CN115405273A - 基于集成学习的稠油多介质吞吐智能开采方法及装置 - Google Patents

基于集成学习的稠油多介质吞吐智能开采方法及装置 Download PDF

Info

Publication number
CN115405273A
CN115405273A CN202110583750.6A CN202110583750A CN115405273A CN 115405273 A CN115405273 A CN 115405273A CN 202110583750 A CN202110583750 A CN 202110583750A CN 115405273 A CN115405273 A CN 115405273A
Authority
CN
China
Prior art keywords
injection
data
medium
huff
historical
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.)
Granted
Application number
CN202110583750.6A
Other languages
English (en)
Other versions
CN115405273B (zh
Inventor
吴淑红
任义丽
梁佳
许锟
罗路
陶治
郭二鹏
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Petrochina Co Ltd
Original Assignee
Petrochina Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Petrochina Co Ltd filed Critical Petrochina Co Ltd
Priority to CN202110583750.6A priority Critical patent/CN115405273B/zh
Publication of CN115405273A publication Critical patent/CN115405273A/zh
Application granted granted Critical
Publication of CN115405273B publication Critical patent/CN115405273B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • E—FIXED CONSTRUCTIONS
    • E21—EARTH OR ROCK DRILLING; MINING
    • E21B—EARTH OR ROCK DRILLING; OBTAINING OIL, GAS, WATER, SOLUBLE OR MELTABLE MATERIALS OR A SLURRY OF MINERALS FROM WELLS
    • E21B43/00—Methods or apparatus for obtaining oil, gas, water, soluble or meltable materials or a slurry of minerals from wells
    • E21B43/16—Enhanced recovery methods for obtaining hydrocarbons
    • E21B43/24—Enhanced recovery methods for obtaining hydrocarbons using heat, e.g. steam injection
    • E—FIXED CONSTRUCTIONS
    • E21—EARTH OR ROCK DRILLING; MINING
    • E21B—EARTH OR ROCK DRILLING; OBTAINING OIL, GAS, WATER, SOLUBLE OR MELTABLE MATERIALS OR A SLURRY OF MINERALS FROM WELLS
    • E21B49/00—Testing the nature of borehole walls; Formation testing; Methods or apparatus for obtaining samples of soil or well fluids, specially adapted to earth drilling 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—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/02—Agriculture; Fishing; Forestry; 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
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/30—Computing systems specially adapted for manufacturing

Landscapes

  • Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Physics & Mathematics (AREA)
  • Mining & Mineral Resources (AREA)
  • Geology (AREA)
  • Theoretical Computer Science (AREA)
  • Fluid Mechanics (AREA)
  • General Life Sciences & Earth Sciences (AREA)
  • Geochemistry & Mineralogy (AREA)
  • General Health & Medical Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • Environmental & Geological Engineering (AREA)
  • Business, Economics & Management (AREA)
  • Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Biomedical Technology (AREA)
  • Human Resources & Organizations (AREA)
  • Marketing (AREA)
  • Marine Sciences & Fisheries (AREA)
  • Strategic Management (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Animal Husbandry (AREA)
  • Agronomy & Crop Science (AREA)
  • Artificial Intelligence (AREA)
  • Economics (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种基于集成学习的稠油多介质吞吐智能开采方法及装置，其中该方法包括：对获取的历史的油藏静态参数、注采生产数据和产量数据进行预处理和特征处理；根据历史的注采生产数据和产量数据确定历史的稠油多介质吞吐开采效果指数；基于处理后数据和历史的稠油多介质吞吐开采效果指数，构建并训练注采效果评价的集成学习模型；获取实际的油藏静态参数和注采生产数据；根据实际的油藏静态参数和注采生产数据，基于注采效果评价的集成学习模型，输出稠油多介质吞吐开采效果指数，实现稠油多介质吞吐智能开采。本发明可实现稠油多介质吞吐的智能化开采。

