CN115906675B - 基于时序多目标预测模型的井位及注采参数联合优化方法 - Google Patents
基于时序多目标预测模型的井位及注采参数联合优化方法 Download PDFInfo
- Publication number
- CN115906675B CN115906675B CN202310218381.XA CN202310218381A CN115906675B CN 115906675 B CN115906675 B CN 115906675B CN 202310218381 A CN202310218381 A CN 202310218381A CN 115906675 B CN115906675 B CN 115906675B
- Authority
- CN
- China
- Prior art keywords
- well
- injection
- factors
- production
- 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
- 238000004519 manufacturing process Methods 0.000 title claims abstract description 186
- 238000002347 injection Methods 0.000 title claims abstract description 159
- 239000007924 injection Substances 0.000 title claims abstract description 159
- 238000005457 optimization Methods 0.000 title claims abstract description 92
- 238000000034 method Methods 0.000 title claims abstract description 58
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims abstract description 214
- 238000011161 development Methods 0.000 claims abstract description 134
- 238000011156 evaluation Methods 0.000 claims abstract description 80
- 230000000694 effects Effects 0.000 claims abstract description 50
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 45
- 238000004088 simulation Methods 0.000 claims abstract description 40
- 238000013528 artificial neural network Methods 0.000 claims abstract description 35
- 238000012549 training Methods 0.000 claims abstract description 23
- 230000007787 long-term memory Effects 0.000 claims abstract description 16
- 238000012216 screening Methods 0.000 claims abstract description 14
- 230000006403 short-term memory Effects 0.000 claims abstract description 11
- 230000008878 coupling Effects 0.000 claims abstract description 10
- 238000010168 coupling process Methods 0.000 claims abstract description 10
- 238000005859 coupling reaction Methods 0.000 claims abstract description 10
- 239000003921 oil Substances 0.000 claims description 158
- 230000006870 function Effects 0.000 claims description 36
- 238000003066 decision tree Methods 0.000 claims description 26
- 239000012530 fluid Substances 0.000 claims description 26
- 230000015654 memory Effects 0.000 claims description 23
- 230000008569 process Effects 0.000 claims description 23
- 230000008859 change Effects 0.000 claims description 21
- 238000009826 distribution Methods 0.000 claims description 21
- 238000007637 random forest analysis Methods 0.000 claims description 16
- 238000000605 extraction Methods 0.000 claims description 15
- 230000035699 permeability Effects 0.000 claims description 15
- 238000004364 calculation method Methods 0.000 claims description 13
- 239000000243 solution Substances 0.000 claims description 9
- 239000010779 crude oil Substances 0.000 claims description 8
- 238000013178 mathematical model Methods 0.000 claims description 8
- 238000012360 testing method Methods 0.000 claims description 6
- 238000003064 k means clustering Methods 0.000 claims description 5
- 230000003068 static effect Effects 0.000 claims description 5
- 238000012795 verification Methods 0.000 claims description 5
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 claims description 4
