CN115906534B - 自我更新及自动反向控制的油气田数字孪生方法及系统 - Google Patents
自我更新及自动反向控制的油气田数字孪生方法及系统 Download PDFInfo
- Publication number
- CN115906534B CN115906534B CN202310016887.2A CN202310016887A CN115906534B CN 115906534 B CN115906534 B CN 115906534B CN 202310016887 A CN202310016887 A CN 202310016887A CN 115906534 B CN115906534 B CN 115906534B
- Authority
- CN
- China
- Prior art keywords
- prediction
- target prediction
- data
- function corresponding
- oil
- 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
-
- 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
- Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]
Landscapes
- Feedback Control In General (AREA)
Abstract
本发明涉及油气田数据识别技术领域,更具体地,涉及自我更新及自动反向控制的油气田数字孪生方法及系统。该方案包括获取油气藏数字模型,通过传感器自动提取传感数据接入数字孪生系统;若存在优化预测命令,则分类进行目标预测更新函数的更新目标预测更新函数判断大于预设的时间裕度后,自动调用对应的目标预测更新函数根据物理量对应的数值模型预测模拟数据;将所述模拟数据与传感器获得的观测数据进行实时比较,发出所述优化预测命令;预测未来开发状况;获得未来开发最优化的油气田输入数据。该方案不断校正自己内部的各数值模型,使得随着时间的推移,自身的精度越来越高,从而越来越准确的对未来做出预测。
Description
技术领域
本发明涉及油气田数据识别技术领域,更具体地,涉及自我更新及自动反向控制的油气田数字孪生方法及系统。
背景技术
油气田数字孪生模型中,大量的数据需要通过数值模型的仿真获得,而数值模型无法做到100%准确预测实际物理系统的行为特征。实际物理过程对应的数值模型往往包括成百上千个参数,只有在这些参数和实际物理模型的属性完全一致时,数值模型的计算结果才有可能准确反应实际物理过程的。
在本发明技术之前,受限于测量技术与成本,无法获得实际物理模型的全部属性的准确值,尤其是,对地下油气藏问题而言,由于无法直接观察到地下几千米深的油气储层,只能依靠钻井获取地下的信息,而油井间的距离较大,一般在400m以上,因此,油气藏模型的准确度一般都较低,包含了大量的不确定参数,其计算结果往往与实际模型存在较大偏差。
发明内容
鉴于上述问题,本发明提出了自我更新及自动反向控制的油气田数字孪生方法及系统,不断校正自己内部的各个数值模型,使得随着时间的推移,自身的精度越来越高,从而越来越准确的对未来做出预测。
根据本发明实施例第一方面,提供一种具备自我更新及自动反向控制的油气田数字孪生方法。
在一个或多个实施例中,优选地,所述一种具备自我更新及自动反向控制的油气田数字孪生方法包括:
获取油气藏数字模型,通过传感器自动提取传感数据接入数字孪生系统;
若存在优化预测命令,则分类进行目标预测更新函数的更新第一分类号对应的目标预测更新函数、第二分类号对应的目标预测更新函数和第三分类号对应的目标预测更新函数,否则不做处理;
判断大于预设的时间裕度后,自动调用第一分类号对应的目标预测更新函数、第二分类号对应的目标预测更新函数和第三分类号对应的目标预测更新函数根据物理量对应的数值模型预测模拟数据;
将所述模拟数据与传感器获得的观测数据进行实时比较,发出所述优化预测命令;
在收到所述优化预测命令后,预测未来开发状况;
在收到所述优化预测命令后,获得未来开发最优化的油气田输入数据。
在一个或多个实施例中,优选地,所述获取油气藏数字模型,通过传感器自动提取传感数据接入数字孪生系统,具体包括:
油气田生成系统的输出实时通过传感器获得监视数据;
对油气藏区域进行全部的管线和井的数值模型的设置。
在一个或多个实施例中,优选地,所述若存在优化预测命令,则分类进行目标预测更新函数的更新第一分类号对应的目标预测更新函数、第二分类号对应的目标预测更新函数和第三分类号对应的目标预测更新函数,否则不做处理,具体包括:
提取全部的油气藏数字模型的输入数据类型和传感器获得监视数据;
利用第一计算公式实时进行归一化处理,获取每个参数的归一化参数;
利用第二计算公式对每个参数进行不同速率区分,获得分类号;
利用第三计算公式设置第一随机系数、第二随机系数和第三随机系数;
根据所述分类号对全部的输入数据进行分类;
利用第四计算公式计算第一分类号对应的综合误差;
利用第五计算公式计算第二分类号对应的综合误差;
利用第六计算公式计算第三分类号对应的综合误差;
利用第七计算公式计算第一分类号对应的目标预测更新函数、第二分类号对应的目标预测更新函数和第三分类号对应的目标预测更新函数;
所述第一计算公式为:
G=(X-min)/(max-min)
其中,G为所述归一化参数,X为输入参数,max为输入参数的历史数据的最大值,min为输入参数的历史数据的最小值;
所述第二计算公式为:
