CN116029402A - 裂缝型基岩潜山油藏采收率预测模型训练及预测方法和装置 - Google Patents
裂缝型基岩潜山油藏采收率预测模型训练及预测方法和装置 Download PDFInfo
- Publication number
- CN116029402A CN116029402A CN202111233392.2A CN202111233392A CN116029402A CN 116029402 A CN116029402 A CN 116029402A CN 202111233392 A CN202111233392 A CN 202111233392A CN 116029402 A CN116029402 A CN 116029402A
- Authority
- CN
- China
- Prior art keywords
- recovery ratio
- model
- sample set
- training
- recovery
- 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.)
- Pending
Links
- 238000011084 recovery Methods 0.000 title claims abstract description 238
- 238000012549 training Methods 0.000 title claims abstract description 98
- 238000000034 method Methods 0.000 title claims abstract description 79
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 121
- 238000004088 simulation Methods 0.000 claims abstract description 23
- 230000004927 fusion Effects 0.000 claims abstract description 21
- 239000013598 vector Substances 0.000 claims description 55
- 230000006870 function Effects 0.000 claims description 46
- 239000003795 chemical substances by application Substances 0.000 claims description 29
- 238000012360 testing method Methods 0.000 claims description 21
- 238000004364 calculation method Methods 0.000 claims description 19
- 238000012545 processing Methods 0.000 claims description 10
- 238000013145 classification model Methods 0.000 claims description 9
- 238000003860 storage Methods 0.000 claims description 6
- 238000004590 computer program Methods 0.000 claims description 3
- 238000011161 development Methods 0.000 description 13
- 230000018109 developmental process Effects 0.000 description 13
- 230000008569 process Effects 0.000 description 9
- 239000007787 solid Substances 0.000 description 9
- 239000011159 matrix material Substances 0.000 description 8
- 239000011435 rock Substances 0.000 description 8
- 238000003066 decision tree Methods 0.000 description 7
- 238000004458 analytical method Methods 0.000 description 6
- 230000008901 benefit Effects 0.000 description 5
- 238000010586 diagram Methods 0.000 description 5
- 238000010606 normalization Methods 0.000 description 5
- 230000011218 segmentation Effects 0.000 description 5
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 5
- 239000006185 dispersion Substances 0.000 description 4
- 230000009977 dual effect Effects 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 238000011156 evaluation Methods 0.000 description 4
- 239000012530 fluid Substances 0.000 description 4
- 239000011148 porous material Substances 0.000 description 4
- 230000010354 integration Effects 0.000 description 3
- 238000013178 mathematical model Methods 0.000 description 3
- 238000005457 optimization Methods 0.000 description 3
- 238000002759 z-score normalization Methods 0.000 description 3
- 239000004215 Carbon black (E152) Substances 0.000 description 2
- 238000011960 computer-aided design Methods 0.000 description 2
- 230000007797 corrosion Effects 0.000 description 2
- 238000005260 corrosion Methods 0.000 description 2
- 230000001419 dependent effect Effects 0.000 description 2