Description

基于集成学习的稠油多介质吞吐智能开采方法及装置
技术领域
本发明涉及稠油多介质吞吐开采技术领域，尤其涉及基于集成学习的稠油多介质吞吐智能开采方法及装置。
背景技术
本部分旨在为权利要求书中陈述的本发明实施例提供背景或上下文。此处的描述不因为包括在本部分中就承认是现有技术。
稠油，亦称重质原油。目前随着原油不断地被开采利用，可采油气资源越来越少，稀油资源逐渐紧缺，因此对稠油进行低成本有效开采显得日益重要。蒸汽吞吐是目前稠油生产的重要方式。目前多介质吞吐开发主要依赖于经验公式法、解析解模型法(如蒸汽加热解析解模型)和数值模拟(如Mandl-Volek一维模型)方法。数值模拟方法的精度较高，但流程复杂，工作量大，投入多，且研究成果时效性差，对技术人员的要求较高，因此其适用性受到限制。另外，目前使用的油田数值模拟软件操作复杂，应用费时，成本较高；且油气专家根据区块开发的历史和经验积累选择目标井时，油藏区块选择和操作参数的设定具有主观性，极其依赖专家经验，没有量化、客观的注采效果评价体系，注采参数的选择也大都是经验化，存在一定的主观性、随机性。
另外，目前稠油多介质吞吐开采生产中，还存在以下问题：
1)多介质应用效果不明确，作用的最佳方式和作用规律尚不清楚；
2)现有的大量多介质吞吐数据未被有效利用，“数据沉睡”现象显著；
3)生产建模繁琐，重复劳动力严重。
发明内容
本发明实施例提供一种基于集成学习的稠油多介质吞吐智能开采方法，用以解决稠油开发过程存在建模繁琐、一线人员效率低下、重复劳动力严重等问题，该方法包括：
获取稠油多介质吞吐开采过程中历史的油藏静态参数、历史的注采生产数据和历史的产量数据；
对所述历史的油藏静态参数、历史的注采生产数据和历史的产量数据进行预处理和特征处理，获得处理后数据；
根据历史的注采生产数据和历史的产量数据确定历史的稠油多介质吞吐开采效果指数；
基于所述处理后数据和历史的稠油多介质吞吐开采效果指数，通过集成学习算法，构建并训练注采效果评价的集成学习模型；
获取稠油多介质吞吐开采过程中实际的油藏静态参数和实际的注采生产数据；
将实际的油藏静态参数和实际的注采生产数据作为输入数据，基于注采效果评价的集成学习模型，输出实际的稠油多介质吞吐开采效果指数，根据所述实际的稠油多介质吞吐开采效果指数实现稠油多介质吞吐智能开采。
本发明实施例还提供一种基于集成学习的稠油多介质吞吐智能开采装置，用以解决稠油开发过程存在建模繁琐、一线人员效率低下、重复劳动力严重等问题，该装置包括：
数据获取模块，用于获取稠油多介质吞吐开采过程中历史的油藏静态参数、历史的注采生产数据和历史的产量数据；
预处理和特征处理模块，用于对所述历史的油藏静态参数、历史的注采生产数据和历史的产量数据进行预处理和特征处理，获得处理后数据；
稠油多介质吞吐开采效果指数确定模块，用于根据历史的注采生产数据和历史的产量数据确定历史的稠油多介质吞吐开采效果指数；
注采效果评价的集成学习模型构建训练模块，用于基于所述处理后数据和历史的稠油多介质吞吐开采效果指数，通过集成学习算法，构建并训练注采效果评价的集成学习模型；
数据获取模块还用于：获取稠油多介质吞吐开采过程中实际的油藏静态参数和实际的注采生产数据；
预测模块，用于将实际的油藏静态参数和实际的注采生产数据作为输入数据，基于注采效果评价的集成学习模型，输出实际的稠油多介质吞吐开采效果指数，根据所述实际的稠油多介质吞吐开采效果指数实现稠油多介质吞吐智能开采。
本发明实施例还提供一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述基于集成学习的稠油多介质吞吐智能开采方法。
本发明实施例还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所述基于集成学习的稠油多介质吞吐智能开采方法的步骤。
本发明实施例中，通过数据获取模块，用于获取稠油多介质吞吐开采过程中历史的油藏静态参数、历史的注采生产数据和历史的产量数据；预处理和特征处理模块，用于对历史的油藏静态参数、历史的注采生产数据和历史的产量数据进行预处理和特征处理，获得处理后数据；稠油多介质吞吐开采效果指数确定模块，用于根据历史的注采生产数据和历史的产量数据确定历史的稠油多介质吞吐开采效果指数；注采效果评价的集成学习模型构建训练模块，用于基于所述处理后数据和历史的稠油多介质吞吐开采效果指数，通过集成学习算法，构建并训练注采效果评价的集成学习模型；数据获取模块还用于：获取稠油多介质吞吐开采过程中实际的油藏静态参数和实际的注采生产数据；预测模块，用于将实际的油藏静态参数和实际的注采生产数据作为输入数据，基于注采效果评价的集成学习模型，输出实际的稠油多介质吞吐开采效果指数，根据实际的稠油多介质吞吐开采效果指数实现稠油多介质吞吐智能开采。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例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，下面描述中的附图仅仅是本发明的一些实施例，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。在附图中：
图1为本发明实施例中基于集成学习的稠油多介质吞吐智能开采方法流程图；
图2为本发明实施例中数据处理流程图；
图3为本发明实施例中数据的箱型图；
图4为本发明实施例中数据统计图；
图5是本发明实施例中相关系数矩阵示意图；
图6为本发明实施例中注采效果评价的集成学习模型构建并训练流程图一；
图7为本发明实施例中注采效果评价的集成学习模型构建并训练流程图二；
图8是本发明实施例中集成学习算法流程图；
图9是本发明实施例中注采效果评价示例图；
图10为本发明实施例中油藏静态参数推荐流程图；
图11为本发明实施例中油藏区块推荐示例图；
图12为本发明实施例中注采生产数据推荐流程图；
图13为本发明实施例中注入介质推荐示例图；
图14为本发明实施例中实验数据特征贡献率结果图；
图15为本发明实施例中基于集成学习的稠油多介质吞吐智能开采装置结构框图一；
图16为本发明实施例中基于集成学习的稠油多介质吞吐智能开采装置结构框图二；
图17为本发明实施例中基于集成学习的稠油多介质吞吐智能开采装置结构框图三。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚明白，下面结合附图对本发明实施例做进一步详细说明。在此，本发明的示意性实施例及其说明用于解释本发明，但并不作为对本发明的限定。
