CN115775277B - 一种基于大数据的压裂选段方法及系统 - Google Patents
一种基于大数据的压裂选段方法及系统 Download PDFInfo
- Publication number
- CN115775277B CN115775277B CN202310091434.6A CN202310091434A CN115775277B CN 115775277 B CN115775277 B CN 115775277B CN 202310091434 A CN202310091434 A CN 202310091434A CN 115775277 B CN115775277 B CN 115775277B
- Authority
- CN
- China
- Prior art keywords
- point
- remote sensing
- effective
- sensing image
- points
- 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
Landscapes
- Geophysics And Detection Of Objects (AREA)
Abstract
本发明公开了一种基于大数据的压裂选段方法及系统,在面对超大面积的开发区域时,利用大数据中遥感图像的特征变化情况确定有效点的位置,并利用有效点所在圆之间形成的交点确定在超大面积的开发区域中的初始打井点,克服现有技术盲目打井而造成选段成功率低的风险,实现在超大面积的开发区域中提高打井选段的成功率。
Description
技术领域
本发明涉及大数据处理技术领域,尤其涉及一种基于大数据的压裂选段方法及系统。
背景技术
随着石油工业的发展,低渗透、超低渗透的非常规油气资源逐渐成为各国油气田的增产主体。如果将开采常规油气藏比作挤海绵里的水,那么低渗、超低渗透油气藏则像是已经甩干的毛巾,很难再从中挤出水来。压裂就是利用水力作用在油气层中形成人工裂缝,提高油气层中流体流动能力的一种储层改造技术。
随着对资源的开采,我国在发展水平井压裂井的数量在逐步增多,特别是在不同类型的特殊地形上,超过1000多米的水平井段压裂能够超越多个段数。目前现有的一些压裂选段方法是通过钻头打直井,利用钻头上的传感器采集数据,根据对应井段的相关系数来选择对应的选段进行压裂。但这种方法的效率很低,面对超大面积的开发区域时,盲目的打直井选择对应的选段的成功率较低,再加上根据国内对产出剖面测试的结果和外部提供的资料来评估,并非所有压裂段都对产能有贡献。所以,以往通过大规模打直井来选择对应的选段进行资源开采的方式并不适应于全部应用情况,特别是超大面积的开发区域。
因此,目前亟需一种高效的压裂选段策略,能够在超大面积的开发区域中克服以往盲目打直井选择对应的选段导致成功率较低的难题。
发明内容
本发明提供了一种基于大数据的压裂选段方法及系统,在超大面积的开发区域中能够提高打井选段的成功率。
为了解决上述技术问题,本发明实施例提供了一种基于大数据的压裂选段方法,包括:
获取待开发区域的历史遥感图像和当前遥感图像;
将所述历史遥感图像和所述当前遥感图像进行特征对比,识别出所述当前遥感图像中地貌发生变化的移动点并标记发生移动的方向和距离;
根据每个移动点形成的方向和距离计算该移动点中由于页岩气层移动形成的矢量数据,将所述矢量数据不在预设数据范围内所对应的所有移动点进行过滤,确定有效点;
以所述当前遥感图像中的有效点为圆心,以预设距离为半径,确定有效圆;
将所述当前遥感图像中的所有有效点对应的有效圆之间相交形成的交点,作为初始打井点;
根据各个初始打井点的探测数据,确定进行压裂的井段。
作为优选方案,所述将所述历史遥感图像和所述当前遥感图像进行特征对比,识别出所述当前遥感图像中地貌发生变化的移动点并标记发生移动的方向和距离的步骤,具体包括:
将所述当前遥感图像输入预先建立的压裂识别模型进行特征识别,对所述当前遥感图像中存在概率压裂的区域进行标记并输出初始点;
构建空间坐标系,对所述待开发区域中同一区域所对应的历史遥感图像和当前遥感图像进行对比,确定发生空间和位置变化的区域为变化点并在所述当前遥感图像上标记;
当存在所述变化点与所述初始点重合时,确定为移动点;当所述变化点与所述初始点不重合时,计算所述变化点与所述初始点在所述当前遥感图像上的空间距离,若所述空间距离的大小在预设阈值范围内时,确定为移动点,否则删除;
根据确定的移动点分别在所述当前遥感图像和所述历史遥感图像中对应空间坐标系的位置,确定其发生移动的方向和距离。
作为优选方案,所述压裂识别模型的建立过程,包括:
获取已开发区域在开发压裂时刻的遥感图像作为第一训练图像,并根据实际压裂情况,在所述第一训练图像中标记有效打井点;
在所述第一训练图像中构建空间坐标系,将所述有效打井点在空间坐标系中进行标记;
获取已开发区域在开发压裂前的历史遥感图像作为第二训练图像,并在所述第二训练图像中对山地、盆地、丘陵、高原、平原和河流的土地类型进行标记;
对已经进行土地类型标记的第二训练图像进行图像调整,以使调整后的第二训练图像与第一训练图像在空间坐标系中对应的经纬度保持一致;
将调整后的第二训练图像中已标记的土地类型通过空间坐标系映射到所述第一训练图像中,并将映射后的土地类型和有效打井点进行相关联,得到模型训练图像;
通过神经网络算法构建初始识别模型,将所述模型训练图像输入到所述初始识别模型中进行训练,得到压裂识别模型。
作为优选方案,所述根据每个移动点形成的方向和距离计算该移动点中由于页岩气层移动形成的矢量数据,将所述矢量数据不在预设数据范围内所对应的所有移动点进行过滤,确定有效点的步骤,具体包括:
根据每个移动点形成的方向和距离计算该移动点的绝对距离值,并将所述绝对距离值作为第一影响因子;
根据每个移动点形成的方向,在设置同一水平线的情况下分别计算每个移动点与水平线之间形成的角度值,作为第二影响因子;
