CN116307706A - 一种基于时序模型的储气库运行地质风险预警和注采气方案优化方法 - Google Patents

一种基于时序模型的储气库运行地质风险预警和注采气方案优化方法 Download PDF

Info

Publication number
CN116307706A
CN116307706A CN202310213911.1A CN202310213911A CN116307706A CN 116307706 A CN116307706 A CN 116307706A CN 202310213911 A CN202310213911 A CN 202310213911A CN 116307706 A CN116307706 A CN 116307706A
Authority
CN
China
Prior art keywords
data
injection
production
model
objective function
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.)
Granted
Application number
CN202310213911.1A
Other languages
English (en)
Other versions
CN116307706B (zh
Inventor
孟令东
杜睿山
付晓飞
李东
张桐
张晓玲
李阳
井远光
李坚达
康天宇
程佳薪
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Heilongjiang Feiprosi Energy Technology Co ltd
Northeast Petroleum University
Original Assignee
Heilongjiang Feiprosi Energy Technology Co ltd
Northeast Petroleum University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Heilongjiang Feiprosi Energy Technology Co ltd, Northeast Petroleum University filed Critical Heilongjiang Feiprosi Energy Technology Co ltd
Priority to CN202310213911.1A priority Critical patent/CN116307706B/zh
Publication of CN116307706A publication Critical patent/CN116307706A/zh
Application granted granted Critical
Publication of CN116307706B publication Critical patent/CN116307706B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0635—Risk analysis of enterprise or organisation activities
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/004—Artificial life, i.e. computing arrangements simulating life
    • G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
    • G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2111/00—Details relating to CAD techniques
    • G06F2111/04—Constraint-based CAD

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Economics (AREA)
  • Strategic Management (AREA)
  • General Physics & Mathematics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Development Economics (AREA)
  • Evolutionary Computation (AREA)
  • Educational Administration (AREA)
  • Tourism & Hospitality (AREA)
  • Quality & Reliability (AREA)
  • General Business, Economics & Management (AREA)
  • Operations Research (AREA)
  • Marketing (AREA)
  • Artificial Intelligence (AREA)
  • Game Theory and Decision Science (AREA)
  • Software Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Mathematical Physics (AREA)
  • Computing Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Molecular Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Computer Hardware Design (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Geometry (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种基于时序模型的储气库运行地质风险预警和注采气方案优化方法，包括以下步骤：1、分别对多口井的注采数据进行汇总整合；2、基于汇总的注采数据进行长短期记忆网络(LSTM)模型训练，建立模型；3、建立各储气库协同注气的目标函数，目标函数为联合注入量最大；4、建立目标函数的约束条件；5、采用粒子群优化算法根据约束条件对目标函数进行求解，同时加入之前训练的LSTM模型预测结果作为惩罚项获得目标函数的最优解，每个最优解对应一个联合注入方案。该方法能够进行实时数据采集和存储，有效利用信息的连续性，并应用于模型预警，实现预警微震能量、数量、时空分布，同时得到更精准、客观的储气库注气方案。

