CN116611350A - 一种基于迁移学习的油井酸化措施效果预测方法 - Google Patents

一种基于迁移学习的油井酸化措施效果预测方法 Download PDF

Info

Publication number
CN116611350A
CN116611350A CN202310883234.4A CN202310883234A CN116611350A CN 116611350 A CN116611350 A CN 116611350A CN 202310883234 A CN202310883234 A CN 202310883234A CN 116611350 A CN116611350 A CN 116611350A
Authority
CN
China
Prior art keywords
representing
acidification
layer
model
acidizing
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
CN202310883234.4A
Other languages
English (en)
Other versions
CN116611350B (zh
Inventor
张凯
陶智
刘丕养
王阳
张文娟
张黎明
严侠
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.)
Qingdao University of Technology
Original Assignee
Qingdao University of Technology
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 Qingdao University of Technology filed Critical Qingdao University of Technology
Priority to CN202310883234.4A priority Critical patent/CN116611350B/zh
Publication of CN116611350A publication Critical patent/CN116611350A/zh
Application granted granted Critical
Publication of CN116611350B publication Critical patent/CN116611350B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • 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
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • 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
    • G06N3/096—Transfer learning
    • 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
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/02—Agriculture; Fishing; Forestry; Mining
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2111/00—Details relating to CAD techniques
    • G06F2111/10—Numerical modelling
    • 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

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

Abstract

本发明公开了一种基于迁移学习的油井酸化措施效果预测方法，属于石油工程技术领域，包括如下步骤：建立基于渗流场‑温度场‑化学场耦合模型的酸化数值模拟模型；运用数值模拟方法进行酸化过程模拟，构建模拟样本集；根据已完成酸化井的酸化前后的实际生产资料构建实际样本库；基于BP神经网络模型构建酸化措施效果预测模型，并通过模拟样本集对预测模型进行预训练；通过迁移学习方法将实际样本集代入预训练的预测模型中再次训练，微调后得到最终的预测模型；对最终的预测模型进行评价，输出评价良好的预测模型，基于评价良好的预测模型，进行酸化措施效果预测。本发明预测模型能够准确预测酸化措施效果，达到节约实验成本、时间、人力的目的。