图1为本发明实施例中基于集成学习的稠油多介质吞吐智能开采方法流程图，如图1所示，
步骤101：获取稠油多介质吞吐开采过程中历史的油藏静态参数、历史的注采生产数据和历史的产量数据；
步骤102：对所述历史的油藏静态参数、历史的注采生产数据和历史的产量数据进行预处理和特征处理，获得处理后数据；
步骤103：根据历史的注采生产数据和历史的产量数据确定历史的稠油多介质吞吐开采效果指数；
步骤104：基于所述处理后数据和历史的稠油多介质吞吐开采效果指数，通过集成学习算法，构建并训练注采效果评价的集成学习模型；
步骤105：获取稠油多介质吞吐开采过程中实际的油藏静态参数和实际的注采生产数据；
步骤106：将实际的油藏静态参数和实际的注采生产数据作为输入数据，基于注采效果评价的集成学习模型，输出实际的稠油多介质吞吐开采效果指数，根据所述实际的稠油多介质吞吐开采效果指数实现稠油多介质吞吐智能开采。
在本发明实施例中，如图2所示，步骤102对所述历史的油藏静态参数、历史的注采生产数据和历史的产量数据进行预处理和特征处理，获得处理后数据，包括：
步骤201：根据常规采油所含规则，对历史的注采生产数据进行分析，获得第一处理数据；
步骤202：对所述历史的油藏静态参数、第一处理数据和历史的产量数据进行空缺值、异常值和无穷值处理，获得第二处理数据；
步骤203：对第二处理数据进行单位统一处理，获得第三处理数据；
步骤204：对第三处理数据中的文本型数据采用One-HotEncoding进行编码，获得第四处理数据；
步骤205：对第四处理数据进行归一化处理，获得第五处理数据；
步骤206：对第五处理数据进行相关性分析，根据相关性分析结果从第五处理数据提取相应的特征变量。
具体的，下面详细描述数据的预处理和特征处理。
1、数据预处理：此过程包括数据探索与数据处理过程：
数据探索：(以射孔厚度(m)为例)
结合射孔厚度数据的箱型图及统计图，进行数据的探索，如由图3的箱型图可知需检查射孔厚度＝800m(纵坐标)时，此行数据是否符合常规采油情景(即常规采油所含规则)。以此类推，对其他变量的数据进行分析。
数据处理，探索过程中如遇以下情况时，进行相应处理：
①空缺值、异常值、无穷值
考虑到此类数据与其它参量息息相关，若有空缺值，则删除此行数据；
②单位统一处理
不同注气输入值的单位不同，如CO2的数据值单位是质量，而N2/空气的数据值单位是体积，因此需要对不同类型注剂(氮气/CO2/尿素/空气等)的数据值进行单位的统一处理。
③文本型数据
对于数据中的文本型数据，如注气类型(氮气/CO2/空气)数据及注气方式(复合吞吐/氮气助排/空气采油/催化氧化)，为了方便编程处理以及避免简单用数值替换后数值的大小对模型产生影响，本发明对此类数据采用了One-HotEncoding进行了编码，通过One-Hot编码将特征的n个取值转换为n个二元特征，以稀疏矩阵的形式储存在模型的标签列中，如图4所示。
④归一化处理
生产数据(油汽比/回采水率/吨油成本)具有不同的量纲及不同的数量级，其差异性会对模型的识别精度产生影响，因此需要对此类数据进行归一化处理，并且考虑到生产数据的分布合理性，选择了对数据进行均值归一化，计算公式：
Figure BDA0003087274600000061
此处，x*表示均值归一化后的样本数据；x表示样本数据；μ表示所有样本数据的均值，σ表示所有样本数据的标准差。
2、特征工程
特征工程指的是选择出与结果相关最大的特征。首先对预处理后的样本数据进行特征选择，即依靠统计学方法剔除冗余特征，减少有效特征的个数，实现降维。
通过计算特征变量的相关系数矩阵：
Figure BDA0003087274600000062
来判断两个特征之间的相关性。
其中，相关系数ρij的计算方式是
ρij＝E((Xi-E(Xi))×(Xj-E(Xj))),
其大小区间是[-1，1]，当趋于1时，表示两者具有强烈的正相关性；当趋于-1时，表示有强烈的负相关性；而若值趋于0，则表示相关性很低。由图5可看出，变量2(注汽强度)与变量3(周期注汽量)具有相关性。因此特征结果中可以剔除变量3.
同时需要计算稠油数据的特征贡献率结果，根据其排序值并结合一线经验从而挑选出最符合稠油开采实际情况且使得模型表现良好的数据特征。通过分析，最后提取出了稠油数据中周期、射孔井段、射孔段孔隙度、射孔段渗透率、射孔层数、射孔厚度、注汽方式、注剂类型、注剂量、注汽强度、注入天数、油压、油藏厚度、焖井时间、周期生产时间共14个特征变量。
在本发明实施例中，按照如下公式根据历史的注采生产数据和历史的产量数据确定历史的稠油多介质吞吐开采效果指数：
稠油多介质吞吐开采效果指数＝油汽比×0.5+回采率×0.1+吨油成本×0.4。
具体的，定义稠油多介质吞吐开采效果指数(即生产指数)来表示稠油生产的效益，稠油多介质吞吐开采效果指数的大小由回采率的大小(周期产水量/周期注汽量)、油汽比的大小(周期产油量/周期注汽量)、吨油成本的多少((200×周期注汽量+10000×cos_注剂类型×注剂量)/周期注汽量)确定，其计算公式如上公式所示。
其中，根据实际采油生产背景，cost_N2＝2.0；cost_air＝1.2；cost_CO2＝600。
注：cost_N2/cost_air/cost_CO2分别表示的是一般情况下，注剂类型分别为N2/air/CO2的费用单价。
为后续业务人员查看方便，本发明将计算后的稠油多介质吞吐开采效果指数进行[0，10]缩放处理(公式如下)，使得稠油多介质吞吐开采效果指数之间具有可比性。
Figure BDA0003087274600000071
其中，y*表示标准化后的稠油多介质吞吐开采效果指数，y表示所有初始计算出的稠油多介质吞吐开采效果指数。
在本发明实施例中，如图6所示，步骤104基于所述处理后数据和历史的稠油多介质吞吐开采效果指数，通过集成学习算法，构建并训练注采效果评价的集成学习模型，包括：
步骤601：基于所述处理后数据和历史的稠油多介质吞吐开采效果指数，通过串行式集成学习算法Boosting，构建构建并训练第一注采效果评价的集成学习模型；
步骤602：基于所述处理后数据和历史的稠油多介质吞吐开采效果指数，通过并行式集成学习算法Bagging，构建构建并训练第二注采效果评价的集成学习模型；
步骤603：将第一注采效果评价的集成学习模型和第二注采效果评价的集成学习模型进行集成，获得第三注采效果评价的集成学习模型。