- 238000006073 displacement reaction Methods 0.000 description 2
- 238000009826 distribution Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 239000010438 granite Substances 0.000 description 2
- 229930195733 hydrocarbon Natural products 0.000 description 2
- 150000002430 hydrocarbons Chemical class 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 239000000243 solution Substances 0.000 description 2
- BVKZGUZCCUSVTD-UHFFFAOYSA-L Carbonate Chemical compound [O-]C([O-])=O BVKZGUZCCUSVTD-UHFFFAOYSA-L 0.000 description 1
- 240000007594 Oryza sativa Species 0.000 description 1
- 235000007164 Oryza sativa Nutrition 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 238000003889 chemical engineering Methods 0.000 description 1
- 238000005094 computer simulation Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000008676 import Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000000977 initiatory effect Effects 0.000 description 1
- 238000002347 injection Methods 0.000 description 1
- 239000007924 injection Substances 0.000 description 1
- 229910052500 inorganic mineral Inorganic materials 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000013508 migration Methods 0.000 description 1
- 230000005012 migration Effects 0.000 description 1
- 239000011707 mineral Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000035699 permeability Effects 0.000 description 1
- 239000003208 petroleum Substances 0.000 description 1
- 238000013139 quantization Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 235000009566 rice Nutrition 0.000 description 1
- 238000012502 risk assessment Methods 0.000 description 1
- 238000010845 search algorithm Methods 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 230000009466 transformation 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
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了裂缝型基岩潜山油藏采收率预测模型训练方法、采收率预测方法及装置。包括：采集目标裂缝型基岩潜山油藏相似区露头的裂缝地质特征参数；建立涵盖多组裂缝特征参数组合下的裂缝型基岩潜山油藏代理模型，应用离散介质数值模拟方法对多组裂缝型油藏代理模型进行采收率预测，得到第一样本集；以第一样本集，训练至少两种采收率预测子模型；以第一样本集中的参数，输入至训练完成的至少两种采收率预测子模型，得到对应的预测采收率；将第一样本集中的参数，与对应的预测采收率，生成第二样本集；以第二样本集，应用集成学习算法训练预测值融合模型，得到采收率预测模型。本发明能使计算量适中，裂缝型基岩潜山油藏采收率预测结果更准确。
Description
技术领域
本发明涉及石油勘探领域，特别涉及一种裂缝型基岩潜山油藏采收率的预测模型训练方法、采收率预测方法及装置。
背景技术
目前，伴随着全球主要沉积盆地勘探程度的不断深入，油气藏逐渐由传统的以沉积岩为主的地层向花岗岩、变质岩地层推进。据统计，全球基岩潜山油气藏石油储量为248×108t，勘探开发前景极为广阔。裂缝型基岩潜山油藏储层基岩以花岗岩、变质岩为主，岩石矿物成分复杂，构造裂缝、溶蚀孔隙及破碎粒间孔为油气主要的储存和渗流空间，储层非均质性极强。由于烃类流体、储集空间微观结构及驱动方式的差异，油气流动模式在不同的区域(近井带、远井带等)和驱动能量下烃类流体在不同储集空间中表现出多种流动模式复合出现，开发规律迥异于常规砂岩油藏，甚至与碳酸盐岩潜山油藏亦有显著差异。
基于等效连续介质假设的双重介质模型难以准确描述该类油藏的裂缝在油气运移过程中的主导作用；同时，传统的达西定律无法考虑潜山基岩储集层中不同储集空间中复模态流动模式，从而直接导致该类油藏在产能预测、开发方式优选和采收率预测方面存在较大的不确定性。
油藏数值模拟被认为是研究油藏开发规律、优选开发方式以及预测油田采收率最可靠的方法之一。裂缝型基岩潜山油藏储集层基质孔渗极低，构造裂缝及伴生的溶蚀孔洞是油气流体主要的储渗介质。在该类油藏开发模拟中，选择适合的裂缝渗流模型尤为重要。目前，较成熟的裂缝介质模型主要包括双重介质模型、等效连续介质模型和离散裂缝模型等。其中，双重介质模型的优点是考虑了裂缝系统和基质系统之间的物质交换，比较符合实际模型。双重介质模型将裂缝网络等效为连续介质进行研究，具有良好的可操作性。但是该模型为了建立两个系统之间流体交换方程，必须对裂缝系统的配置形状等做出一定假设，而且被裂缝分割成的基质也被假定具有相同的大小和形状，这使得该模型应用受到限制，使其难以考虑裂缝型基岩潜山油藏渗流的非均质性、各向异性等特征。等效连续介质模型不严格区分储集层中的裂缝和基岩，参数设定相对简便，但是连续介质模型忽略了裂缝的具体信息，如产状结构、分布规律及相互连通性等，并且被裂缝分割成的基质岩块被假定具有相同的大小和形状，过于简化而不能充分表现出裂缝介质的各向异性、不连续性等特征。因此，很多情况下其计算结果与实际相差较大。离散裂缝网络模型将裂缝系统视为离散的网络系统，对每条裂缝加以精细描述，以孔隙介质和每条裂缝的流动为基础建立流动数学模型，力求得到裂缝性介质中的真实渗流状态，是研究裂缝性复杂介质渗流的一种新型数学模型。离散裂缝网络模型对裂缝进行显式处理，但随着目前地质、地震、测井和油藏描述技术的不断发展，对油藏中裂缝的描述也越来越精细，所得到的裂缝的数据量惊人，所以在建立离散裂缝网络模型时，一是要尽可能准确的对裂缝的性质进行刻画，同时还要考虑到计算代价的问题。简言之，裂缝型基岩潜山油藏开发模拟三种主流渗流模型存在计算量和准确度的博弈问题，即等效连续介质和双重介质模型方法成熟、难度较小、计算耗时较少，但是准确度较低；而离散裂缝模型计算结果较准确但计算门槛高、计算量大。针对裂缝型基岩潜山油藏，如何减少油藏数值模拟的调用次数的同时获得准确的采收率预测结果，成为对裂缝型基岩潜山油藏有效开发迫切解决的难题。