- 230000004913 activation Effects 0.000 claims description 4
- 238000004458 analytical method Methods 0.000 claims description 4
- 238000012854 evaluation process Methods 0.000 claims description 3
- 238000013507 mapping Methods 0.000 claims description 3
- 239000011148 porous material Substances 0.000 claims description 3
- 238000004321 preservation Methods 0.000 claims description 3
- 230000000630 rising effect Effects 0.000 abstract description 3
- 238000006073 displacement reaction Methods 0.000 abstract 1
- 238000013461 design Methods 0.000 description 12
- 238000010586 diagram Methods 0.000 description 10
- 230000001186 cumulative effect Effects 0.000 description 6
- 238000012545 processing Methods 0.000 description 5
- 238000009933 burial Methods 0.000 description 4
- 210000004027 cell Anatomy 0.000 description 4
- 230000005465 channeling Effects 0.000 description 3
- 238000010276 construction Methods 0.000 description 3
- 230000007774 longterm Effects 0.000 description 3
- 210000002569 neuron Anatomy 0.000 description 3
- 230000035772 mutation Effects 0.000 description 2
- 230000000306 recurrent effect Effects 0.000 description 2
- 230000001105 regulatory effect Effects 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 238000005096 rolling process Methods 0.000 description 2
- 238000003860 storage Methods 0.000 description 2
- 230000006978 adaptation Effects 0.000 description 1
- 238000007792 addition Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000002902 bimodal effect Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 238000007621 cluster analysis Methods 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 235000013399 edible fruits Nutrition 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 239000007788 liquid Substances 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 238000004801 process automation Methods 0.000 description 1
- 238000011158 quantitative evaluation Methods 0.000 description 1
- 239000011435 rock Substances 0.000 description 1
- 238000000638 solvent extraction Methods 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
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
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A10/00—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE at coastal zones; at river basins
- Y02A10/40—Controlling or monitoring, e.g. of flood or hurricane; Forecasting, e.g. risk assessment or mapping
Abstract
本发明公开了一种基于时序多目标预测模型的井位及注采参数联合优化方法,属于油气田开发工程领域,包括如下步骤:步骤1、筛选水驱开发效果主控因素,结合水驱开发潜力公式对目标油藏进行水驱潜力分类分级评价;步骤2、采用井位及注采参数数值模拟样本生成模块生成水驱开发效果时序预测样本集;步骤3、基于长短期记忆神经网络建立时序多目标预测模型,并进行模型训练;步骤4、输出训练完成且性能评价良好的时序多目标预测模型,耦合多目标优化算法NSGA‑Ⅱ建立井位及注采参数联合优化模型,优化得到最终的井位及注采参数。本发明能够保证水驱油藏在高效开发的前提下获得相对缓慢的含水上升速率,对油藏开发与管理有积极意义。
Description
技术领域
本发明属于油气田开发工程领域,具体涉及一种基于时序多目标预测模型的井位及注采参数联合优化方法。
背景技术
现有的大部分油藏开发策略调整方法都有一定的局限性。利用油藏工程和渗流力学等理论推导计算井网、井距及注采比等参数进行油田井网部署及注采策略设计的传统方法难以充分考虑储层岩石及流体参数的非均质性,无法提供不同特征油藏水驱优化设计的普适性方法。而基于油藏数值模拟技术的井位部署及注采优化方法通常是依据储层的实际地质状况、开发情况以及石油工程师的经验来人为设计多套方案,依据开发评价指标进行比较和筛选,这种方法依赖于油藏工程师的现场经验,费时费力,且难以得到真正意义上的最优方案。