Description

一种基于迁移学习的油井酸化措施效果预测方法
技术领域
本发明属于石油工程技术领域，具体涉及一种基于迁移学习的油井酸化措施效果预测方法。
背景技术
对油井进行酸化是储层改造、油井增产的主要措施之一。酸化措施是将酸液注入到地层中，依靠酸液的化学溶蚀作用，使注入酸与油层岩石中的碳酸盐岩、粘土矿物等成分发生化学作用来提高油层的渗透性，改善油层中油、气、水的流动状况，从而增加油井产量的工艺方法。酸化措施的主要目的是：改造低渗透地层，提高油层渗透率，解除油层空隙堵塞，打开原油流入井的通道。然而，注入酸的类型、酸液浓度、酸化施工排量均会影响酸化效果，在未施工之前，难以评估当前施工方案的措施效果。
酸化数值模拟方法的运用可以使工程人员对酸化措施效果进行预测，从而优选成本最低、效果最好的酸化施工方案。酸化数值模拟方法通过对注入酸在地层孔隙内的流动、酸液与岩石的反应现象进行建模，可以模拟出注入酸在地层中的反应-溶蚀动态，从而预测酸化效果。但是由于当前计算能力的限制加之酸化数值模拟对网格分辨率的要求较高，酸化数值模拟只能计算岩心尺度为厘米量级的酸化现象，无法直接应用于真实油藏。此外，由于地层参数的不确定性和计算尺度不同的影响，酸化数值模拟得到的预测结果与矿场观测的实际结果不能完全符合。此外，油田积累了一定量的酸化施工经验数据，对于不同的地层类型，应该采用哪种类型的酸液、以什么排量进行施工均可通过之前的经验进行估计。将这些经验数据构建输入输出数据集，可以训练得到评价酸化施工效果的神经网络模型。但是，要想得到高精度的酸化措施预测模型，需要使用大量的样本数据进行模型训练。而当前油田的酸化施工数据量尚不满足神经网络模型训练的要求，无法进行模型酸化措施效果预测。
通过酸化数值模拟方法可以得到大量训练样本，但其精度较低，导致训练出的预测模型的准确度难以达到预测的要求，称之为预训练预测模型。需要对预训练预测模型进行校正，因此用到了实际生产数据构建实际情况下的训练样本，这种样本数量较少，不足以直接训练预测模型，因此使用实际观测数据在预训练预测模型的基础上通过迁移学习方法再次训练，提高预训练预测模型对酸化措施效果预测的准确性，最终得到满足要求的预测模型。
发明内容
为了解决酸化措施效果难以预测量的问题，本发明提出了一种基于迁移学习的油井酸化措施效果预测方法，首先通过酸化数值模拟的方法模拟得到大量的模拟样本集，用以预训练酸化措施效果预测的神经网络模型，然后结合迁移学习的思想，采用油田真实的酸化数据对预训练的酸化措施效果预测模型进行调整，使之可以在大区域地层应用时具有较高的准确性和适用性。
本发明的技术方案如下：
一种基于迁移学习的油井酸化措施效果预测方法，包括如下步骤：
步骤1、建立基于渗流场-温度场-化学场耦合模型的酸化数值模拟模型；
步骤2、基于酸化数值模拟模型，运用数值模拟方法进行酸化过程模拟，构建模拟样本集；
步骤3、根据已完成酸化井的酸化前后的实际生产资料构建实际样本集；
步骤4、基于BP神经网络模型构建酸化措施效果预测模型，并通过模拟样本集对预测模型进行预训练；
步骤5、通过迁移学习方法将实际样本集代入预训练的预测模型中再次训练，微调后得到最终的预测模型；
步骤6、对最终的预测模型进行评价，输出评价良好的预测模型；实时获取当前待预测油井的地层渗透率分布、地层孔隙度分布、地层温度、酸的浓度、酸岩反应速率、酸的类型、酸的施工排量并进行归一化处理，然后基于评价良好的预测模型，进行酸化措施效果预测。
进一步地，步骤1中，建立的酸化数值模拟模型如公式（1）-公式（5）所示：
(1)；
(2)；
(3)；
(4)；
(5)；
公式（1）中，下标，和分别表示水相和油相，水相对应注入酸；表示相的速度；表示相的相对渗透率，为地层的绝对渗透率；表示相的粘度；表示梯度算子，指对公式进行全微分；表示相的压力；
公式（2）中，为孔隙度；表示相的饱和度；为时间；
公式（3）中，为水相的饱和度；为平均浓度；为水相的速度；表示有效扩散张量；表示单位体积岩石中可供反应的表面积；为反应速度；为传质系数；
公式（4）中，表示相的密度；表示岩石密度；表示相的比热系数；为岩石的比热系数；为温度；为相的热传导系数；为岩石的热传导系数；，表示反应时每消耗1mol氢离子释放出的热量；为有效反应速度常数，；
公式（5）中，为酸溶解常数。
进一步地，步骤2的具体过程为：
步骤2.1、确定酸化数值模拟模型的输入参数；输入参数包括初始状态时的地层渗透率分布、地层孔隙度分布、地层温度、酸的浓度、酸岩反应速率、酸的类型、酸的施工排量；
初始状态时的地层渗透率分布根据Kozeny-Carman方程计算获得，具体计算公式如下：
(6)；
其中，为地层孔隙度，和分别为地层的平均孔隙度和平均渗透率；
地层孔隙度分布采用随机方法生成，每个网格的地层孔隙度通过下式进行计算：
(7)；
其中，表示地层孔隙度变化值，表示孔隙度波动范围；
地层温度根据生产数据获得；
酸的类型直接人工选定，酸的浓度根据经验选定，酸岩反应速率通过旋转圆盘实验测得；
酸的施工排量根据经验选取；
步骤2.2、将所有输入参数输入步骤1中建立的酸化数值模拟模型中，通过数值模拟方法得到酸化模拟输出结果，输出结果为酸化后的孔渗分布图；酸化后的孔渗分布图包括酸化后的孔隙度分布和酸化后的渗透率分布；
步骤2.3、酸化后的孔渗分布图中包含生成的蚓孔，因此从酸化后的孔渗分布图中获取酸化半径，据此计算得到酸化后井的表皮系数，其计算公式为：
(9)；
其中，为酸化前地层平均渗透率；表示酸化半径，表示井筒半径；表示酸化后的地层等效渗透率，具体通过公式（10）计算得出，
(10)；
其中，表示地层等效渗透率的区域；表示酸化后网格节点处的达西速度；表示网格节点x方向坐标；表示网格节点y方向坐标；表示网格节点z方向坐标；表示区域体积；表示酸化后网格节点处的压力；
步骤2.4、计算酸化后井的采油指数和酸化前井的采油指数；
酸化后井的采油指数计算公式如下：
(11)；
其中，取值为3.14；为油层有效厚度；为不同单位制的换算系数；为地层油的粘度；为原油体积系数；为油井供油边缘半径；
酸化前井的采油指数计算公式如下：