根据所述第一影响因子、第二影响因子和当前移动点所在的土地类型,输入到预设算法中进行有效值计算,对移动点进行过滤,确定有效点。
作为优选方案,计算所述有效值的预设算法公式为:
其中,y为有效值,为第一影响因子,为第二影响因子,、、和均为常数;
其中,当移动点所在的土地类型为山地时,的值取a;当移动点所在的土地类型为盆地时,的值取b;当移动点所在的土地类型为丘陵时,的值取c;当移动点所在的土地类型为高原时,的值取d;当移动点所在的土地类型为平原时,的值取e;当移动点所在的土地类型为河流时,的值取f;其中,a、b、c、d、e和f均为常数。
作为优选方案,所述将所述当前遥感图像中的所有有效点对应的有效圆之间相交形成的交点,作为初始打井点的步骤,具体包括:
分别确定每个有效圆上形成的交点数量,根据当前有效圆的圆心所在的土地类型和交点数量,确定有效交点;具体包括:
当圆心所在的土地类型为山地、盆地或丘陵,且交点数量大于2个时,将当前有效圆上的交点作为初始打井点;
当圆心所在的土地类型为高原或平原,且交点数量大于4个时,将当前有效圆上的交点作为初始打井点;
当圆心所在的土地类型为河流,且交点数量大于8个时,将当前有效圆上的交点作为初始打井点。
作为优选方案,所述根据各个初始打井点的探测数据,确定进行压裂的井段的步骤,具体包括:
对每个初始打井点的垂直高度设置多个连续的数据梯度范围,对每一个数据梯度范围设置权重值;
依次获取不同数据梯度范围内打井点的地层参数,其中,所述地层参数包括:地层密度、声波时差、钻时和自然伽马;
根据垂直高度从小到大依次对所述地层密度、声波时差和钻时的数值扩大倍数;其中,所述扩大倍数的值是每个垂直高度对应数据梯度范围设置的权重值;
根据垂直高度从小到大依次对所述自然伽马的数值缩小倍数;其中,所述缩小倍数的值是每个垂直高度对应数据梯度范围设置的权重值;
根据调整后的地层密度、声波时差、钻时和自然伽马,分别计算不同数据梯度范围的打井区间所对应的主权参数,并根据所述主权参数和预设主权区间选择需要进行压裂的井段。
作为优选方案,在所述分别计算不同数据梯度范围的打井区间所对应的主权参数之后,还包括:
根据当前打井点所在的土地类型对所述主权参数进行调整,具体为:
当所述打井点所在的土地类型为山地、盆地或丘陵时,对所述主权参数进行扩大预设倍数;
当所述打井点所在的土地类型为高原、平原或河流时,对所述主权参数进行缩小预设倍数。
相应地,本发明另一实施例还提供了一种基于大数据的压裂选段系统,包括:图像获取模块、特征对比模块、计算过滤模块、有效确定模块、交点确定模块和压裂确定模块;
所述图像获取模块,用于获取待开发区域的历史遥感图像和当前遥感图像;
所述特征对比模块,用于将所述历史遥感图像和所述当前遥感图像进行特征对比,识别出所述当前遥感图像中地貌发生变化的移动点并标记发生移动的方向和距离;
所述计算过滤模块,用于根据每个移动点形成的方向和距离计算该移动点中由于页岩气层移动形成的矢量数据,将所述矢量数据不在预设数据范围内所对应的所有移动点进行过滤,确定有效点;
所述有效确定模块,用于以所述当前遥感图像中的有效点为圆心,以预设距离为半径,确定有效圆;
所述交点确定模块,用于将所述当前遥感图像中的所有有效点对应的有效圆之间相交形成的交点,作为初始打井点;
所述压裂确定模块,用于根据各个初始打井点的探测数据,确定进行压裂的井段。
作为优选方案,所述特征对比模块具体用于:将所述当前遥感图像输入预先建立的压裂识别模型进行特征识别,对所述当前遥感图像中存在概率压裂的区域进行标记并输出初始点;构建空间坐标系,对所述待开发区域中同一区域所对应的历史遥感图像和当前遥感图像进行对比,确定发生空间和位置变化的区域为变化点并在所述当前遥感图像上标记;当存在所述变化点与所述初始点重合时,确定为移动点;当所述变化点与所述初始点不重合时,计算所述变化点与所述初始点在所述当前遥感图像上的空间距离,若所述空间距离的大小在预设阈值范围内时,确定为移动点,否则删除;根据确定的移动点分别在所述当前遥感图像和所述历史遥感图像中对应空间坐标系的位置,确定其发生移动的方向和距离。
作为优选方案,所述压裂识别模型的建立过程,包括:获取已开发区域在开发压裂时刻的遥感图像作为第一训练图像,并根据实际压裂情况,在所述第一训练图像中标记有效打井点;在所述第一训练图像中构建空间坐标系,将所述有效打井点在空间坐标系中进行标记;获取已开发区域在开发压裂前的历史遥感图像作为第二训练图像,并在所述第二训练图像中对山地、盆地、丘陵、高原、平原和河流的土地类型进行标记;对已经进行土地类型标记的第二训练图像进行图像调整,以使调整后的第二训练图像与第一训练图像在空间坐标系中对应的经纬度保持一致;将调整后的第二训练图像中已标记的土地类型通过空间坐标系映射到所述第一训练图像中,并将映射后的土地类型和有效打井点进行相关联,得到模型训练图像;通过神经网络算法构建初始识别模型,将所述模型训练图像输入到所述初始识别模型中进行训练,得到压裂识别模型。
作为优选方案,所述计算过滤模块具体用于:根据每个移动点形成的方向和距离计算该移动点的绝对距离值,并将所述绝对距离值作为第一影响因子;根据每个移动点形成的方向,在设置同一水平线的情况下分别计算每个移动点与水平线之间形成的角度值,作为第二影响因子;根据所述第一影响因子、第二影响因子和当前移动点所在的土地类型,输入到预设算法中进行有效值计算,对移动点进行过滤,确定有效点。
作为优选方案,计算所述有效值的预设算法公式为:
其中,y为有效值,为第一影响因子,为第二影响因子,、、和均为常数;其中,当移动点所在的土地类型为山地时,的值取a;当移动点所在的土地类型为盆地时,的值取b;当移动点所在的土地类型为丘陵时,的值取c;当移动点所在的土地类型为高原时,的值取d;当移动点所在的土地类型为平原时,的值取e;当移动点所在的土地类型为河流时,的值取f;其中,a、b、c、d、e和f均为常数。