具体的，此处是对模型的选择。本发明中选择集成学习算法来作为基模型。
集成学习的主要思路是先通过一定的规则生成多个学习器，再采用某种集成策略进行组合，最后综合判断输出最终结果。一般而言，通常所说的集成学习中的多个学习器都是同质的“弱学习器”。基于该弱学习器，通过样本集扰动、输入特征扰动、输出表示扰动、算法参数扰动等方式生成多个学习器，进行集成后获得一个精度较好的“强学习器”。
根据学习器的生成方式，分为Boosting和Bagging。
Boosting是串行式集成学习，其代表算法是AdaBoost，是基学习器的线性组合来最小化指数损失函数。
Bagging是并行式集成学习，其代表算法是RandonmForest。将决策树用随机的方式组成森林，对数据的数量与数据的特征都进行随机采样。
在本发明实施例中，如图7所示，步骤104训练注采效果评价的集成学习模型还包括：
步骤701：采用K-折交叉验证方法，将数据集等比例分为K份，其中一份作为测试数据、K-1份作为训练数据，对注采效果评价的集成学习模型进行训练；其中，数据集包括所述处理后数据和历史的稠油多介质吞吐开采效果指数；
步骤702：在训练时，使用网格搜索方法，按照步长穷举遍历注采效果评价的集成学习模型的参数组合，对注采效果评价的集成学习模型进行调整优化，确定注采效果评价的集成学习模型的最佳参数。
具体的，此处是对模型的调优。在对集成学习模型(见图8)进行训练时，选择K-折交叉验证，即将数据集等比例划分成K份，测试数据选取其中的1份，训练数据则选取剩余的(K-1)份，将其输入模型，以此来提高模型的泛化能力。
训练模型时，使用网格搜索方法，按照步长穷举遍历所列出的模型超参数组合，以进行调整优化模型，最后在所有的参数中找到精度最高的参数，将其确定为模型的最佳参数值(具体见表1)。
表1模型参数值及相应解释
Figure BDA0003087274600000081
Figure BDA0003087274600000091
在本发明实施例中，步骤106是对输入的稠油生产数据根据注采效果评价的集成学习模型完成评价分数的预测(见图9)。具体是指将输入的稠油开采数据作为训练数据，根据之前训练好的注采效果评价的集成学习模型，会输出与训练数据相匹配的输出值，即得分值，从而做出此次稠油开采数据的相应的预测情况。
在本发明实施例中，如图10所示，还包括：
步骤1001：预设不同的多组油藏静态参数；
步骤1002：根据实际的注采生产数据和不同的多组油藏静态参数，基于注采效果评价的集成学习模型，获得对应的多个稠油多介质吞吐开采效果指数；
步骤1003：基于对应的多个稠油多介质吞吐开采效果指数，获得最大的稠油多介质吞吐开采效果指数；
步骤1004：将最大的稠油多介质吞吐开采效果指数对应的油藏静态参数作为推荐油藏静态参数。
具体的，此处是已知[注剂/气参数]，未知[油藏静态参数]，此时利用注采效果评价的集成学习模型推荐高稠油多介质吞吐开采效果指数下的油藏静态参数，推荐油藏静态参数包括：井的深度[min，max，h]/油藏厚度[min，max，h]/油压[min，max，h]。
可对推荐参数的范围及搜索步长进行合理的设置，根据参数的输入值会推荐合理的油藏参数(见图11)，使得在目前能源资源下，得到较高的生产指数。
在本发明实施例中，如图12所示，还包括：
步骤1201：预设不同的多组注采生产数据；
步骤1202：根据实际的油藏静态参数和不同的多组注采生产数据，基于注采效果评价的集成学习模型，获得对应的多个稠油多介质吞吐开采效果指数；
步骤1203：基于对应的多个稠油多介质吞吐开采效果指数，获得最大的稠油多介质吞吐开采效果指数；
步骤1204：将最大的稠油多介质吞吐开采效果指数对应的注采生产数据作为推荐注采生产数据。
具体的，此处是已知[油藏静态参数]，未知[注剂/气参数]时，此时利用注采效果评价的集成学习模型推荐高稠油多介质吞吐开采效果指数下的注采生产数据，推荐注采生产数据包括：注剂类型/注入方式/注入量的范围[min，max，h]。
可对推荐参数的范围及搜索步长进行合理的设置，根据参数的输入值会推荐合理的油藏参数(见图13)，使得在目前能源资源下，得到较高的生产指数。
实施案例
本发明的实验数据是在稠油生产过程中所采集的数据，参数主要包括油藏参数、注剂/气参数及生产参数。其中，油藏参数主要包括井段等井的静态数据；注剂/气参数包括稠油生产过程中添加的试剂的注剂类型、注剂方式、注剂量等参数；生产参数包括焖井时间等。关于参数的详细介绍见表2。
表2稠油数据中参数名称及其含义
<u>序号</u> <u>参数名称</u> <u>参数含义</u>
1 <u>射孔井段</u> <u>井筒在油藏中打开的部分</u>
<u>2</u> <u>油藏厚度</u> <u>生产层位的厚度</u>
<u>3</u> <u>周期</u> <u>指一次完整的注汽</u>
<u>4</u> <u>射孔厚度</u> <u>射孔井段的长度</u>
<u>5</u> <u>射孔渗透率</u> <u>根据测井解释得到的射孔井段附近的油藏渗透率</u>
<u>6</u> <u>注剂类型</u> <u>指注入什么介质，如氮气，CO2，空气，尿素等。</u>
<u>7</u> <u>注剂量</u> <u>注入介质的体积或者质量</u>
<u>8</u> <u>注入天数</u> <u>注剂的时间段长度</u>
<u>9</u> <u>油压</u> <u>注蒸汽期间的测得的油管压力</u>
<u>10</u> <u>周期注气量</u> <u>每个周期内注入的蒸汽质量，以冷水当量计算</u>
本次实验中数据的特征贡献率见图14，实验的结果见表3。
表3实验结果值
<u>评价指标</u> <u>结果值</u>
<u>R2_score</u> <u>0.9913</u>
<u>MAE</u> <u>0.0088</u>
<u>MSE</u> <u>0.0002</u>
<u>RMSE</u> <u>0.0146</u>
由表3可知本发明中的模型拟合程度较好，可以投入实际生产应用中进行多介质吞吐优化、筛选过程的指导。
本发明实施例中还提供了一种基于集成学习的稠油多介质吞吐智能开采装置，如下面的实施例所述。由于该装置解决问题的原理与基于集成学习的稠油多介质吞吐智能开采方法相似，因此该装置的实施可以参见基于集成学习的稠油多介质吞吐智能开采方法的实施，重复之处不再赘述。