(12)；
其中，表示酸化前地层的等效渗透率，计算公式如下：
(13)；
其中，表示酸化前网格节点处的达西速度；表示酸化前网格节点处的压力；
步骤2.5、计算酸化措施效果的评价指标，计算公式如下：
(14)；
将最终模拟得到的作为模拟样本集的输出参数，将地层参数、酸的参数以及施工参数作为输入参数，输出参数和输入参数共同组成模拟样本集。
进一步地，步骤3的具体过程为：
步骤3.1、通过组合酸的不同类型和浓度以及施工排量确定酸化的多种措施情况；
步骤3.2、依据选择原则选取部分井作为样本井，选择原则包括：排除存在明显问题的井；排除某些统计参数近似相同，效果差别大的井；选择样本集中各参数上下限与油田实际情况相符的井；
步骤3.3、分别取不同工艺类型、不同措施类型下，井的相关影响因素以及措施效果建立实际样本集；
步骤3.4、对实际样本集中的样本井进行酸化处理，根据不同的酸化措施将之前所确定的参数对应整理，将对生产井进行酸化时的地层渗透率分布、地层孔隙度分布、地层温度、酸的浓度、酸岩反应速率、酸的类型、酸的施工排量作为输入，按照公式（14）计算实际生产中的评价指标作为输出，构建酸化井实际样本集，并将实际样本集分为训练样本集与验证样本集。
进一步地，步骤4的具体过程为：
基于BP神经网络模型构建的酸化措施效果预测模型由输入层、隐含层、输出层3层构成；预测模型的预训练过程具体如下：
步骤4.1、对模拟样本集的数据进行归一化处理；
模拟样本集包括模拟输入样本集合和模拟输出样本集合，设模拟输入样本集合为，为第组模拟输入样本，为模拟输入样本总组数；模拟输出样本集合为，为第组模拟输出样本；一组模拟输入样本包括地层渗透率分布、地层孔隙度分布、地层温度、酸的浓度、酸岩反应速率、酸的类型、酸的施工排量七个模拟输入参数；一组模拟输出样本只包括评价指标一个模拟输出参数；
归一化处理方法采用如下公式：
(15)；
其中，为归一化后的模拟输入参数，为第组模拟输入样本中的第个参数，为模拟输入参数的最大值，为模拟输入参数的最小值；
步骤4.2、初始化网络权重和阈值，计算各层神经元的输出，计算公式如下：
(16)；
其中，表示层中第个神经元的输出，，为层中神经元总个数；表示激活函数；，表示层中神经元的总个数；表示模型的层，时表示隐含层，时表示输出层；表示层中第个神经元与层中第个神经元的连接权重；表示层中第个神经元的输出；表示层的阈值；
对于三层的模型中，最终输出的预测结果为，为参数集合，表示为，表示第个预测参数值；
步骤4.3、计算预测参数值与期望参数值之间的误差，根据所得的误差修改连接权重，采用均方误差函数作为损失函数来表示预测参数值与期望参数值之间的误差，计算公式如下：
(17)；
其中，表示参数值的序号，表示参数值的总个数；为第个期望参数值；
步骤4.4、将误差与预期精度作比较，若误差未达到预期精度，进入步骤4.5误差反向传播阶段；否则，计算结束，输出预训练完成的预测模型；预期精度由人为预先设定；
步骤4.5、在误差反向传播阶段中，将误差返回到网络中，调整各层网络神经元间的连接权重值，首先将误差分配到各层：
(18)；
(19)；
其中，为输出层误差；表示层中第个神经元的输出值；表示层中第个神经元的输出误差；表示层中第个神经元的输出误差；表示层中第个神经元与层中第个神经元的连接权重；
然后修正连接权重和阈值，计算公式如下：
(20)；
(21)；
其中，表示修正后的层中第个神经元与层中第个神经元的连接权重；表示学习效率；表示层中第个神经元的输出误差；表示层中第个神经元的输出值；表示修正后的层中第个神经元的阈值；表示层中第个神经元的阈值；表示层中第个神经元的输出误差；
修正结束后，返回步骤4.2，继续迭代，直到预训练结束。
进一步地，步骤5的具体过程为：
将通过步骤2酸化数值模拟模型得出的模拟数据作为源数据，将实际生产数据作为目标数据，定义源域为以及其相关联的源学习任务为，目标域为以及其关联的目标学习任务为，迁移学习的目标就是利用源域和源学习任务中的知识帮助学习目标域的模型预测函数；
源域数据的表达式为：
(22)；
其中，表示目标域的样本，表示目标域的类别标签，表示目标域的样本总数量；
在进行迁移学习的过程中，利用在源域中学习得到的知识来助力于目标域中模型的学习，以此得到最优模型，迁移学习的统一表达式为：
（23)；
其中，表示最小化损失函数；表示取公式的最小值；表示源域样本的数量；表示源域数据和目标数据之间的距离，选用欧几里得距离计算，，上角标表示转置运算；为源域样本的权重，，表示实数集；为迁移学习的目标域函数，目标域函数即对应所需的模型预测函数，为满足假设的空间；为正则化参数；为迁移正则化项；、分别为作用于源域、目标域的特征变换函数。
进一步地，步骤6中，将预测的评价指标用作模型评价的判断中，当时，则表明酸化措施提高了井的产油量，这是符合预期的，此时的模型为评价良好的预测模型，进行输出。
本发明所带来的有益技术效果如下。
本发明通过酸化数值模拟得出大量的模拟样本集用于预测模型的预训练，然后通过迁移学习的方式用真实样本集对预训练预测模型再次训练以达到对模型的微调，提高预测模型的准确度，为酸化措施工艺的方案制定提供指导。本发明的酸化措施效果预测模型可以通过简单的输入地层参数资料、选择酸液体系和施工排量，得到目标层位的酸化措施效果预测值，据此可以找到最优的施工参数，达到优化施工参数目的。其次，预测模型能够准确预测不同酸液体系、浓度、注入强度、注入速度等参数条件下的酸化措施效果，因此预测模型能够替代部分室内试验，达到节约实验成本、时间、人力的目的。
附图说明
图1是本发明基于迁移学习的油井酸化措施效果预测方法的总体设计流程图。
图2是本发明实施例中酸化前的孔渗分布图。
图3是本发明实施例中酸化后生成蚓孔的孔渗分布图。
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：
