发明内容
本发明实施例提供一种油藏井位优化方法、电子设备及存储介质,通过遗传算法选出最优井位设置,提高采油量,降低含水率。
第一方面,本发明实施例提供了一种油藏井位优化方法,包括:
获取目标区域内生产井和注水井的N1种井位组合;
根据所述N1种井位组合,确定注采参数的N2种组合,组成遗传算法中的初始种群;其中,N2>N1,所述注采参数包括:生产井井底压力、生产井采液速度和注水压力;
将各种群个体代入油藏预测代理模型,得到目标参数的N2种组合,其中,所述目标参数包括采油量和含水率,所述油藏预测代理模型以所述注采参数为输入、以所述目标参数为输出;
以采油量最大、含水率最小为优化目标,根据所述目标参数的N2种组合对各种群个体进行排序;
基于排序最优的M个种群个体,生成子代种群,返回所述将各种群个体代入油藏预测代理模型的操作,直到满足设定的终止条件。
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油藏井位优化方法。
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油藏井位优化方法。
本发明实施例通过目标区域的压力分布和生产控制条件,确定生产井和注水井的井位与注采参数的关系,并采用卷积神经网络模型作为油藏预测代理模型,模拟不同注采参数与产油量和含水率之间的关系,从而预测出不同井位分布下产油量和含水率。基于以上预测模型,以产油量最大和含水率最小为优化目标,采用遗传算法对不同井位组合进行迭代更新,不断进化出最优的井位分布,以降低油藏开发的成本,提高油藏质量。
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油藏井位优化方法的流程图。该方法适用于通过油藏预测代理模型和遗传算法构建最优井网的情况,由电子设备执行。如图1所示,具体包括如下步骤。
S110、获取目标区域内生产井和注水井的N1种井位组合。
目标区域指将要进行油藏开发的区域。在进行油藏开发前,目标区域内待开发的生产井和注水井的数量也是已知的,可以确定出生产井和注水井的N1种井位组合,作为后续操作的输入。其中,N1为大于1的自然数,每种井位组合中,包括每口生产井和每口注水井的二维地理坐标。
S120、根据所述N1种井位组合,确定注采参数的N2种组合,组成遗传算法中的初始种群,其中,所述注采参数包括:生产井井底压力、生产井采液速度和注水压力。
生产井井底压力、生产井采液速度和注水压力,均是油藏开采中的重要注采参数,直接影响到油藏开采量和质量。其中,根据所述目标区域的压力分布,可以确定每种井位组合对应的生产井井底压力和注水压力。本实施例中,目标区域内将要开发的生产井和注水井的深度是已知的,目标区域在该深度处的压力分布也是已知的。通过每种井位组合,就可以确定组合中每个井位处的井底压力,其中就包括生产井底压力和注水压力。
根据所述目标区域的生产控制条件,可以确定每种井位组合对应生产井采液速度。生产控制条件包括日采油量、月采油量等,在一定生产控制条件的约束下,各生产井的采液速度也是存在一定范围的,在该范围内,可以有采液速度可以有多种取值,与生产井底压力和注水压力的取值共同构成N2种注采参数组合,其中,N2>N1。
S130、将各种群个体代入油藏预测代理模型,得到目标参数的N2种组合,其中,所述目标参数包括采油量和含水率,所述油藏预测代理模型以所述注采参数为输入、以所述目标参数为输出。
目标参数是油藏开采中井位分布期望达到的目标。本实施例中选取采油量和含水率作为目标参数。目标参数中的采油量,指一段时间内的累计产油量,越大越好;含水率用于衡量油藏质量,含水率越小,油藏质量越高。本实施例采用代理模型来进行油藏预测,将注采参数的每一种组合输入所述代理模型中,得到对应的目标参数组合,也就间接实现了特定井位下的采油量和含水率的预测。
可选的,所述油藏预测代理模型为卷积神经网络模型,如图2所示,所述卷积神经网络模型包括:顺序连接的三个卷积模块,每个卷积模块包括三层尺寸递减的卷积层和ReLU层;三个卷积模块后依次连接有最大池化层和全连接层,全连接层后连接有ReLU层。
相应的,在所述将各种群个体代入油藏预测代理模型,得到目标参数的N种组合之前,还包括:获取不同区域注采参数和目标参数的历史数据,构成样本集;采用所述样本集对所述卷积神经网络模型进行训练,使各样本的注采参数输入所述所述卷积神经网络模型后,输出的数据不断逼近各样本的目标参数。
S140、以采油量最大、含水率最小为优化目标,根据所述目标参数的N2种组合对各种群个体进行排序。
传统的遗传算法多以单目标优化为目标,而本申请选取采油量和含水率为目标参数,是一个需要同时实现采油量最大,且含水率最小的多目标优化问题。本实施例采取的策略是,分别构建每个目标参数的目标函数,然后将两个目标函数进行融合,将多目标优化问题转换为但目标优化问题。具体的,S140的操作包括如下步骤:
步骤一、构建实现采油量最大的第一目标函数,以及实现含水率最小的第二目标函数。可选的,所述第一目标函数等于归一化后的采油量;所述第二目标函数等于归一化后的含水率的倒数。归一化是为了消除数据的量纲,将两个目标函数的值都限定在[0,1]的区间内,为后续目标函数值的融合做准备。
步骤二、将所述目标参数的N种组合代入所述第一目标函数和第二目标函数,得到对应的目标函数值。此时的目标函数值都位于[0,1]区间内。
步骤三、根据所述目标函数值对当前种群执行快速非支配排序算法,得到各种群个体的非支配层级和拥挤度。非支配排序算法是遗传算法的一种,与简单的遗传算法的主要区别在于:该算法在选择算子执行之前根据个体之间的支配关系进行了分层,排序后每个种群个体都得到一个非支配层级和一个拥挤度。其中,同一层级包括多个个体,非支配层级越低,最低为1,该层的种群个体越优;同一层级内,拥挤度越高,种群个体越优。
具体的,步骤三包括如下过程:首先,根据所述目标函数值对当前种群执行快速非支配排序算法,得到各种群个体的非支配层级;然后,分别根据第一目标函数和第二目标函数,计算同一非支配层级内各种群个体在所述第一目标函数和第二目标函数下的拥挤度;最后,对同一种群个体在所述第一目标函数和第二目标函数下的拥挤度进行融合,得到所述种群个体最终的拥挤度。现有的拥挤度都是基于单一目标函数计算的,本实施例为了实现多目标优化,对每个目标函数下的拥挤度进行融合,得到最终的拥挤度。可选的,按照设定的权重对多个拥挤度进行加权累计,其中不同的目标参数对应不同的权重。通过设置不同的权重,在拥挤度融合过程中,使权重更高的目标参数对应的种群个体更容易被选中,充分保证了当前种群朝着更有利于该目标函数最优化的方向更新换代,加快了收敛速度。
S150、基于排序最优的M个种群个体,生成子代种群,返回所述将各种群个体代入油藏预测代理模型的操作,直到满足设定的终止条件。
得到各种群个体的非支配层级和拥挤度后,根据非支配层级和拥挤度,就能够对种群个体的优劣进行排序。其中,非支配层级低的种群个体均优于非支配层级高的种群个体,同一层级内,拥挤度高的种群个体优于拥挤度低的种群个体。由此,可以选出排序最优的M个种群个体。将所述M个种群个体扩充为N个,并执行选择、交叉、变异,得到子代种群。选择、交叉、变异的过程与普通的遗传算法相同,不再赘述。
得到子代种群后,将子代种群作为新的当前种群,返回S130的步骤,将各种群个体代入油藏预测代理模型,得到目标参数的新的N2种组合,以采油量最大、含水率最小为优化目标,根据所述目标参数的新的N2种组合对各种群个体进行排序;基于排序最优的新的M个种群个体,生成新的子代种群,在此返回S130的步骤,循环往复,直到满足设定的终止条件。该条件包括:循环次数达到设定次数,或计算时间达到设定时间,或采油量大于第一阈值和/或含水率小于第二阈值,可以根据需要具体设置,本实施例不作限定。最终得到的注采参数的组合将作为最优组合,对应的井位分布最接近采油量最大、含水率最小的优化目标,视为最优井位。
综上所述,本实施例通过目标区域的压力分布和生产控制条件,确定生产井和注水井的井位与注采参数的关系,并采用卷积神经网络模型作为油藏预测代理模型,模拟不同注采参数与产油量和含水率之间的关系,从而预测出不同井位分布下产油量和含水率。基于以上预测模型,以产油量最大和含水率最小为优化目标,采用遗传算法对不同井位组合进行迭代更新,不断进化出最优的井位分布,以降低油藏开发的成本,提高油藏质量。此外,本实施例的方法在确定最优井位的同时,还确定了最优注采参数,充分保证了最优目标的实现。
图3为本发明实施例提供的一种电子设备的结构示意图,如图3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3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3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一种钢箱梁正交异性板参数确定和浓度预测方法、设备及存储介质对应的程序指令/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,即实现上述的一种钢箱梁正交异性板参数确定和浓度预测方法、设备及存储介质。
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一种钢箱梁正交异性板参数确定和浓度预测方法、设备及存储介质。
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。