近年来,人们不断把井位及注采优化问题作为数学上的最优化问题提出。最优化问题一般借助智能算法来解决。基于智能算法的注采优化是通过在合理的约束条件下进行数值模拟器或代理模型的迭代计算,通过梯度类、随机类等最优化算法在可行域中找到一个对应目标函数值是最优的解,从而输出评价指标最优的注采参数组合,实现优化参数与油藏条件的精准匹配。该方法通常需要与油藏数值模拟方法相结合,预测成千上万套方案的开发效果,反复地寻找最佳值,计算量巨大。同时传统的水驱优化过程往往是针对最大化累计产油量这一单目标进行优化,通常会制定“强注强采”等措施使得开发效果最优,但忽略了其他开发目标所带来的风险。此外,传统优化方法仅针对油藏生产全程进行单次静态优化,整个油藏生产过程中都在使用一套注采参数组合,这是不符合油田现场要求的。
综上所述,目前已有水驱开发策略优化方法存在优化成本高、仅涉及单目标静态优化等缺陷。
发明内容
为了解决上述问题,本发明提出了一种基于时序多目标预测模型的井位及注采参数联合优化方法,结合深度学习、多目标优化算法和水驱开发策略优化原理,实现基于模型驱动架构的水驱生产动态准确预测和井控参数联合优化。
本发明的技术方案如下:
一种基于时序多目标预测模型的井位及注采参数联合优化方法,包括如下步骤:
步骤1、筛选水驱开发效果主控因素,结合水驱开发潜力公式对目标油藏进行水驱潜力分类分级评价;
步骤2、采用井位及注采参数数值模拟样本生成模块生成水驱开发效果时序预测样本集;
步骤3、基于长短期记忆神经网络建立时序多目标预测模型,并进行模型训练;
步骤4、输出训练完成且性能评价良好的时序多目标预测模型,耦合多目标优化算法NSGA-Ⅱ建立井位及注采参数联合优化模型,优化得到最终的注入井初始井位坐标、生产井初始井位坐标、注入井日注水量月度数据、生产井日产油量月度数据及其对应的累计产油量、含水率时序变化规律。
进一步地,步骤1的具体过程如下:
步骤1.1、分析水驱开发效果影响因素,确定水驱开发效果评价指标;影响水驱开发效果的因素包括开发因素、地质因素、流体因素;其中,开发因素包括单井日注水量、单井日产油量、井底流压、注采比;地质因素包括渗透率、孔隙度、含水饱和度、油藏压力、油藏埋深;流体因素包括原油粘度;水驱开发效果评价指标分别为累计产油量及含水率;
步骤1.2、基于随机森林算法筛选水驱开发效果主控因素;
水驱潜力评价因素集包含评价因素和评价指标两部分,评价因素包含开发因素、地质因素、流体因素,评价指标包含累计产油量及含水率;为体现分类分级的评价过程,水驱潜力评价因素集的评价因素包含三个级别的评价对应关系,其中,将水驱潜力作为一级因素,从开发因素、地质因素、流体因素三个方面的油藏和人工角度出发,提取获得水驱潜力分类的三个二级因素,将开发因素、地质因素、流体因素三个方面包含的具体特征表示为三级因素;
基于公式(1)至公式(5)对应的过程计算所有三级因素的特征重要性得分,并依据得分大小进行排序;为三级因素中的评价因素赋予权重值,各因素的权重值为重要性得分的数值,进一步通过三级因素中的评价因素对应的权重值,获得对应的二级因素的权重值,见式(6):
以此类推,根据所述二级因素中的评价因素的特征重要性得分,计算所述二级因素中的评价因素对应在一级因素中的评价因素的权重值;将每一级的权重值分别与各影响因素的特征重要性得分相乘,得到各影响因素最终的特征重要性得分,并依据最终的特征重要性得分由大到小依次将各影响因素进行得分求和,筛选出得分总和大于0.8的因素作为水驱开发效果主控因素;
步骤1.3、水驱开发潜力公式分类评价;
建立如式(7)所示的水驱开发潜力公式,该公式依据油藏的动态泄油能力以及静态储量分布来量化评价目标油藏的水驱开发潜力;在该公式中,考虑了可动油饱和度、有效孔隙压力、渗透率以及油水界面的影响,并依据随机森林算法的特征重要性得分来确定不同因素的权重分配,具体如下:
式中,为网格/>在时间/>的水驱开发潜力;/>为网格/>在时间/>的含油饱和度;/>为泛指的每个网格的含油饱和度;/>表示油藏残余油饱和度;为网格/>在时间/>的油藏压力;/>为泛指的每个网格的油藏压力;/>为网格/>的渗透率;/>为油藏中部与油水界面之间的距离;/>为构造最高点与油水界面之间的距离;/>、/>、/>、/>分别为不同因素的分配权重;/>表示求最大值,/>表示求最小值;
依据目标油藏的水驱开发潜力分布,结合K-means聚类算法对目标油藏不同区块进行水驱开发潜力的定性分类评价。
进一步地,步骤2中,井位及注采参数数值模拟样本生成模块包括井位及注采参数数值模拟文件自动生成模块、数值模拟器运算自动批量调用模块、模拟结果提取及组合整理模块;其中,井位及注采参数数值模拟文件自动生成模块包含.DATA文件自动生成程序,用于实现数值模拟中井位及注采参数的自动部署;数值模拟器运算自动批量调用模块包含模拟器自动批量调用程序,用于实现多方案并行计算;模拟结果提取及组合整理模块包含结果提取及格式化保存程序,用于实现模拟结果提取及保存的全程自动化;通过这三个模块的配合,生成所需的样本集。
进一步地,步骤3的具体过程如下:
步骤3.1、划分样本集;将步骤2生成的样本集,按比例划分为训练集、验证集、测试集;
步骤3.2、建立基于长短期记忆神经网络的时序多目标预测模型;
所设置的长短期记忆神经网络不同节点参数如下:选取了两个长短期记忆神经网络层和一个全连接层;长短期记忆神经网络的两层隐藏层节点的个数为(64,64);全连接层的激活函数设置为ReLU函数;优化器选择Adam优化器,损失函数选择均方误差;
基于长短期记忆神经网络的时序多目标预测模型通过当前时刻的输入信息运算得到下一时刻的输出信息时,输出信息作为输出结果,并通过更新单元状态作为下一时刻的输入信息继续反馈给网络进行运算;
进一步地,步骤4的具体过程如下:
步骤4.1、建立优化数学模型;建立的优化数学模型包含三个因素,分别为目标函数、决策变量以及约束条件;
目标函数见式(11),两个目标最终都被公式化为最小化问题:
约束条件包括井位选取范围约束以及单井工作制度变化上下限约束;
井位选取范围约束见式(16):
单井工作制度变化上下限约束的数学表达式为:
式中,为第/>口生产井日产油量的最小值;/>为第/>口生产井日产油量的最大值,/>为第/>口生产井日产油量;/>为第/>口注入井日注入量的最小值;为第/>口注入井日注入量的最大值,/>为第/>口注入井日注入量;
步骤4.2、耦合长短期记忆神经网络时序多目标预测模型与多目标优化算法NSGA-Ⅱ建立井位及注采参数联合优化模型,其中时序多目标预测模型用于建立不同井位及注采参数组合与水驱开发效果之间的映射关系,多目标优化算法NSGA-Ⅱ用于优选出累计产油量与含水率多目标优化的Pareto前沿,从而侧重不同开发需求选择方案;
井位及注采参数联合优化模型的输入参数为时间、井位坐标、注入井日注水量、生产井日产油量,输出参数为累计产油量、含水率;首先,通过训练集为不同目标函数建立长短期记忆神经网络时序预测模型,目标函数对应公式(11);其次,耦合多目标优化算法NSGA-Ⅱ对井位及注采参数进行联合优化;最后,得到井位坐标及注采参数组合的非支配解集和累计产油量、含水率的Pareto前沿,整理输出为最优的注入井初始井位坐标、生产井初始井位坐标、注入井日注水量月度数据、生产井日产油量月度数据及其对应的累计产油量、含水率时序变化规律。
本发明所带来的有益技术效果:
本发明建立水驱潜力分类分级评价方法可深入分析储层物性特征、流体性质以及开发因素与水驱潜力的关系,实现对目标油藏水驱开发潜力的定性评价,也为后续井位优化提供了理论约束;时序多目标预测模型能够融合生产时间与注采数据双模态特征,对不同类型油藏条件下水驱累计产油量、含水率的时序变化规律进行快速响应,实现对目标区块/井组水驱潜力的定量评价;