本发明提出了一种基于迁移学习的油井酸化措施效果预测的方法，首先运用数值模拟方法计算得到模拟样本集预训练预测模型，通过数值模拟模型可以获取大量的模拟样本集进行训练；然后采用实际生产资料组成的真实样本集再次训练预测模型。因为单独的数值模拟过程得出的结果具有局限性，不能准确反应真实的地层情况，并且对酸化效果有影响的特征较多，不便于全部作为输入特征，因此，在对预测模型进行特征输入时，所选用的特征为重要度较高的影响特征，然后结合真实的生产动态资料利用机器学习算法进行数值模拟模型参数的修改使其更为准确的进行酸化措施效果的预测。本发明方法将酸化数值模拟与迁移学习方法进行结合，引入真实的动态生产资料对预训练预测模型微调，可以更为准确的进行酸化措施效果的预测，因此本发明所建立的预测模型在酸化措施效果预测时具有较高的准确性。
如图1所示，一种基于迁移学习的油井酸化措施效果预测方法，包括如下步骤：
步骤1、建立基于T-H-C耦合模型的酸化数值模拟模型。渗流场-温度场-化学场耦合模型可以简称为T-H-C耦合模型，该模型可以理解为一种模拟器。
在对油藏地层进行酸化措施处理时，注入酸在地层的流动涉及复杂的物理化学过程。地层的渗透率分布、地层中存在的原油会影响注入酸的流动，地层温度、注入酸温度、反应放热导致的温度变化均会影响酸岩反应速率，注入酸和岩石矿物发生溶蚀反应会改变地层岩石的孔隙结构，进而影响地层的渗透率。因此在建立模型时需要综合考虑这些因素的影响。
本发明在构建酸化数值模拟模型时需考虑以下内容：化学反应、流体流动、溶质运输、热传导、反应溶蚀、初始条件和边界条件。
建立的酸化数值模拟模型如公式（1）-公式（5）所示：
(1)；
(2)；
(3)；
(4)；
(5)；
公式（1）中，下标，和分别表示水相（本发明中水相为注入酸）和油相，表示相的速度；表示相的相对渗透率，为地层得绝对渗透率；表示相的粘度；表示梯度算子，指对公式进行全微分；表示相的压力；
公式（2）中，为孔隙度；表示相的饱和度；为时间；
公式（3）中，为水相的饱和度；为平均浓度；为水相的速度；表示有效扩散张量；表示单位体积岩石中可供反应的表面积；为反应速度；为传质系数；
公式（4）中，表示相的密度；表示岩石密度；表示相的比热系数；为岩石的比热系数；为温度；为相的热传导系数；为岩石的热传导系数；，表示反应时每消耗1mol氢离子释放出的热量，单位为J/mol H+；为有效反应速度常数，；
公式（5）中，为酸溶解常数，定义为消耗1mol酸液所溶蚀的岩石的质量；
数值求解酸化数值模拟模型的过程为：首先，求解酸化数值模拟模型公式（1）和公式（2），获得时刻的达西速度，记为；然后，耦合求解公式（3）至公式（5）得到当前时间的H+浓度场、温度场、孔隙度场，分别记为、、，其中为时间间隔；再然后，通过求解得到的孔隙度场更新渗透率场；再将当前时间重新设定为；最后，基于公式（1）至公式（5）重复上述过程，可以得到不同注酸时刻的地层溶蚀动态。
步骤2、基于酸化数值模拟模型，运用数值模拟方法进行酸化过程模拟，构建模拟样本集。具体过程为：
步骤2.1、确定酸化数值模拟模型的输入参数；输入参数包括初始状态时的地层参数、酸的参数以及施工参数等原始地质资料；其中，地层参数又包括地层渗透率分布、地层孔隙度分布、地层温度；酸的参数又包括酸的浓度、酸岩反应速率以及酸的类型；施工参数主要包括酸的施工排量；
因此，本发明输入参数实质包括初始状态时的地层渗透率分布、地层孔隙度分布、地层温度、酸的浓度、酸岩反应速率、酸的类型、酸的施工排量；
初始状态时的地层渗透率分布根据Kozeny-Carman方程计算获得，具体计算公式如下：
(6)；
其中，为地层孔隙度，和分别为地层的平均孔隙度和平均渗透率，其值均可通过测井数据解释得到，在数值模拟时的取值可在合理范围内取值。
地层孔隙度分布采用随机方法生成，假设地层孔隙度分布服从均匀分布，每个网格的地层孔隙度可通过下式进行计算：
(7)；
其中，表示地层孔隙度变化值，表示孔隙度波动范围。
地层温度根据生产数据获得。
酸的类型直接人工选定，酸的浓度根据经验选定，酸的类型和浓度均为变量，可以人为调整；酸岩反应速率通过旋转圆盘实验测得。
酸的施工排量也为变量，根据经验选取。
施工参数和地层参数对温度分布都有直接的影响。施工排量越大，与地层热交换时间越短，注入层温度越低；储层温度较高，基质中碳酸盐纯度高，酸岩反应较快，加速了酸液的消耗和滤失，限制了酸液的深穿透能力。所以为了形成较好的酸化效果，要控制地层温度。地层温度的高低还会对酸岩反应的裂缝壁面形成态产生影响，因此也会对酸化效果造成影响。
步骤2.2、将所有输入参数输入步骤1中建立的酸化数值模拟模型中，通过数值模拟方法得到酸化模拟输出结果，输出结果为酸化后的孔渗分布图；酸化后的孔渗分布图包括酸化后的孔隙度分布和酸化后的渗透率分布，酸化后的渗透率分布通过孔隙度分布计算得到；
地层渗透率分布无法直接被用于后续公式的计算，需要将其等效为一个数值才能代入公式，即地层等效渗透率，因此通过数值模拟采用动态法计算得到地层等效渗透率；
动态法的计算过程为：在地层渗透率分布的基础上，将注入端和出口端定压，确定压力分布，得到地层渗透率分布中每个网格节点的压力值；然后通过确定任一截面处固定压差下的总流量得出截面的达西速度，区域内各处的总流量以及流速是相同的，然后根据公式（8）计算得出地层等效渗透率；
(8)；
其中，表示地层等效渗透率的区域；表示网格节点处的达西速度；表示网格节点x方向坐标；表示网格节点y方向坐标；表示网格节点z方向坐标；表示区域体积；表示网格节点处的压力；表示地层等效渗透率；
步骤2.3、酸化后的孔渗分布图中包含生成的蚓孔，因此从酸化后的孔渗分布图中获取酸化半径，据此可以计算得到酸化后井的表皮系数，其计算公式为：
(9)；
其中，为酸化前地层平均渗透率；表示酸化半径，表示井筒半径；表示酸化后的地层等效渗透率，是根据动态法在酸化后的渗透率分布的基础上计算出酸化后各节点达西速度和压力，具体通过公式（10）计算得出，
(10)；
其中，表示酸化后网格节点处的达西速度； 表示酸化后网格节点处的压力；
步骤2.4、计算酸化后井的采油指数和酸化前井的采油指数；
采油指数表示压力下降1Pa的产油量；
酸化后井的采油指数计算公式如下：
(11)；
其中，取值为3.14； 为油层有效厚度；为不同单位制的换算系数，取值为1；为地层油的粘度；为原油体积系数；为油井供油边缘半径；