作为优选方案,所述交点确定模块具体用于:分别确定每个有效圆上形成的交点数量,根据当前有效圆的圆心所在的土地类型和交点数量,确定有效交点;具体包括:当圆心所在的土地类型为山地、盆地或丘陵,且交点数量大于2个时,将当前有效圆上的交点作为初始打井点;当圆心所在的土地类型为高原或平原,且交点数量大于4个时,将当前有效圆上的交点作为初始打井点;当圆心所在的土地类型为河流,且交点数量大于8个时,将当前有效圆上的交点作为初始打井点。
作为优选方案,所述压裂确定模块具体用于:对每个初始打井点的垂直高度设置多个连续的数据梯度范围,对每一个数据梯度范围设置权重值;依次获取不同数据梯度范围内打井点的地层参数,其中,所述地层参数包括:地层密度、声波时差、钻时和自然伽马;根据垂直高度从小到大依次对所述地层密度、声波时差和钻时的数值扩大倍数;其中,所述扩大倍数的值是每个垂直高度对应数据梯度范围设置的权重值;根据垂直高度从小到大依次对所述自然伽马的数值缩小倍数;其中,所述缩小倍数的值是每个垂直高度对应数据梯度范围设置的权重值;根据调整后的地层密度、声波时差、钻时和自然伽马,分别计算不同数据梯度范围的打井区间所对应的主权参数,并根据所述主权参数和预设主权区间选择需要进行压裂的井段。
作为优选方案,所述压裂确定模块用于在所述分别计算不同数据梯度范围的打井区间所对应的主权参数之后,还用于:根据当前打井点所在的土地类型对所述主权参数进行调整,具体为:当所述打井点所在的土地类型为山地、盆地或丘陵时,对所述主权参数进行扩大预设倍数;当所述打井点所在的土地类型为高原、平原或河流时,对所述主权参数进行缩小预设倍数。
本发明实施例还提供了一种计算机可读存储介质,所述计算机可读存储介质包括存储的计算机程序;其中,所述计算机程序在运行时控制所述计算机可读存储介质所在的设备执行如上述任一项所述的基于大数据的压裂选段方法。
本发明实施例还提供了一种终端设备,包括处理器、存储器以及存储在所述存储器中且被配置为由所述处理器执行的计算机程序,所述处理器在执行所述计算机程序时实现如上述任一项所述的基于大数据的压裂选段方法。
相比于现有技术,本发明实施例具有如下有益效果:
本发明技术方案在面对超大面积的开发区域时,利用大数据中遥感图像的特征变化情况确定有效点的位置,并利用有效点所在圆之间形成的交点确定在超大面积的开发区域中的初始打井点,克服现有技术盲目打井而造成选段成功率低的风险,实现在超大面积的开发区域中提高打井选段的成功率。
附图说明
图1 :为本发明实施例提供的一种基于大数据的压裂选段方法的步骤流程图;
图2 :为本发明实施例提供的一种基于大数据的压裂选段系统的结构示意图;
图3 :为本发明实施例提供的终端设备的一种实施例的结构示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅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作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
实施例一
请参照图1,为本发明实施例提供的一种基于大数据的压裂选段方法的步骤流程图,包括步骤101至步骤106,各步骤具体如下:
步骤101,获取待开发区域的历史遥感图像和当前遥感图像。
具体地,为了找到同一区域下在不同时期的变化情况,我们需要将历史遥感图像和当前时刻的当前遥感图像进行对比。可以理解的是,历史遥感图像应当是距离当前时刻的一定时期之前,可以根据实际情况选择合适的时间段,此处不作限定。
步骤102,将所述历史遥感图像和所述当前遥感图像进行特征对比,识别出所述当前遥感图像中地貌发生变化的移动点并标记发生移动的方向和距离。
在本实施例中,所述步骤102具体包括:将所述当前遥感图像输入预先建立的压裂识别模型进行特征识别,对所述当前遥感图像中存在概率压裂的区域进行标记并输出初始点;构建空间坐标系,对所述待开发区域中同一区域所对应的历史遥感图像和当前遥感图像进行对比,确定发生空间和位置变化的区域为变化点并在所述当前遥感图像上标记;当存在所述变化点与所述初始点重合时,确定为移动点;当所述变化点与所述初始点不重合时,计算所述变化点与所述初始点在所述当前遥感图像上的空间距离,若所述空间距离的大小在预设阈值范围内时,确定为移动点,否则删除;根据确定的移动点分别在所述当前遥感图像和所述历史遥感图像中对应空间坐标系的位置,确定其发生移动的方向和距离。
具体地,利用神经网络算法对模型进行构建,构建好的模型可以直接对输入图像进行特征识别,识别到的特征进行标记。此处的模型经过预先的训练和测试,可以对当前的遥感图像进行识别并提供打井点预测策略。即,该模型可以利用曾经开发过的区域并参考打井情况,模拟预判精准的打井点(初始点)。然后利用两个不同时期的遥感图像进行对比,可以识别出同一特征在不同时期的位置情况,识别出位置和空间发生变化的变化点。当变化点和初始点是重合的时候,则毫无疑问其为打井点的概率就大大增加;即使当其不重合时,只要相隔的距离在合理的范围内,亦可把它看作为移动点。
进一步的,在本实施例中,所述压裂识别模型的建立过程,包括:获取已开发区域在开发压裂时刻的遥感图像作为第一训练图像,并根据实际压裂情况,在所述第一训练图像中标记有效打井点;在所述第一训练图像中构建空间坐标系,将所述有效打井点在空间坐标系中进行标记;获取已开发区域在开发压裂前的历史遥感图像作为第二训练图像,并在所述第二训练图像中对山地、盆地、丘陵、高原、平原和河流的土地类型进行标记;对已经进行土地类型标记的第二训练图像进行图像调整,以使调整后的第二训练图像与第一训练图像在空间坐标系中对应的经纬度保持一致;将调整后的第二训练图像中已标记的土地类型通过空间坐标系映射到所述第一训练图像中,并将映射后的土地类型和有效打井点进行相关联,得到模型训练图像;通过神经网络算法构建初始识别模型,将所述模型训练图像输入到所述初始识别模型中进行训练,得到压裂识别模型。