其中,d为所述速率分区的分类号,a为当前时间点编号,△G t 为第t时间点的归一化参数变化速率,AMIN为最小更新速率裕度,AMAX为最大更新速率裕度;
所述第三计算公式为:
其中,k1为所述第一随机系数,k2为所述第二随机系数,k3为所述第三随机系数;
所述第四计算公式为:
其中,S1为所述第一分类号对应的综合误差,a为当前时间点编号,fd1(t) 为第一分类号对应的预测更新函数,ct为第t时间点的实际值;
所述第五计算公式为:
其中,S2为所述第二分类号对应的综合误差,fd2(t) 为第二分类号对应的预测更新函数;
所述第六计算公式为:
其中,S3为所述第三分类号对应的综合误差,fd3(t) 为第三分类号对应的预测更新函数;
所述第七计算公式为:
{fn1(t) , fn2(t), fn3(t)}=arg min(k1S1+k2S2+k3S3)
其中,fn1(t)为所述第一分类号对应的目标预测更新函数,fn2(t)为所述第二分类号对应的目标预测更新函数,fn3(t)为所述第三分类号对应的目标预测更新函数。
在一个或多个实施例中,优选地,所述判断大于预设的时间裕度后,自动调用第一分类号对应的目标预测更新函数、第二分类号对应的目标预测更新函数和第三分类号对应的目标预测更新函数根据物理量对应的数值模型预测模拟数据,具体包括:
判断当前时间是否达到预设的时间裕度,若达到则启动函数调用功能;
在所述函数调用功能启动后,自动调用第一分类号对应的目标预测更新函数、第二分类号对应的目标预测更新函数和第三分类号对应的目标预测更新函数;
根据第一分类号对应的目标预测更新函数、第二分类号对应的目标预测更新函数和第三分类号对应的目标预测更新函数依次计算对应的数值模型预测模拟数据。
在一个或多个实施例中,优选地,所述将所述模拟数据与传感器获得的观测数据进行实时比较,发出所述优化预测命令,具体包括:
获得数值模型预测模拟数据与实际监测到传感数据的对比关系;
当对比关系为偏差小于预设范围时,则认为对比一致;
当对比关系为偏差不小于预设范围时,则认为对比不一致;
当对比不一致时,以实际监测到的传感数据为目标修正数值模型预测模拟数据的目标预测更新函数;
当对比一致时,直接将当前的数值模型预测模拟数据存储为预测基础数据,发出所述优化预测命令。
在一个或多个实施例中,优选地,所述在收到所述优化预测命令后,预测未来开发状况,具体包括:
在收到所述优化预测命令后,根据预测基础数据利用油气藏模型进行未来开发状态下的数据预测;
根据数据预测后的结果判断单井采收率、稳产时间和采收率;
以可视化界面展示所述单井采收率、所述稳产时间和所述采收率。
在一个或多个实施例中,优选地,所述在收到所述优化预测命令后,获得未来开发最优化的油气田输入数据,具体包括:
在收到所述优化预测命令后,依次选择不同的开发指标,所述开发指标为油气田输入数据的配置方式;
根据预测基础数据利用油气藏模型计算最终累产量最大对应的所述开发指标,作为目标开发指标;
将所述目标开发指标对应的油气田输入数据的配置方式,作为未来开发最优化的油气田输入数据。
根据本发明实施例第二方面,提供一种具备自我更新及自动反向控制的油气田数字孪生系统。
在一个或多个实施例中,优选地,所述一种具备自我更新及自动反向控制的油气田数字孪生系统包括:
传感采集模块,用于获取油气藏数字模型,通过传感器自动提取传感数据接入数字孪生系统;
参数修正模块,用于若存在优化预测命令,则分类进行目标预测更新函数的更新第一分类号对应的目标预测更新函数、第二分类号对应的目标预测更新函数和第三分类号对应的目标预测更新函数,否则不做处理;
延时校正模块,用于判断大于预设的时间裕度后,自动调用第一分类号对应的目标预测更新函数、第二分类号对应的目标预测更新函数和第三分类号对应的目标预测更新函数根据物理量对应的数值模型预测模拟数据;
校正对比模块,用于将所述模拟数据与传感器获得的观测数据进行实时比较,发出所述优化预测命令;
参数预测模块,用于在收到所述优化预测命令后,预测未来开发状况;
开发模式模块,用于在收到所述优化预测命令后,获得未来开发最优化的油气田输入数据。
根据本发明实施例第三方面,提供一种计算机可读存储介质,其上存储计算机程序指令,所述计算机程序指令在被处理器执行时实现如本发明实施例第一方面中任一项所述的方法。
根据本发明实施例第四方面,提供一种电子设备,包括存储器和处理器,所述存储器用于存储一条或多条计算机程序指令,其中,所述一条或多条计算机程序指令被所述处理器执行以实现本发明实施例第一方面中任一项所述的方法。
本发明的实施例提供的技术方案可以包括以下有益效果:
本发明方案中,提出了一种数字孪生方法,可以不断校正自己内部的各个数值模型,使得随着时间的推移,自身的精度越来越高。
本发明方案中,将优化结果自动反馈给物理系统,实现对物理系统的自动反向控制。最终降低了油藏工程师的工作量,同时实现了油气田开发效益的最大化。
本发明的其它特征和优点将在随后的说明书中阐述,并且,部分地从说明书中变得显而易见,或者通过实施本发明而了解。本发明的目的和其他优点可通过在所写的说明书、权利要求书、以及附图中所特别指出的结构来实现和获得。
下面通过附图和实施例,对本发明的技术方案做进一步的详细描述。
附图说明
为了更清楚地说明本发明实施例中的技术方案,下面将对实施例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是本发明一个实施例的一种具备自我更新及自动反向控制的油气田数字孪生方法的流程图。
图2是本发明一个实施例的一种具备自我更新及自动反向控制的油气田数字孪生方法中的获取油气藏数字模型,通过传感器自动提取传感数据接入数字孪生系统的流程图。
图3是本发明一个实施例的一种具备自我更新及自动反向控制的油气田数字孪生方法中的若存在优化预测命令,则分类进行目标预测更新函数的更新第一分类号对应的目标预测更新函数、第二分类号对应的目标预测更新函数和第三分类号对应的目标预测更新函数,否则不做处理的流程图。
图4是本发明一个实施例的一种具备自我更新及自动反向控制的油气田数字孪生方法中的判断大于预设的时间裕度后,自动调用第一分类号对应的目标预测更新函数、第二分类号对应的目标预测更新函数和第三分类号对应的目标预测更新函数根据物理量对应的数值模型预测模拟数据的流程图。
图5是本发明一个实施例的一种具备自我更新及自动反向控制的油气田数字孪生方法中的将所述模拟数据与传感器获得的观测数据进行实时比较,发出所述优化预测命令的流程图。
图6是本发明一个实施例的一种具备自我更新及自动反向控制的油气田数字孪生方法中的在收到所述优化预测命令后,预测未来开发状况的流程图。
图7是本发明一个实施例的一种具备自我更新及自动反向控制的油气田数字孪生方法中的在收到所述优化预测命令后,获得未来开发最优化的油气田输入数据的流程图。
图8是本发明一个实施例的一种具备自我更新及自动反向控制的油气田数字孪生系统的结构图。
图9是本发明一个实施例中一种电子设备的结构图。
具体实施方式
在本发明的说明书和权利要求书及上述附图中的描述的一些流程中,包含了按照特定顺序出现的多个操作,但是应该清楚了解,这些操作可以不按照其在本文中出现的顺序来执行或并行执行,操作的序号如101、102等,仅仅是用于区分开各个不同的操作,序号本身不代表任何的执行顺序。另外,这些流程可以包括更多或更少的操作,并且这些操作可以按顺序执行或并行执行。需要说明的是,本文中的“第一”、“第二”等描述,是用于区分不同的消息、设备、模块等,不代表先后顺序,也不限定“第一”和“第二”是不同的类型。
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。
油气田数字孪生模型中,大量的数据需要通过数值模型的仿真获得,而数值模型无法做到100%准确预测实际物理系统的行为特征。实际物理过程对应的数值模型往往包括成百上千个参数,只有在这些参数和实际物理模型的属性完全一致时,数值模型的计算结果才有可能准确反应实际物理过程的。
在本发明技术之前,受限于测量技术与成本,无法获得实际物理模型的全部属性的准确值,尤其是,对地下油气藏问题而言,由于无法直接观察到地下几千米深的油气储层,只能依靠钻井获取地下的信息,而油井间的距离较大,一般在400m以上,因此,油气藏模型的准确度一般都较低,包含了大量的不确定参数,其计算结果往往与实际模型存在较大偏差。
本发明实施例中,提供了自我更新及自动反向控制的油气田数字孪生方法及系统。该方案不断校正自己内部的各个数值模型,使得随着时间的推移,自身的精度越来越高,从而越来越准确的对未来做出预测。
根据本发明实施例第一方面,提供一种具备自我更新及自动反向控制的油气田数字孪生方法。
图1是本发明一个实施例的一种具备自我更新及自动反向控制的油气田数字孪生方法的流程图。
在一个或多个实施例中,优选地,所述一种具备自我更新及自动反向控制的油气田数字孪生方法包括:
S101、获取油气藏数字模型,通过传感器自动提取传感数据接入数字孪生系统;
S102、若存在优化预测命令,则分类进行目标预测更新函数的更新第一分类号对应的目标预测更新函数、第二分类号对应的目标预测更新函数和第三分类号对应的目标预测更新函数,否则不做处理;
S103、判断大于预设的时间裕度后,自动调用第一分类号对应的目标预测更新函数、第二分类号对应的目标预测更新函数和第三分类号对应的目标预测更新函数根据物理量对应的数值模型预测模拟数据;
S104、将所述模拟数据与传感器获得的观测数据进行实时比较,发出所述优化预测命令;
S105、在收到所述优化预测命令后,预测未来开发状况;
S106、在收到所述优化预测命令后,获得未来开发最优化的油气田输入数据。
本发明实施例中,提出了一种数字孪生方法,可以不断校正自己内部的各个数值模型,使得随着时间的推移,自身的精度越来越高,从而越来越准确的对未来做出预测。同时自动优化开发方案,并将优化结果自动反馈给物理系统,实现对物理系统的自动反向控制。最终降低了油藏工程师的工作量,同时实现了油气田开发效益的最大化。
图2是本发明一个实施例的一种具备自我更新及自动反向控制的油气田数字孪生方法中的获取油气藏数字模型,通过传感器自动提取传感数据接入数字孪生系统的流程图。
如图2所示,在一个或多个实施例中,优选地,所述获取油气藏数字模型,通过传感器自动提取传感数据接入数字孪生系统,具体包括:
S201、油气田生成系统的输出实时通过传感器获得监视数据;
S202、对油气藏区域进行全部的管线和井的数值模型的设置。
在本发明实施例中,与现有的油气田数字孪生系统相似,首先需要准备油气藏数值模拟模型及各井、管线的数值模型,并将不同物理对象进行衔接。整个系统由4类对象组成:1)地下的各个油气藏的地质模型,在本例中,共6个;2)油气井,本例中共22口;3)管线,本例中共8条;4)其他人工建筑,本例中包括陆地油气处理场站和油气集输站两个。
图3是本发明一个实施例的一种具备自我更新及自动反向控制的油气田数字孪生方法中的若存在优化预测命令,则分类进行目标预测更新函数的更新第一分类号对应的目标预测更新函数、第二分类号对应的目标预测更新函数和第三分类号对应的目标预测更新函数,否则不做处理的流程图。
如图3所示,在一个或多个实施例中,优选地,所述若存在优化预测命令,则分类进行目标预测更新函数的更新第一分类号对应的目标预测更新函数、第二分类号对应的目标预测更新函数和第三分类号对应的目标预测更新函数,否则不做处理,具体包括:
S301、提取全部的油气藏数字模型的输入数据类型和传感器获得监视数据;