图15为本发明实施例中基于集成学习的稠油多介质吞吐智能开采装置结构框图一，如图15所示，该装置包括：
数据获取模块02，用于获取稠油多介质吞吐开采过程中历史的油藏静态参数、历史的注采生产数据和历史的产量数据；
预处理和特征处理模块04，用于对所述历史的油藏静态参数、历史的注采生产数据和历史的产量数据进行预处理和特征处理，获得处理后数据；
稠油多介质吞吐开采效果指数确定模块06，用于根据历史的注采生产数据和历史的产量数据确定历史的稠油多介质吞吐开采效果指数；
注采效果评价的集成学习模型构建训练模块08，用于基于所述处理后数据和历史的稠油多介质吞吐开采效果指数，通过集成学习算法，构建并训练注采效果评价的集成学习模型；
数据获取模块02还用于：获取稠油多介质吞吐开采过程中实际的油藏静态参数和实际的注采生产数据；
预测模块10，用于将实际的油藏静态参数和实际的注采生产数据作为输入数据，基于注采效果评价的集成学习模型，输出实际的稠油多介质吞吐开采效果指数，根据所述实际的稠油多介质吞吐开采效果指数实现稠油多介质吞吐智能开采。
在本发明实施例中，预处理和特征处理模块04具体用于：
根据常规采油所含规则，对历史的注采生产数据进行分析，获得第一处理数据；
对所述历史的油藏静态参数、第一处理数据和历史的产量数据进行空缺值、异常值和无穷值处理，获得第二处理数据；
对第二处理数据进行单位统一处理，获得第三处理数据；
对第三处理数据中的文本型数据采用One-HotEncoding进行编码，获得第四处理数据；
对第四处理数据进行归一化处理，获得第五处理数据；
对第五处理数据进行相关性分析，根据相关性分析结果从第五处理数据提取相应的特征变量。
在本发明实施例中，稠油多介质吞吐开采效果指数确定模块06具体用于：
按照如下公式根据历史的注采生产数据和历史的产量数据确定历史的稠油多介质吞吐开采效果指数：
稠油多介质吞吐开采效果指数＝油汽比×0.5+回采率×0.1+吨油成本×0.4。
在本发明实施例中，注采效果评价的集成学习模型构建训练模块08具体用于：
基于所述处理后数据和历史的稠油多介质吞吐开采效果指数，通过串行式集成学习算法Boosting，构建构建并训练第一注采效果评价的集成学习模型；
基于所述处理后数据和历史的稠油多介质吞吐开采效果指数，通过并行式集成学习算法Bagging，构建构建并训练第二注采效果评价的集成学习模型；
将第一注采效果评价的集成学习模型和第二注采效果评价的集成学习模型进行集成，获得第三注采效果评价的集成学习模型。
在本发明实施例中，注采效果评价的集成学习模型构建训练模块08还用于：
采用K-折交叉验证方法，将数据集等比例分为K份，其中一份作为测试数据、K-1份作为训练数据，对注采效果评价的集成学习模型进行训练；其中，数据集包括所述处理后数据和历史的稠油多介质吞吐开采效果指数；
在训练时，使用网格搜索方法，按照步长穷举遍历注采效果评价的集成学习模型的参数组合，对注采效果评价的集成学习模型进行调整优化，确定注采效果评价的集成学习模型的最佳参数。
在本发明实施例中，如图16所示，还包括：油藏区块推荐模块12用于：
预设不同的多组油藏静态参数；
根据实际的注采生产数据和不同的多组油藏静态参数，基于注采效果评价的集成学习模型，获得对应的多个稠油多介质吞吐开采效果指数；
基于对应的多个稠油多介质吞吐开采效果指数，获得最大的稠油多介质吞吐开采效果指数；
将最大的稠油多介质吞吐开采效果指数对应的油藏静态参数作为推荐油藏静态参数。
在本发明实施例中，如图17所示，还包括：注入试剂推荐模块14用于：
预设不同的多组注采生产数据；
根据实际的油藏静态参数和不同的多组注采生产数据，基于注采效果评价的集成学习模型，获得对应的多个稠油多介质吞吐开采效果指数；
基于对应的多个稠油多介质吞吐开采效果指数，获得最大的稠油多介质吞吐开采效果指数；
将最大的稠油多介质吞吐开采效果指数对应的注采生产数据作为推荐注采生产数据。
本发明实施例还提供一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述基于集成学习的稠油多介质吞吐智能开采方法。
本发明实施例还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所述基于集成学习的稠油多介质吞吐智能开采方法的步骤。
本发明实施例中，通过数据获取模块，用于获取稠油多介质吞吐开采过程中历史的油藏静态参数、历史的注采生产数据和历史的产量数据；预处理和特征处理模块，用于对历史的油藏静态参数、历史的注采生产数据和历史的产量数据进行预处理和特征处理，获得处理后数据；稠油多介质吞吐开采效果指数确定模块，用于根据历史的注采生产数据和历史的产量数据确定历史的稠油多介质吞吐开采效果指数；注采效果评价的集成学习模型构建训练模块，用于基于所述处理后数据和历史的稠油多介质吞吐开采效果指数，通过集成学习算法，构建并训练注采效果评价的集成学习模型；数据获取模块还用于：获取稠油多介质吞吐开采过程中实际的油藏静态参数和实际的注采生产数据；预测模块，用于将实际的油藏静态参数和实际的注采生产数据作为输入数据，基于注采效果评价的集成学习模型，输出实际的稠油多介质吞吐开采效果指数，根据实际的稠油多介质吞吐开采效果指数实现稠油多介质吞吐智能开采。
本发明充分利用和挖掘了油田积累的海量数据，对油田的注采方案进行实时的调整和优化。实现数据驱动下的多介质蒸汽吞吐参数的实时调整、多介质蒸汽吞吐井的定量化评价和候选油藏区块的推荐等工作，从而实现了稠油开采过程中的传统技术的颠覆性改革，预期效果主要表表现在：1)生产的预测精度大幅提高；2)生产过程中的问题井能够快速直接处理；3)稠油生产制度实现自动调整；4)作业制度和方案实现自动优化等几大方面。
本发明利用集成学习模型实现了稠油生产过程中生产参数预测及静态参数推荐的智能化，是能源数据信息化智能化的体现，能够在合理分配利用一线已有能源资源的同时，提高采油高产量的可能性，并且提高采油一线工作人员的工作效率。
本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
以上所述的具体实施例，对本发明的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上所述仅为本发明的具体实施例而已，并不用于限定本发明的保护范围，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (16)