具体地,通过上述模型训练,利用以往曾经开发过的区域,以及在区域中打井情况,可以准确知道打过的井点中有哪些井是合理的。然后构建打井前的地形和合理的打井点之间的特征关系,可以预判到类似区域在开发时较为合适的打井点,为工作人员提供准确的打井指引,避免无用功,提高打井选段的效率和成功率。
步骤103,根据每个移动点形成的方向和距离计算该移动点中由于页岩气层移动形成的矢量数据,将所述矢量数据不在预设数据范围内所对应的所有移动点进行过滤,确定有效点。
在本实施例中,所述步骤103具体包括:根据每个移动点形成的方向和距离计算该移动点的绝对距离值,并将所述绝对距离值作为第一影响因子;根据每个移动点形成的方向,在设置同一水平线的情况下分别计算每个移动点与水平线之间形成的角度值,作为第二影响因子;根据所述第一影响因子、第二影响因子和当前移动点所在的土地类型,输入到预设算法中进行有效值计算,对移动点进行过滤,确定有效点。其中,计算所述有效值的预设算法公式为:
其中,y为有效值,为第一影响因子,为第二影响因子,、、和均为常数;其中,当移动点所在的土地类型为山地时,的值取a;当移动点所在的土地类型为盆地时,的值取b;当移动点所在的土地类型为丘陵时,的值取c;当移动点所在的土地类型为高原时,的值取d;当移动点所在的土地类型为平原时,的值取e;当移动点所在的土地类型为河流时,的值取f;其中,a、b、c、d、e和f均为常数。
具体地,为了进一步对移动点进行精准的预测,我们还要考虑到在超大面积的开发区域中,特别是超过1000多米的水平井段开发中,由于涉及到的地形类型非常多,有可能在同一小规模区域中出现多个土地类型,此时我们研究发现变化点形成的方向和距离会成为影响打井位置的一个因素(因为地形越复杂,打井的难度越大),另外,经研究表明,同一水平线的情况下每个移动点与水平线之间形成的角度值也会对打井点造成影响(资源分布);再结合土地类型的情况下,我们实验得出一个新的算法模型,可以对有效值进行计算得以对有效点进行进一步的预测。
步骤104,以所述当前遥感图像中的有效点为圆心,以预设距离为半径,确定有效圆。
具体地,经过上述步骤确定的有效点基本已经确定,在进行打井选段过程中,还涉及范围的问题。也就是同一水平位置上的打井点在横截面维度上的有效性。此时,经过研究发现,在以往的开发区域中,横截面上的资源分布较为规律,为了获得最大的开发资源,我们应该考虑一定范围的多点进行打井。在本步骤中,为了获得更多的有效资源,通过圆心确定有效圆的方式,并根据有效圆之间形成的相交点,即可以在精准的有效点基础上选择作为初始打井点。
步骤105,将所述当前遥感图像中的所有有效点对应的有效圆之间相交形成的交点,作为初始打井点。
在本实施例中,所述步骤105具体包括:分别确定每个有效圆上形成的交点数量,根据当前有效圆的圆心所在的土地类型和交点数量,确定有效交点;具体包括:当圆心所在的土地类型为山地、盆地或丘陵,且交点数量大于2个时,将当前有效圆上的交点作为初始打井点;当圆心所在的土地类型为高原或平原,且交点数量大于4个时,将当前有效圆上的交点作为初始打井点;当圆心所在的土地类型为河流,且交点数量大于8个时,将当前有效圆上的交点作为初始打井点。
具体地,考虑到不同的土地类型对开发资源的制约,我们根据交点数量和对应的土地类型进行了约束,以达到更精准的选择初始打井点。
步骤106,根据各个初始打井点的探测数据,确定进行压裂的井段。
在本实施例中,所述步骤106具体包括:对每个初始打井点的垂直高度设置多个连续的数据梯度范围,对每一个数据梯度范围设置权重值;依次获取不同数据梯度范围内打井点的地层参数,其中,所述地层参数包括:地层密度、声波时差、钻时和自然伽马;根据垂直高度从小到大依次对所述地层密度、声波时差和钻时的数值扩大倍数;其中,所述扩大倍数的值是每个垂直高度对应数据梯度范围设置的权重值;根据垂直高度从小到大依次对所述自然伽马的数值缩小倍数;其中,所述缩小倍数的值是每个垂直高度对应数据梯度范围设置的权重值;根据调整后的地层密度、声波时差、钻时和自然伽马,分别计算不同数据梯度范围的打井区间所对应的主权参数,并根据所述主权参数和预设主权区间选择需要进行压裂的井段。
具体地,在选择到初始打井点之后,通过钻井工具可以对打井点进行打钻。我们利用钻头上的多种探测器进行数据采集。在实际采集过程中,为了更精准的进行打井选段,我们需要设置数据梯度并根据梯度不同的进行设置对应的权重值。在采集中,我们会获取到地层密度、声波时差、钻时和自然伽马等地层参数,为了更好地识别选段,我们确定了对选段最为关键的上述四个数据。在考虑到垂直高度与参数之间的影响关系,我们对数值进行扩大或缩小,以凸显不同数据在同一打井选段中的优势,通过数据的扩大或缩小,我们选择合适的区域进行选段,可以使我们选段更精确。
在另一实施例中,步骤106在所述分别计算不同数据梯度范围的打井区间所对应的主权参数之后,还包括:根据当前打井点所在的土地类型对所述主权参数进行调整,具体为:当所述打井点所在的土地类型为山地、盆地或丘陵时,对所述主权参数进行扩大预设倍数;当所述打井点所在的土地类型为高原、平原或河流时,对所述主权参数进行缩小预设倍数。
具体地,在基于上述数据优势扩展的基础上,还考虑到土地类型带来的影响,根据土地类型的不同进行扩大和缩小,在研究过程中尤为关键,可以进一步凸显不同数据在同一区域环境下的情况,为下一步选段提供有力的数据支持。
本发明技术方案在面对超大面积的开发区域时,利用大数据中遥感图像的特征变化情况确定有效点的位置,并利用有效点所在圆之间形成的交点确定在超大面积的开发区域中的初始打井点,克服现有技术盲目打井而造成选段成功率低的风险,实现在超大面积的开发区域中提高打井选段的成功率。
实施例二
参照图2,为本发明另一实施例提供的一种基于大数据的压裂选段系统的结构示意图,包括:图像获取模块、特征对比模块、计算过滤模块、有效确定模块、交点确定模块和压裂确定模块。
所述图像获取模块,用于获取待开发区域的历史遥感图像和当前遥感图像。
所述特征对比模块,用于将所述历史遥感图像和所述当前遥感图像进行特征对比,识别出所述当前遥感图像中地貌发生变化的移动点并标记发生移动的方向和距离。