酸化前井的采油指数计算公式如下：
(12)；
其中，表示酸化前地层的等效渗透率，是在初始状态时的地层渗透率分布的基础上通过动态法计算得到的，计算公式如下：
(13)；
其中，表示酸化前网格节点处的达西速度；表示酸化前网格节点处的压力；
步骤2.5、计算酸化措施效果的评价指标，计算公式如下：
(14)；
将最终模拟得到的作为模拟样本集的输出参数，将地层参数、酸的参数以及施工参数作为输入参数，输出参数和输入参数共同组成模拟样本集。通过酸化数值模拟模型可以获取到大量的输入输出样本。
步骤3、根据已完成酸化井的酸化前后的实际生产资料构建实际样本集。具体过程为：
步骤3.1、通过组合酸的不同类型和浓度以及施工排量确定酸化的多种措施情况；
步骤3.2、依据选择原则选取部分井作为样本井，样本井是否代表油田的实际情况是预测模型成败的关键因素。选择原则主要包括：
（1）排除存在明显问题的井。例如，压后产量一直上升或者年以上均保持较高水平的井，这类井压后效果主要受临井生产影响。
（2）排除某些统计参数近似相同，效果差别较大的井。
（3）选择样本集中各参数上下限与油田实际情况相符的井，同时进行酸化前后数据的整理，数据包括各种地质参数以及井生产参数。
步骤3.3、对于相同措施而言，不同的工艺类型间措施效果差别可能较大。即使相同工艺类型，不同储层类型间酸化措施效果也可能差别较大。因此，为了确保建立的预测模型合理性，分别取不同工艺类型、不同措施类型下，井的相关影响因素以及措施效果建立实际样本集。
步骤3.4、对实际样本集中的样本井进行酸化处理，根据不同的酸化措施将之前所确定的参数对应整理，实际生产中井的采油系数可以通过井的生产数据直接获取，将对生产井进行酸化时的地层渗透率分布、地层孔隙度分布、地层温度、酸的浓度、酸岩反应速率、酸的类型、酸的施工排量作为输入，按照公式（14）计算实际生产中的评价指标作为输出，构建酸化井实际样本集，并将实际样本集分为训练样本集与验证样本集，以便下述步骤的使用。
步骤4、基于BP神经网络模型构建酸化措施效果预测模型，并通过模拟样本集对预测模型进行预训练。具体过程如下：
基于BP神经网络模型构建的预测模型由输入层、隐含层、输出层3层构成。预测模型在预测时包含两个阶段，第一阶段是信息正向传播，输入信息从输入层经过隐含层处理传到输出层得到预测输出。然后权衡预测输出与期望输出之间的误差，若预测输出与期望输出之间的误差未达到预期精度则进入第二阶段误差反向传播，误差信息从输出层反向传播至输入层来调整输入层到隐含层的权重和阈值，以及隐含层到输出层的权重和阈值；重复误差反向传播，直至误差达到预期精度。
预测模型的预训练过程具体如下：
步骤4.1、对模拟样本集的数据进行归一化处理；数据归一化处理可以消除不同影响因素的量纲对预测精度的影响，可以提高神经网络预测模型的精度。
模拟样本集包括模拟输入样本集合和模拟输出样本集合，设模拟输入样本集合为，为第组模拟输入样本，为模拟输入样本总组数；模拟输出样本集合为，为第组模拟输出样本。
本发明中，一组模拟输入样本包括地层渗透率分布、地层孔隙度分布、地层温度、酸的浓度、酸岩反应速率、酸的类型、酸的施工排量七个模拟输入参数；一组模拟输出样本只包括评价指标一个模拟输出参数。
由于不同组输入参数之间存在大小和量纲上的差异，会影响网络的收敛速度，因此在训练前需对输入参数进行归一化处理，使输入参数数据差异落在小范围区间内。归一化处理方法采用如下公式：
(15)；
其中，为归一化后的模拟输入参数，为第组模拟输入样本中的第个参数，为模拟输入参数的最大值，为模拟输入参数的最小值；
步骤4.2、初始化网络权重和阈值，计算各层神经元的输出，计算公式如下：
(16)；
其中，表示层中第个神经元的输出，，为层中神经元总个数；表示激活函数；，表示层中神经元的总个数；表示模型的层，时表示隐含层，时表示输出层；表示层中第个神经元与层中第个神经元的连接权重；表示层中第个神经元的输出；表示层的阈值；
对于三层的模型中，最终输出的预测结果为，为参数集合，可以表示为，表示第个预测参数值。
步骤4.3、计算预测参数值与期望参数值之间的误差，根据所得的误差修改连接权重，本发明采用均方误差函数作为损失函数来表示预测参数值与期望参数值之间的误差，计算公式如下：
(17)；
其中，表示参数值的序号，表示参数值的总个数；为第个期望参数值；
步骤4.4、将误差与预期精度作比较，若误差未达到预期精度，进入步骤4.5误差反向传播阶段；否则，计算结束，输出预训练完成的预测模型。预期精度由人为预先设定，本发明设定为0.001。
步骤4.5、在误差反向传播阶段中，将误差返回到网络中，调整各层网络神经元间的连接权重值，首先将误差分配到各层：
(18)；
(19)；
其中，为输出层误差；表示层中第个神经元的输出值；表示层中第个神经元的输出误差；表示层中第个神经元的输出误差；表示层中第个神经元与层中第个神经元的连接权重；
然后修正连接权重和阈值，计算公式如下：
(20)；
(21)；
其中，表示修正后的层中第个神经元与层中第个神经元的连接权重；表示学习效率，一般取值（0，1）；表示层中第个神经元的输出误差；表示层中第个神经元的输出值；表示修正后的层中第个神经元的阈值；表示层中第个神经元的阈值；表示层中第个神经元的输出误差；
修正结束后，返回步骤4.2，继续迭代，直到预训练结束。
步骤5、通过迁移学习方法将实际样本集代入预训练的预测模型中再次训练，微调后得到最终的预测模型。
虽然预训练预测模型是使用大量样本训练的，但由于数值模拟模型得出的样本具有局限性，因此预预测模型的准确度还是不能满足最终的高精度要求，此时需要采用迁移学习的方法调用实际样本集再次训练之前预训练完成的预测模型达到对模型微调的目的，以此得到的酸化措施效果预测模型可以接近真实的地层模型，提高了预测模型的准确度。
本发明具体采用的是基于模型的迁移学习方法，又称为基于共享参数的迁移，其含义为找到源数据和目标数据的空间模型之间的共同参数或者先验分布，从而可以通过进一步处理，达到知识迁移的目的，一般用于解决现实中标注数据较少难以之间训练模型的问题。