1.一种基于集成学习的稠油多介质吞吐智能开采方法，其特征在于，包括：
获取稠油多介质吞吐开采过程中历史的油藏静态参数、历史的注采生产数据和历史的产量数据；
对所述历史的油藏静态参数、历史的注采生产数据和历史的产量数据进行预处理和特征处理，获得处理后数据；
根据历史的注采生产数据和历史的产量数据确定历史的稠油多介质吞吐开采效果指数；
基于所述处理后数据和历史的稠油多介质吞吐开采效果指数，通过集成学习算法，构建并训练注采效果评价的集成学习模型；
获取稠油多介质吞吐开采过程中实际的油藏静态参数和实际的注采生产数据；
将实际的油藏静态参数和实际的注采生产数据作为输入数据，基于注采效果评价的集成学习模型，输出实际的稠油多介质吞吐开采效果指数，根据所述实际的稠油多介质吞吐开采效果指数实现稠油多介质吞吐智能开采。
2.如权利要求1所述的基于集成学习的稠油多介质吞吐智能开采方法，其特征在于，对所述历史的油藏静态参数、历史的注采生产数据和历史的产量数据进行预处理和特征处理，获得处理后数据，包括：
根据常规采油所含规则，对历史的注采生产数据进行分析，获得第一处理数据；
对所述历史的油藏静态参数、第一处理数据和历史的产量数据进行空缺值、异常值和无穷值处理，获得第二处理数据；
对第二处理数据进行单位统一处理，获得第三处理数据；
对第三处理数据中的文本型数据采用One-HotEncoding进行编码，获得第四处理数据；
对第四处理数据进行归一化处理，获得第五处理数据；
对第五处理数据进行相关性分析，根据相关性分析结果从第五处理数据提取相应的特征变量。
3.如权利要求1所述的基于集成学习的稠油多介质吞吐智能开采方法，其特征在于，按照如下公式根据历史的注采生产数据和历史的产量数据确定历史的稠油多介质吞吐开采效果指数：
稠油多介质吞吐开采效果指数＝油汽比×0.5+回采率×0.1+吨油成本×0.4。
4.如权利要求1所述的基于集成学习的稠油多介质吞吐智能开采方法，其特征在于，基于所述处理后数据和历史的稠油多介质吞吐开采效果指数，通过集成学习算法，构建并训练注采效果评价的集成学习模型，包括：
基于所述处理后数据和历史的稠油多介质吞吐开采效果指数，通过串行式集成学习算法Boosting，构建构建并训练第一注采效果评价的集成学习模型；
基于所述处理后数据和历史的稠油多介质吞吐开采效果指数，通过并行式集成学习算法Bagging，构建构建并训练第二注采效果评价的集成学习模型；
将第一注采效果评价的集成学习模型和第二注采效果评价的集成学习模型进行集成，获得第三注采效果评价的集成学习模型。
5.如权利要求4所述的基于集成学习的稠油多介质吞吐智能开采方法，其特征在于，训练注采效果评价的集成学习模型还包括：
采用K-折交叉验证方法，将数据集等比例分为K份，其中一份作为测试数据、K-1份作为训练数据，对注采效果评价的集成学习模型进行训练；其中，数据集包括所述处理后数据和历史的稠油多介质吞吐开采效果指数；
在训练时，使用网格搜索方法，按照步长穷举遍历注采效果评价的集成学习模型的参数组合，对注采效果评价的集成学习模型进行调整优化，确定注采效果评价的集成学习模型的最佳参数。
6.如权利要求1所述的基于集成学习的稠油多介质吞吐智能开采方法，其特征在于，还包括：
预设不同的多组油藏静态参数；
根据实际的注采生产数据和不同的多组油藏静态参数，基于注采效果评价的集成学习模型，获得对应的多个稠油多介质吞吐开采效果指数；
基于对应的多个稠油多介质吞吐开采效果指数，获得最大的稠油多介质吞吐开采效果指数；
将最大的稠油多介质吞吐开采效果指数对应的油藏静态参数作为推荐油藏静态参数。
7.如权利要求1所述的基于集成学习的稠油多介质吞吐智能开采方法，其特征在于，还包括：
预设不同的多组注采生产数据；
根据实际的油藏静态参数和不同的多组注采生产数据，基于注采效果评价的集成学习模型，获得对应的多个稠油多介质吞吐开采效果指数；
基于对应的多个稠油多介质吞吐开采效果指数，获得最大的稠油多介质吞吐开采效果指数；
将最大的稠油多介质吞吐开采效果指数对应的注采生产数据作为推荐注采生产数据。
8.一种基于集成学习的稠油多介质吞吐智能开采装置，其特征在于，包括：
数据获取模块，用于获取稠油多介质吞吐开采过程中历史的油藏静态参数、历史的注采生产数据和历史的产量数据；
预处理和特征处理模块，用于对所述历史的油藏静态参数、历史的注采生产数据和历史的产量数据进行预处理和特征处理，获得处理后数据；
稠油多介质吞吐开采效果指数确定模块，用于根据历史的注采生产数据和历史的产量数据确定历史的稠油多介质吞吐开采效果指数；
注采效果评价的集成学习模型构建训练模块，用于基于所述处理后数据和历史的稠油多介质吞吐开采效果指数，通过集成学习算法，构建并训练注采效果评价的集成学习模型；