本发明建立的井位及注采参数联合优化模型可将多个有利益冲突的开发目标(产能与含水上升规律)协同优化处理,并结合时序多目标预测模型减少了模拟时间成本,大幅提升优化效率;与现有油田注采优化方法相比,本发明能够保证水驱油藏在高效开发的前提下获得相对缓慢的含水上升速率,可为水驱开发方案的最优化设计提供指导,对油藏开发与管理有积极意义。
附图说明
图1为本发明基于时序多目标预测模型的井位及注采参数联合优化方法的流程图。
图2为本发明中各个地质因素及流体因素的特征重要性得分暴风图。
图3为本发明中各个开发因素的特征重要性得分暴风图。
图4为本发明中水驱开发潜力聚类分析示意图。
图5为本发明中样本生成法的示意图。
图6为本发明中时序多目标预测模型中长短期记忆神经网络的结构示意图。
图7为本发明中多目标优化算法NSGA-Ⅱ的多目标优化结果示意图。
图8为本发明实施例中目标区块水驱开发潜力区域划分示意图。
图9为本发明实施例中时序多目标预测模型在不同目标上损失值变化的完整曲线图。
图10为图9中迭代次数为180至200时的局部放大图。
图11为本发明实施例中时序多目标预测模型在累计产油量上预测值与真实值的对比效果图。
图12为本发明实施例中时序多目标预测模型在含水率上预测值与真实值的对比效果图。
图13为本发明实施例中优化结果Pareto前沿示意图。
图14为本发明实施例中在累计产油量上基础方案与优化方案结果的对比效果图。
图15为本发明实施例中在含水率上基础方案与优化方案结果的对比效果图。
具体实施方式
下面结合附图以及具体实施方式对本发明作进一步详细说明:
本发明综合考虑了影响水驱开发效果的地质、流体及开发因素,利用随机森林算法厘清了影响水驱累计产油量和含水率的主控因素,结合水驱开发潜力公式为时序多目标预测模型降低了输入维度,大幅提升模型训练速度及预测精度,也提升了后续优化过程的计算效率。同时,本发明通过耦合长短期记忆网络时序多目标预测模型与多目标优化算法NSGA-Ⅱ对井位分布及工作制度进行联合优化,保证在不同控制步匹配合适的工作制度,可使得液流转向及流线重新分配,有利于打破固定的水窜通道,形成更大的波及范围,实现水驱开发策略的动态调控。
如图1所示,一种基于时序多目标预测模型的井位及注采参数联合优化方法,包括如下步骤:
步骤1、通过随机森林算法筛选水驱开发效果主控因素,结合水驱开发潜力公式对目标油藏进行水驱潜力分类分级评价。具体包括如下步骤:
步骤1.1、分析水驱开发效果影响因素,确定水驱开发效果评价指标。
油藏是否适合水驱开发不仅与地质情况有关,还与流体性质、开发技术水平有关。本发明从直接关联水驱累计产油量与含水率的因素出发,分别划分出影响水驱开发效果的地质因素、流体因素及开发因素。地质因素主要包括渗透率、孔隙度、含水饱和度、油藏压力、油藏埋深;流体因素主要包括原油粘度;开发因素主要包括单井日注水量、单井日产油量、井底流压、注采比;水驱开发效果评价指标分别为累计产油量及含水率。
步骤1.2、基于随机森林算法筛选水驱开发效果主控因素。
建立评价因素为地质因素(渗透率、孔隙度、含水饱和度、油藏压力、油藏埋深)、流体因素(原油粘度)、开发因素(单井日注水量、单井日产油量、井底流压、注采比),评价指标为累计产油量和含水率的水驱潜力评价因素集。为体现分类分级的评价过程,水驱潜力评价因素集的评价因素应包含至少两个级别的评价对应关系,评价因素集中评价因素等级由低至高依次设为:级因素、/>级因素、…、一级因素,/>为大于2的整数。本发明中/>为3,本发明的水驱潜力评价因素集的评价因素包含三个级别的评价对应关系。依据分类分级评价需求来提取水驱潜力评价因素,将水驱潜力作为一级因素;分别从地质因素、流体因素、开发因素三个方面的油藏和人工角度出发,提取获得水驱潜力分类的三个二级因素;开发因素、地质因素、流体因素三个方面包含的具体特征则表示为三级因素。
其中,表示特征总数;基于上述过程计算所有三级因素的特征重要性得分,并依据得分大小进行排序;为三级因素中的评价因素赋予权重值,各因素的权重值为特征重要性得分的数值,进一步通过三级因素中的评价因素对应的权重值,获得对应的二级因素的权重值,见式(6):
以此类推,根据所述二级因素中的评价因素的特征重要性得分,计算所述二级因素中的评价因素对应在一级因素中的评价因素的权重值;将每一级的权重值分别与各影响因素的特征重要性得分相乘,得到各影响因素最终的特征重要性得分,并依据最终的特征重要性得分由大到小依次将各影响因素进行得分求和,筛选出得分总和大于0.8的因素作为水驱开发效果主控因素。例如,针对三级因素,计算构造渗透率、孔隙度、含水饱和度等因素在地质因素中的重要性得分,其总和为1;针对二级因素,计算所有三级因素对水驱潜力的重要性得分,其总和为1,并将二级因素中三类因素(地质因素、流体因素、开发因素)进行得分统计,可依据得分为水驱开发潜力公式赋予权重。建立评价因素为地质因素(渗透率、孔隙度、含水饱和度、油藏压力、油藏埋深)、流体因素(原油粘度)、开发因素(单井日注水量、单井日产油量、井底流压、注采比),评价指标为累计产油量和含水率的水驱潜力评价因素集,将水驱潜力评价因素集输入到随机森林算法中并通过上述特征重要性得分计算过程,以此分析不同评价因素对于评价指标的重要性,可得到如图2和图3所示的特征重要性得分暴风图,图2对应地质因素和流体因素两个因素的特征重要性得分暴风图,图3为开发因素的特征重要性得分暴风图。本发明中,将各因素按重要性得分大小进行排序,并依据特征重要性得分由大到小依次将各因素进行得分求和,筛选出得分总和大于0.8的因素作为水驱开发效果主控因素,最终形成的地质主控因素为油藏压力、含水饱和度、渗透率、油藏埋深,开发主控因素为单井日产油量、单井日注水量,只包含原油粘度的流体因素为非主控因素。图2展示了流体因素及各个地质因素的重要性得分,其中的油藏压力、含水饱和度、渗透率、油藏埋深为最终筛选出的地质主控因素,地质因素中的孔隙度和流体因素中的原油粘度为非主控因素。图3展示了各个开发因素的重要性得分,其中单井日产油量、单井日注水量为最终筛选出的开发主控因素,井底流压、注采比为开发非主控因素。
步骤1.3、水驱开发潜力公式分类评价。
本发明建立了如式(7)所示的水驱开发潜力公式,该公式可依据油藏的动态泄油能力以及静态储量分布来量化评价目标油藏的水驱开发潜力。在该公式中,考虑了可动油饱和度、有效孔隙压力、渗透率以及油水界面的影响,并依据随机森林算法的特征重要性得分来确定不同因素的权重分配,具体如下:
式中,为网格/>在时间/>的水驱开发潜力;/>为网格/>在时间/>的含油饱和度;/>表示油藏残余油饱和度;/>为泛指的每个网格的含油饱和度;为网格/>在时间/>的油藏压力;/>为泛指的每个网格的油藏压力;/>为网格/>的渗透率;/>为油藏中部与油水界面之间的距离;/>为构造最高点与油水界面之间的距离;/>、/>、/>、/>分别为不同因素的分配权重;/>表示求最大值,/>表示求最小值。通过大量数值模拟及随机森林算法的筛选结果,得到了该公式的权重分配,具体为:权重/>的数值为0.39,权重/>的数值为0.27,权重/>的数值为0.21,权重/>的数值为0.13。
依据目标油藏的水驱开发潜力分布,结合K-means聚类算法对目标油藏不同区块进行水驱开发潜力的定性分类评价。K-means聚类算法的核心思想就是使各类中包含其所属的散点数据(观察实例),其分类规则为每个点与其所在类的中心点的距离小于与其他类中心的距离。两点之间相距越近,相似度越大,之间的差别就越小。若已知聚类数,该算法能够根据已知聚类数来高效分配散点,并对离散和连续数值属性的混合聚类进行修正,针对复杂高维的油藏数据适用性较强。本发明依据评价需求将聚类数设为3,即三类分别代表高水驱开发潜力、中水驱开发潜力、低水驱开发潜力。本发明对聚类1、聚类2、聚类3的具体聚类结果如图4所示,根据最终的聚类中心可划分出目标油藏的三类水驱开发潜力区域:高水驱开发潜力区域、中水驱开发潜力区域、低水驱开发潜力区域,依次代表了推荐开发区域、滚动开发区域以及不建议开发区域。以上流程可为后续井位及注采参数的联合优化提供约束条件。