发明内容
鉴于上述问题，提出了本发明以便提供一种克服上述问题或者至少部分地解决上述问题的一种裂缝型基岩潜山油藏采收率的预测模型训练方法、采收率预测方法及装置。
第一方面，本发明实施例提供一种裂缝型基岩潜山油藏采收率预测模型的训练方法，其特征在于，包括：
采集目标裂缝型基岩潜山油藏相似区露头的至少一组地质特征参数；
根据所述至少一组地质特征参数，建立涵盖多组裂缝特征参数组合下的裂缝型基岩潜山油藏代理模型，应用离散介质数值模拟方法对多组裂缝型油藏代理模型进行采收率计算，得到第一样本集；
使用所述第一样本集，分别对至少两种采收率预测子模型进行训练；
使用第一样本集中的参数，分别输入至训练完成的所述至少两种采收率预测子模型，分别得到对应的预测采收率；
将第一样本集中的参数，与对应得到的预测采收率，生成第二样本集；
使用所述第二样本集，对预设的预测值融合模型进行训练，得到所述裂缝型基岩潜山油藏采收率预测模型。
在一个实施例中，所述根据所述至少一组地质特征参数，建立涵盖多组裂缝特征参数组合下的裂缝型基岩潜山油藏代理模型，应用离散介质数值模拟方法对多组裂缝型油藏代理模型进行采收率计算，得到第一样本集，包括：
利用所采集的地质特征参数，建立预设数量的离散裂缝代理模型，每个离散裂缝代理模型对应一组地质特征参数；
对预设数量的离散裂缝代理模型，分别进行离散介质数值模拟，得到与各所述离散裂缝代理模型对应的实际采收率；
将各离散裂缝代理模型对应的地质特征参数和实际采收率，生成各原始数据样本；
对各原始数据样本进行标准化数据处理，得到第一样本集。
在一个实施例中，利用所采集的地质特征参数，建立预设数量的离散裂缝代理模型，包括：
对所采集的地质特征参数进行统计，根据统计结果确定分类模型的参数；
利用确定出的所述参数和所述分类模型，对所采集的地质特征参数，进行分类，得到预设数量的离散裂缝代理模型，每个离散裂缝代理模型对应一组地质特征参数。
在一个实施例中，对原始数据样本进行数据处理，得到标准化处理后的第一样本集，包括：
对所述原始数据样本中的地质特征参数和实际采收率，进行Z-Score标准化处理，得到第一样本集。
在一个实施例中，使用所述第一样本集，分别对至少两种采收率预测子模型进行训练，包括：
使用第一样本集，分别对支持向量回归算法模型和极限梯度提升算法模型进行训练。
在一个实施例中，对支持向量回归算法模型进行训练包括：
从所述第一样本集中，随机抽取出训练数据和测试数据；
使用所述训练数据，分别计算出多种支持向量回归函数中的参数；所述支持向量回归函数用于拟合第一样本集中数据样本与实际采收率关系；
分别将计算出的各参数和各测试数据，代入对应的函数中，计算出支持向量回归的各预测采收率；
按照预设的评分标准，对各预测采收率进行评分，选择评分值最高的支持向量回归函数作为训练完成的所述支持向量回归算法模型。
在一个实施例中，所述多种支持向量回归函数，包含下述任意两种或两种以上不同类型的函数：
线性核函数、多项式核函数和高斯核函数。
在一个实施例中，对极限梯度提升算法模型进行训练包括：
从所述第一样本集中，随机抽取出训练数据和测试数据；
使用所述训练数据，分别计算出极限梯度提升算法函数中的参数；极限梯度提升算法函数用于拟合第一样本集中数据样本与实际采收率关系；
分别将计算出的各参数和各测试数据，代入对应的极限梯度提升算法函数中，计算出极限梯度提升算法的各预测采收率；
按照预设的评分标准，对各预测采收率进行评分，选择评分值最高的极限梯度提升算法函数作为训练完成的所述极限梯度提升算法模型。
在一个实施例中，将第一样本集中的参数，与对应得到的预测采收率，生成第二样本集，包括：
将地质特征参数、实际采收率与支持向量回归算法模型得到的预测采收率和极限梯度提升算法模型得到的预测采收率作为样本数据，生成第二样本集；
使用所述第二样本集，应用集成学习算法对预设的预测值融合模型进行训练，得到所述裂缝型基岩潜山油藏采收率预测模型，包括：
使用所述第二样本集，对岭回归算法模型进行训练，得到所述裂缝型基岩潜山油藏采收率预测模型。
第二方面，本发明实施例提供一种裂缝型基岩潜山油藏采收率的预测方法，包括：
确定目标裂缝型基岩潜山油藏至少一组地质特征参数；
将所述目标裂缝型基岩潜山油藏至少一组地质特征参数输入至少两种采收率预测子模型，得到至少两种所述采收率预测子模型输出的至少两个预测采收率；
将所述至少两个预测采收率，输入至应用集成学习算法预设的预测值融合模型中，得到所述目标裂缝型基岩潜山油藏的预测采收率。
第三方面，本发明实施例提供一种裂缝型基岩潜山油藏采收率预测模型的预测装置，包括：
特征参数确定模块，用于确定目标裂缝型基岩潜山油藏至少一组地质特征参数；
预测模块，用于将所述目标裂缝型基岩潜山油藏至少一组地质特征参数输入至少两种采收率预测子模型，得到至少两种所述采收率预测子模型输出的至少两个预测采收率；将所述至少两个预测采收率，输入至应用集成学习算法预设的预测值融合模型中，得到所述目标裂缝型基岩潜山油藏的预测采收率。
第四方面，本发明实施例提供一种裂缝型基岩潜山油藏采收率预测模型的训练装置，包括：
特征参数采集模块，用于采集目标裂缝型基岩潜山油藏相似区露头的至少一组地质特征参数；
第一样本集生成模块，用于根据所述至少一组地质特征参数和对应的实际采收率，得到第一样本集；
第一训练模块，用于使用所述第一样本集，分别对至少两种采收率预测子模型进行训练；
第二样本集生成模块，用于使用第一样本集中的参数，分别输入至训练完成的所述至少两种采收率预测子模型，分别得到对应的预测采收率；将第一样本集中的参数，与对应得到的预测采收率，生成第二样本集；
第二训练模块，用于使用所述第二样本集，应用集成学习算法对预设的预测值融合模型进行训练，得到所述裂缝型基岩潜山油藏采收率预测模型。
第五方面，本发明实施例提供一种裂缝型基岩潜山油藏采收率预测模型的预测装置，包括：
特征参数确定模块，用于确定目标裂缝型基岩潜山油藏至少一组地质特征参数；
预测模块，用于将所述目标裂缝型基岩潜山油藏至少一组地质特征参数输入至少两种采收率预测子模型，得到至少两种所述采收率预测子模型输出的至少两个预测采收率；将所述至少两个预测采收率，输入至应用集成学习算法预设的预测值融合模型中，得到所述目标裂缝型基岩潜山油藏的预测采收率。
第六方面，本发明实施例提供一种电子设备，包括：存储器、处理器及存储于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程序时实现如前述的裂缝型基岩潜山油藏采收率预测模型的训练方法和如前述的一种裂缝型基岩潜山油藏采收率的预测方法。