模型迁移也是参数共享，是很明显的一种控制参数的形式，此方法可以将源模型的参数共享给目标学习模型，在使用神经网络进行训练模型的时候，可以共享它的绝大多数的内容，进而对剩余的部分进行再次训练生成目标模型中的神经网络层，此过程即为微调。
根据现场所取得的原始地质资料一般不能直接应用于酸化措施效果预测中，主要原因是原始地质资料和实际地质资料不符合，例如：原始地质资料主要为油田开发初期资料，而油层物性是随着时间逐渐变化的；对于酸化措施而言，由于污染的存在，原始地层资料与实际地层资料相差甚远。原始地质资料和实际地质资料不符合可能会导致由于参数选取不准引起达西定律不符合的情况，因此，直接使用数值模拟模型得出的模拟样本集预训练的预测模型的准确度较低，无法满足效果预测的要求，然而实际生产资料数量较少，难以用于训练预测模型，只能使用实际的动态数据即酸化前后的动态数据通过迁移学习方法对预训练好的预测模型再次训练进行微调，提高预测模型内部参数与实际情况的相似性，从而使预测模型的准确度也将得以提升，微调后的预测模型就可以用于酸化措施效果的准确预测。
基于实际样本集再次训练的具体过程为：
将通过步骤2酸化数值模拟模型得出的模拟数据作为源数据，将实际生产数据作为目标数据，定义源域为以及其相关联的源学习任务为，目标域为以及其关联的目标学习任务为，迁移学习的目标就是利用源域和源学习任务中的知识帮助学习目标域的模型预测函数。
源域数据的表达式为：
(22)；
其中，表示目标域的样本，表示目标域的类别标签，表示目标域的样本总数量。
在进行迁移学习的过程中，利用在源域中学习得到的知识来助力于目标域中模型的学习，以此得到最优模型，从风险结构最小化准测角度考虑，迁移学习的统一表达式为：
（23)；
其中，表示最小化损失函数；表示取公式的最小值；表示源域样本的数量；表示源域数据和目标数据之间的距离，选用欧几里得距离计算，，上角标表示转置运算；（表示实数集）为源域样本的权重，；为迁移学习的目标域函数，目标域函数即对应所需的模型预测函数，为满足假设的空间；为正则化参数；为迁移正则化项；、分别为作用于源域、目标域的特征变换函数。
从模型的角度讲，模型迁移的方法就是给模型添加正则化项。将对模型的训练起到正面控制作用的正则化项添加到分类器的目标函数中，即可在原始领域训练得到的模型所包含的知识在模型训练过程中转移到目标域模型中。因此迁移学习是寻找合适的迁移正则化项中特征变换函数的问题。微调的含义在于模型迁移不需要从头开始，而是通过添加或删除在源域中训练得到的模型的某些结构，同时保持模型参数不变，以便可以将其用作目标域的初始模型，最后，按照目标领域中的样本数据对网络结构进行调整，即可获得最终的目标域模型，这种方式大大减少了模型训练时间。
步骤6、对最终的预测模型进行评价，输出评价良好的预测模型；实时获取当前待预测油井的地层渗透率分布、地层孔隙度分布、地层温度、酸的浓度、酸岩反应速率、酸的类型、酸的施工排量并进行归一化处理，然后基于评价良好的预测模型，进行酸化措施效果预测。
本发明中，将预测的评价指标用作模型评价的判断中，当时，则表明酸化措施提高了井的产油量，这是符合预期的，此时的模型为评价良好的预测模型，进行输出。
为了证明本发明的可行性与优越性，给出如下实施例。
以某油田实际生产资料为例对所提出的技术进行测试，并进行后续分析讨论，然后按照下面的步骤进行酸化措施效果预测过程。
步骤1、对酸化数值模拟模型进行求解。对酸化数学模型，按照具体实施方式中步骤1所提到的求解顺序数值求解。
步骤2、确定酸化数值模拟模型的输入参数，首先选取酸的类型为盐酸，且浓度为15%；酸的施工排量为0.5m3/min，选取地层温度为100℃，地层参数通过程序读取文本中的数据进行计算，取平均孔隙度=0.2。将所有输入参数输入酸化数值模拟模型中得到酸化模拟输出结果，为酸化后的地层孔渗分布。酸化前的孔渗分布图以及酸化后的孔渗分布图，分别对应图2和图3，如图3所示，酸化后的孔渗分布图中包含生成的蚓孔，因此根据酸化模拟输出结果可以得到此酸化阶段的酸化半径，在动态法的基础上通过公式（10）可得酸化后地层的等效渗透率，根据公式（9）计算出酸化后井的表皮系数，再根据公式（11）计算出采油指数。在动态法的基础上可以通过公式（13）计算得酸化前地层的等效渗透率=0.9×10-3μm2，然后再通过公式（12）计算得到酸化前井的采油指数；通过计算和的值，得出并作为输出参数。重复上述步骤，变换地层参数、注入酸参数、施工参数，可以构建出不同的模拟样本集；本实施例通过此步骤获取2000组模拟样本集；
步骤3、构建实际样本集，根据模拟模型输入参数所对应的酸的参数，选取符合条件的样本井获取实际生产数据，采油指数是可以根据产量直接获取的，包括酸化前和酸化后的采油指数，按照与模拟样本集的形式构建实际样本集，将其中的80%作为训练样本集、20%作为模型验证样本集；
步骤4、通过BP神经网络进行预测模型的构建和预训练，首先通过编程构建好BP神经网络的结构，将模拟样本集中的输入和输出参数分别作为BP神经网络的输入和输出参数，通过此过程完成预测模型的预训练；
步骤5、通过迁移学习的方法对预训练模型再次训练。通过步骤3获取50组样本集，其中40组为训练样本集，10组为模型验证样本集。步骤2和步骤3中所构建的样本集的输入和输出参数均为一致的，此时的模拟样本集与实际样本集具有极高的相似度，区别在于实际样本集的样本量较少，因此不需要重新训练预训练模型的结构与权重值，选择使用当前预训练模型的结构与权重值，在此基础上，使用实际样本集中的40组训练样本集对预训练模型再次训练，使其结构与权重更贴近于实际样本情况。
步骤6、对最终预测模型的效果进行验证，将实际样本集中的10组模型验证样本集中的输入参数代入预测模型中，将预测模型的输出参数与10组模型验证样本集中的输出参数进行对比，可以得出预测模型的输出值与模型验证样本集的输出参数接近程度很高，是符合对酸化效果预测的预期的。
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 (7)