步骤2、采用井位及注采参数数值模拟样本生成模块生成水驱开发效果时序预测样本集。
时序多目标预测模型的训练过程往往需要大量的数值模拟样本,而该过程仅通过人工修改并运行数模文件将耗费大量人工成本,为此本发明采用井位及注采参数数值模拟样本生成模块,该模块可快速准确的生成大量的水驱开发效果时序预测样本,组成保质保量的样本集。
井位及注采参数数值模拟样本生成模块包括井位及注采参数数值模拟文件自动生成模块、数值模拟器运算自动批量调用模块、模拟结果提取及组合整理模块,通过这三个模块的配合,生成所需的样本集。如图5所示,井位及注采参数数值模拟文件自动生成模块包含.DATA文件自动生成程序,目标在于实现数值模拟中井位及注采参数的自动部署;数值模拟器运算自动批量调用模块包含模拟器自动批量调用程序,目标在于实现多方案并行计算,提高运行效率。模拟结果提取及组合整理模块包含结果提取及格式化保存程序,目标在于实现模拟结果提取及保存的全程自动化。
下面对各模块的具体内容进行详细介绍。
井位及注采参数数值模拟文件自动生成模块中,首先,基于目标区块每口井井位可调整范围及注采参数上下限,随机组合生成设计方案,即生成井位及注采参数开发方案。然后,在设计方案的基础上进行.DATA文件组装,主要通过打开基础.DATA文件,搜寻需要插入方案信息的关键字及其位置,并将设计的方案信息插入并组装自动拼接成全新的.DATA文件。井位及注采参数数值模拟文件自动生成模块主要使用WELSPECS、COMPDAT、WCONINJE、WCONPROD、GCONINJE等关键字,通过Python定义函数来拼装关键字,实现井位坐标、注入井日注水量、生产井日产油量等参数的自动填写。并通过标记原始.DATA文件中需要插入设计方案的位置,调用设计方案生成的数据,将拼装好的关键字整段插入.DATA文件对应位置,生成对应于设计方案的全新.DATA文件。
数值模拟器运算自动批量调用模块中,基于Python调用计算机内的Eclipse环境,利用os.system()函数执行设定的cmd指令对自动生成的.DATA文件进行批量处理,并将所需的数值模拟结果文件提取保存到存储设备的新文件夹中,用于后期模拟器结果的提取及组合整理。数值模拟结果文件为.RSM文件格式。批量处理过程中,若出现问题,及时将错误信息反馈给计算机。该模块对单一模型进行了多线程处理,同时处理子线程1、子线程2、子线程3等多个子线程,大幅度提高了运行效率,实现了多方案并行计算以及数据库构建过程的高速率、高精度。
模拟结果提取及组合整理模块中,基于.RSM文件格式的数值模拟结果文件,通过标记每个数值模拟结果文件的总行数,定义循环函数,将不同方案的累计产油量(对应数值模拟结果文件中的最后一行数据)、含水率按时间结果自动提取并格式化保存到CSV文件内,实现模拟器结果提取及保存的全程自动化,节省了大量时间,便于构建水驱开发效果时序预测样本集。
步骤3、基于长短期记忆神经网络建立时序多目标预测模型,并进行模型训练。具体过程如下:
步骤3.1、划分样本集。
将步骤2生成的样本集,依据80%、10%、10%的相关比例划分为训练集、验证集、测试集。训练集主要用于训练时序多目标预测模型并确定模型基本参数,如权重、偏置;验证集主要用于调整神经网络的超参数,如网络层数、神经元数量等;测试集主要用于检验模型的最终泛化能力。每个集合中均包含模型的输入、输出数据,其中输入数据包括井位坐标、时间、日注水量、日产油量,输出数据包括目标油藏的累计产油量及含水率。
步骤3.2、建立时序多目标预测模型。
建立基于长短期记忆神经网络的时序多目标预测模型,捕获不同井位分布及注采制度对油藏水驱动用变化趋势的影响,实现对不同水驱开发策略下生产动态的快速响应。该模块可以实现对不同井位及注采参数下的累计产油量及含水率的精准动态预测。
如图6所示,长短期记忆神经网络本质上是对循环神经网络的扩展,实际上扩展了循环神经网络的内存,使它们可以储存和学习输入数据长期的关键信息。长短期记忆神经网络的基础组成主要包括遗忘门、输入门、输出门。长短期记忆神经网络模型中每个“门”结构一般用来保证长期数据关键信息的分配,根据一定的规则来决定某一神经元、其相邻神经元是否对关键信息进行存储,这些规则均与输入、上一时刻输出信息/>和上一时刻记忆单元状态/>的取值有关。遗忘门一般用于判定从上一时刻记忆单元状态/>中舍弃过什么信息,使用sigmoid函数处理后为0-1的值,1代表全部保留,0则代表全部舍弃;输入门一般用于决定当前网络的输入/>有哪些信息应该保存到当前记忆单元状态/>中,通过将前一层隐藏状态的信息和当前输入的信息传递到sigmoid与tanh函数中处理,决定哪些信息是重要且需要保留下来的;输出门一般用于决定当前时刻信息被输出的程度,将当前记忆单元状态/>传递到sigmoid函数中进行处理并传递给tanh函数,最后将tanh的输出与sigmoid的输出相乘以确定当前输出信息/>。每个“门”结构的处理过程均需结合相应的权重/>、/>、/>,/>、/>、/>分别对应遗忘门、输入门、输出门的权重。基于长短期记忆神经网络的时序多目标预测模型通过当前时刻的输入信息运算得到下一时刻的输出信息时,输出信息可作为输出结果,并通过更新油藏生产长期记忆(历史时间步的累计产油量、含水率变化规律)作为下一时刻的输入信息继续反馈给网络进行运算。
本发明所设置的长短期记忆神经网络不同节点参数如下:选取了两个长短期记忆神经网络层和一个全连接层;长短期记忆神经网络的两层隐藏层节点的个数为(64,64);全连接层的激活函数设置为ReLU函数;优化器选择Adam优化器,损失函数选择均方误差。
步骤3.3、模型预测效果评估。
式中,和/>分别表示实际值与预测值,/>表示实际值的平均值;/>表示第/>个样本,/>为验证集中实际值的数据量。当/>越大,/>、/>越小时,说明该模型的预测值与实际值之间的误差越小,模型的表现也越好。
步骤4、输出训练完成且性能评价良好的时序多目标预测模型,耦合多目标优化算法NSGA-Ⅱ建立井位及注采参数联合优化模型,优化得到最终的注入井初始井位坐标、生产井初始井位坐标、注入井日注水量月度数据、生产井日产油量月度数据及其对应的累计产油量、含水率时序变化规律。具体包括如下步骤:
步骤4.1、建立优化数学模型。
在进行井位及注采参数优化设计时,为了获得最好的开发效果,一般是设定累计产油量越大越好,在累计产油量相近的前提下,含水率越小越好。但正常情况下累计产油量与含水率不是同向的,由此可以看出该优化过程是一个多目标、多变量的工程问题。针对该问题建立的优化数学模型主要包含三个因素,分别为目标函数、决策变量以及约束条件。
目标函数:
为保证水驱开发时可以高效的采出地下原油,并避免过于强调水驱开发效果而导致的极端开发方案。因此以最大累计产油量和最小含水率为目标函数建立多目标优化数学模型。目标函数见式(11),两个目标最终都被公式化为最小化问题:
决策变量:
在井位及注采参数优化问题中,决策变量为井位坐标及每口注入/生产井的工作制度。井位一般为每口井的平面横向坐标和平面纵向坐标/>。工作制度一般为各井的日注水量/日产油量,每口生产井定量生产,即维持生产井的产油速度不变进行生产;定量注入,即维持注入井的注水速度不变进行注水。对于一个包含/>口生产井、/>口注入井的油藏,各井的井位分布及工作制度见式(12)-式(15):
约束条件:
该优化模型中需要考虑的约束条件为井位选取范围约束以及单井工作制度变化上下限约束。井位优化则要求井位坐标分布在理想的区域内,即分布在中、高水驱开发潜力区,约束公式见式(16):
式中,表示井位的网格坐标,分别对应每口井的平面横向和平面纵向;/>和分别为中、高水驱开发潜力区的坐标范围。此外,各注入井的日注水量以及各生产井的日产油量应该符合油田现场的实际约束,不能大于单井上限工作能力或者小于零。该约束条件的数学表达式为:
式中,为第/>口生产井日产油量的最小值,单位为/>;/>为第/>口生产井日产油量的最大值,单位为/>,/>为第/>口生产井日产油量;/>为第/>口注入井日注入量的最小值,单位为/>;/>为第/>口注入井日注入量的最大值,单位为/>,/>为第/>口注入井日注入量。
步骤4.2、构建基于时序多目标预测模型的井位及注采参数联合优化模型。
耦合长短期记忆神经网络时序多目标预测模型与多目标优化算法NSGA-Ⅱ建立井位及注采参数联合优化模型,其中时序多目标预测模型主要用于建立不同井位及注采参数组合与水驱开发效果之间的映射关系,多目标优化算法NSGA-Ⅱ主要用于优选出累计产油量与含水率多目标优化的Pareto前沿,从而侧重不同开发需求选择方案。
工作过程为:首先,通过训练完成的时序多目标预测模型对保持目前生产条件水驱开发的累计产油、含水率进行预测,保证不同井位及注采参数与其累计产油量、含水率之间的规律的有效反映;其次,调用多目标优化算法NSGA-Ⅱ对每口井的井位及注采参数进行多目标优化,保证在不同时间步匹配合适的工作制度,对地下流线进行调控,可辅助破除已有的水窜通道,实现各井工作制度的动态调控。
基于时序多目标预测模型的井位及注采参数联合优化模型的输入参数为时间、井位坐标、注入井日注水量(三个月变更)、生产井日产油量(三个月变更),输出参数为累计产油量、含水率。首先,通过训练集来为不同目标函数建立长短期记忆神经网络时序预测模型,目标函数对应公式(11)。其次,耦合NSGA-Ⅱ算法对井位及注采参数进行联合优化。具体的,(1)在上述提到的约束条件下随机选取井位坐标和注采参数组合,构建初始种群;(2)遍历计算出种群中每个个体的被支配个数/>和该个体支配的解的集合/>;(3)初始化非支配排序等级/>=1;(4)执行快速非支配排序操作,将/>=0的个体(Pareto等级为1)放入集合中,并将Pareto等级为1的个体从种群中删除,消除Pareto等级1对其余个体的支配;(5)通过步骤(4)得到Pareto等级为2的个体集合/>,进一步可得到集合/>并对其中的个体继续进行上述步骤,以此类推到种群等级被全部划分,所得到的Pareto最优解集为/>。最后,得到井位坐标及注采参数组合的非支配解集和累计产油量、含水率的Pareto前沿,可整理输出为最优的注入井初始井位坐标、生产井初始井位坐标、注入井日注水量月度数据、生产井日产油量月度数据及其对应的累计产油量、含水率时序变化规律。
图7为多目标优化算法NSGA-Ⅱ的多目标优化结果示意图,其中横坐标示设定的第一个目标函数,纵坐标/>表示设定的第二个目标函数。从图中可以看出,在优化结束后所要得到的是Pareto前沿主要是由非支配个体组成的,而被支配个体则是不被考虑的备选方案。
本发明以胜利油田某区块为具体实施例进行说明,该油田区块主要应用五点法面积井网,包含11口井,其中3口注水井,8口生产井。注水井定量注入,设置上限注入压力,生产井定流量生产。本次实验共生成150套油藏数值模拟方案,考虑时间序列共生成约60000个样本,其中48000个样本用于训练时序多目标预测模型的基本框架,6000个样本用于确定LSTM神经网络的超参数,6000个样本用于检验模型的泛化性能。
基于上述数据采用本发明方法进行井位及注采参数联合优化,优化参数包括井位、注入井日注水量、生产井日产油量,优化的具体步骤为:
步骤一、确定目标区块的水驱开发潜力。将目标区块的渗透率场、油藏压力场、饱和度场以及构造数据输入到水驱开发潜力公式(6)中得到每个网格的潜力值,通过K-means聚类算法对目标油藏不同区块进行水驱开发潜力进行定性分类评价。根据最终的聚类中心可划分出目标油藏的三类水驱开发潜力区域,分别为高、中、低潜力区,依次代表了推荐开发区域、滚动开发区域以及不建议开发区域,潜力区分布如图8所示。
步骤二、针对井位及注采参数数值模拟样本生成模块编写相应程序,进而调用数值模拟器自动构建水驱开发效果时序预测样本集,输入参数为每口井的井位坐标、时间、注入井日注水量、生产井日产油量,输出参数为目标油藏的累计产油量及含水率。
步骤三、利用长短期记忆神经网络构建时序多目标预测模型,实现对不同井位及注采参数下的累计产油量及含水率的精准动态预测。将步骤二得到的水驱开发效果时序预测样本集按照80%、10%、10%的比例划分为训练集、验证集和测试集,样本个数分别为48000、6000、6000。设置的长短期记忆神经网络不同节点参数如下:选取了两个长短期记忆神经网络层和一个全连接层;长短期记忆神经网络的两层隐藏层节点的个数为(64,64);全连接层的激活函数设置为ReLU函数;优化器以及损失函数分别选择Adam和均方误差。在时序多目标预测模型的训练过程中,损失值总是在下降的。损失值越小,代表模型的泛化性能越好。图9为本发明实施例中时序多目标预测模型在不同目标上损失值变化的整体曲线图,图10为图9中迭代次数为180到200的局部放大图,从图10可以看出,该模型对累计产油量、含水率的最终损失值降低到了0.15和0.17,证明了训练好的时序多目标预测模型预测精度较高、泛化性能好。
将训练好的时序多目标预测模型在测试集上进行检验,并采用了决定系数、均方根误差/>、平均绝对误差/>作为评价指标来展示模型的预测效果。时序多目标预测模型在各评价指标上的结果具体为:时序多目标预测模型在累计产油量上的/>值为0.962,累计产油量上的/>值为0.387,/>值为0.137,时序多目标预测模型在含水率值上的/>为0.979,含水率值上的/>值为0.412,含水率值上的/>值为1.089。结合图11、图12和上述数据可以看出,该模型在所提出的评价指标上均表现较好,预测结果与真实结果之间的误差在合理范围内,也说明该模型可以实现不同水驱开发方案与开发效果的快速准确响应。
步骤四、输出训练完成且性能评价良好的时序多目标预测模型,耦合NSGA-Ⅱ算法建立井位及注采参数联合优化模型。首先,通过时序多目标预测模型对保持目前生产条件水驱开发的累计产油、含水率进行预测,保证不同井位及注采参数与其累计产油量、含水率之间的规律的有效反映;其次,调用NSGA-Ⅱ优化算法对每口井的井位及注采参数进行多目标优化,保证在不同时间步匹配合适的工作制度,对地下流线进行调控,可辅助破除已有的水窜通道,实现各井工作制度的动态调控。
根据所设计的多目标优化问题数学模型对井位及注采参数进行优化设计。在多目标优化问题中,交叉和变异是优化算法高兼容性的重点,选择匹配的交叉、变异系数起着决定性的作用。一般来说,交叉系数的取值范围为0.40至0.99,变异系数的取值范围为0.0001至0.1。本发明选择交叉系数0.5,变异系数0.05,种群规模100,遗传200代作为NSGA-Ⅱ算法的参数。基于高精度时序多目标预测模型,采用最优参数组合下的NSGA-Ⅱ算法进行迭代运算,得出以最大累计产油量、最小含水率为目标的Pareto最优解集,如图13所示。