第七方面，本发明实施例提供一种计算机存储介质，其特征在于，所述计算机存储介质中存储有计算机可执行指令，所述计算机可执行指令被处理器执行时实现如前述的裂缝型基岩潜山油藏采收率预测模型的训练方法和如前述的一种裂缝型基岩潜山油藏采收率的预测方法。
本发明实施例提供的上述技术方案的有益效果至少包括：
本发明实施例提供的裂缝型基岩潜山油藏采收率预测模型的训练方法、预测方法及装置，使用目标油藏相似区露头的至少一组特征参数，建立涵盖多组裂缝特征参数组合下的裂缝型基岩潜山油藏代理模型，应用离散介质数值模拟方法对多组裂缝型油藏代理模型进行采收率计算，得到第一样本集，然后使用第一样本集，对至少两种采收率预测子模型进行训练，然后利用训练好的至少两个采收率预测子模型，分别得的对应的预测采收率，使用第一样本集中的参数和至少两个采收率预测子模型得到的预测采收率得到的第二样本，再对可以将两个采收率预测子模型输出的预测采收率进行融合的预测值融合模型进行训练，得到最终的裂缝型基岩潜山油藏采收率预测模型，并利用训练好的该采收率预测模型来进行目标油藏采收率的预测，得到目标油藏的采收率预测结果。本发明实施例将至少两个采收率子模型应用集成学习算法进行融合学习，在计算量适中的情况下，还能保证预测结果更准确，更接近于真实的采收率，克服了使用单一采收率预测模型计算量大或者计算结果不准确的问题。
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
附图用来提供对本发明的进一步理解，并且构成说明书的一部分，与本发明的实施例一起用于解释本发明，并不构成对本发明的限制。在附图中：
图1为发明实施例提供的裂缝型油藏采收率预测模型的训练方法流程图之一；
图2为本发明实施例提供的地质露头裂缝的示意图；
图3为发明实施例提供的得到第一样本集的流程图；
图4为本发明实施例提供的不同裂缝参数组合下代理模型含油饱和度的示意图；
图5为发明实施例提供的裂缝型油藏采收率预测模型的训练方法流程图之二；
图6为本发明实施例提供的建立预设数量的离散裂缝代理模型的流程图；
图7为本发明实施例提供的不同裂缝参数组合下代理模型的示意图；
图8为本发明实施例提供的裂缝型基岩潜山油藏相似区采收率的预测方法的流程图；
图9为本发明实施例提供的裂缝型油藏采收率快速预测方法预测结果图；
图10为本发明实施例提供的裂缝型基岩潜山油藏采收率预测模型的预测装置的框图；
图11为本发明实施例提供的裂缝型基岩潜山油藏采收率预测模型的预测装置的框图。
具体实施方式
下面将参照附图更详细地描述本公开的示例性实施例。虽然附图中显示了本公开的示例性实施例，然而应当理解，可以以各种形式实现本公开而不应被这里阐述的实施例所限制。相反，提供这些实施例是为了能够更透彻地理解本公开，并且能够将本公开的范围完整的传达给本领域的技术人员。
为了解决现有采收率预测结果计算所使用的裂缝介质模型所存在的精确度高但计算量大，或者计算量小难度小但结果不准确的问题，本发明实施例提供一种裂缝型油藏采收率快速预测方法，下面以两个具体的实施例对本发明进行说明。
本发明实施例提供了裂缝型油藏采收率预测模型的训练方法，参照图1，包括下述步骤：
S1、采集目标裂缝型基岩潜山油藏相似区露头的至少一组地质特征参数；
其中，裂缝型基岩潜山油藏相似区油藏的地质特征参数包括地质描述参数、拓扑结构参数等。参照图2所示的示意图，图2为露头垂直剖面，其中，(b)为图片编号，Bed A代表层A，Bed B代表层B，F代表直立裂缝，L代表层裂缝，比例尺12cm。
具体实施时，对裂缝型基岩潜山油藏相似区露头进行地质描述，并对地质露头的裂缝拓扑结构进行数字化处理，得到裂缝拓扑结构参数。由于地质情况复杂多样，为了使得采集的地质特征参数可以涵盖裂缝型基岩潜山油藏的主要地质特征，需要采集的地质特征参数例如可以包括：裂缝长度、裂缝密度、裂缝倾角、裂缝开度、水力学参数、拓扑结构参数等。地质特征参数可以用向量表示，例如，其中的每组地质特征参数样本可表示为向量mi(ai，bi，ci，……)，其中i为样本编号，a、b、c……为样本中包含的各类参数。
通过地质描述所获得的地质特征参数不限于前述所列的各项参数。以上所列参数表示某个裂缝型基岩潜山油藏相似区的主要特征，可以作为识别某个裂缝型基岩潜山油藏相似区油藏情况的依据。
S2、根据所述至少一组地质特征参数，建立涵盖多组裂缝特征参数组合下的裂缝型基岩潜山油藏代理模型，应用离散介质数值模拟方法对多组裂缝型油藏代理模型进行采收率计算，得到第一样本集；
具体实施时，参照图3所示，可以通过下面的流程来得到第一样本集：
S21、利用所采集的地质特征参数，建立预设数量的离散裂缝代理模型，每个离散裂缝代理模型对应一组地质特征参数；
S22、对预设数量的离散裂缝代理模型，分别进行离散介质数值模拟，得到与各离散裂缝代理模型对应的实际采收率；
例如，应用裂缝性油藏离散裂缝模型的离散介质数值模拟方法，可选择以多种开发方式，例如，注水开发、弹性开发等，分别针对上述12套离散裂缝代理模型开展离散介质数值模拟。计算获得开发结束时，特定极限含水率(例如以98％为特定极限含水率)下的采出程度，例如，计算中，以实际采收率表示采出程度。参照图4所示的例子，以含油饱和度表示采出程度，不同地质特征参数组合下，采出程度各异。4组不同的地质特征参数组合，分别对应图4中的4个小图a、b、c、d。每个图中，以右侧标尺区别含油饱和度的大小，标尺上刻度为1的颜色所覆盖的区域含油饱和度最高，标尺上刻度值越小，则其对应颜色所覆盖的区域含油饱和度越低，标尺上0刻度的颜色所覆盖的区域含油饱和度最低。
S23、参照图5所示的流程图，其中建立原始数据样本集的步骤，将各离散裂缝代理模型对应的地质特征参数和实际采收率，生成各原始数据样本。
S24、对各原始数据样本进行标准化数据处理，得到第一样本集。
显然，裂缝型储层的原始数据样本含有多类数据，处理裂缝型储层的代理模型数据样本必须全面地从整体的角度考虑问题，多指标综合评价。而在多指标评价体系中，由于各评价指标的性质不同，通常具有不同的量纲和数量级。当各指标间的水平相差很大时，如果直接用原始数据样本进行分析，就会突出数值较高的指标在综合分析中的作用，相对削弱数值水平较低指标的作用。因此，为了保证结果的可靠性，需要对原始数据样本进行标准化处理。标准化处理的具体步骤例如可以为：
参照图5所示的流程图，其中原始数据样本集标准化处理的步骤，可选择对原始数据样本，做标准化处理。标准化方法可以有多种选择，min-max标准化(Min-maxnormalization)，log函数转换，Z-Score标准化，模糊量化法等。例如，对所述原始数据样本中的地质特征参数和实际采收率，进行Z-Score标准化处理，得到第一样本集。具体表达式为：
x为基于代理模型所构建的自变量(多种参数，例如裂缝密度、裂缝长度均值、偏差值等)和因变量(采出程度、含水率等)组成的样本集。μ是样本均值；δ是样本方差。x′为标准化处理后的样本数据。其中，Z-Score标准化的作用是将不同量级的数据统一转化为同一个量级，统一用计算出的Z-Score值衡量，以保证数据之间的可比性。Z-Score标准化的优点是简单，容易计算，凭借最简单的数学公式就能够计算出Z-Score并进行比较，Z-Score能够应用于数值型的数据，并且不受数据量级的影响，因为它本身的作用就是消除量级给分析带来的不便。