1.一种基于迁移学习的油井酸化措施效果预测方法，其特征在于，包括如下步骤：
步骤1、建立基于渗流场-温度场-化学场耦合模型的酸化数值模拟模型；
步骤2、基于酸化数值模拟模型，运用数值模拟方法进行酸化过程模拟，构建模拟样本集；
步骤3、根据已完成酸化井的酸化前后的实际生产资料构建实际样本集；
步骤4、基于BP神经网络模型构建酸化措施效果预测模型，并通过模拟样本集对预测模型进行预训练；
步骤5、通过迁移学习方法将实际样本集代入预训练的预测模型中再次训练，微调后得到最终的预测模型；
步骤6、对最终的预测模型进行评价，输出评价良好的预测模型；实时获取当前待预测油井的地层渗透率分布、地层孔隙度分布、地层温度、酸的浓度、酸岩反应速率、酸的类型、酸的施工排量并进行归一化处理，然后基于评价良好的预测模型，进行酸化措施效果预测。
2.根据权利要求1所述基于迁移学习的油井酸化措施效果预测方法，其特征在于，所述步骤1中，建立的酸化数值模拟模型如公式（1）-公式（5）所示：
(1)；
(2)；
(3)；
(4)；
(5)；
公式（1）中，下标，和分别表示水相和油相，水相对应注入酸；表示相的速度；表示相的相对渗透率，为地层的绝对渗透率；表示相的粘度；表示梯度算子，指对公式进行全微分；表示相的压力；
公式（2）中，为孔隙度；表示相的饱和度；为时间；
公式（3）中，为水相的饱和度；为平均浓度；为水相的速度；表示有效扩散张量；表示单位体积岩石中可供反应的表面积；为反应速度；为传质系数；
公式（4）中，表示相的密度；表示岩石密度；表示相的比热系数；为岩石的比热系数；为温度；为相的热传导系数；为岩石的热传导系数；，表示反应时每消耗1mol氢离子释放出的热量；为有效反应速度常数，；
公式（5）中，为酸溶解常数。
3.根据权利要求1所述基于迁移学习的油井酸化措施效果预测方法，其特征在于，所述步骤2的具体过程为：
步骤2.1、确定酸化数值模拟模型的输入参数；输入参数包括初始状态时的地层渗透率分布、地层孔隙度分布、地层温度、酸的浓度、酸岩反应速率、酸的类型、酸的施工排量；
初始状态时的地层渗透率分布根据Kozeny-Carman方程计算获得，具体计算公式如下：
(6)；
其中，为地层孔隙度，和分别为地层的平均孔隙度和平均渗透率；
地层孔隙度分布采用随机方法生成，每个网格的地层孔隙度通过下式进行计算：
(7)；
其中，表示地层孔隙度变化值，表示孔隙度波动范围；
地层温度根据生产数据获得；
酸的类型直接人工选定，酸的浓度根据经验选定，酸岩反应速率通过旋转圆盘实验测得；
酸的施工排量根据经验选取；
步骤2.2、将所有输入参数输入步骤1中建立的酸化数值模拟模型中，通过数值模拟方法得到酸化模拟输出结果，输出结果为酸化后的孔渗分布图；酸化后的孔渗分布图包括酸化后的孔隙度分布和酸化后的渗透率分布；
步骤2.3、酸化后的孔渗分布图中包含生成的蚓孔，因此从酸化后的孔渗分布图中获取酸化半径，据此计算得到酸化后井的表皮系数，其计算公式为：
(9)；
其中，为酸化前地层平均渗透率；表示酸化半径，表示井筒半径；表示酸化后的地层等效渗透率，具体通过公式（10）计算得出，
(10)；
其中，表示地层等效渗透率的区域；表示酸化后网格节点处的达西速度；表示网格节点x方向坐标；表示网格节点y方向坐标；表示网格节点z方向坐标；表示区域体积；表示酸化后网格节点处的压力；
步骤2.4、计算酸化后井的采油指数和酸化前井的采油指数；
酸化后井的采油指数计算公式如下：
(11)；
其中，取值为3.14；为油层有效厚度；为不同单位制的换算系数；为地层油的粘度；为原油体积系数；为油井供油边缘半径；
酸化前井的采油指数计算公式如下：
(12)；
其中，表示酸化前地层的等效渗透率，计算公式如下：
(13)；
其中，表示酸化前网格节点处的达西速度；表示酸化前网格节点处的压力；
步骤2.5、计算酸化措施效果的评价指标，计算公式如下：
(14)；
将最终模拟得到的作为模拟样本集的输出参数，将地层参数、酸的参数以及施工参数作为输入参数，输出参数和输入参数共同组成模拟样本集。
4.根据权利要求3所述基于迁移学习的油井酸化措施效果预测方法，其特征在于，所述步骤3的具体过程为：
步骤3.1、通过组合酸的不同类型和浓度以及施工排量确定酸化的多种措施情况；
步骤3.2、依据选择原则选取部分井作为样本井，选择原则包括：排除存在明显问题的井；排除某些统计参数近似相同，效果差别大的井；选择样本集中各参数上下限与油田实际情况相符的井；
步骤3.3、分别取不同工艺类型、不同措施类型下，井的相关影响因素以及措施效果建立实际样本集；
步骤3.4、对实际样本集中的样本井进行酸化处理，根据不同的酸化措施将之前所确定的参数对应整理，将对生产井进行酸化时的地层渗透率分布、地层孔隙度分布、地层温度、酸的浓度、酸岩反应速率、酸的类型、酸的施工排量作为输入，按照公式（14）计算实际生产中的评价指标作为输出，构建酸化井实际样本集，并将实际样本集分为训练样本集与验证样本集。
5.根据权利要求1所述基于迁移学习的油井酸化措施效果预测方法，其特征在于，所述步骤4的具体过程为：
基于BP神经网络模型构建的酸化措施效果预测模型由输入层、隐含层、输出层3层构成；预测模型的预训练过程具体如下：
步骤4.1、对模拟样本集的数据进行归一化处理；
模拟样本集包括模拟输入样本集合和模拟输出样本集合，设模拟输入样本集合为，为第组模拟输入样本，为模拟输入样本总组数；模拟输出样本集合为，为第组模拟输出样本；一组模拟输入样本包括地层渗透率分布、地层孔隙度分布、地层温度、酸的浓度、酸岩反应速率、酸的类型、酸的施工排量七个模拟输入参数；一组模拟输出样本只包括评价指标一个模拟输出参数；
归一化处理方法采用如下公式：
(15)；
其中，为归一化后的模拟输入参数，为第组模拟输入样本中的第个参数，为模拟输入参数的最大值，为模拟输入参数的最小值；
步骤4.2、初始化网络权重和阈值，计算各层神经元的输出，计算公式如下：
(16)；
其中，表示层中第个神经元的输出，，为层中神经元总个数；表示激活函数；，表示层中神经元的总个数；表示模型的层，时表示隐含层，时表示输出层；表示层中第个神经元与层中第个神经元的连接权重；表示层中第个神经元的输出；表示层的阈值；
对于三层的模型中，最终输出的预测结果为，为参数集合，表示为，表示第个预测参数值；
步骤4.3、计算预测参数值与期望参数值之间的误差，根据所得的误差修改连接权重，采用均方误差函数作为损失函数来表示预测参数值与期望参数值之间的误差，计算公式如下：
(17)；
其中，表示参数值的序号，表示参数值的总个数；为第个期望参数值；
步骤4.4、将误差与预期精度作比较，若误差未达到预期精度，进入步骤4.5误差反向传播阶段；否则，计算结束，输出预训练完成的预测模型；预期精度由人为预先设定；
步骤4.5、在误差反向传播阶段中，将误差返回到网络中，调整各层网络神经元间的连接权重值，首先将误差分配到各层：
(18)；
(19)；
其中，为输出层误差；表示层中第个神经元的输出值；表示层中第个神经元的输出误差；表示层中第个神经元的输出误差；表示层中第个神经元与层中第个神经元的连接权重；
然后修正连接权重和阈值，计算公式如下：
(20)；
(21)；
其中，表示修正后的层中第个神经元与层中第个神经元的连接权重；表示学习效率；表示层中第个神经元的输出误差；表示层中第个神经元的输出值；表示修正后的层中第个神经元的阈值；表示层中第个神经元的阈值；表示层中第个神经元的输出误差；
修正结束后，返回步骤4.2，继续迭代，直到预训练结束。
6.根据权利要求1所述基于迁移学习的油井酸化措施效果预测方法，其特征在于，所述步骤5的具体过程为：
将通过步骤2酸化数值模拟模型得出的模拟数据作为源数据，将实际生产数据作为目标数据，定义源域为以及其相关联的源学习任务为，目标域为以及其关联的目标学习任务为，迁移学习的目标就是利用源域和源学习任务中的知识帮助学习目标域的模型预测函数；
源域数据的表达式为：
(22)；
其中，表示目标域的样本，表示目标域的类别标签，表示目标域的样本总数量；
在进行迁移学习的过程中，利用在源域中学习得到的知识来助力于目标域中模型的学习，以此得到最优模型，迁移学习的统一表达式为：
（23)；
其中，表示最小化损失函数；表示取公式的最小值；表示源域样本的数量；表示源域数据和目标数据之间的距离，选用欧几里得距离计算，，上角标表示转置运算；为源域样本的权重，，表示实数集；为迁移学习的目标域函数，目标域函数即对应所需的模型预测函数，为满足假设的空间；为正则化参数；为迁移正则化项；、分别为作用于源域、目标域的特征变换函数。
7.根据权利要求1所述基于迁移学习的油井酸化措施效果预测方法，其特征在于，所述步骤6中，将预测的评价指标用作模型评价的判断中，当时，则表明酸化措施提高了井的产油量，这是符合预期的，此时的模型为评价良好的预测模型，进行输出。
CN202310883234.4A 2023-07-19 2023-07-19 一种基于迁移学习的油井酸化措施效果预测方法 Active CN116611350B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310883234.4A CN116611350B (zh) 2023-07-19 2023-07-19 一种基于迁移学习的油井酸化措施效果预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310883234.4A CN116611350B (zh) 2023-07-19 2023-07-19 一种基于迁移学习的油井酸化措施效果预测方法