在本实施例中,所述特征对比模块具体用于:将所述当前遥感图像输入预先建立的压裂识别模型进行特征识别,对所述当前遥感图像中存在概率压裂的区域进行标记并输出初始点;构建空间坐标系,对所述待开发区域中同一区域所对应的历史遥感图像和当前遥感图像进行对比,确定发生空间和位置变化的区域为变化点并在所述当前遥感图像上标记;当存在所述变化点与所述初始点重合时,确定为移动点;当所述变化点与所述初始点不重合时,计算所述变化点与所述初始点在所述当前遥感图像上的空间距离,若所述空间距离的大小在预设阈值范围内时,确定为移动点,否则删除;根据确定的移动点分别在所述当前遥感图像和所述历史遥感图像中对应空间坐标系的位置,确定其发生移动的方向和距离。
在本实施例中,所述压裂识别模型的建立过程,包括:获取已开发区域在开发压裂时刻的遥感图像作为第一训练图像,并根据实际压裂情况,在所述第一训练图像中标记有效打井点;在所述第一训练图像中构建空间坐标系,将所述有效打井点在空间坐标系中进行标记;获取已开发区域在开发压裂前的历史遥感图像作为第二训练图像,并在所述第二训练图像中对山地、盆地、丘陵、高原、平原和河流的土地类型进行标记;对已经进行土地类型标记的第二训练图像进行图像调整,以使调整后的第二训练图像与第一训练图像在空间坐标系中对应的经纬度保持一致;将调整后的第二训练图像中已标记的土地类型通过空间坐标系映射到所述第一训练图像中,并将映射后的土地类型和有效打井点进行相关联,得到模型训练图像;通过神经网络算法构建初始识别模型,将所述模型训练图像输入到所述初始识别模型中进行训练,得到压裂识别模型。
所述计算过滤模块,用于根据每个移动点形成的方向和距离计算该移动点中由于页岩气层移动形成的矢量数据,将所述矢量数据不在预设数据范围内所对应的所有移动点进行过滤,确定有效点。
在本实施例中,所述计算过滤模块具体用于:根据每个移动点形成的方向和距离计算该移动点的绝对距离值,并将所述绝对距离值作为第一影响因子;根据每个移动点形成的方向,在设置同一水平线的情况下分别计算每个移动点与水平线之间形成的角度值,作为第二影响因子;根据所述第一影响因子、第二影响因子和当前移动点所在的土地类型,输入到预设算法中进行有效值计算,对移动点进行过滤,确定有效点。其中,计算所述有效值的预设算法公式为:
其中,y为有效值,为第一影响因子,为第二影响因子,、、和均为常数;其中,当移动点所在的土地类型为山地时,的值取a;当移动点所在的土地类型为盆地时,的值取b;当移动点所在的土地类型为丘陵时,的值取c;当移动点所在的土地类型为高原时,的值取d;当移动点所在的土地类型为平原时,的值取e;当移动点所在的土地类型为河流时,的值取f;其中,a、b、c、d、e和f均为常数。
所述有效确定模块,用于以所述当前遥感图像中的有效点为圆心,以预设距离为半径,确定有效圆。
所述交点确定模块,用于将所述当前遥感图像中的所有有效点对应的有效圆之间相交形成的交点,作为初始打井点。
在本实施例中,所述交点确定模块具体用于:分别确定每个有效圆上形成的交点数量,根据当前有效圆的圆心所在的土地类型和交点数量,确定有效交点;具体包括:当圆心所在的土地类型为山地、盆地或丘陵,且交点数量大于2个时,将当前有效圆上的交点作为初始打井点;当圆心所在的土地类型为高原或平原,且交点数量大于4个时,将当前有效圆上的交点作为初始打井点;当圆心所在的土地类型为河流,且交点数量大于8个时,将当前有效圆上的交点作为初始打井点。
所述压裂确定模块,用于根据各个初始打井点的探测数据,确定进行压裂的井段。
在本实施例中,所述压裂确定模块具体用于:对每个初始打井点的垂直高度设置多个连续的数据梯度范围,对每一个数据梯度范围设置权重值;依次获取不同数据梯度范围内打井点的地层参数,其中,所述地层参数包括:地层密度、声波时差、钻时和自然伽马;根据垂直高度从小到大依次对所述地层密度、声波时差和钻时的数值扩大倍数;其中,所述扩大倍数的值是每个垂直高度对应数据梯度范围设置的权重值;根据垂直高度从小到大依次对所述自然伽马的数值缩小倍数;其中,所述缩小倍数的值是每个垂直高度对应数据梯度范围设置的权重值;根据调整后的地层密度、声波时差、钻时和自然伽马,分别计算不同数据梯度范围的打井区间所对应的主权参数,并根据所述主权参数和预设主权区间选择需要进行压裂的井段。
在另一实施例中,所述压裂确定模块用于在所述分别计算不同数据梯度范围的打井区间所对应的主权参数之后,还用于:根据当前打井点所在的土地类型对所述主权参数进行调整,具体为:当所述打井点所在的土地类型为山地、盆地或丘陵时,对所述主权参数进行扩大预设倍数;当所述打井点所在的土地类型为高原、平原或河流时,对所述主权参数进行缩小预设倍数。
实施例三
本发明实施例还提供了一种计算机可读存储介质,所述计算机可读存储介质包括存储的计算机程序;其中,所述计算机程序在运行时控制所述计算机可读存储介质所在的设备执行上述任一实施例所述的基于大数据的压裂选段方法。
实施例四
请参照图3,是本发明实施例提供的终端设备的一种实施例的结构示意图,所述终端设备包括处理器、存储器以及存储在所述存储器中且被配置为由所述处理器执行的计算机程序,所述处理器在执行所述计算机程序时实现上述任一实施例所述的基于大数据的压裂选段方法。
优选地,所述计算机程序可以被分割成一个或多个模块/单元(如计算机程序、计算机程序),所述一个或者多个模块/单元被存储在所述存储器中,并由所述处理器执行,以完成本发明。所述一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段,该指令段用于描述所述计算机程序在所述终端设备中的执行过程。