S302、利用第一计算公式实时进行归一化处理,获取每个参数的归一化参数;
S303、利用第二计算公式对每个参数进行不同速率区分,获得分类号;
S304、利用第三计算公式设置第一随机系数、第二随机系数和第三随机系数;
S305、根据所述分类号对全部的输入数据进行分类,利用第四计算公式计算第一分类号对应的综合误差;
S306、利用第五计算公式计算第二分类号对应的综合误差;
S307、利用第六计算公式计算第三分类号对应的综合误差;
S308、利用第七计算公式计算第一分类号对应的目标预测更新函数、第二分类号对应的目标预测更新函数和第三分类号对应的目标预测更新函数;
所述第一计算公式为:
G=(X-min)/(max-min)
其中,G为所述归一化参数,X为输入参数,max为输入参数的历史数据的最大值,min为输入参数的历史数据的最小值;
所述第二计算公式为:
其中,d为所述速率分区的分类号,a为当前时间点编号,△G t 为第t时间点的归一化参数变化速率,AMIN为最小更新速率裕度,AMAX为最大更新速率裕度;
所述第三计算公式为:
其中,k1为所述第一随机系数,k2为所述第二随机系数,k3为所述第三随机系数;
所述第四计算公式为:
其中,S1为所述第一分类号对应的综合误差,a为当前时间点编号,fd1(t) 为第一分类号对应的预测更新函数,ct为第t时间点的实际值;
所述第五计算公式为:
其中,S2为所述第二分类号对应的综合误差,fd2(t) 为第二分类号对应的预测更新函数;
所述第六计算公式为:
其中,S3为所述第三分类号对应的综合误差,fd3(t) 为第三分类号对应的预测更新函数;
所述第七计算公式为:
{fn1(t) , fn2(t), fn3(t)}=arg min(k1S1+k2S2+k3S3)
其中,fn1(t)为所述第一分类号对应的目标预测更新函数,fn2(t)为所述第二分类号对应的目标预测更新函数,fn3(t)为所述第三分类号对应的目标预测更新函数。
在本发明实施例中,为了能够实时进行更新函数的修改,通过第一计算公式、第二计算公式、第三计算公式、第四计算公式、第五计算公式、第六计算公式和第七计算公式进行在线的函数预测和更新,进而能够实现有效的函数预测和分析,使得实时的运算过程中根据不同的时间尺度,完成不同级别的更新。
图4是本发明一个实施例的一种具备自我更新及自动反向控制的油气田数字孪生方法中的判断大于预设的时间裕度后,自动调用第一分类号对应的目标预测更新函数、第二分类号对应的目标预测更新函数和第三分类号对应的目标预测更新函数根据物理量对应的数值模型预测模拟数据的流程图。
如图4所示,在一个或多个实施例中,优选地,所述判断大于预设的时间裕度后,自动调用第一分类号对应的目标预测更新函数、第二分类号对应的目标预测更新函数和第三分类号对应的目标预测更新函数根据物理量对应的数值模型预测模拟数据,具体包括:
S401、判断当前时间是否达到预设的时间裕度,若达到则启动函数调用功能;
S402、在所述函数调用功能启动后,自动调用第一分类号对应的目标预测更新函数、第二分类号对应的目标预测更新函数和第三分类号对应的目标预测更新函数;
S403、根据第一分类号对应的目标预测更新函数、第二分类号对应的目标预测更新函数和第三分类号对应的目标预测更新函数依次计算对应的数值模型预测模拟数据。
在本发明实施例中,在监测数据累积达到一定量时(周或者月),自动调用各物理对象对应的数值模型,以这一阶段的某种数据为约束,预测其他数据。例如以每口井的井底流压为约束,开展油藏数值模拟,预测每口井的产油、产水、产气值。
图5是本发明一个实施例的一种具备自我更新及自动反向控制的油气田数字孪生方法中的将所述模拟数据与传感器获得的观测数据进行实时比较,发出所述优化预测命令的流程图。
如图5所示,在一个或多个实施例中,优选地,所述将所述模拟数据与传感器获得的观测数据进行实时比较,发出所述优化预测命令,具体包括:
S501、获得数值模型预测模拟数据与实际监测到传感数据的对比关系;
S502、当对比关系为偏差小于预设范围时,则认为对比一致;
S503、当对比关系为偏差不小于预设范围时,则认为对比不一致;
S504、当对比不一致时,以实际监测到的传感数据为目标修正数值模型预测模拟数据的目标预测更新函数;
S505、当对比一致时,直接将当前的数值模型预测模拟数据存储为预测基础数据,发出所述优化预测命令。
在本发明实施例中,并将预测的结果与实际监测到的产油、产水、产气值进行对比,如果发现产生了较大的偏差。则自动启动下一步中的模型自动历史拟合,开展该模型的自动历史拟合,即通过计算机自动调整该数值模型中的某些参数,以使其计算结果与实际物理对象的监测数据相吻合。自动历史拟合也称作数据同化,本专业技术人员可以采用集合卡尔曼滤波方法(EnKF)等各类数据同化方法进行本步操作。集合卡尔曼滤波方法(EnKF)是基于Monte Carlo模拟的卡尔曼滤波方法,其采用样本协方差作为协方差的近似,在油气藏工程等较。
图6是本发明一个实施例的一种具备自我更新及自动反向控制的油气田数字孪生方法中的在收到所述优化预测命令后,预测未来开发状况的流程图。
如图6所示,在一个或多个实施例中,优选地,所述在收到所述优化预测命令后,预测未来开发状况,具体包括:
S601、在收到所述优化预测命令后,根据预测基础数据利用油气藏模型进行未来开发状态下的数据预测;
S602、根据数据预测后的结果判断单井采收率、稳产时间和采收率;
S603、以可视化界面展示所述单井采收率、所述稳产时间和所述采收率。