数据获取模块还用于：获取稠油多介质吞吐开采过程中实际的油藏静态参数和实际的注采生产数据；
预测模块，用于将实际的油藏静态参数和实际的注采生产数据作为输入数据，基于注采效果评价的集成学习模型，输出实际的稠油多介质吞吐开采效果指数，根据所述实际的稠油多介质吞吐开采效果指数实现稠油多介质吞吐智能开采。
9.如权利要求8所述的基于集成学习的稠油多介质吞吐智能开采装置，其特征在于，预处理和特征处理模块具体用于：
根据常规采油所含规则，对历史的注采生产数据进行分析，获得第一处理数据；
对所述历史的油藏静态参数、第一处理数据和历史的产量数据进行空缺值、异常值和无穷值处理，获得第二处理数据；
对第二处理数据进行单位统一处理，获得第三处理数据；
对第三处理数据中的文本型数据采用One-HotEncoding进行编码，获得第四处理数据；
对第四处理数据进行归一化处理，获得第五处理数据；
对第五处理数据进行相关性分析，根据相关性分析结果从第五处理数据提取相应的特征变量。
10.如权利要求8所述的基于集成学习的稠油多介质吞吐智能开采装置，其特征在于，稠油多介质吞吐开采效果指数确定模块具体用于：
按照如下公式根据历史的注采生产数据和历史的产量数据确定历史的稠油多介质吞吐开采效果指数：
稠油多介质吞吐开采效果指数＝油汽比×0.5+回采率×0.1+吨油成本×0.4。
11.如权利要求8所述的基于集成学习的稠油多介质吞吐智能开采装置，其特征在于，注采效果评价的集成学习模型构建训练模块具体用于：
基于所述处理后数据和历史的稠油多介质吞吐开采效果指数，通过串行式集成学习算法Boosting，构建构建并训练第一注采效果评价的集成学习模型；
基于所述处理后数据和历史的稠油多介质吞吐开采效果指数，通过并行式集成学习算法Bagging，构建构建并训练第二注采效果评价的集成学习模型；
将第一注采效果评价的集成学习模型和第二注采效果评价的集成学习模型进行集成，获得第三注采效果评价的集成学习模型。
12.如权利要求11所述的基于集成学习的稠油多介质吞吐智能开采装置，其特征在于，注采效果评价的集成学习模型构建训练模块还用于：
采用K-折交叉验证方法，将数据集等比例分为K份，其中一份作为测试数据、K-1份作为训练数据，对注采效果评价的集成学习模型进行训练；其中，数据集包括所述处理后数据和历史的稠油多介质吞吐开采效果指数；
在训练时，使用网格搜索方法，按照步长穷举遍历注采效果评价的集成学习模型的参数组合，对注采效果评价的集成学习模型进行调整优化，确定注采效果评价的集成学习模型的最佳参数。
13.如权利要求8所述的基于集成学习的稠油多介质吞吐智能开采装置，其特征在于，还包括：油藏区块推荐模块用于：
预设不同的多组油藏静态参数；
根据实际的注采生产数据和不同的多组油藏静态参数，基于注采效果评价的集成学习模型，获得对应的多个稠油多介质吞吐开采效果指数；
基于对应的多个稠油多介质吞吐开采效果指数，获得最大的稠油多介质吞吐开采效果指数；
将最大的稠油多介质吞吐开采效果指数对应的油藏静态参数作为推荐油藏静态参数。
14.如权利要求8所述的基于集成学习的稠油多介质吞吐智能开采装置，其特征在于，还包括：注入试剂推荐模块用于：
预设不同的多组注采生产数据；
根据实际的油藏静态参数和不同的多组注采生产数据，基于注采效果评价的集成学习模型，获得对应的多个稠油多介质吞吐开采效果指数；
基于对应的多个稠油多介质吞吐开采效果指数，获得最大的稠油多介质吞吐开采效果指数；
将最大的稠油多介质吞吐开采效果指数对应的注采生产数据作为推荐注采生产数据。
15.一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至7任一所述基于集成学习的稠油多介质吞吐智能开采方法。
16.一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权利要求1至7任一所述基于集成学习的稠油多介质吞吐智能开采方法的步骤。
CN202110583750.6A 2021-05-27 2021-05-27 基于集成学习的稠油多介质吞吐智能开采方法及装置 Active CN115405273B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110583750.6A CN115405273B (zh) 2021-05-27 2021-05-27 基于集成学习的稠油多介质吞吐智能开采方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110583750.6A CN115405273B (zh) 2021-05-27 2021-05-27 基于集成学习的稠油多介质吞吐智能开采方法及装置