Description

一种基于时序模型的储气库运行地质风险预警和注采气方案 优化方法
技术领域
本发明是一个适用于储气库全生命周期的智能化安全、高效运行方法，构建同一时间轴的监测数据与生产数据的数据库，通过实时数据采集和存储，完成实时监测注采数据、微震次数以及震源机制分析，基于大数据与深度学习，描述多维度生产数据与微震事件的相关性，实现对潜在开发风险的预警与注采气方案优化。
背景技术
地下储气库是将天然气经过压缩机压缩以后，注入枯竭的气(油)藏、地下盐穴溶腔或其他地质构造中加以储存，到消费高峰期采出以满足天然气用气市场需求的一种储气设施。储气库可以解决天然气供需之间出现的月不均匀性、日不均匀性和小时不均匀性，还可以在气源中断或管网出现技术故障时，保证不间断供气。
安全问题是储气库运行的重点问题。而储气库在运行期间其对地质体本身强度及其所处应力场具有显著的改造作用，易造成地质体稳定性降低，特别是在注入和采出液量不平衡情况下，更容易造成地质体的不稳定，从而诱发地震。以页岩油气高产著称的美国俄克拉荷马州为例，原本位于构造稳定的北美板块中部，但受页岩气开发和油田废水回注影响，自2009年以来地震活动急剧增加，引起业内外广泛关注，直接影响了正常的油气开发和地区生存环境的安全。我国境内也有多起类似事件，如2014年呼图壁储气库循环注采气诱发地震(天然气地表泄露)、2019年四川盆地页岩气开采诱发地震(基建受损)等。这些诱发地震会对储气库的正常运行以及地区生存环境具有较大的影响，对储气库进行地质风险预警是很有必要的。
储气库微地震监测的原理就是利用注采活动引起的地层内应力场变化，观测可能导致的储气库盖层或储层破裂、断层失稳、井筒密封失效等所产生的微地震事件，进而对储气库动态密封性和安全性进行综合评价的一种监测手段。
随着机器学习领域的发展，将机器学习方法应用于储气库微地震的监测和预警，将有力缓解传统微地震监测过程中出现的实时性较差，监测范围小等问题，极大程度上保证了储气库的正常运行。
发明内容
本发明提供一种用于集成微地震监测硬件设备和数据采集、分析与地质风险预警的方法。该方法整合分析油气田开发过程中的压力、产量、微地震监测等历史数据和实时数据，利用大数据与机器学习，建立油田历史监测数据与地震事件匹配关系模型，据此识别当前开发方案下诱发地震事件潜在位置、覆盖范围、量级和诱发可能性，填补对诱发地震风险实时监控和预警的空白，提高油气采收率，降低甚至消除生产井报废、海上溢油等造成的经济损失和环境污染危害。
本发明的目的是通过以下技术方案实现的：一种基于时序模型的储气库运行地质风险预警和注采气方案优化方法，所述方法包括以下步骤：
步骤一：通过非爆炸性震源检测地震信号及井-地检波器校正，得到微地震事件定位并对震级进行分析，对多口井注采数据进行整合处理；
步骤二：微震数据集构建，保障数据实时录入，提取注采数据，如井口、时间、注入速率、井口压力、微震次数、震级、地理位置信息，将该数据作为特征值，微震预测数据，如发生微震次数、发生时间、位置及震级信息，微震预测结果作为目标值进行微震属性数据集构建；最终构建出该注采微震属性数据集，获取所有井口的注采微震属性数据；
步骤三：对所提取的原始“微震属性数据”进行数据预处理，优化数据集；由于存在多口井数据，保证数据量均衡为前提，将处理后的数据按照7：3的比例随机划分为训练集和测试集；
步骤四：建立并实时更新储气库安全、高效智能化运维模型，模型选取长短期记忆网络LSTM时序模型，其独特的神经元结构使其具有“选择记忆性”，具有能够处理长期信息的能力；将录入的历史数据送入模型中进行训练，训练好的模型即可对注采数据进行风险预警；