所述处理器可以是中央处理单元(Central Processing Unit,CPU),还可以是其他通用处理器、数字信号处理器(Digital Signal Processor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现成可编程门阵列(Field-Programmable Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等,通用处理器可以是微处理器,或者所述处理器也可以是任何常规的处理器,所述处理器是所述终端设备的控制中心,利用各种接口和线路连接所述终端设备的各个部分。
所述存储器主要包括程序存储区和数据存储区,其中,程序存储区可存储操作系统、至少一个功能所需的应用程序等,数据存储区可存储相关数据等。此外,所述存储器可以是高速随机存取存储器,还可以是非易失性存储器,例如插接式硬盘,智能存储卡(SmartMedia Card,SMC)、安全数字(Secure Digital,SD)卡和闪存卡(Flash Card)等,或所述存储器也可以是其他易失性固态存储器件。
需要说明的是,上述终端设备可包括,但不仅限于,处理器、存储器,本领域技术人员可以理解,上述终端设备仅仅是示例,并不构成对终端设备的限定,可以包括更多或更少的部件,或者组合某些部件,或者不同的部件。
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的详细说明,应当理解,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。特别指出,对于本领域技术人员来说,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 (10)
1.一种基于大数据的压裂选段方法,其特征在于,包括:
获取待开发区域的历史遥感图像和当前遥感图像;
将所述历史遥感图像和所述当前遥感图像进行特征对比,识别出所述当前遥感图像中地貌发生变化的移动点并标记发生移动的方向和距离;
根据每个移动点形成的方向和距离计算该移动点中由于页岩气层移动形成的矢量数据,将所述矢量数据不在预设数据范围内所对应的所有移动点进行过滤,确定有效点;
以所述当前遥感图像中的有效点为圆心,以预设距离为半径,确定有效圆;
将所述当前遥感图像中的所有有效点对应的有效圆之间相交形成的交点,作为初始打井点;
根据各个初始打井点的探测数据,确定进行压裂的井段。
2.如权利要求1所述的基于大数据的压裂选段方法,其特征在于,所述将所述历史遥感图像和所述当前遥感图像进行特征对比,识别出所述当前遥感图像中地貌发生变化的移动点并标记发生移动的方向和距离的步骤,具体包括:
将所述当前遥感图像输入预先建立的压裂识别模型进行特征识别,对所述当前遥感图像中存在概率压裂的区域进行标记并输出初始点;
构建空间坐标系,对所述待开发区域中同一区域所对应的历史遥感图像和当前遥感图像进行对比,确定发生空间和位置变化的区域为变化点并在所述当前遥感图像上标记;
当存在所述变化点与所述初始点重合时,确定为移动点;当所述变化点与所述初始点不重合时,计算所述变化点与所述初始点在所述当前遥感图像上的空间距离,若所述空间距离的大小在预设阈值范围内时,确定为移动点,否则删除;
根据确定的移动点分别在所述当前遥感图像和所述历史遥感图像中对应空间坐标系的位置,确定其发生移动的方向和距离。
3.如权利要求2所述的基于大数据的压裂选段方法,其特征在于,所述压裂识别模型的建立过程,包括:
获取已开发区域在开发压裂时刻的遥感图像作为第一训练图像,并根据实际压裂情况,在所述第一训练图像中标记有效打井点;
在所述第一训练图像中构建空间坐标系,将所述有效打井点在空间坐标系中进行标记;
获取已开发区域在开发压裂前的历史遥感图像作为第二训练图像,并在所述第二训练图像中对山地、盆地、丘陵、高原、平原和河流的土地类型进行标记;
对已经进行土地类型标记的第二训练图像进行图像调整,以使调整后的第二训练图像与第一训练图像在空间坐标系中对应的经纬度保持一致;
将调整后的第二训练图像中已标记的土地类型通过空间坐标系映射到所述第一训练图像中,并将映射后的土地类型和有效打井点进行相关联,得到模型训练图像;
通过神经网络算法构建初始识别模型,将所述模型训练图像输入到所述初始识别模型中进行训练,得到压裂识别模型。
4.如权利要求1所述的基于大数据的压裂选段方法,其特征在于,所述根据每个移动点形成的方向和距离计算该移动点中由于页岩气层移动形成的矢量数据,将所述矢量数据不在预设数据范围内所对应的所有移动点进行过滤,确定有效点的步骤,具体包括:
根据每个移动点形成的方向和距离计算该移动点的绝对距离值,并将所述绝对距离值作为第一影响因子;
根据每个移动点形成的方向,在设置同一水平线的情况下分别计算每个移动点与水平线之间形成的角度值,作为第二影响因子;
根据所述第一影响因子、第二影响因子和当前移动点所在的土地类型,输入到预设算法中进行有效值计算,对移动点进行过滤,确定有效点。
5.如权利要求1所述的基于大数据的压裂选段方法,其特征在于,所述将所述当前遥感图像中的所有有效点对应的有效圆之间相交形成的交点,作为初始打井点的步骤,具体包括:
分别确定每个有效圆上形成的交点数量,根据当前有效圆的圆心所在的土地类型和交点数量,确定有效交点;具体包括:
当圆心所在的土地类型为山地、盆地或丘陵,且交点数量大于2个时,将当前有效圆上的交点作为初始打井点;
当圆心所在的土地类型为高原或平原,且交点数量大于4个时,将当前有效圆上的交点作为初始打井点;
当圆心所在的土地类型为河流,且交点数量大于8个时,将当前有效圆上的交点作为初始打井点。
6.如权利要求1所述的基于大数据的压裂选段方法,其特征在于,所述根据各个初始打井点的探测数据,确定进行压裂的井段的步骤,具体包括:
对每个初始打井点的垂直高度设置多个连续的数据梯度范围,对每一个数据梯度范围设置权重值;
依次获取不同数据梯度范围内打井点的地层参数,其中,所述地层参数包括:地层密度、声波时差、钻时和自然伽马;
根据垂直高度从小到大依次对所述地层密度、声波时差和钻时的数值扩大倍数;其中,所述扩大倍数的值是每个垂直高度对应数据梯度范围设置的权重值;