Publications (2)

Publication Number Publication Date
CN115405273A true CN115405273A (zh) 2022-11-29
CN115405273B CN115405273B (zh) 2023-07-25

Family

ID=84154767

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110583750.6A Active CN115405273B (zh) 2021-05-27 2021-05-27 基于集成学习的稠油多介质吞吐智能开采方法及装置

Country Status (1)

Country Link
CN (1) CN115405273B (zh)

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CA1174164A (en) * 1981-04-30 1984-09-11 Aziz S. Odeh Method of recovering heavy oil from a subterranean permeable, heavy oil-containing formation
CN104408541A (zh) * 2014-10-21 2015-03-11 中国石油天然气股份有限公司 蒸汽吞吐水平井均匀注汽效果评价方法
CN106246152A (zh) * 2016-08-18 2016-12-21 中国石油天然气股份有限公司 复杂断块稠油油藏吞吐注汽参数优化方法
WO2017070546A1 (en) * 2015-10-22 2017-04-27 Conocophillips Company Reservoir souring forecasting
CN106886649A (zh) * 2017-03-01 2017-06-23 中国海洋石油总公司 一种多元热流体吞吐注入参数优化方法
CN109614736A (zh) * 2018-12-24 2019-04-12 中国海洋石油集团有限公司 一种海上稠油油田蒸汽吞吐开发定向井与直井产能倍数的确定方法
CN109826599A (zh) * 2019-01-08 2019-05-31 中国石油大学(北京) 稠油开采注气量的确定方法及系统
CN109978303A (zh) * 2017-12-28 2019-07-05 中国石油天然气股份有限公司 稠油油藏的开采措施的确定方法、装置及存储介质
CN110513089A (zh) * 2019-09-06 2019-11-29 中国海洋石油集团有限公司 一种海上稠油热采吞吐开发产能倍数确定方法

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CA1174164A (en) * 1981-04-30 1984-09-11 Aziz S. Odeh Method of recovering heavy oil from a subterranean permeable, heavy oil-containing formation
CN104408541A (zh) * 2014-10-21 2015-03-11 中国石油天然气股份有限公司 蒸汽吞吐水平井均匀注汽效果评价方法
WO2017070546A1 (en) * 2015-10-22 2017-04-27 Conocophillips Company Reservoir souring forecasting
CN106246152A (zh) * 2016-08-18 2016-12-21 中国石油天然气股份有限公司 复杂断块稠油油藏吞吐注汽参数优化方法
CN106886649A (zh) * 2017-03-01 2017-06-23 中国海洋石油总公司 一种多元热流体吞吐注入参数优化方法
CN109978303A (zh) * 2017-12-28 2019-07-05 中国石油天然气股份有限公司 稠油油藏的开采措施的确定方法、装置及存储介质
CN109614736A (zh) * 2018-12-24 2019-04-12 中国海洋石油集团有限公司 一种海上稠油油田蒸汽吞吐开发定向井与直井产能倍数的确定方法
CN109826599A (zh) * 2019-01-08 2019-05-31 中国石油大学(北京) 稠油开采注气量的确定方法及系统
CN110513089A (zh) * 2019-09-06 2019-11-29 中国海洋石油集团有限公司 一种海上稠油热采吞吐开发产能倍数确定方法

Also Published As

Publication number Publication date
CN115405273B (zh) 2023-07-25

Similar Documents

Publication Publication Date Title
Hoganson et al. A simulation approach for optimal timber management scheduling
CN104881435B (zh) 一种基于数据挖掘的研究流程自动化测井评价专家系统
Paryani et al. Approximate Bayesian computation for probabilistic decline-curve analysis in unconventional reservoirs
CN113537585B (zh) 基于随机森林和梯度提升决策树的油田增产措施推荐方法
WO2017011469A1 (en) Ensemble based decision making
Biswas Adapting shallow and deep learning algorithms to examine production performance–Data analytics and forecasting
CN113537592A (zh) 基于长短时记忆网络的油气藏产量预测方法及装置
CN103967478A (zh) 一种基于电导探针的垂直井流型辨识方法
AU2012393536B2 (en) System, method and computer program product for multivariate statistical validation of well treatment and stimulation data
Tan et al. Fracturing productivity prediction model and optimization of the operation parameters of shale gas well based on machine learning
CN103049669A (zh) 基于多元周期平稳时序分析及灰色理论的水华预测及因素分析方法
Tang et al. Prediction of casing damage in unconsolidated sandstone reservoirs using machine learning algorithms
WO2019023255A1 (en) DEVELOPMENT OF OIL FIELD MODELS USING COGNITIVE CALCULATION
Shaohu et al. Prediction of drilling plug operation parameters based on incremental learning and CNN-LSTM
CN115405273B (zh) 基于集成学习的稠油多介质吞吐智能开采方法及装置
CN118095878A (zh) 油井解堵双级选井方法、装置、计算设备及存储介质
CN115660221B (zh) 基于混合神经网络的油气藏经济可采储量评估方法及系统
CN110894788B (zh) 基于油藏产量预测数据的油藏开发方式确定方法及装置
Chaikine Machine Learning Applications for Production Prediction and Optimization in Multistage Hydraulically Fractured Wells
Gu et al. Deep-Learning-Based Production Decline Curve Analysis in the Gas Reservoir through Sequence Learning Models [J]
CN112199765A (zh) 混凝土大坝的分区方法、装置、电子设备及可读介质
Feder Machine-learning approach determines spatial variation in shale decline curves
Wei et al. A symbolic tree model for oil and gas production prediction using time-series production data
Nemer Oil and Gas Production Forecasting Using Decision Trees, Random Forst, and XGBoost
Kumar et al. Performing predictive analysis using machine learning on the Information retrieved from production data of oil & gas upstream segment

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