在本发明实施例中,在开展了自动历史拟合后,数值模型的参数会发生较大的变化。此时,该数值模型对未来开发状态的预测也会发生改变。因此,自动调用该数值模型,进行未来开发指标的预测。对油气藏模型来说,即开展油气藏数值模拟,在新模型下计算各井产能及递减,预测单井采收率及全气藏的稳产时间、采收率等指标。这类指标可以呈现在数字孪生系统的可视化界面上,供用户查看。
图7是本发明一个实施例的一种具备自我更新及自动反向控制的油气田数字孪生方法中的在收到所述优化预测命令后,获得未来开发最优化的油气田输入数据的流程图。
如图7所示,在一个或多个实施例中,优选地,所述在收到所述优化预测命令后,获得未来开发最优化的油气田输入数据,具体包括:
S701、在收到所述优化预测命令后,依次选择不同的开发指标,所述开发指标为油气田输入数据的配置方式;
S702、根据预测基础数据利用油气藏模型计算最终累产量最大对应的所述开发指标,作为目标开发指标;
S703、将所述目标开发指标对应的油气田输入数据的配置方式,作为未来开发最优化的油气田输入数据。
在本发明实施例中,由于不同开发方案下对应的开发指标不同,未来开发阶段设置不同的单井产量,所获得的全油藏的最终累产量往往是不相同的。存在某个特定的单井产量值,使得在该产量下生产的话,最终累产量最多。因此,数字孪生系统可以利用上一步获得的矫正后的数值模型,来开展该参数的优化,进而将该组参数直接发送给实际的物理模型,从而实现对物理模型的自动反向控制。
根据本发明实施例第二方面,提供一种具备自我更新及自动反向控制的油气田数字孪生系统。
图8是本发明一个实施例的一种具备自我更新及自动反向控制的油气田数字孪生系统的结构图。
在一个或多个实施例中,优选地,所述一种具备自我更新及自动反向控制的油气田数字孪生系统包括:
传感采集模块801,用于获取油气藏数字模型,通过传感器自动提取传感数据接入数字孪生系统;
参数修正模块802,用于若存在优化预测命令,则分类进行目标预测更新函数的更新第一分类号对应的目标预测更新函数、第二分类号对应的目标预测更新函数和第三分类号对应的目标预测更新函数,否则不做处理;
延时校正模块803,用于判断大于预设的时间裕度后,自动调用第一分类号对应的目标预测更新函数、第二分类号对应的目标预测更新函数和第三分类号对应的目标预测更新函数根据物理量对应的数值模型预测模拟数据;
校正对比模块804,用于将所述模拟数据与传感器获得的观测数据进行实时比较,发出所述优化预测命令;
参数预测模块805,用于在收到所述优化预测命令后,预测未来开发状况;
开发模式模块806,用于在收到所述优化预测命令后,获得未来开发最优化的油气田输入数据。
本发明实施例中,通过一系列的模块化设计,实现一个适用于不同结构下的系统,该系统能够通过采集、分析和控制,实现闭环的、可靠的、高效的执行。
根据本发明实施例第三方面,提供一种计算机可读存储介质,其上存储计算机程序指令,所述计算机程序指令在被处理器执行时实现如本发明实施例第一方面中任一项所述的方法。
根据本发明实施例第四方面,提供一种电子设备。图9是本发明一个实施例中一种电子设备的结构图。图9所示的电子设备为通用自我更新及自动反向控制的油气田数字孪生装置。参照图9,该电子设备900包括相互耦合的一个或多个(图中仅示出一个)处理器902、存储器904以及无线模块906。其中,该存储器904中存储有可以执行前述实施例中内容的程序,而处理器902可以执行该存储器904中存储的程序。
其中,处理器902可以包括一个或者多个处理核。处理器902利用各种接口和线路连接整个电子设备900内的各个部分,通过运行或执行存储在存储器904内的指令、程序、代码集或指令集,以及调用存储在存储器904内的数据,执行电子设备900的各种功能和处理数据。可选地,处理器902可以采用数字信号处理(Digital Signal Processing,DSP)、现场可编程门阵列(Field-ProgrammableGate Array,FPGA)、可编程逻辑阵列(ProgrammableLogic Array,PLA)中的至少一种硬件形式来实现。处理器902可集成中央处理器(CentralProcessing Unit,CPU)、图像处理器(Graphics Processing Unit,GPU)和调制解调器等中的一种或几种的组合。其中,CPU主要处理操作系统、用户界面和目标应用程序等;GPU用于负责显示内容的渲染和绘制;调制解调器用于处理无线通信。可以理解的是,上述调制解调器也可以不集成到处理器902中,单独通过一块通信芯片进行实现。
存储器904可以包括随机存储器(Random AccessMemory,RAM),也可以包括只读存储器(Read-Only Memory)。存储器904可用于存储指令、程序、代码、代码集或指令集。存储器904可包括存储程序区和存储数据区,其中,存储程序区可存储用于实现操作系统的指令、用于实现至少一个功能的指令(比如触控功能、声音播放功能、图像播放功能等)、用于实现下述各个方法实施例的指令等。存储数据区还可以存储电子设备900在使用中所创建的数据(比如前述的文本文档)等。
所述无线模块906用于接收以及发送电磁波,实现电磁波与电信号的相互转换,从而与通讯网络或者其他设备进行通讯,例如基于移动通信协议与基站进行通讯。所述无线模块906可包括各种现有的用于执行这些功能的电路元件,例如,天线、射频收发器、数字信号处理器、加密/解密芯片、用户身份模块(SIM)卡、存储器等等。所述无线模块906可与各种网络如互联网、企业内部网、无线网络进行通讯或者通过无线网络与其他电子设备进行通讯。上述的无线网络可包括蜂窝式电话网、无线局域网或者城域网。上述的无线网络可以使用各种通信标准、协议及技术,包括但并不限于WLAN协议以 及 蓝牙协议,甚至可包括那些当前仍未被开发出来的协议。
本发明的实施例提供的技术方案可以包括以下有益效果:
本发明方案中,提出了一种数字孪生方法,可以不断校正自己内部的各个数值模型,使得随着时间的推移,自身的精度越来越高。
本发明方案中,将优化结果自动反馈给物理系统,实现对物理系统的自动反向控制。最终降低了油藏工程师的工作量,同时实现了油气田开发效益的最大化。
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和光学存储器等)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。
显然,本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样,倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内,则本发明也意图包含这些改动和变型在内。
Claims (9)
1.一种具备自我更新及自动反向控制的油气田数字孪生方法,其特征在于,该方法包括:获取油气藏数字模型,通过传感器自动提取传感数据接入数字孪生系统;
若存在优化预测命令,则分类进行目标预测更新函数的更新第一分类号对应的目标预测更新函数、第二分类号对应的目标预测更新函数和第三分类号对应的目标预测更新函数,否则不做处理;
判断大于预设的时间裕度后,自动调用第一分类号对应的目标预测更新函数、第二分类号对应的目标预测更新函数和第三分类号对应的目标预测更新函数根据物理量对应的数值模型预测模拟数据;
将所述模拟数据与传感器获得的观测数据进行实时比较,发出所述优化预测命令;
在收到所述优化预测命令后,预测未来开发状况;
在收到所述优化预测命令后,获得未来开发最优化的油气田输入数据;
其中,所述若存在优化预测命令,则分类进行目标预测更新函数的更新第一分类号对应的目标预测更新函数、第二分类号对应的目标预测更新函数和第三分类号对应的目标预测更新函数,否则不做处理,具体包括:
提取全部的油气藏数字模型的输入数据类型和传感器获得监视数据;
利用第一计算公式实时进行归一化处理,获取每个参数的归一化参数;
利用第二计算公式对每个参数进行不同速率区分,获得分类号;
利用第三计算公式设置第一随机系数、第二随机系数和第三随机系数;
根据所述分类号对全部的输入数据进行分类;
利用第四计算公式计算第一分类号对应的综合误差;
利用第五计算公式计算第二分类号对应的综合误差;
利用第六计算公式计算第三分类号对应的综合误差;
利用第七计算公式计算第一分类号对应的目标预测更新函数、第二分类号对应的目标预测更新函数和第三分类号对应的目标预测更新函数;
所述第一计算公式为:
G=(X-min)/(max-min)
其中,G为所述归一化参数,X为输入参数,max为输入参数的历史数据的最大值,min为输入参数的历史数据的最小值;
所述第二计算公式为:
其中,d为所述速率分区的分类号,a为当前时间点编号,△Gt为第t时间点的归一化参数变化速率,AMIN为最小更新速率裕度,AMAX为最大更新速率裕度;
所述第三计算公式为:
其中,k1为所述第一随机系数,k2为所述第二随机系数,k3为所述第三随机系数;
所述第四计算公式为:
其中,S1为所述第一分类号对应的综合误差,a为当前时间点编号,fd1(t)为第一分类号对应的预测更新函数,ct为第t时间点的实际值;
所述第五计算公式为:
其中,S2为所述第二分类号对应的综合误差,fd2(t)为第二分类号对应的预测更新函数;
所述第六计算公式为:
其中,S3为所述第三分类号对应的综合误差,fd3(t)为第三分类号对应的预测更新函数;
所述第七计算公式为:
{fn1(t),fn2(t),fn3(t)}=arg min(k1S1+k2S2+k3S3)
其中,fn1(t)为所述第一分类号对应的目标预测更新函数,fn2(t)为所述第二分类号对应的目标预测更新函数,fn3(t)为所述第三分类号对应的目标预测更新函数。
2.如权利要求1所述的一种具备自我更新及自动反向控制的油气田数字孪生方法,其特征在于,所述获取油气藏数字模型,通过传感器自动提取传感数据接入数字孪生系统,具体包括:
油气田生成系统的输出实时通过传感器获得监视数据;
对油气藏区域进行全部的管线和井的数值模型的设置。
3.如权利要求1所述的一种具备自我更新及自动反向控制的油气田数字孪生方法,其特征在于,所述判断大于预设的时间裕度后,自动调用第一分类号对应的目标预测更新函数、第二分类号对应的目标预测更新函数和第三分类号对应的目标预测更新函数根据物理量对应的数值模型预测模拟数据,具体包括:
判断当前时间是否达到预设的时间裕度,若达到则启动函数调用功能;
在所述函数调用功能启动后,自动调用第一分类号对应的目标预测更新函数、第二分类号对应的目标预测更新函数和第三分类号对应的目标预测更新函数;
根据第一分类号对应的目标预测更新函数、第二分类号对应的目标预测更新函数和第三分类号对应的目标预测更新函数依次计算对应的数值模型预测模拟数据。
4.如权利要求1所述的一种具备自我更新及自动反向控制的油气田数字孪生方法,其特征在于,所述将所述模拟数据与传感器获得的观测数据进行实时比较,发出所述优化预测命令,具体包括:
获得数值模型预测模拟数据与实际监测到传感数据的对比关系;
当对比关系为偏差小于预设范围时,则认为对比一致;
当对比关系为偏差不小于预设范围时,则认为对比不一致;
当对比不一致时,以实际监测到的传感数据为目标修正数值模型预测模拟数据的目标预测更新函数;
当对比一致时,直接将当前的数值模型预测模拟数据存储为预测基础数据,发出所述优化预测命令。
5.如权利要求1所述的一种具备自我更新及自动反向控制的油气田数字孪生方法,其特征在于,所述在收到所述优化预测命令后,预测未来开发状况,具体包括:在收到所述优化预测命令后,根据预测基础数据利用油气藏模型进行未来开发状态下的数据预测;