根据垂直高度从小到大依次对所述自然伽马的数值缩小倍数;其中,所述缩小倍数的值是每个垂直高度对应数据梯度范围设置的权重值;
根据调整后的地层密度、声波时差、钻时和自然伽马,分别计算不同数据梯度范围的打井区间所对应的主权参数,并根据所述主权参数和预设主权区间选择需要进行压裂的井段。
7.如权利要求6所述的基于大数据的压裂选段方法,其特征在于,在所述分别计算不同数据梯度范围的打井区间所对应的主权参数之后,还包括:
根据当前打井点所在的土地类型对所述主权参数进行调整,具体为:
当所述打井点所在的土地类型为山地、盆地或丘陵时,对所述主权参数进行扩大预设倍数;
当所述打井点所在的土地类型为高原、平原或河流时,对所述主权参数进行缩小预设倍数。
8.一种基于大数据的压裂选段系统,其特征在于,包括:图像获取模块、特征对比模块、计算过滤模块、有效确定模块、交点确定模块和压裂确定模块;
所述图像获取模块,用于获取待开发区域的历史遥感图像和当前遥感图像;
所述特征对比模块,用于将所述历史遥感图像和所述当前遥感图像进行特征对比,识别出所述当前遥感图像中地貌发生变化的移动点并标记发生移动的方向和距离;
所述计算过滤模块,用于根据每个移动点形成的方向和距离计算该移动点中由于页岩气层移动形成的矢量数据,将所述矢量数据不在预设数据范围内所对应的所有移动点进行过滤,确定有效点;
所述有效确定模块,用于以所述当前遥感图像中的有效点为圆心,以预设距离为半径,确定有效圆;
所述交点确定模块,用于将所述当前遥感图像中的所有有效点对应的有效圆之间相交形成的交点,作为初始打井点;
所述压裂确定模块,用于根据各个初始打井点的探测数据,确定进行压裂的井段。
9.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质包括存储的计算机程序;其中,所述计算机程序在运行时控制所述计算机可读存储介质所在的设备执行如权利要求1-7中任一项所述的基于大数据的压裂选段方法。
10.一种终端设备,其特征在于,包括处理器、存储器以及存储在所述存储器中且被配置为由所述处理器执行的计算机程序,所述处理器在执行所述计算机程序时实现如权利要求1-7中任一项所述的基于大数据的压裂选段方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310091434.6A CN115775277B (zh) | 2023-02-10 | 2023-02-10 | 一种基于大数据的压裂选段方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310091434.6A CN115775277B (zh) | 2023-02-10 | 2023-02-10 | 一种基于大数据的压裂选段方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115775277A CN115775277A (zh) | 2023-03-10 |
CN115775277B true CN115775277B (zh) | 2023-04-07 |
Family
ID=85393410
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310091434.6A Active CN115775277B (zh) | 2023-02-10 | 2023-02-10 | 一种基于大数据的压裂选段方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115775277B (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106484925A (zh) * | 2015-08-25 | 2017-03-08 | 中国石油化工股份有限公司 | 页岩气水平井压裂选段系统及选段方法 |
CN109165553A (zh) * | 2018-07-20 | 2019-01-08 | 中国石油天然气股份有限公司 | 基于深度学习的石油设施遥感自动识别方法及装置 |
WO2020139109A1 (ru) * | 2018-12-26 | 2020-07-02 | Публичное акционерное общество "Газпром нефть" | Способ выбора системы разработки месторождения |
CN111878074A (zh) * | 2020-08-24 | 2020-11-03 | 西南石油大学 | 一种页岩油藏开发方案的优选方法 |
CN115266782A (zh) * | 2022-09-27 | 2022-11-01 | 中国科学院地质与地球物理研究所 | 一种基于双能ct技术评价非常规储层双甜点的方法 |
-
2023
- 2023-02-10 CN CN202310091434.6A patent/CN115775277B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106484925A (zh) * | 2015-08-25 | 2017-03-08 | 中国石油化工股份有限公司 | 页岩气水平井压裂选段系统及选段方法 |
CN109165553A (zh) * | 2018-07-20 | 2019-01-08 | 中国石油天然气股份有限公司 | 基于深度学习的石油设施遥感自动识别方法及装置 |
WO2020139109A1 (ru) * | 2018-12-26 | 2020-07-02 | Публичное акционерное общество "Газпром нефть" | Способ выбора системы разработки месторождения |