步骤五：选取粒子群算法来进行注采气方案的优化，获得当前井口数量和每一口井的注入量，其中每一口井的注入量至少包含从今天起往前推十天的数据，判断当前位置是否属于薄弱带以后，建立各储气库协同注气的目标函数；根据约束条件对目标函数进行求解；采用粒子群优化算法对目标函数进行求解，获得目标函数的最优解，每个最优解对应一个协同注入方案。
所述的步骤三中：不同的数据指标往往具有不同的量纲和量纲单位，为了消除指标之间量纲的影响，需要进行数据归一化处理，原始注采属性数据经过数据归一化处理后，各指标处于同一数量级，适合进行综合对比评价；
将所述学习数据集，包括训练集和测试集中的样本数据进行数据转换处理：将学习数据集中的每个注采属性值进行归一化处理，均归一化到[0，1]之间，其具体公式如下所示：
xi,m＝(xi,j-xi,ave)/(xi,max-xi,min)
式中，xi,j为第i组注采参数中的第j个数据，xi,ave、xi,max和xi,min分别是第i组注采参数中的数据的平均值、最大值和最小值，xi,m为第i个注采参数中的第m个数据的归一值。
所述的步骤四中：首先需要先计算三个门控信号zf、zi、zo和一个输入数据z，公式如下：
Figure SMS_1
Figure SMS_2
Figure SMS_3
Figure SMS_4
其中，z表示输入数据，zf表示遗忘门，zi表示输入门，zo表示输出门,W、Wf、Wi、Wo分别为对应的权重，ht-1表示t-1时刻的隐藏状态，xt表示t时刻的输入，
Figure SMS_5
表示xt与ht-1两个向量的拼接，σ为sigmoid激活函数，tanh为双曲正弦激活函数，然后需要计算一个输出信息yt，和两个传递信息ct、ht，公式如下：
ct＝zf⊙ct-1+zi⊙z
ht＝zo⊙tanh(ct)
yt＝σ(Whht)
其中，ct为t时刻的细胞状态，ht为t时刻的隐藏状态，yt为t时刻的输出信息，Wh为yt的权重，⊙表示两个矩阵的对应元素相乘，+表示两个矩阵相加；
以所述训练集中的多个注采属性为输入项，以所述训练集中的微震次数为输出项，对模型进行训练，利用所述测试集进行测试，从而构建所述微震次数的评价模型；
评价指标采用均方误差MSE(Mean Squared Error)：真实值与预测值(估计值)差平方的期望，公式如下所示：
Figure SMS_6
M代表测试集中样本总个数，ym代表第m个样本的预测值，
Figure SMS_7
代表第m个样本的真实值。
所述的步骤四中：判断当前位置是否属于薄弱带以后(怎么判断)，建立各井协同注气的目标函数；目标函数为联合注入量最大，具体为：
Figure SMS_8
Figure SMS_9
其中f(x)为要调整当天的各井的联合注气量；xi为调整当天第i口井的注气量，Δxi为调整的上下限；n为井口的总数，建立目标函数的约束条件：-1<Δxi<1，Δxi为调整当天第i口井的调整的上下限，根据约束条件对目标函数进行求解；采用粒子群优化算法对目标函数进行求解，获得目标函数的最优解，每个最优解对应一个协同注入方案；