本次优化结果分析以井位及注采参数初始设计组合为基础方案,在Pareto最优解集中分别选取与基础方案相同累计产油量、含水率的两套方案作为高累产方案与低含水方案。从图14和图15可以看出,高累产方案比基础方案的累计产油量高14×104 ,通过协调不同时间步的注采关系,充分利用注入水,减少了无效水循环,使每口井在约束条件下最大限度地发挥其开发潜力;低含水方案比基础方案的含水率低20%左右,保证相同产能的同时遏制了含水的快速上升。油藏工程师可根据Pareto前沿进行井位及注采方案设计,如果要求产量最大化,可选择高累产方案;如果要求油藏长期注水稳产,经济开发,可选择低含水方案。
实例应用证明本发明方法可以很好的解决目标区块的井位及注采参数联合优化问题,其优化计算得到的方案在开发效果以及含水变化上均具有良好的表现,说明基于时序多目标预测模型的井位及注采参数联合优化方法具有较高的可信度及鲁棒性,可以很好地辅助油藏工程师部署决策。
当然,上述说明并非是对本发明的限制,本发明也并不仅限于上述举例,本技术领域的技术人员在本发明的实质范围内所做出的变化、改型、添加或替换,也应属于本发明的保护范围。
Claims (3)
1.一种基于时序多目标预测模型的井位及注采参数联合优化方法,其特征在于,包括如下步骤:
步骤1、筛选水驱开发效果主控因素,结合水驱开发潜力公式对目标油藏进行水驱潜力分类分级评价;
所述步骤1的具体过程如下:
步骤1.1、分析水驱开发效果影响因素,确定水驱开发效果评价指标;影响水驱开发效果的因素包括开发因素、地质因素、流体因素;其中,开发因素包括单井日注水量、单井日产油量、井底流压、注采比;地质因素包括渗透率、孔隙度、含水饱和度、油藏压力、油藏埋深;流体因素包括原油粘度;水驱开发效果评价指标分别为累计产油量及含水率;
步骤1.2、基于随机森林算法筛选水驱开发效果主控因素;
水驱潜力评价因素集包含评价因素和评价指标两部分,评价因素包含开发因素、地质因素、流体因素,评价指标包含累计产油量及含水率;为体现分类分级的评价过程,水驱潜力评价因素集的评价因素包含三个级别的评价对应关系,其中,将水驱潜力作为一级因素,从开发因素、地质因素、流体因素三个方面的油藏和人工角度出发,提取获得水驱潜力分类的三个二级因素,将开发因素、地质因素、流体因素三个方面包含的具体特征表示为三级因素;
基于公式(1)至公式(5)对应的过程计算所有三级因素的特征重要性得分,并依据得分大小进行排序;为三级因素中的评价因素赋予权重值,各因素的权重值为重要性得分的数值,进一步通过三级因素中的评价因素对应的权重值,获得对应的二级因素的权重值,见式(6):
以此类推,根据所述二级因素中的评价因素的特征重要性得分,计算所述二级因素中的评价因素对应在一级因素中的评价因素的权重值;将每一级的权重值分别与各影响因素的特征重要性得分相乘,得到各影响因素最终的特征重要性得分,并依据最终的特征重要性得分由大到小依次将各影响因素进行得分求和,筛选出得分总和大于0.8的因素作为水驱开发效果主控因素;
步骤1.3、水驱开发潜力公式分类评价;
建立如式(7)所示的水驱开发潜力公式,该公式依据油藏的动态泄油能力以及静态储量分布来量化评价目标油藏的水驱开发潜力;在该公式中,考虑了可动油饱和度、有效孔隙压力、渗透率以及油水界面的影响,并依据随机森林算法的特征重要性得分来确定不同因素的权重分配,具体如下:
式中,为网格/>在时间/>的水驱开发潜力;/>为网格/>在时间/>的含油饱和度;/>为泛指的每个网格的含油饱和度;/>表示油藏残余油饱和度;为网格/>在时间/>的油藏压力;/>为泛指的每个网格的油藏压力;/>为网格/>的渗透率;/>为油藏中部与油水界面之间的距离;/>为构造最高点与油水界面之间的距离;/>、/>、/>、/>分别为不同因素的分配权重;/>表示求最大值,/>表示求最小值;
依据目标油藏的水驱开发潜力分布,结合K-means聚类算法对目标油藏不同区块进行水驱开发潜力的定性分类评价;
步骤2、采用井位及注采参数数值模拟样本生成模块生成水驱开发效果时序预测样本集;
步骤3、基于长短期记忆神经网络建立时序多目标预测模型,并进行模型训练;
步骤4、输出训练完成且性能评价良好的时序多目标预测模型,耦合多目标优化算法NSGA-Ⅱ建立井位及注采参数联合优化模型,优化得到最终的注入井初始井位坐标、生产井初始井位坐标、注入井日注水量月度数据、生产井日产油量月度数据及其对应的累计产油量、含水率时序变化规律;
所述步骤4的具体过程如下:
步骤4.1、建立优化数学模型;建立的优化数学模型包含三个因素,分别为目标函数、决策变量以及约束条件;
目标函数见式(11),两个目标最终都被公式化为最小化问题:
约束条件包括井位选取范围约束以及单井工作制度变化上下限约束;
井位选取范围约束见式(16):
单井工作制度变化上下限约束的数学表达式为:
式中,为第/>口生产井日产油量的最小值;/>为第/>口生产井日产油量的最大值,/>为第/>口生产井日产油量;/>为第/>口注入井日注入量的最小值;/>为第/>口注入井日注入量的最大值,/>为第/>口注入井日注入量;
步骤4.2、耦合长短期记忆神经网络时序多目标预测模型与多目标优化算法NSGA-Ⅱ建立井位及注采参数联合优化模型,其中时序多目标预测模型用于建立不同井位及注采参数组合与水驱开发效果之间的映射关系,多目标优化算法NSGA-Ⅱ用于优选出累计产油量与含水率多目标优化的Pareto前沿,从而侧重不同开发需求选择方案;
井位及注采参数联合优化模型的输入参数为时间、井位坐标、注入井日注水量、生产井日产油量,输出参数为累计产油量、含水率;首先,通过训练集为不同目标函数建立长短期记忆神经网络时序预测模型,目标函数对应公式(11);其次,耦合多目标优化算法NSGA-Ⅱ对井位及注采参数进行联合优化;最后,得到井位坐标及注采参数组合的非支配解集和累计产油量、含水率的Pareto前沿,整理输出为最优的注入井初始井位坐标、生产井初始井位坐标、注入井日注水量月度数据、生产井日产油量月度数据及其对应的累计产油量、含水率时序变化规律。
2.根据权利要求1所述基于时序多目标预测模型的井位及注采参数联合优化方法,其特征在于,所述步骤2中,井位及注采参数数值模拟样本生成模块包括井位及注采参数数值模拟文件自动生成模块、数值模拟器运算自动批量调用模块、模拟结果提取及组合整理模块;其中,井位及注采参数数值模拟文件自动生成模块包含.DATA文件自动生成程序,用于实现数值模拟中井位及注采参数的自动部署;数值模拟器运算自动批量调用模块包含模拟器自动批量调用程序,用于实现多方案并行计算;模拟结果提取及组合整理模块包含结果提取及格式化保存程序,用于实现模拟结果提取及保存的全程自动化;通过这三个模块的配合,生成所需的样本集。
3.根据权利要求1所述基于时序多目标预测模型的井位及注采参数联合优化方法,其特征在于,所述步骤3的具体过程如下:
步骤3.1、划分样本集;将步骤2生成的样本集,按比例划分为训练集、验证集、测试集;
步骤3.2、建立基于长短期记忆神经网络的时序多目标预测模型;
所设置的长短期记忆神经网络不同节点参数如下:选取了两个长短期记忆神经网络层和一个全连接层;长短期记忆神经网络的两层隐藏层节点的个数为(64,64);全连接层的激活函数设置为ReLU函数;优化器选择Adam优化器,损失函数选择均方误差;
基于长短期记忆神经网络的时序多目标预测模型通过当前时刻的输入信息运算得到下一时刻的输出信息时,输出信息作为输出结果,并通过更新单元状态作为下一时刻的输入信息继续反馈给网络进行运算;