Publications (2)

Publication Number Publication Date
CN116611350A true CN116611350A (zh) 2023-08-18
CN116611350B CN116611350B (zh) 2023-09-19

Family

ID=87682194

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310883234.4A Active CN116611350B (zh) 2023-07-19 2023-07-19 一种基于迁移学习的油井酸化措施效果预测方法

Country Status (1)

Country Link
CN (1) CN116611350B (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116861800A (zh) * 2023-09-04 2023-10-10 青岛理工大学 一种基于深度学习的油井增产措施优选及效果预测方法
CN117251802A (zh) * 2023-11-14 2023-12-19 西南石油大学 一种基于迁移学习的非均质储层参数预测方法及系统
CN117390381A (zh) * 2023-09-11 2024-01-12 北京市政建设集团有限责任公司 基于深度学习的地下连续墙接头缝渗漏预测方法及装置
CN118211492A (zh) * 2024-05-16 2024-06-18 青岛理工大学 一种基于知识迁移的井网井位优化方法

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113297740A (zh) * 2021-05-26 2021-08-24 中国石油大学(华东) 一种水平井凝胶调剖参数优化方法
CN115906675A (zh) * 2023-03-09 2023-04-04 中国石油大学(华东) 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
WO2023084265A1 (en) * 2021-11-12 2023-05-19 Totalenergies Onetech Process for determining up-scaling parameters of an acidification injection in a geological formation, related use and system

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113297740A (zh) * 2021-05-26 2021-08-24 中国石油大学(华东) 一种水平井凝胶调剖参数优化方法
WO2023084265A1 (en) * 2021-11-12 2023-05-19 Totalenergies Onetech Process for determining up-scaling parameters of an acidification injection in a geological formation, related use and system
CN115906675A (zh) * 2023-03-09 2023-04-04 中国石油大学(华东) 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

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
刘巍;刘威;谷建伟;: "基于机器学习方法的油井日产油量预测", 石油钻采工艺, no. 01 *

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116861800A (zh) * 2023-09-04 2023-10-10 青岛理工大学 一种基于深度学习的油井增产措施优选及效果预测方法
CN116861800B (zh) * 2023-09-04 2023-11-21 青岛理工大学 一种基于深度学习的油井增产措施优选及效果预测方法
CN117390381A (zh) * 2023-09-11 2024-01-12 北京市政建设集团有限责任公司 基于深度学习的地下连续墙接头缝渗漏预测方法及装置
CN117251802A (zh) * 2023-11-14 2023-12-19 西南石油大学 一种基于迁移学习的非均质储层参数预测方法及系统
CN117251802B (zh) * 2023-11-14 2024-02-20 西南石油大学 一种基于迁移学习的非均质储层参数预测方法及系统
CN118211492A (zh) * 2024-05-16 2024-06-18 青岛理工大学 一种基于知识迁移的井网井位优化方法

Also Published As

Publication number Publication date
CN116611350B (zh) 2023-09-19

Similar Documents

Publication Publication Date Title
CN116611350B (zh) 一种基于迁移学习的油井酸化措施效果预测方法
CN109236258B (zh) 一种基于自适应代理模型的致密油藏压裂水平井优化方法
CN108804382B (zh) 一种参数自动反求方法和装置
Wang et al. Efficient uncertainty quantification and data assimilation via theory-guided convolutional neural network
AU2011283191A1 (en) Methods and systems for machine-learning based simulation of flow
CA2813826A1 (en) Iterative method and system to construct robust proxy models for reservoir simulation
CA2992274C (en) Ensemble based decision making
CN105474046A (zh) 产生虚拟生产测井工具剖面以用于改进历史拟合
Naderi et al. Application of DOE and metaheuristic bat algorithm for well placement and individual well controls optimization
CN113236228B (zh) 一种单井产量快速预测方法及系统
CN105089649A (zh) 一种井间连通性模型建立方法
CN115371642B (zh) 一种水文地质参数动态变化特征的地质统计反演方法
CN114723095A (zh) 缺失测井曲线预测方法及装置
CN113592194A (zh) 建立co2吞吐效果预测模型的方法以及co2吞吐效果评价方法
CN116644662B (zh) 一种基于知识嵌入神经网络代理模型的布井优化方法
KR101474874B1 (ko) 지능형 생산정 위치 선정 전산 시스템 및 이를 이용한 생산정 위치 선정 방법
CN115526086A (zh) 一种基于代理模型的碳酸盐岩油藏水驱突破时间预测方法
Han et al. Surrogate-based stochastic multiobjective optimization for coastal aquifer management under parameter uncertainty
CN106021924B (zh) 基于多属性高斯核函数快速相关向量机的污水在线软测量方法
Preis et al. Online hydraulic state prediction for water distribution systems
CN111751878A (zh) 横波速度的预测方法和装置
Lieberman et al. Nonlinear goal-oriented Bayesian inference: application to carbon capture and storage
CN111340293A (zh) 一种基于用能分布模式识别的区域建筑能耗预测方法
CN115222140A (zh) 一种继承历史经验的生产优化机器学习离线模型构建方法
CN114519291A (zh) 工况监测和控制模型建立方法及其应用方法和装置

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