参照图6所示，上述步骤S21中利用所采集的地质特征参数，建立预设数量的离散裂缝代理模型的具体步骤为：
S211、对所采集的地质特征参数进行统计，根据统计结果确定分类模型的参数；例如，以Fisher模型为分类模型，确定Fisher模型的参数。分类模型的选择不以Fisher模型为限。
分类模型Fisher模型的生成过程可利用Fracman软件，Fisher模型的生成过程不以使用Fracman软件为限。使用Fracman软件对上述地质特征参数进行统计，确定Fisher模型参数。Fracman软件是一套用于油气藏裂缝描述及应用的一体化软件，集成了基于离散裂缝网络(DFN，Discrete Fracture Network)技术的裂缝建模、基于有限元方法考虑应力时变的人工裂缝扩展模拟、基于数值方法考虑裂缝因素的试井模拟等功能，可以进行数据综合分析、离散裂缝网络模型构建、压裂缝动态模拟、压裂方案优化设计、井位部署及风险分析、产能评价等研究工作。
用Fisher模型的判别分析方法把S11所采集的地质特征参数样本分为两类的步骤举例如下：
(1)计算各类地质参数样本的均值向量mi，Ni是类ωi的样本个数，X为各地质特征参数样本所对应的向量。
(2)计算样本类内离散度矩阵Si和总类内离散度矩阵Sw。
Sw＝S1+S2
(3)计算样本类间离散度矩阵Sb。
Sb＝(m1-m2)(m1-m2)T
(4)求向量ω*。为此定义Fisher准则函数
使得JF(W)取的最大值的ω*为：
(5)将训练集内所有样本进行投影。
y＝(w*)TX
(6)计算在投影空间上的分割阈值y0。分割阈值的选取可以有不同的方案，比较常用的一种为
其中，
为在一维空间各样本的均值：
样本的内类离散度
和总类离散度
为
(7)对于给定的X计算X在ω*上的投影点y。
y＝(w*)TX
(8)根据决策规则分类，ω1和ω2代表不同的类，有下列两种情形：
即，对任意地质特征参数应的向量X，X在投影向量ω*上的投影为y，y0为投影空间上的分割阈值，若y大于y0，则把X归为类ω1，若y小于y0，则把X归为类ω2。
简言之，先求一个投影向量ω*，然后计算在投影空间上的分割阈值y0，然后计算X在ω*上的投影点y，用y0判别y，从而将X归属于不同的类。用Fisher判别分析解决多分类问题时，首先实现两类Fisher分类，然后根据返回的类别与新的类别再做两类Fisher分类，又能够得到比较接近的类别，以此类推，直至所有的类别，最后得出未知样本的类别。通过建立Fisher模型，概括地质特征参数的分布规律，可以降低数据处理难度，降低计算量。
S212、利用确定出的参数和分类模型，对所采集的地质特征参数，进行分类，得到预设数量的离散裂缝代理模型，每个离散裂缝代理模型对应一组地质特征参数。
例如，利用Fisher模型来进行分类，具体地，采用Fisher模型参数和所采集的地质特征参数，选取不同地质特征参数，使用地质统计学建模软件COMSOL，建立以Fisher模型为理论模型的预设数量的离散裂缝代理模型。例如，建立12套模型。其中，每一套地质模型对应一组特定的裂缝特征参数。COMSOL是一款基于物理场的模拟和仿真软件，该软件拥有物理模拟能力和仿真能力，包含了结构力学模块、化学工程模块、热传递模块、CAD导入模块、地球科学模块、射频模块等。
参照图7所示的例子，4组不同的地质特征参数组合，分别对应4个不同的离散裂缝代理模型。
下表1是图7所示的离散裂缝代理模型所对应的4组不同地质特征参数组合中密度值、长度均值和偏差等参数的详情。
表1
| 组合序号 | 密度值(条/米) | 长度均值(米) | 偏差(m) |
| 1 | 4.56 | 12.3 | 2.4 |
| 2 | 6.53 | 10.40 | 3.6 |
| 3 | 8.33 | 8.13 | 2.1 |
| 4 | 10.83 | 7.55 | 2.6 |
S3、使用所述第一样本集，分别对至少两种采收率预测子模型进行训练。
至少两种采收率预测子模型可以多种数学模型，例如支持向量回归算法模型、极限梯度提升算法模型等，子算法模型不限于上述两种模型。
下面以这两个采收率预测子模型为例进行说明。
使用第一样本集，分别对支持向量回归算法模型和极限梯度提升算法模型进行训练。
使用第一样本集，分别对至少两种采收率预测子模型进行训练，找出第一样本集中数据样本与预测采收率之间的对应关系，建立对应算法的采收率预测模型。例如，分别以支持向量回归算法(Support Vector Regression，简称SVR)和极限梯度提升算法(eXtremeGradient Boosting，简称XGBoost)寻找第一样本集中数据样本与预测采收率之间的对应关系，建立对应算法的采收率预测模型。
参照图5所示的流程图，其中支持向量回归模型进行训练的步骤，利用支持向量回归算法找出目标油藏第一样本集中数据样本与预测采收率之间的对应关系，建立支持向量回归算法的采收率预测模型。该算法的特点是稳健，但精度不高。
参照图5所示的流程图，其中XGBoost回归模型进行训练的步骤，利用XGBoost算法找出目标油藏代理模型裂缝参数样本数据与预测采收率之间的对应关系，建立XGBoost算法的采收率预测模型。
XGBoost算法是经过优化的梯度提升决策树算法，梯度提升决策树算法是一种迭代的决策树算法，由多棵决策树组成，将所有树的结论累加起来做最终答案。从梯度提升决策树算法到XGBoost有许多改进，例如，切分点查找算法优化、引入二阶梯度，引入正则化项以防止过拟合等等。XGBoost，在计算速度和准确率上，较梯度提升决策树算法有明显的提升。XGBoost算法的特点是精度高、但易受干扰，稳定性差。
上述图5中，对支持向量回归算法模型进行训练的具体步骤为：
参照图5所示的流程图，其中从第一样本集中抽取样本的步骤，从所述第一样本集中，随机抽取出训练数据和测试数据；例如，从第一样本集中随机抽取MSVR个样本，组成数据集。
将该数据集随机抽取预设数量的样本，作为训练数据和测试数据，例如，以所抽取的样本数量的80％作为训练数据，所抽取的样本数量的20％作为测试数据。
使用所述训练数据，分别计算出多种支持向量回归函数中的参数；所述支持向量回归函数用于拟合第一样本集中数据样本与实际采收率关系；
使用支持向量机回归算法拟合地质特征参数与采收率之间对应关系，以如下表达式为例：
f(x)s为支持向量回归预测结果，m为样本数量，i为样本序号，
和αi均为拉格朗日算子，k(x，xi)为核函数，b为位移项。其中，所述多种支持向量回归函数，包含下述任意两种或两种以上不同类型的函数：线性核函数、多项式核函数和高斯核函数。将训练数据作为输入数据，依次计算以不同类型核函数下f(x)s的参数。
分别将计算出的各参数和各测试数据，代入对应的函数中，计算出支持向量回归的各预测采收率；按照预设的评分标准，对各预测采收率进行评分，选择评分值最高的支持向量回归函数作为训练完成的所述支持向量回归算法模型。
例如，测试数据作为输入数据，预设裂缝型油藏支持向量回归采收率预测的评价标准。以如下表达式为例：
score 1为预测性能得分值，越大算法效果越好，TEST为测试数据中的样本数量，yi为采收率真实值，
为采收率真实值的平均值，f(x)s为预测采收率。选取score 1值最大的作为算法的核函数。得到确定的目标油藏代理模型裂缝参数样本数据与预测采收率之间对应关系表达式：
f(x)s为支持向量回归预测结果，m为样本数量，i为样本序号，