具体求解步骤为：设定粒子数为L，延伸到D维空间，第l个粒子位置矢量表示为Pl＝(pl1，pl2，…，plD)，第l粒子速度矢量表示为Vl＝(vl1，vl2，…，vlD)，第l个粒子历史最优位置为pbestl＝(pbest1，pbest2，…，pbestD)，整个粒子群内历史最优位置为gbest＝(gbesｔ１，ｇｂｅst2，…，gbestl)；其中，D为模型优化求解参数的个数，为M-1，表示需要求解M-1的井数；Pl＝(pl1，pl2，…，plD)为模型寻优过程中的一个解，(pl1，pl2，…，plD)为需要寻优的采气速度与开发井数；PSO初始化一群粒子，通过跟踪极值更新自己的位置和速度，更新公式为：
V＝wV+c1r1(pbest-P)+c2r2(gbest-P)
P＝P+V
其中，c1和c2是粒子群算法的本身的参数，是调整自身经验和社会经验在其运动中所起作用的权重；w为非负数，称为惯性因子；r1和ｒ２是[0,1]范围内变换的随机数。
本发明所产生的技术效果如下：
本发明针对油田范围内诱发地震风险性提供“实时监测——智能预警——方案制定/调整”闭环解决方案，可实现基于监测数据与生产动态数据的深度结合下的诱发地震预警，及时对生产方案进行动态调整，并形成了完整的技术闭环，填补了市场上现有软硬件平台“监测数据不可实时指导方案、难以落实开发方案动态调整”的空白，实现智能化开发方案指令实时-准实时输出，最大程度地降低诱发地震或微震风险，减少人身财产损失与生态破坏风险，保障油田安全、高效生产。
附图说明
图1是风险预警流程图；
图2是LSTM预测与真实值对比图；
图3是非薄弱带微震发震图；
图4是非薄弱带预警方案调整图；
图5是非薄弱带微震发震图；
图6是薄弱带预警方案调整图。
具体实施方式
下面结合实施例对本发明进一步说明：
一种基于时序模型的储气库运行地质风险预警和注采气方案优化方法，所述方法包括以下步骤：
步骤一：通过非爆炸性震源检测地震信号及井-地检波器校正，得到微地震事件定位并对此进行分析(见表1)，对多口井注采数据进行整合处理(见表1)。
步骤二：微震数据集构建，保障数据实时录入。提取注采数据，将该数据作为特征值，微震预测结果作为目标值进行微震属性数据集构建。提取注采微震属性数据，属性包括(不限于)井口、时间、注入速率、井口压力、微震次数等信息。最终构建出该注采微震属性数据集，获取所有井口的注采微震属性数据。部分数据如表1所示：
表1井口注采数据及微震数据统计表
Figure SMS_10
步骤三：对所提取的原始“注采属性数据”进行数据预处理，优化数据集。根据选取的属性，对数据进行缺失值与异常值处理，以保证数据中不存在异常值。由于存在多口井数据，保证数据量均衡为前提，将处理后的数据集划分为训练集和测试集。
数据集划分：在本次实例中，数据预处理后，选取井口压力和注入速率2个注采属性和对应日期的微震次数，组成网络学习数据集。在本次实例中，将所述的数据集按照7:3随机划分为训练集和测试集，其中训练集中的部分数据如表2所示，测试集中的部分数据如表3所示。
表2训练集中的部分数据
Figure SMS_11
表3测试集中的部分数据
Figure SMS_12
Figure SMS_13
不同的数据指标(注采属性)往往具有不同的量纲和量纲单位，为了消除指标之间量纲的影响，需要进行数据归一化处理，目的是处理不同规模和量纲的数据，使其缩放到相同的数据区间和范围，以减少规模、特征、分布差异对模型的影响。原始注采属性数据经过数据归一化处理后，各指标处于同一数量级，适合进行综合对比评价。
在本实施例中，将所述学习数据集(包括训练集和测试集)中的样本数据进行数据转换处理：将学习数据集中的每个注采属性值进行归一化处理，均归一化到[0，1]之间，其具体公式如下所示：
xi,m＝(xi,j-xi,ave)/(xi,max-xi,min)