根据数据预测后的结果判断单井采收率、稳产时间和采收率;
以可视化界面展示所述单井采收率、所述稳产时间和所述采收率。
6.如权利要求1所述的一种具备自我更新及自动反向控制的油气田数字孪生方法,其特征在于,所述在收到所述优化预测命令后,获得未来开发最优化的油气田输入数据,具体包括:
在收到所述优化预测命令后,依次选择不同的开发指标,所述开发指标为油气田输入数据的配置方式;
根据预测基础数据利用油气藏模型计算最终累产量最大对应的所述开发指标,作为目标开发指标;
将所述目标开发指标对应的油气田输入数据的配置方式,作为未来开发最优化的油气田输入数据。
7.一种具备自我更新及自动反向控制的油气田数字孪生系统,其特征在于,该系统用于实施如权利要求1-6中任一项所述的方法,该系统包括:
传感采集模块,用于获取油气藏数字模型,通过传感器自动提取传感数据接入数字孪生系统;
参数修正模块,用于若存在优化预测命令,则分类进行目标预测更新函数的更新第一分类号对应的目标预测更新函数、第二分类号对应的目标预测更新函数和第三分类号对应的目标预测更新函数,否则不做处理;
延时校正模块,用于判断大于预设的时间裕度后,自动调用第一分类号对应的目标预测更新函数、第二分类号对应的目标预测更新函数和第三分类号对应的目标预测更新函数根据物理量对应的数值模型预测模拟数据;
校正对比模块,用于将所述模拟数据与传感器获得的观测数据进行实时比较,发出所述优化预测命令;
参数预测模块,用于在收到所述优化预测命令后,预测未来开发状况;
开发模式模块,用于在收到所述优化预测命令后,获得未来开发最优化的油气田输入数据。
8.一种计算机可读存储介质,其上存储计算机程序指令,其特征在于,所述计算机程序指令在被处理器执行时实现如权利要求1-6中任一项所述的方法。
9.一种电子设备,包括存储器和处理器,其特征在于,所述存储器用于存储一条或多条计算机程序指令,其中,所述一条或多条计算机程序指令被所述处理器执行以实现如权利要求1-6任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310016887.2A CN115906534B (zh) | 2023-01-06 | 2023-01-06 | 自我更新及自动反向控制的油气田数字孪生方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310016887.2A CN115906534B (zh) | 2023-01-06 | 2023-01-06 | 自我更新及自动反向控制的油气田数字孪生方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115906534A CN115906534A (zh) | 2023-04-04 |
CN115906534B true CN115906534B (zh) | 2023-05-19 |
Family
ID=85751736
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310016887.2A Active CN115906534B (zh) | 2023-01-06 | 2023-01-06 | 自我更新及自动反向控制的油气田数字孪生方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115906534B (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2020159564A1 (en) * | 2019-01-28 | 2020-08-06 | Landmark Graphics Corporation | Constructing digital twins for oil and gas recovery using ensemble kalman filter |
CN111639430A (zh) * | 2020-05-29 | 2020-09-08 | 重庆大学 | 一种数字孪生驱动的天然气管道泄漏识别系统 |
CN111967189A (zh) * | 2020-08-24 | 2020-11-20 | 中国石油大学(华东) | 数字孪生驱动的海洋石油水下生产系统故障诊断方法及系统 |
CN115271196A (zh) * | 2022-07-22 | 2022-11-01 | 中国地质大学(北京) | 基于改进卡尔曼滤波的油气藏产量预测方法及系统 |
CN115470663A (zh) * | 2022-11-15 | 2022-12-13 | 中科数智能源科技(深圳)有限公司 | 一种油气藏数字孪生系统的同步仿真方法、装置及介质 |
CN115544634A (zh) * | 2022-11-29 | 2022-12-30 | 中科数智能源科技(深圳)有限公司 | 一种油气田级别数字孪生模型空间坐标变换方法及系统 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11572777B2 (en) * | 2019-01-28 | 2023-02-07 | Landmark Graphics Corporation | Constructing digital twins for oil and gas recovery using Ensemble Kalman Filter |
-
2023