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310218381.XA CN115906675B (zh) | 2023-03-09 | 2023-03-09 | 基于时序多目标预测模型的井位及注采参数联合优化方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310218381.XA CN115906675B (zh) | 2023-03-09 | 2023-03-09 | 基于时序多目标预测模型的井位及注采参数联合优化方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115906675A CN115906675A (zh) | 2023-04-04 |
CN115906675B true CN115906675B (zh) | 2023-05-26 |
Family
ID=85730206
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310218381.XA Active CN115906675B (zh) | 2023-03-09 | 2023-03-09 | 基于时序多目标预测模型的井位及注采参数联合优化方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115906675B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116611350B (zh) * | 2023-07-19 | 2023-09-19 | 青岛理工大学 | 一种基于迁移学习的油井酸化措施效果预测方法 |
CN116663654B (zh) * | 2023-07-31 | 2023-11-21 | 中国石油大学(华东) | 基于历史调控经验的时间窗口迁移强化学习注采优化方法 |
CN116882323B (zh) * | 2023-09-07 | 2023-11-28 | 中国石油大学(华东) | 一种考虑时序性及细分任务的自适应代理策略优化方法 |
CN117521530B (zh) * | 2024-01-04 | 2024-04-19 | 中国石油大学(华东) | 基于混合神经网络的二氧化碳驱油和埋存动态预测方法 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107829718A (zh) * | 2017-02-10 | 2018-03-23 | 中国石油化工股份有限公司 | 基于均衡水驱理念的油藏井网及注采方案优化设计方法 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112983368B (zh) * | 2021-03-25 | 2022-10-11 | 中国石油大学(华东) | 一种注采优化协同化学驱实现原油均衡驱替的方法 |
CN115310645A (zh) * | 2021-05-07 | 2022-11-08 | 中国石油化工股份有限公司 | 一种基于驱替均衡程度分析的井位优化方法及系统 |
CN115688600A (zh) * | 2022-11-14 | 2023-02-03 | 特雷西能源科技(杭州)有限公司 | 油藏井位优化方法、电子设备及存储介质 |
-
2023
- 2023-03-09 CN CN202310218381.XA patent/CN115906675B/zh active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107829718A (zh) * | 2017-02-10 | 2018-03-23 | 中国石油化工股份有限公司 | 基于均衡水驱理念的油藏井网及注采方案优化设计方法 |
Also Published As
Publication number | Publication date |
---|---|
CN115906675A (zh) | 2023-04-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115906675B (zh) | 基于时序多目标预测模型的井位及注采参数联合优化方法 | |
CN109611087B (zh) | 一种火山岩油藏储层参数智能预测方法及系统 | |
CN110400006B (zh) | 基于深度学习算法的油井产量预测方法 | |
CN113052371B (zh) | 基于深度卷积神经网络的剩余油分布预测方法及装置 | |
CN111625922B (zh) | 一种基于机器学习代理模型的大规模油藏注采优化方法 | |
CN113468803B (zh) | 一种基于改进的woa-gru洪水流量预测方法及系统 | |
CN116205164B (zh) | 一种基于自适应基函数选择的多代理注采优化方法 | |
CN115481577B (zh) | 一种基于随机森林和遗传算法的油藏自动历史拟合方法 | |
CN114723095A (zh) | 缺失测井曲线预测方法及装置 | |
CN116542429A (zh) | 一种融合时空特征的油藏生产指标机器学习预测方法 | |
CN114117881A (zh) | 一种出砂风险预测方法及系统 | |
CN104732067A (zh) | 一种面向流程对象的工业过程建模预测方法 | |
CN110569616B (zh) | 一种基于som的建筑多目标优化设计决策支持方法 | |
CN117272841B (zh) | 一种基于混合神经网络的页岩气甜点预测方法 | |
CN116882323B (zh) | 一种考虑时序性及细分任务的自适应代理策略优化方法 | |
CN115618987A (zh) | 生产井生产数据预测方法、装置、设备和存储介质 | |
CN116579095A (zh) | 一种基于多目标交互的co2回注策略优化评价方法 | |
CN114862007A (zh) | 一种面向碳酸盐岩气井的短周期产气量预测方法及系统 | |
CN113610446B (zh) | 一种复杂分散断块油田群投产顺序的决策方法 | |
CN114462323A (zh) | 一种基于多属性场融合的油藏流场表征方法 | |
CN115438823A (zh) | 一种井壁失稳机制分析与预测方法及系统 | |
CN114764546A (zh) | 基于生成对抗神经网络的断块油藏剩余油预测方法 | |
CN117236195B (zh) | 一种降低开发风险的机器学习离线代理模型生产优化方法 | |
Feder | Machine-learning approach determines spatial variation in shale decline curves | |
He et al. | Optimize Well Placement Based on Genetic Algorithm and Productivity Potential Maps |
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 |