式中，xi,j为第i组注采参数中的第j个数据，xi,ave、xi,ｍａｘ和xi,min分别是第i组注采参数中的数据的平均值、最大值和最小值，xi，m为第i个注采参数中的第m个数据的归一值。注采属性归一化后的结果如表4所示：
表4部分训练集转化后结果
Figure SMS_14
Figure SMS_15
步骤四：建立并实时更新储气库安全、高效智能化运维模型，模型选取LSTM时序模型，其独特的神经元结构使其具有‘选择记忆性’，具有能够处理长期信息的能力。考虑到微震数据的连续性，采用LSTM模型来进行训练。LSTM是一种循环神经网络，该网络适合处理具有序列性的数据，这点与微震数据相吻合。将录入的历史数据送入模型中进行训练，训练好的模型即可对注采数据进行风险预警。
首先需要先计算三个门控信号zf、zi、zo和一个输入数据z，公式如下。
Figure SMS_16
Figure SMS_17
Figure SMS_18
Figure SMS_19
其中，z表示输入数据，zf表示遗忘门，zi表示输入门，zo表示输出门,W、Wf、Wi、Wo分别为对应的权重。ht-1表示t-1时刻的隐藏状态，xt表示t时刻的输入，
Figure SMS_20
表示xt与ht-1两个向量的拼接。σ为sigmoid激活函数，tanh为双曲正弦激活函数。然后需要计算一个输出信息yt，和两个传递信息ct、ht，公式如下。
ct＝zf⊙ct-1+zi⊙z
ht＝zo⊙tanh(ct)
yt＝σ(Whht)
其中，ct为t时刻的细胞状态，ht为t时刻的隐藏状态，yt为t时刻的输出信息，Wh为yt的权重。⊙表示两个矩阵的对应元素相乘，+表示两个矩阵相加。
以所述训练集中的多个注采属性为输入项，以所述训练集中的微震次数为输出项，对模型进行训练，利用所述测试集进行测试，从而构建所述微震次数的评价模型。在本实施例中，以训练集中的上述2项注采属性作为输入项，以所述训练集中的微震次数为输出项，用LSTM网络进行训练，其中使用Adam优化器对LSTM的内部参数进行优化，利用Adam优化器可以有效提高模型的运行效率和预测结果的准确率。
作为实例，经由LSTM训练生成的评价模型在测试集中的预测结果(如图2蓝色实线所示)和实测结果(如图2红色实线所示)对比。评价指标采用均方误差MSE(Mean SquaredErr4or)：真实值与预测值(估计值)差平方的期望。公式如下所示：
Figure SMS_21
M代表测试集中样本总个数，ym代表第m个样本的预测值，
Figure SMS_22
代表第m个样本的真实值。MSE值越大，表明预测效果越差，本方法中MSE的值为5.15，模型预测效果良好。
使用训练好的模型生成的预测结果与测试集进行对比，若模型预测效果良好(图2)，该模型即可对注采数据进行风险预警。
步骤五：从地质角度来说，可以将地区分为薄弱带和非薄弱带，薄弱带一般包含储气库所在区域的关键断层、盖层薄弱带。同时每个地区可以根据微震次数划分为高中低风险区，当地区为高风险区的时候，我们需要利用粒子群算法进行方案调整。
此时我们需要获得当前井口数量和每一口井的注入量，其中每一口井的注入量至少包含从今天起往前推十天的数据。
部分数据如表5所示：
表5井口注采数据统计表
Figure SMS_23
判断当前位置是否属于薄弱带以后，建立各井协同注气的目标函数；目标函数为联合注入量最大，具体为：
Figure SMS_24