和αi均为拉格朗日算子，k(x，xi)为核函数，b为位移项。
利用所确定的目标油藏第一样本集样本数据与预测采收率之间对应关系表达式，输入抽取的样本，得到对应的预测采收率。将抽取的样本与输出的预测采收率组成新的样本，构成新的样本集合，从而建立起支持向量回归算法的采收率预测模型。
对极限梯度提升算法模型进行训练的具体步骤为：
参照图5所示的流程图，其中从第一样本集中抽取样本的步骤，从所述第一样本集中，随机抽取出训练数据和测试数据；例如，从第一样本集中随机抽取MXGBoost个样本，组成数据集。
将该数据集随机抽取预设数量的样本，作为训练数据和测试数据，例如，以所抽取的样本数量的80％作为训练数据，所抽取的样本数量的20％作为测试数据。
使用所述训练数据，分别计算出极限梯度提升算法函数中的参数；极限梯度提升算法函数用于拟合第一样本集中数据样本与实际采收率关系；
XGBoost算法拟合地质特征参数与采收率之间对应关系，以如下表达式为例：
式中f(x)X为XGBoost算法预测采收率值，N为回归树数量，fk(xi)为回归树。XGBoost是一个树集成模型，它使用的是N个树的每棵树对样本的预测值的和作为该样本在XGBoost系统中的预测。
分别将计算出的各参数和各测试数据，代入对应的极限梯度提升算法函数中，计算出极限梯度提升算法的各预测采收率；按照预设的评分标准，对各预测采收率进行评分，选择评分值最高的极限梯度提升算法函数作为训练完成的所述极限梯度提升算法模型。
利用所确定的目标油藏第一样本集样本数据与预测采收率之间对应关系表达式，输入抽取的样本，得到对应的预测采收率。将抽取的样本与输出的预测采收率组成新的样本，构成新的样本集合，从而建立起XGBoost算法的采收率预测模型。
S4、使用第一样本集中的参数，分别输入至训练完成的所述至少两种采收率预测子模型，分别得到对应的预测采收率。
S5、将第一样本集中的参数，与对应得到的预测采收率，生成第二样本集。
上述S5中，使用集成算法，将地质特征参数、实际采收率与支持向量回归算法模型得到的预测采收率和极限梯度提升算法模型得到的预测采收率作为样本数据，生成第二样本集。第二样本集的样本数据包括：地质特征参数、实际采收率、支持向量回归算法模型得到的预测采收率、极限梯度提升算法模型得到的预测采收率等。根据采收率预测子模型的不同，第二样本集的样本数据包括不同采收率预测子模型所产生的预测采收率。
S6、使用所述第二样本集，对应用集成学习算法预设的预测值融合模型进行训练，得到裂缝型基岩潜山油藏采收率预测模型。
参照图5中的Stacking过程，是指集成了支持向量回归算法模型、XGBoost算法模型、预测值融合模型的整体模型，这个模型的训练过程，包含了使用第一样本集分别对支持向量回归算法的训练和对XGBoost算法的训练以及使用第二样本集对预测融合模型进行训练的过程。
Stacking算法(堆叠法)是集成学习算法中的一种算法，其方法使用另外一个机器学习算法来将某两种或两种以上算法的结果集成在一起，其中，被集成的算法叫做初级学习算法，用于集成的算法叫做次级学习算法。Stacking算法的过程可表示为：
将第一样本集的样本数据输入采收率预测子模型中，例如，支持向量回归算法模型，输出预测采收率f(x)SVR。将f(x)SVR作为新的参数，加入到对应的样本中，例如向量mi(ai，bi，ci，…)表示第一样本集的任意一个样本，其中i为样本编号，a、b、c……为样本的各类数据。那么向量mu(ai，bi，ci，…，Ti)表示将f(x)SVR加入后的样本，其中i为样本编号，a、b、c……T为样本的各类数据，T为该样本对应的预测采收率f(x)SVR。
将第一样本集中每个样本所对应的不同采收率预测子模型输出的预测采收率，加入对应样本中后，形成新的样本，这些样本构成第二样本集。
其中，应用集成学习算法对预设的预测值融合模型进行训练的具体步骤例如为：
使用所述第二样本集，对岭回归算法模型进行训练，得到所述裂缝型基岩潜山油藏采收率预测模型。
选用一种相对简单的机器学习算法训练第二样本集，以避免过度拟合。例如，决策树、弹性网、岭回归等算法。例如选择岭回归算法。也可以选择其他岭回归算法的目标是在欠拟合与过拟合的算法中，找到的一种折中的解决方案，其中，欠拟合指的是抽取特征太少，导致训练正确率低,模型预判的损失大，过拟合是指抽取特征太多，训练时正确率高，实际预测时正确率低。由于第二样本集中的样本采集了多种地质特征参数，以及不同预测模型所输出的预测值，也就是抽取特征较多，所以使用岭回归算法可以避免过度拟合。
岭回归算法的表达式为：
其中
为回归系数，I是单位矩阵，λ是岭系数，X为裂缝参数、开发方式、开发阶段等多种参数组成的自变量，Y为采出程度、含水率等参数组成的因变量。
参照图1所示，通过训练，得到由裂缝特征参数、预测采收率等组成的新的样本，从而建立最终的由裂缝特征参数、预测采收率等组成的裂缝型基岩潜山油藏采收率预测模型。
本发明实施例提供了一种裂缝型基岩潜山油藏相似区采收率的预测方法，参照图8所示，包括：
S81、确定目标裂缝型基岩潜山油藏至少一组地质特征参数；
S82、将所述目标裂缝型基岩潜山油藏至少一组地质特征参数输入至少两种采收率预测子模型，得到至少两种所述采收率预测子模型输出的至少两个采收率预测值；
S83、将所述至少两个采收率预测值，输入至应用集成学习算法预设的预测值融合模型中，得到所述目标裂缝型基岩潜山油藏的采收率预测值。
上述预测方法具体步骤为：
参照图5所示的流程图，其中得到最终预测采收率的步骤，应用所构建的基于集成学习算法的裂缝型油藏采收率预测模型对目标油藏进行采收率预测。以抽取20个样本为例，先对样本由1到20分别进行编号，然后将样本数据分别输入支持向量回归算法模型、XGBoost算法模型、集成学习算法模型，分别得到不同算法模型对应的预测值，然后建立以样本编号为横轴、采收率值为纵轴的直角坐标系，参照图9所示，将20个样本在不同算法下得到预测值和采收率实际值标注在坐标系中，其中实心圆点“●”表示XGBoost算法模型输出的预测值，实心正方形“■”表示支持向量回归算法模型输出的预测值，实心五角星“★”表示集成学习算法模型输出的预测值，十字星“+”表示采收率实际值。在横坐标相同的情况下，至少有17个实心五角星“★”与十字星“+”的距离明显比实心圆点“●”或实心正方形“■”与十字星“+”的距离更小，这表明，本次试验中，样本集中85％的样本的集成学习算法模型预测值比其他算法模型预测值更接近采收率实际值，简言之，大多数情况下，最终的集成学习模型预测精度更高，实现了比其所集成的其他算法模型更准确的预测，从而有效解决了在减少油藏数值模拟的调用次数的同时获得准确的采收率预测结果的难题。换言之，实验结果表明，基于集成学习算法的模拟有机融合了支持向量回归算法和XGBoost算法的优势，预测采收率与实测值吻合程度最高。
基于同一发明构思，本发明实施例还提供了一种跨域服务的调用装置、车联网网关、域控制器、车联网系统和车辆，由于这些装置和系统所解决问题的原理与前述跨域服务的调用方法相似，因此该装置和系统的实施可以参见前述方法的实施，重复之处不再赘述。
本发明实施例提供了一种裂缝型基岩潜山油藏采收率预测模型的训练装置，参照图10所示，包括：
特征参数采集模块101，用于采集目标裂缝型基岩潜山油藏相似区露头的至少一组地质特征参数；