- 2023-01-06 CN CN202310016887.2A patent/CN115906534B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2020159564A1 (en) * | 2019-01-28 | 2020-08-06 | Landmark Graphics Corporation | Constructing digital twins for oil and gas recovery using ensemble kalman filter |
CN111639430A (zh) * | 2020-05-29 | 2020-09-08 | 重庆大学 | 一种数字孪生驱动的天然气管道泄漏识别系统 |
CN111967189A (zh) * | 2020-08-24 | 2020-11-20 | 中国石油大学(华东) | 数字孪生驱动的海洋石油水下生产系统故障诊断方法及系统 |
CN115271196A (zh) * | 2022-07-22 | 2022-11-01 | 中国地质大学(北京) | 基于改进卡尔曼滤波的油气藏产量预测方法及系统 |
CN115470663A (zh) * | 2022-11-15 | 2022-12-13 | 中科数智能源科技(深圳)有限公司 | 一种油气藏数字孪生系统的同步仿真方法、装置及介质 |
CN115544634A (zh) * | 2022-11-29 | 2022-12-30 | 中科数智能源科技(深圳)有限公司 | 一种油气田级别数字孪生模型空间坐标变换方法及系统 |
Non-Patent Citations (1)
Title |
---|
数字孪生技术在油气行业中的应用研究;杨天翔 等;《天然气技术与经济》;第16卷(第16期);70-77 * |
Also Published As
Publication number | Publication date |
---|---|
CN115906534A (zh) | 2023-04-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Haas et al. | Updating the decision aids for tunneling | |
CN105408914A (zh) | 流体回流预测 | |
CN109961165A (zh) | 件量预测方法、装置、设备及其存储介质 | |
Li et al. | Rescaling method for improved machine-learning decline curve analysis for unconventional reservoirs | |
US10858912B2 (en) | Systems and methods for optimizing production of unconventional horizontal wells | |
Alpak et al. | Biobjective optimization of well placement: algorithm, validation, and field testing | |
CN103971289A (zh) | 矿山放矿数据的处理方法及装置 | |
US8306801B2 (en) | Virtual reservoir sensor | |
CN113625620A (zh) | 旋挖钻机的作业控制方法及系统 | |
CN111396013A (zh) | 页岩气井压裂改造方案的确定方法、装置及存储介质 | |
WO2015077063A1 (en) | Modeling potentially hazardous sites and predicting hazardous conditions | |
CN115906534B (zh) | 自我更新及自动反向控制的油气田数字孪生方法及系统 | |
CN117033143B (zh) | 基于大数据的运行状态智能监控数据传输系统及方法 | |
CN116911216B (zh) | 一种储层油井产能因素评估与预测方法 | |
CN114117654A (zh) | 一种基于机器学习的水平井射孔优化设计方法及装置 | |
CN111852466B (zh) | 一种用于页岩气井规模配产与管网运行优化的方法 | |
CN113010501B (zh) | 采收率预测模型获取方法、采收率预测方法和产品 | |
CN115511187A (zh) | 资产回收率的预测方法、装置、设备、介质和计算机程序产品 | |
CN105893538B (zh) | 基于内存映射文件的lte基站大数据挖掘方法及装置 | |
CN111188608B (zh) | 页岩气井压裂改造方案的确定方法、装置及存储介质 | |
CN111127237B (zh) | 石油探评井钻井时间预测方法和装置 | |
Wang et al. | [Retracted] A Task Allocation Algorithm for Coal Mine Mobile Crowd Sensing Based on Weighted Undirected Graph | |
CN108487902B (zh) | 井底流压的确定方法、装置及存储介质 | |
CN112541607A (zh) | 火山岩油藏产能预测方法及装置 | |
CN112836857B (zh) | 一种油气勘探优化方法及装置 |
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 |