其中f(x)为要调整当天的各井的联合注气量；xi为调整当天第i口井的注气量，Δxｉ为调整的上下限；n为井口的总数。建立目标函数的约束条件：-1<Δｘi<1，Δxi为调整当天第i口井的调整的上下限。根据约束条件对目标函数进行求解；采用粒子群优化算法对目标函数进行求解，获得目标函数的最优解，每个最优解对应一个协同注入方案。
具体求解步骤为：设定粒子数为Ｌ，延伸到Ｄ维空间，第l个粒子位置矢量表示为Ｐｌ＝（ｐl1，pl1，…，plD)，第l粒子速度矢量表示为Vl＝(vl1，vl2，…，vlD)，第l个粒子历史最优位置为pbestl＝（pbest1，pbest2，…，pbestD)，整个粒子群内历史最优位置为gbest＝(gbest1，gbest2，…，gbestl)；其中，D为模型优化求解参数的个数，为M-1，表示需要求解M-1的井数；Pl＝(pl1，pl2，…，plD)为模型寻优过程中的一个解，(pl1，pl2，…，plD)为需要寻优的采气速度与开发井数；PSO初始化一群粒子，通过跟踪极值更新自己的位置和速度，更新公式为：
V＝wV+c1r1(pbest-P)+c2r2(gbest-P)
P＝P+V
其中，c1和c2是粒子群算法的本身的参数，是调整自身经验和社会经验在其运动中所起作用的权重；w为非负数，称为惯性因子；r1和r2是[0,1]范围内变换的随机数。
1.初始化粒子，对每个粒子的初始位置Pl＝(pl1，pl2，…，plD)和速度Vl＝(vl1，vl2，…，vlＤ)进行赋值，初始粒子在允许范围内随机产生，此时个体极值pbest为初始位置，而全局极值gbｅsｔ为个体极值中的最优值；
2.计算每个粒子的目标函数值，并将每个粒子的目标函数值与其个体历史最优位置比较，如果优于个体最优位置，则将当前位置替换为个体极值；
3.将每个粒子的目标函数值与群体历史最优位置进行比较，若当前目标函数值优于群体极值，并且加入惩罚项以后目标函数值还是优于群体极值，则将其作为群体最优位置，并将当前粒子替换为全局极值；
4.将得到的个体极值和全局极值带入位置和速度公式得到新的位置和速度；
5.检查是否满足系统性能指标或者达到最大迭代次数，若满足条件，则终止程序，继续寻优找出的全局最优解，对应粒子位置Ｐl＝(pｌ１，ｐｌ２，…，ｐlD)就是全局最优的注气组合，即为指定目标函数下的最佳协同注气方案。以此类推接着进行井口压力的调整。在进行井口压力调整时，需要薄弱带和非薄弱带进行不同的优化方案，以此保证优化方案经济最最大化。非薄弱带位置发震以及调整方案，如图3、图4所示，由图3可知，非薄弱带位置发震风险预警首次出现后，如后续微震事件持续增加，则需要对注采气方案进行有效调整。由图4可知，对于非薄弱带位置发震，根据步骤五得出“中指标低风险”等级以在较为安全的运行环境下保证注采的最高效率。作为对比，“低指标低风险”等级仍有安全地提高注采效率的空间，“高指标高风险”等级虽提高了效率但大幅增加了安全风险。依据震级、裂缝长度等分析，适当将注气方案调整至“中等注气指标、低风险”等级。薄弱带位置发震以及调整方案，如图5、图6所示，由图5可知，薄弱带位置的风险预警首次出现后，如后续微震事件持续增加，则需要对注采气方案进行有效调整，由图6可知，对于薄弱带位置发震，根据步骤五得出“中等注气指标、无风险”等级以在安全的运行环境下保证注采的最高效率。作为对比，“低指标无风险”等级仍有安全地提高注采效率的空间，“高指标低风险”等级虽提高了效率但增加了薄弱带的安全风险。关键断层、盖层薄弱带，需要适当将注气方案调整至“中等注气指标、无风险”等级，保障储气过程安全、高效。根据此调整未来数日的注采速率，保证优化方案经济最最大化。