CN111878074A (zh) * | 2020-08-24 | 2020-11-03 | 西南石油大学 | 一种页岩油藏开发方案的优选方法 |
CN115266782A (zh) * | 2022-09-27 | 2022-11-01 | 中国科学院地质与地球物理研究所 | 一种基于双能ct技术评价非常规储层双甜点的方法 |
Non-Patent Citations (1)
Title |
---|
刘德长 等."航空高光谱遥感油气探测技术研究及应用效果".《地质学报》.2019,第第93卷卷(第第1期期),第272-284页. * |
Also Published As
Publication number | Publication date |
---|---|
CN115775277A (zh) | 2023-03-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CA3007950C (en) | Predicting and modeling changes in capillary pressure and relative permeabilities in a porous medium due to mineral precipitation and dissolution | |
Drovosekova et al. | Peculiarities of modelling hydro-lithospheric processes in the region of Kavkazskiye Mineralnye Vody (caucasus mineral springs) | |
CA2880497C (en) | Methods and systems related to hydrocarbon recovery strategy development | |
CN110097069A (zh) | 一种基于深度多核学习的支持向量机岩相识别方法及装置 | |
US10598818B2 (en) | Method for determining geological caves | |
CN105447762A (zh) | 一种流体替换的低渗透油藏水淹信息的计算方法 | |
CN112861890B (zh) | 一种储层评价模型构建方法及储层识别方法 | |
Iwashita et al. | A self-organizing map approach to characterize hydrogeology of the fractured Serra-Geral transboundary aquifer | |
CN110850057A (zh) | 一种基于自相似性理论的储层裂缝建模方法及系统 | |
CN115775277B (zh) | 一种基于大数据的压裂选段方法及系统 | |
CN109670729A (zh) | 一种顶板含水层富水性评价方法 | |
CN107092995A (zh) | 地热资源评价方法和装置 | |
Surrette et al. | Quantifying heterogeneity in variably fractured sedimentary rock using a hydrostructural domain | |
CN104834934B (zh) | 一种用于识别储层流体的核体俘获法 | |
Li et al. | Spatiotemporal variation and periodic evolution characteristics of groundwater in the Xining area of China, eastern Qinghai–Tibet Plateau | |
Aalianvari et al. | Application of geostatistical methods to estimation of water flow from upper reservoir of Azad pumped storage power plant | |
Fabbri et al. | Spatial distribution of temperature in the low-temperature geothermal Euganean field (NE Italy): a simulated annealing approach | |
CN114460639B (zh) | 页岩油储层渗透率的预测方法及装置 | |
Gao et al. | Development of cavity probability map for Abu Dhabi Municipality using GIS and decision tree modeling | |
Yin et al. | Parameter Identification of Multistage Fracturing Horizontal Well Based on PSO‐RBF Neural Network | |
Sun et al. | An Intelligent Inversion Method for Complex Fractures Using Ensemble Neural Network | |
CN114663453B (zh) | 储层多尺度裂缝网络定量描述方法及装置 | |
CN113807359B (zh) | 井间连通路径智能识别方法及电子设备 | |
CN117933103B (zh) | 一种基于贝叶斯深度学习的碳封存模型不确定性分析方法 | |
CN117251739B (zh) | 用于砂岩型铀资源定量预测的样本集的构建方法 |
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 |