第一样本集生成模块102，用于根据所述至少一组地质特征参数，建立涵盖多组裂缝特征参数组合下的裂缝型基岩潜山油藏代理模型，应用离散介质数值模拟方法对多组裂缝型油藏代理模型进行采收率计算，得到第一样本集；
第一训练模块103，用于使用所述第一样本集，分别对至少两种采收率预测子模型进行训练；
第二样本集生成模块104，用于使用第一样本集中的参数，分别输入至训练完成的所述至少两种采收率预测子模型，分别得到对应的采收率预测值；将第一样本集中的参数，与对应得到的采收率预测值，生成第二样本集；
第二训练模块105，用于使用所述第二样本集，应用集成学习算法对预设的预测值融合模型进行训练，得到所述裂缝型基岩潜山油藏采收率预测模型。
本发明实施例提供了一种裂缝型基岩潜山油藏采收率预测模型的预测装置，参照图11所示，包括：
特征参数确定模块111，用于确定目标裂缝型基岩潜山油藏至少一组地质特征参数；
预测模块112，用于将所述目标裂缝型基岩潜山油藏至少一组地质特征参数输入至少两种采收率预测子模型，得到至少两种所述采收率预测子模型输出的至少两个采收率预测值；将所述至少两个采收率预测值，输入至预设的预测值融合模型中，得到所述目标裂缝型基岩潜山油藏的采收率预测值。
本发明实施例提供了一种电子设备，包括：存储器、处理器及存储于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程序时实现前述的一种裂缝型基岩潜山油藏采收率预测模型的训练方法和的一种裂缝型基岩潜山油藏采收率的预测方法。
本发明实施例提供了一种计算机存储介质，所述计算机存储介质中存储有计算机可执行指令，所述计算机可执行指令被处理器执行时实现前述的一种裂缝型基岩潜山油藏采收率预测模型的训练方法和的一种裂缝型基岩潜山油藏采收率的预测方法。
关于上述实施例中的一种裂缝型基岩潜山油藏采收率预测模型的训练方法和的一种裂缝型基岩潜山油藏采收率的预测方法，其具体方式已经在有关该方法的实施例中进行了详细描述，此处将不做详细阐述说明。
上文的描述包括多个实施例的举例。当然，为了描述上述实施例而描述部件或方法的所有可能的结合是不可能的，但是本领域普通技术人员应该认识到，各个实施例可以做进一步的组合和排列。因此，本文中描述的实施例旨在涵盖落入所附权利要求书的保护范围内的所有这样的改变、修改和变型。此外，就说明书或权利要求书中使用的术语“包含”，该词的涵盖方式类似于术语“包括”，就如同“包括，”在权利要求中用作衔接词所解释的那样。此外，使用在权利要求书的说明书中的任何一个术语“或者”是要表示“非排它性的或者”。
Claims (14)
1.一种裂缝型基岩潜山油藏采收率预测模型的训练方法，其特征在于，包括：
采集目标裂缝型基岩潜山油藏相似区露头的至少一组地质特征参数；
根据所述至少一组地质特征参数，建立涵盖多组裂缝特征参数组合下的裂缝型基岩潜山油藏代理模型，应用离散介质数值模拟方法对多组裂缝型油藏代理模型进行采收率计算，得到第一样本集；
使用所述第一样本集，分别对至少两种采收率预测子模型进行训练；
使用第一样本集中的参数，分别输入至训练完成的所述至少两种采收率预测子模型，分别得到对应的预测采收率；
将第一样本集中的参数，与对应得到的预测采收率，生成第二样本集；
使用所述第二样本集，应用集成学习算法对预设的预测值融合模型进行训练，得到所述裂缝型基岩潜山油藏采收率预测模型。
2.如权利要求1所述的方法，其特征在于，根据所述至少一组地质特征参数，建立涵盖多组裂缝特征参数组合下的裂缝型基岩潜山油藏代理模型，应用离散介质数值模拟方法对多组裂缝型油藏代理模型进行采收率计算，得到第一样本集，包括：
利用所采集的地质特征参数，建立预设数量的离散裂缝代理模型，每个离散裂缝代理模型对应一组地质特征参数；
对预设数量的离散裂缝代理模型，分别进行离散介质数值模拟，得到与各所述离散裂缝代理模型对应的实际采收率；
将各离散裂缝代理模型对应的地质特征参数和实际采收率，生成各原始数据样本；
对各原始数据样本进行标准化数据处理，得到第一样本集。
3.如权利要求2所述的方法，其特征在于，利用所采集的地质特征参数，建立预设数量的离散裂缝代理模型，包括：
对所采集的地质特征参数进行统计，根据统计结果确定分类模型的参数；
利用确定出的所述参数和所述分类模型，对所采集的地质特征参数，进行分类，得到预设数量的离散裂缝代理模型，每个离散裂缝代理模型对应一组地质特征参数。
4.如权利要求2所述的方法，其特征在于，对原始数据样本进行数据处理，得到标准化处理后的第一样本集，包括：
对所述原始数据样本中的地质特征参数和实际采收率，进行Z-Score标准化处理，得到第一样本集。
5.如权利要求1所述的方法，其特征在于，使用所述第一样本集，分别对至少两种采收率预测子模型进行训练，包括：
使用第一样本集，分别对支持向量回归算法模型和极限梯度提升算法模型进行训练。
6.如权利要求5所述的方法，其特征在于，对支持向量回归算法模型进行训练包括：
从所述第一样本集中，随机抽取出训练数据和测试数据；
使用所述训练数据，分别计算出多种支持向量回归函数中的参数；所述支持向量回归函数用于拟合第一样本集中数据样本与实际采收率关系；
分别将计算出的各参数和各测试数据，代入对应的函数中，计算出支持向量回归的各预测采收率；
按照预设的评分标准，对各预测采收率进行评分，选择评分值最高的支持向量回归函数作为训练完成的所述支持向量回归算法模型。
7.如权利要求6所述的方法，其特征在于，所述多种支持向量回归函数，包含下述任意两种或两种以上不同类型的函数：
线性核函数、多项式核函数和高斯核函数。
8.如权利要求5所述的方法，其特征在于，对极限梯度提升算法模型进行训练包括：
从所述第一样本集中，随机抽取出训练数据和测试数据；
使用所述训练数据，分别计算出极限梯度提升算法函数中的参数；极限梯度提升算法函数用于拟合第一样本集中数据样本与实际采收率关系；
分别将计算出的各参数和各测试数据，代入对应的极限梯度提升算法函数中，计算出极限梯度提升算法的各预测采收率；
按照预设的评分标准，对各预测采收率进行评分，选择评分值最高的极限梯度提升算法函数作为训练完成的所述极限梯度提升算法模型。
9.如权利要求5所述的方法，其特征在于，将第一样本集中的参数，与对应得到的预测采收率，生成第二样本集，包括：
将地质特征参数、实际采收率与支持向量回归算法模型得到的预测采收率和极限梯度提升算法模型得到的预测采收率作为样本数据，生成第二样本集；
使用所述第二样本集，应用集成学习算法对预设的预测值融合模型进行训练，得到所述裂缝型基岩潜山油藏采收率预测模型，包括：
使用所述第二样本集，对岭回归算法模型进行训练，得到所述裂缝型基岩潜山油藏采收率预测模型。
10.一种裂缝型基岩潜山油藏采收率的预测方法，其特征在于，包括：
确定目标裂缝型基岩潜山油藏至少一组地质特征参数；
将所述目标裂缝型基岩潜山油藏至少一组地质特征参数输入至少两种采收率预测子模型，得到至少两种所述采收率预测子模型输出的至少两个预测采收率；
将所述至少两个预测采收率，输入至应用集成学习算法预设的预测值融合模型中，得到所述目标裂缝型基岩潜山油藏的预测采收率。
11.一种裂缝型基岩潜山油藏采收率预测模型的训练装置，其特征在于，包括：
特征参数采集模块，用于采集目标裂缝型基岩潜山油藏相似区露头的至少一组地质特征参数；
第一样本集生成模块，用于根据所述至少一组地质特征参数，建立涵盖多组裂缝特征参数组合下的裂缝型基岩潜山油藏代理模型，应用离散介质数值模拟方法对多组裂缝型油藏代理模型进行采收率计算，得到第一样本集；
第一训练模块，用于使用所述第一样本集，分别对至少两种采收率预测子模型进行训练；
第二样本集生成模块，用于使用第一样本集中的参数，分别输入至训练完成的所述至少两种采收率预测子模型，分别得到对应的预测采收率；将第一样本集中的参数，与对应得到的预测采收率，生成第二样本集；
第二训练模块，用于使用所述第二样本集，应用集成学习算法对预设的预测值融合模型进行训练，得到所述裂缝型基岩潜山油藏采收率预测模型。
12.一种裂缝型基岩潜山油藏采收率预测模型的预测装置，其特征在于，包括：
特征参数确定模块，用于确定目标裂缝型基岩潜山油藏至少一组地质特征参数；
预测模块，用于将所述目标裂缝型基岩潜山油藏至少一组地质特征参数输入至少两种采收率预测子模型，得到至少两种所述采收率预测子模型输出的至少两个预测采收率；将所述至少两个预测采收率，输入至应用集成学习算法预设的预测值融合模型中，得到所述目标裂缝型基岩潜山油藏的预测采收率。
13.一种电子设备，其特征在于，包括：存储器、处理器及存储于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程序时实现如权利要求1-9任一所述的裂缝型基岩潜山油藏采收率预测模型的训练方法和如权利要求10所述的一种裂缝型基岩潜山油藏采收率的预测方法。
14.一种计算机存储介质，其特征在于，所述计算机存储介质中存储有计算机可执行指令，所述计算机可执行指令被处理器执行时实现权利要求1-9任一所述的裂缝型基岩潜山油藏采收率预测模型的训练方法和如权利要求10所述的一种裂缝型基岩潜山油藏采收率的预测方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111233392.2A CN116029402A (zh) | 2021-10-22 | 2021-10-22 | 裂缝型基岩潜山油藏采收率预测模型训练及预测方法和装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111233392.2A CN116029402A (zh) | 2021-10-22 | 2021-10-22 | 裂缝型基岩潜山油藏采收率预测模型训练及预测方法和装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116029402A true CN116029402A (zh) | 2023-04-28 |
Family
ID=86069209
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111233392.2A Pending CN116029402A (zh) | 2021-10-22 | 2021-10-22 | 裂缝型基岩潜山油藏采收率预测模型训练及预测方法和装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116029402A (zh) |
-
2021
- 2021-10-22 CN CN202111233392.2A patent/CN116029402A/zh active Pending
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109611087B (zh) | 一种火山岩油藏储层参数智能预测方法及系统 | |
| 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 | |
| CN106529667A (zh) | 一种大数据环境下基于模糊深度学习的测井相识别与分析方法 | |
| CN103617147A (zh) | 一种矿井突水水源层识别方法 | |
| CN110318744B (zh) | 一种用于预测页岩气资源的方法 | |
| 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 | |
| CN112396230B (zh) | 基于近邻神经网络的油藏地质建模静态参数分布预测方法 | |
| 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 | |
| CN103967478A (zh) | 一种基于电导探针的垂直井流型辨识方法 | |
| KR101474874B1 (ko) | 지능형 생산정 위치 선정 전산 시스템 및 이를 이용한 생산정 위치 선정 방법 | |
| CN115186936A (zh) | 基于gnn模型的油田最优井网构建方法 | |
| CN117390381B (zh) | 基于深度学习的地下连续墙接头缝渗漏预测方法及装置 | |
| CN113779881A (zh) | 致密含水气藏产能预测方法、装置及设备 | |
| CN104880737A (zh) | 测井资料识别地下流体类型的多元Logistic方法 | |
| Anifowose et al. | A hybrid of functional networks and support vector machine models for the prediction of petroleum reservoir properties | |
| Anifowose et al. | A functional networks-type-2 fuzzy logic hybrid model for the prediction of porosity and permeability of oil and gas reservoirs | |
| CN116029402A (zh) | 裂缝型基岩潜山油藏采收率预测模型训练及预测方法和装置 | |
| Ariadji et al. | Optimization of vertical well placement for oil field development based on basic reservoir rock properties using a genetic algorithm | |
| CN113010501B (zh) | 采收率预测模型获取方法、采收率预测方法和产品 | |
| CN114782211A (zh) | 一种海山分布范围信息的获取方法及系统 | |
| CN114462323A (zh) | 一种基于多属性场融合的油藏流场表征方法 | |
| CN114764546A (zh) | 基于生成对抗神经网络的断块油藏剩余油预测方法 | |
| CN115182395B (zh) | 一种海底地层稳定性评估预测方法及系统 | |
| 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 | |
| Liu et al. | Infill Well Location Optimization Method based on Remaining Oil Recoverable Potential Evaluation |
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 |