Claims (4)

1.一种基于时序模型的储气库运行地质风险预警和注采气方案优化方法，所述方法包括以下步骤：
步骤一：通过非爆炸性震源检测地震信号及井-地检波器校正，得到微地震事件定位并对震级进行分析，对多口井注采数据进行整合处理；
步骤二：微震数据集构建，保障数据实时录入，提取注采数据，如井口、时间、注入速率、井口压力、微震次数、震级、地理位置信息，将该数据作为特征值，微震预测数据，如发生微震次数、发生时间、位置及震级信息，微震预测结果作为目标值进行微震属性数据集构建；最终构建出该注采微震属性数据集，获取所有井口的注采微震属性数据；
步骤三：对所提取的原始“微震属性数据”进行数据预处理，优化数据集；由于存在多口井数据，保证数据量均衡为前提，将处理后的数据按照7：3的比例随机划分为训练集和测试集；
步骤四：建立并实时更新储气库安全、高效智能化运维模型，模型选取长短期记忆网络LSTM时序模型，其独特的神经元结构使其具有“选择记忆性”，具有能够处理长期信息的能力；将录入的历史数据送入模型中进行训练，训练好的模型即可对注采数据进行风险预警；
步骤五：选取粒子群算法来进行注采气方案的优化，获得当前井口数量和每一口井的注入量，其中每一口井的注入量至少包含从今天起往前推十天的数据，判断当前位置是否属于薄弱带以后，建立各储气库协同注气的目标函数；根据约束条件对目标函数进行求解；采用粒子群优化算法对目标函数进行求解，获得目标函数的最优解，每个最优解对应一个协同注入方案。
2.根据权利要求1所述的基于时序模型的储气库运行地质风险预警和注采气方案优化方法，其特征在于：步骤三中：不同的数据指标往往具有不同的量纲和量纲单位，为了消除指标之间量纲的影响，需要进行数据归一化处理，原始注采属性数据经过数据归一化处理后，各指标处于同一数量级，适合进行综合对比评价；
将所述学习数据集，包括训练集和测试集中的样本数据进行数据转换处理：将学习数据集中的每个注采属性值进行归一化处理，均归一化到[0，1]之间，其具体公式如下所示：
xi,m＝(xi,j-xi,ave)/(xi,max-xi,min)
式中，xi,j为第i组注采参数中的第j个数据，xi,ave、xi,max和xi,min分别是第i组注采参数中的数据的平均值、最大值和最小值，xi,m为第i个注采参数中的第m个数据的归一值。
3.根据权利要求1所述的基于时序模型的储气库运行地质风险预警和注采气方案优化方法，其特征在于：步骤四中：首先需要先计算三个门控信号zf、zi、zo和一个输入数据z，公式如下：
Figure FDA0004114212640000021
Figure FDA0004114212640000022
Figure FDA0004114212640000023
Figure FDA0004114212640000024
其中，z表示输入数据，zf表示遗忘门，zi表示输入门，zo表示输出门,W、Wf、Wi、Wo分别为对应的权重，ht-1表示t-1时刻的隐藏状态，xt表示t时刻的输入，
Figure FDA0004114212640000025
表示xt与ht-1两个向量的拼接，σ为sigmoid激活函数，tanh为双曲正弦激活函数，然后需要计算一个输出信息yt，和两个传递信息ct、ht，公式如下：
ct＝zf⊙ct-1+zi⊙z
ht＝zo⊙tanh(ct)
yt＝σ(Whht)
其中，ct为t时刻的细胞状态，ht为t时刻的隐藏状态，yt为t时刻的输出信息，Wh为yt的权重，⊙表示两个矩阵的对应元素相乘，+表示两个矩阵相加；
以所述训练集中的多个注采属性为输入项，以所述训练集中的微震次数为输出项，对模型进行训练，利用所述测试集进行测试，从而构建所述微震次数的评价模型；
评价指标采用均方误差MSE(Mean Squared Error)：真实值与预测值(估计值)差平方的期望，公式如下所示：
Figure FDA0004114212640000026
M代表测试集中样本总个数，ym代表第m个样本的预测值，
Figure FDA0004114212640000028
代表第m个样本的真实值。
4.根据权利要求1所述的基于时序模型的储气库运行地质风险预警和注采气方案优化方法，其特征在于：步骤五中：判断当前位置是否属于薄弱带以后(怎么判断)，建立各井协同注气的目标函数；目标函数为联合注入量最大，具体为：
Figure FDA0004114212640000027
其中f(x)为要调整当天的各井的联合注气量；xi为调整当天第i口井的注气量，Δxi为调整的上下限；n为井口的总数，建立目标函数的约束条件：-1<Δxi<1，Δxi为调整当天第i口井的调整的上下限，根据约束条件对目标函数进行求解；采用粒子群优化算法对目标函数进行求解，获得目标函数的最优解，每个最优解对应一个协同注入方案；
具体求解步骤为：设定粒子数为L，延伸到D维空间，第1个粒子位置矢量表示为Pl＝(pl1，pl2，...，plD)，第l粒子速度矢量表示为Vl＝(vl1，vl2，...，vlD)，第1个粒子历史最优位置为pbestl＝(pbest1，pbest2，...，pbestD)，整个粒子群内历史最优位置为gbest＝(gbest1，gbest2，...，gbestl)；其中，D为模型优化求解参数的个数，为M-1，表示需要求解M-1的井数；Pl＝(pl1，pl2，...，plD)为模型寻优过程中的一个解，(pl1，pl2，...，plD)为需要寻优的采气速度与开发井数；PSO初始化一群粒子，通过跟踪极值更新自己的位置和速度，更新公式为：
V＝wV+c1r1(pbest-P)+c2r2(gbest-P)
P＝P+V
其中，c1和c2是粒子群算法的本身的参数，是调整自身经验和社会经验在其运动中所起作用的权重；w为非负数，称为惯性因子；r1和r2是[0，1]范围内变换的随机数。
CN202310213911.1A 2023-03-08 2023-03-08 一种基于时序模型的储气库运行地质风险预警和注采气方案优化方法 Active CN116307706B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310213911.1A CN116307706B (zh) 2023-03-08 2023-03-08 一种基于时序模型的储气库运行地质风险预警和注采气方案优化方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310213911.1A CN116307706B (zh) 2023-03-08 2023-03-08 一种基于时序模型的储气库运行地质风险预警和注采气方案优化方法

Publications (2)

Publication Number Publication Date
CN116307706A true CN116307706A (zh) 2023-06-23
CN116307706B CN116307706B (zh) 2023-11-03

Family

ID=86835506

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310213911.1A Active CN116307706B (zh) 2023-03-08 2023-03-08 一种基于时序模型的储气库运行地质风险预警和注采气方案优化方法

Country Status (1)

Country Link
CN (1) CN116307706B (zh)

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20130080066A1 (en) * 2011-09-28 2013-03-28 Saudi Arabian Oil Company Reservoir properties prediction with least square support vector machine
CN111126471A (zh) * 2019-12-18 2020-05-08 中国石油大学(华东) 微地震事件检测方法及系统
CN112083498A (zh) * 2020-10-16 2020-12-15 山东科技大学 一种基于深度神经网络的多波地震油气储层预测方法
CN114357852A (zh) * 2021-11-12 2022-04-15 中法渤海地质服务有限公司 一种基于长短期记忆神经网络和粒子群优化算法的分层注水优化方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20130080066A1 (en) * 2011-09-28 2013-03-28 Saudi Arabian Oil Company Reservoir properties prediction with least square support vector machine
CN111126471A (zh) * 2019-12-18 2020-05-08 中国石油大学(华东) 微地震事件检测方法及系统
CN112083498A (zh) * 2020-10-16 2020-12-15 山东科技大学 一种基于深度神经网络的多波地震油气储层预测方法
CN114357852A (zh) * 2021-11-12 2022-04-15 中法渤海地质服务有限公司 一种基于长短期记忆神经网络和粒子群优化算法的分层注水优化方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
祝启康等: "低压低产页岩气井智能生产优化方法", 石油勘探与开发, vol. 49, no. 4 *

Also Published As

Publication number Publication date
CN116307706B (zh) 2023-11-03

Similar Documents

Publication Publication Date Title
Kuang et al. Application and development trend of artificial intelligence in petroleum exploration and development
US11074522B2 (en) Electric grid analytics learning machine
US20240118451A1 (en) Optimization under uncertainty for integrated models
US20230358123A1 (en) Reinforcement learning-based decision optimization method of oilfield production system
CN108732620A (zh) 一种非监督与监督学习下的多波地震油气储层预测方法
CN116384554A (zh) 机械钻速预测方法、装置、电子设备及计算机存储介质
CN118191967B (zh) 煤层顶板水害风险全空间立体监测智能预警系统及方法
WO2021252460A9 (en) Analogue identification and evaluation for field development and planning
CN113156492B (zh) 一种应用于tbm隧道岩爆灾害实时智能预警方法
CN116307706B (zh) 一种基于时序模型的储气库运行地质风险预警和注采气方案优化方法
Lv et al. A novel stacking-based ensemble learning model for drilling efficiency prediction in earth-rock excavation
CN116990865A (zh) 基于深度迁移学习的微地震事件检测方法及系统
CN111856573A (zh) 一种古应力反演方法及石油地质勘探设备
Liu et al. Machine learning assisted recovery of subsurface energy: a review
CN109558615B (zh) 油气勘探决策树分析方法及系统
CN118339358A (zh) 基于注入测试数据和机器学习来预测水力压裂设计参数的系统和方法
CN115983333A (zh) 基于混合神经网络的盾构掘进速度智能预测方法
Chaikine Machine Learning Applications for Production Prediction and Optimization in Multistage Hydraulically Fractured Wells
CN113516287A (zh) 基于Elman神经网络模型的地质参数与盾构施工关键参数关联性方法
Wu et al. Assessing the suitability of imperialist competitive algorithm for the predicting aims: an engineering case
Kakar Artificial Neural Network Modeling of Well Performance in the Garrington Field, Cardium Formation
CN118114812B (zh) 页岩气产量预测方法、计算机设备和存储介质
Jiang Adaptive GA-BP Model Prediction of Subway Shield Tunneling Settlement in Smart City Construction
Igulu et al. IT Technologies Impacting the Petroleum Sector
Di Federico et al. Long Short-Term Memory ANNs for Fast Assessment of Injection Policies of Water-Flooding in Oil and Gas Reservoirs

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