相关设备 | |
US20230237225A1 (en) | Machine learning based reservoir modeling | |
CN109272042B (zh) | 基于pr模型的小尺度裂缝建模方法、装置、设备及介质 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |