CN116629111A - 一种基于神经网络的页岩注热原位开采排烃潜力预测方法 - Google Patents
一种基于神经网络的页岩注热原位开采排烃潜力预测方法 Download PDFInfo
- Publication number
- CN116629111A CN116629111A CN202310575426.9A CN202310575426A CN116629111A CN 116629111 A CN116629111 A CN 116629111A CN 202310575426 A CN202310575426 A CN 202310575426A CN 116629111 A CN116629111 A CN 116629111A
- Authority
- CN
- China
- Prior art keywords
- heat injection
- shale
- neural network
- situ
- situ exploitation
- 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
- 238000002347 injection Methods 0.000 title claims abstract description 86
- 239000007924 injection Substances 0.000 title claims abstract description 86
- 238000011065 in-situ storage Methods 0.000 title claims abstract description 83
- 239000004215 Carbon black (E152) Substances 0.000 title claims abstract description 66
- 229930195733 hydrocarbon Natural products 0.000 title claims abstract description 66
- 150000002430 hydrocarbons Chemical class 0.000 title claims abstract description 66
- 238000000034 method Methods 0.000 title claims abstract description 49
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 44
- 239000012530 fluid Substances 0.000 claims abstract description 45
- 238000004088 simulation Methods 0.000 claims abstract description 44
- 238000010438 heat treatment Methods 0.000 claims abstract description 42
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 13
- 238000005070 sampling Methods 0.000 claims abstract description 11
- 238000010219 correlation analysis Methods 0.000 claims abstract description 7
- 230000003068 static effect Effects 0.000 claims abstract description 7
- 238000012549 training Methods 0.000 claims description 31
- 238000006243 chemical reaction Methods 0.000 claims description 29
- 238000000197 pyrolysis Methods 0.000 claims description 27
- 238000004519 manufacturing process Methods 0.000 claims description 18
- 210000002569 neuron Anatomy 0.000 claims description 17
- 230000006870 function Effects 0.000 claims description 16
- 230000004913 activation Effects 0.000 claims description 15
- 238000012360 testing method Methods 0.000 claims description 14
- 230000035699 permeability Effects 0.000 claims description 8
- 230000004044 response Effects 0.000 claims description 8
- 238000010793 Steam injection (oil industry) Methods 0.000 claims description 7
- 239000011435 rock Substances 0.000 claims description 7
- 238000000605 extraction Methods 0.000 claims description 6
- 238000010606 normalization Methods 0.000 claims description 6
- 230000002159 abnormal effect Effects 0.000 claims description 5
- 238000012545 processing Methods 0.000 claims description 4
- 238000009933 burial Methods 0.000 claims description 3
- 238000012544 monitoring process Methods 0.000 claims description 3
- 238000013450 outlier detection Methods 0.000 claims description 2
- 230000001105 regulatory effect Effects 0.000 claims description 2
- 238000005065 mining Methods 0.000 claims 3
- 230000000694 effects Effects 0.000 abstract description 4
- 238000011161 development Methods 0.000 abstract description 3
- 239000003921 oil Substances 0.000 description 18
- 239000000243 solution Substances 0.000 description 8
- 239000007789 gas Substances 0.000 description 6
- 238000003062 neural network model Methods 0.000 description 5
- 239000003079 shale oil Substances 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 4
- 238000002474 experimental method Methods 0.000 description 4
- 239000005416 organic matter Substances 0.000 description 4
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 230000000875 corresponding effect Effects 0.000 description 3
- 244000144730 Amygdalus persica Species 0.000 description 2
- 238000010220 Pearson correlation analysis Methods 0.000 description 2
- 235000006040 Prunus persica var persica Nutrition 0.000 description 2
- 238000005485 electric heating Methods 0.000 description 2
- 239000000295 fuel oil Substances 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 239000002245 particle Substances 0.000 description 2
- 239000000843 powder Substances 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 239000000376 reactant Substances 0.000 description 2
- 238000012897 Levenberg–Marquardt algorithm Methods 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000006073 displacement reaction Methods 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 239000002023 wood Substances 0.000 description 1
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
- 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
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16C—COMPUTATIONAL CHEMISTRY; CHEMOINFORMATICS; COMPUTATIONAL MATERIALS SCIENCE
- G16C60/00—Computational materials science, i.e. ICT specially adapted for investigating the physical or chemical properties of materials or phenomena associated with their design, synthesis, processing, characterisation or utilisation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/10—Numerical modelling
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2113/00—Details relating to the application field
- G06F2113/08—Fluids
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/08—Thermal analysis or thermal optimisation
-
- 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)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- General Business, Economics & Management (AREA)
- Evolutionary Computation (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- Computing Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Quality & Reliability (AREA)
- Software Systems (AREA)
- Development Economics (AREA)
- Medical Informatics (AREA)
- Game Theory and Decision Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- General Engineering & Computer Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Computer Hardware Design (AREA)
- Operations Research (AREA)
- Bioinformatics & Computational Biology (AREA)
- Geometry (AREA)
- Artificial Intelligence (AREA)
- Agronomy & Crop Science (AREA)
- Animal Husbandry (AREA)
- Marine Sciences & Fisheries (AREA)
- Mining & Mineral Resources (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Investigating Or Analyzing Materials Using Thermal Means (AREA)
Abstract
本发明提供了一种基于神经网络的页岩注热原位开采排烃潜力预测方法，属于油田开发效果预测技术领域，该基于神经网络的页岩注热原位开采排烃潜力预测方法包括以下步骤：采集目标区域油藏的静态和动态数据资料，提取页岩储层注热流体原位开采的影响因素；依据影响因素，建立符合目标区块的页岩注热流体加热原位开采数值模拟模型；利用拉丁超立方采样方法生成模拟方案，结合页岩注热流体加热原位开采数值模拟模型，构建基本样本数据库；结合3σ原则和相关分析法优化基本样本数据库；利用神经网络算法，构建页岩注热流体加热原位开采排烃潜力的预测模型。
Description
技术领域
本发明属于油田开发效果预测技术领域，具体而言，涉及一种基于神经网络的页岩注热原位开采排烃潜力预测方法。
背景技术
我国富有机质页岩资源量巨大，中高熟页岩油的勘探开发已经取得重大进展，结合水平井和多段压裂技术可以实现商业化开采。但是陆相未熟和中低成熟度页岩油即使依靠成熟的水平井和人工压裂技术，也不能实现规模开采，原位加热开采将成为其商业化利用的主要技术。根据不同的加热方式，原位开采技术主要划分为传导加热、对流加热和辐射加热等。已有研究证明注热流体对流加热是一种有效的页岩油开采方法，但是针对页岩注热原位开采生排烃的研究还不够深入，尚没有形成快速而准确地评价页岩原位开采排烃潜力的方法。
目前现有的技术中大多页岩热解实验是基于粉末、颗粒或页岩岩柱开展的，热解实验的尺度对页岩有机质热解生排烃影响较大，这使得现有的实验结果难以准确解释矿场尺度的页岩原位开采机理的技术问题。
发明内容
有鉴于此，本发明提供一种基于神经网络的页岩注热原位开采排烃潜力预测方法，能够解决现有的技术中大多页岩热解实验是基于粉末、颗粒或页岩岩柱开展的，热解实验的尺度对页岩有机质热解生排烃影响较大，这使得现有的实验结果难以准确解释矿场尺度的页岩原位开采机理的技术问题。
本发明是这样实现的：
本发明提供一种基于神经网络的页岩注热原位开采排烃潜力预测方法，其中，包括以下步骤：
S1 0：采集目标区域油藏的静态和动态数据资料，提取页岩储层注热流体原位开采的影响因素；
S20：依据影响因素，建立符合目标区块的页岩注热流体加热原位开采数值模拟模型；
S30：利用拉丁超立方采样方法生成模拟方案，结合页岩注热流体加热原位开采数值模拟模型，构建基本样本数据库；
S40：结合3σ原则和相关分析法优化基本样本数据库；
S50：利用神经网络算法，构建页岩注热流体加热原位开采排烃潜力的预测模型的雏形；
S60：测试构建的预测模型的雏形性能，对页岩注热流体加热原位开采排烃潜力的预测模型的雏形进行优化，得到页岩注热流体加热原位开采排烃潜力的预测模型。
在上述技术方案的基础上，本发明的一种基于神经网络的页岩注热原位开采排烃潜力预测方法还可以做如下改进：
其中，目标区域油藏的静态数据资料包括目标区块储层特征、流体特性和矿场监测；目标区域油藏的动态数据资料包括油藏试油试采和生产历史。
进一步的，页岩储层注热流体原位开采的影响因素包括储层平均孔隙度、平均渗透率、天然裂缝间距、初始干酪根浓度、注热速度、注热温度和生产压力。
其中，所述依据影响因素，建立符合目标区块的页岩注热流体加热原位开采数值模拟模型的具体步骤为：
利用CMG-STARS模块建立数值模拟模型，包括地质模型，热解反应动力学模型和数值模拟模型；
所述地质模型建立输入的参数包括储层埋深、平均厚度、储层温度、储层压力、岩石体积热容、岩石热传导系数、储层平均孔隙度、平均渗透率、天然裂缝间距和初始干酪根浓度；
所述热解反应动力学模型建立输入的参数包括热解反应方程式、反应级数、反应频率因子和活化能；
所述数值模拟模型输入的参数包括井网井距、注入井和生产井的数量、井位置、注热速度、注热温度和生产压力。
其中，所述利用拉丁超立方采样方法生成模拟方案，结合页岩注热流体加热原位开采数值模拟模型，构建基本样本数据库的具体步骤为：
利用拉丁超立方采样方法生成大量数值模拟方案，结合数值模拟软件CMG运行所有的模拟方案，提取注蒸汽原位开采1500d时的排烃量作为目标响应；所述排烃量为排出油当量，规定975sm3烃气为单位油当量，综合排出油量和排出烃气量计算排烃量，由影响因素和对应响应值共同构成基础样本数据库。
进一步的，所述结合3σ原则和相关分析法优化基本样本数据库的具体操作步骤为：
利用3σ原则对样本数据库进行异常值检测，即根据平均值μ和标准差σ去除异常数据；所述异常数据为所有数据值与平均值的偏差超过3.0σ的值均；若样本库中所有数据均出现在区间[μ-3.0σ，μ+3.0σ]内，则基础样本数据库中不存在异常值。
其中，所述利用神经网络算法，构建页岩注热流体加热原位开采排烃潜力的预测模型的雏形的具体步骤为：
S51：按照比例划分模型训练集和测试集，确定输入输出数据集，并进行归一化处理；基于模型的输入和输出特征，确定网络输入层和输出层节点数；
S52：设置神经网络结构及参数，包括训练函数、激活函数、隐藏层及隐藏神经元个数、最大训练次数、学习速度和目标误差；
S53：初始化神经网络各层之间的连接权值，以及隐藏层和输出层的阈值；
S54：计算隐藏层和输出层输出，基于输出层输出值和期望输出值，计算网络预测误差；
S55：基于网络训练误差，更新网络连接权值和阈值；
S56：判断算法迭代是否达到终止条件；若满足，则得到页岩原位开采排烃潜力预测模型，否则，返回步骤S54。
进一步的，所述终止条件为达到最大训练次数或达到目标训练误差。
进一步的，所述隐藏层计算为：
其中，y为归一化后的输入信息；n、l分别是输入层和隐藏层节点数；vij是输入层第i个神经元和隐藏层第j个神经元之间的连接权值；θ为隐藏层阈值；f1是隐藏层激活函数。
进一步的，所述输出层计算为：
其中，m是输出层节点数；ωjk是隐藏层第j个神经元和输出层第k个神经元之间的连接权值；γ为输出层阈值；f2是输出层激活函数。
与现有技术相比较，本发明提供的一种基于神经网络的页岩注热原位开采排烃潜力预测方法的有益效果是：本发明基于典型页岩储层特征，建立了页岩注热流体加热开采数值模拟模型，实现了矿场尺度页岩的注热原位转化，同时真正模拟了页岩注热流体加热驱替过程；基于大量页岩注热原位开采方案模拟结果，构建基础样本数据库用于神经网络训练测试，使得神经网络模型预测结果能更准确解释实际页岩注热流体原位开发排烃效果；本发明基于神经网络算法建立页岩注热原位开采排烃潜力预测模型，能快速高效地评价不同页岩注热流体加热原位开采的排烃潜力，从而可以为页岩的规模开采提供一定的理论指导。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对本发明实施例的描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1为本发明的步骤流程图；
图2为本发明中S50的步骤流程图；
图3为本发明一个实施例中页岩数值模拟模型图；
图4为本发明一个实施例中样本库中各变量数据分布直方图；
图5为本发明一个实施例中基于Pearson相关分析法的特征因素间相关系数矩阵图；
图6为本发明一个实施例中基于最优神经网络结构的训练集和测试集预测结果图。
具体实施方式
为使本发明实施方式的目的、技术方案和优点更加清楚，下面将结合本发明实施方式中的附图，对本发明实施方式中的技术方案进行清楚、完整地描述，显然，所描述的实施方式是本发明一部分实施方式，而不是全部的实施方式。基于本发明中的实施方式，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施方式，都属于本发明保护的范围。
因此，以下对在附图中提供的本发明的实施方式的详细描述并非旨在限制要求保护的本发明的范围，而是仅仅表示本发明的选定实施方式。基于本发明中的实施方式，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施方式，都属于本发明保护的范围。
应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。
如图1所示，是本发明提供的一种基于神经网络的页岩注热原位开采排烃潜力预测方法的步骤流程图，包括以下步骤：
S10：采集目标区域油藏的静态和动态数据资料，提取页岩储层注热流体原位开采的影响因素；
S20：依据影响因素，建立符合目标区块的页岩注热流体加热原位开采数值模拟模型；
S30：利用拉丁超立方采样方法生成模拟方案，结合页岩注热流体加热原位开采数值模拟模型，构建基本样本数据库；
S40：结合3σ原则和相关分析法优化基本样本数据库；
S50：利用神经网络算法，构建页岩注热流体加热原位开采排烃潜力的预测模型的雏形；
S60：测试构建的预测模型的雏形性能，对页岩注热流体加热原位开采排烃潜力的预测模型的雏形进行优化，得到页岩注热流体加热原位开采排烃潜力的预测模型。
其中，在上述技术方案中，目标区域油藏的静态数据资料包括目标区块储层特征、流体特性和矿场监测；目标区域油藏的动态数据资料包括油藏试油试采和生产历史。
进一步的，在上述技术方案中，页岩储层注热流体原位开采的影响因素包括储层平均孔隙度、平均渗透率、天然裂缝间距、初始干酪根浓度、注热速度、注热温度和生产压力。
其中，在上述技术方案中，依据影响因素，建立符合目标区块的页岩注热流体加热原位开采数值模拟模型的具体步骤为：
本发明一个实施例基于鄂尔多斯盆地典型页岩油藏的储层特征参数，利用CMG-STARS模块建立页岩注水蒸汽加热原位开采数值模拟模型，包括地质模型、热解反应动力学模型和数值模拟模型。
设置储层埋深1585.34m，平均厚度15m，储层温度和压力分别是50℃和10.89MPa；设置岩石体积热容和热传导系数分别是5.0×106J/(m3·℃)、216000J/(m·day·℃)；而其他输入参数的设置，包括步骤S10中确定的主要影响因素，即平均孔隙度、平均渗透率、天然裂缝间距、初始干酪根浓度，后续依据各自的参数范围确定，由此建立页岩地质模型。
页岩储层有机质热解反应复杂，参考Braun-Burnham热解模型和实验数据，主要包括干酪根热解、重质油裂解和轻质油裂解三个交替反应，为了简化热解反应模型，使用拟组分Kerogen、Prechar、IC37、IC13和IC2分别代表干酪根、固体残渣、重质油、轻质油和烃类气体。常用Arrhenius公式描述热解反应动力学方程，如公式(1)所示。由热解反应方程式、反应级数、反应频率因子和活化能等共同构成热解反应动力学模型，本发明一个实施例中具体的热解反应动力学参数如表1所示。在CMG-STARS模块中定义了CO2、H2O、Kerogen、Prechar、IC37、IC13和IC2共七个组分，之后依次添加表1中的三个交替反应，并输入每个化学反应的热解动力学参数，由此建立了页岩热解反应动力学模拟模型。
其中，x是温度T时反应物的转化率；是反应物的转化率随时间的变化率；A是频率因子，s-1；m是反应级数；E是表观活化能，J·mol-1；R是通用气体常数，8.314J·(mol·K)-1。
表1热解反应动力学模型参数表
参考南桃花木原位电加热布井方式，其包括两层六边形井网和一层四边形井网共16口注入井，中心钻有两口生产井，为了有效还原页岩注水蒸气原位开采过程，本发明一个实施例使用对数网格模拟了原储层的四分之一，设置有6口注热井和1口生产井。建立的页岩注水蒸汽加热原位开采数值模拟模型及井分布如图3所示，图3中左侧是南桃花木原位电加热的布井位置，右侧是本发明一个实施例中最终建立的页岩注水蒸汽加热原位开采数值模拟模型的平面图。而其他输入参数的设置，包括步骤S10中确定的部分主要影响因素，即注热温度、注热速率和生产压力，后续依据各自的参数范围确定。
其中，在上述技术方案中，利用拉丁超立方采样方法生成模拟方案，结合页岩注热流体加热原位开采数值模拟模型，构建基本样本数据库的具体步骤为：
本发明一个实施例中选定的页岩注蒸汽加热原位开采排烃潜力影响因素及因素取值范围如表2所示。拉丁超立方采样方法具有均匀分层和全面性的优势，因此基于选定的影响因素及取值范围，利用拉丁超立方采样方法生成40个数值模拟方案，结合数值模拟软件CMG运行所有的模拟方案，提取注蒸汽原位开采1500d时的排烃量作为目标响应，这里的排烃量定义为排出油当量，规定975sm3烃气为单位油当量，综合排出油量和排出烃气量计算排烃量；由影响因素和对应响应值共同构成基础样本数据库。
表2影响因素及取值范围表
| 影响因素 | 取值 |
| 平均孔隙度/％ | 2-10 |
| 平均渗透率/(10-3μm2) | 0.015-1 |
| 天然裂缝间距/m | 0.1-1 |
| 初始干酪根浓度/(mol·m-3) | 6000-20000 |
| 注汽速度/(m3·d-1) | 10-100 |
| 注汽温度/℃ | 550-650 |
| 生产压力/MPa | 5-10 |
进一步的，在上述技术方案中，结合3σ原则和相关分析法优化基本样本数据库的具体操作步骤为：
绘制七个影响因素和响应参数的直方图，发现均符合正态分布或近似正态分布，因此可以利用3σ原则对样本数据进行异常值检测，即根据平均值(μ)和标准差(σ)去除异常数据，认为所有测定值与平均值的偏差超过3.0σ的值均是异常值。经分析，样本库中所有数据均出现在区间[μ-3.0σ，μ+3.0σ]内，这意味着基础样本数据库中不存在异常值。各参数的分布直方图如图4所示。
过多的输入变量会导致网络参数多、收敛速度慢，且当输入因素之间高度相关时，会造成特征的冗余性。考虑到各参数均符合正态分布或近似正态分布，因此本发明一个实施例中选择利用Pearson相关分析法确定因素间的相关程度，避免信息冗余。Pearson相关系数是评价变量间相关程度的指标，利用公式(2)可以计算出基础样本数据库中变量间的相关系数，借助MATLAB软件编制获得了各影响因素间的Pearson相关系数，绘制了相关系数矩阵如图5所示，经分析可以确定影响因素间不存在高度线性相关关系，特征重叠性较弱，因此可以保留影响因素全部作为特征变量，进行神经网络模型建立。
其中，r为数据对(at，bt)(t＝1，2，…，q)的相关系数。相关系数r取值范围为[-1，1]，当r<0时，表示两组变量a和b负相关；当r＞0时，表示两组变量正相关。且定义|r|在0-0.3范围表示因素间低度相关，0.3-0.8属于中度相关，0.8-1.0表示因素间高度相关。
如图2，在上述技术方案中，利用神经网络算法，构建页岩注热流体加热原位开采排烃潜力的预测模型的雏形的具体步骤为：
S51：按照比例划分模型训练集和测试集，确定输入输出数据集，并进行归一化处理；基于模型的输入和输出特征，确定网络输入层和输出层节点数；
S52：设置神经网络结构及参数，包括训练函数、激活函数、隐藏层及隐藏神经元个数、最大训练次数、学习速度和目标误差；
S53：初始化神经网络各层之间的连接权值，以及隐藏层和输出层的阈值；
S54：计算隐藏层和输出层输出，基于输出层输出值和期望输出值，计算网络预测误差；
S55：基于网络训练误差，更新网络连接权值和阈值；
S56：判断算法迭代是否达到终止条件；若满足，则得到页岩原位开采排烃潜力预测模型，否则，返回步骤S54。
进一步的，在上述技术方案中，终止条件为达到最大训练次数或达到目标训练误差。
本发明一个实施例中选择误差逆传播神经网络构建页岩注热流体加热原位开采排烃潜力预测模型，给出其算法，具体包括：
按照比例划分模型训练集和测试集，确定输入输出数据集，并进行归一化处理。基于模型的输入和输出特征，确定网络输入层和输出层节点数；
随机选择优化样本库中80％的数据为训练集，20％数据为测试集，根据公式(3)对训练集和测试集的数据进行归一化，可将原始数据映射到[0，1]范围内。根据影响因素和响应参数确定神经网络输入层节点数为7，输出层节点数为1。
其中，x是归一化前的原始数据；y是归一化后对应的参数值；xmax，xmin分别是原始数据集中的最大值、最小值；ymax，ymin分别是归一化数据集最大值、最小值；
给定神经网络结构及参数，包括训练函数、激活函数、隐藏层及隐藏神经元个数、最大训练次数、学习速度和目标误差；
计算隐藏层和输出层输出，基于输出层输出值和期望输出值，计算网络预测误差；
隐藏层输出计算：
输出层输出计算：
网络预测误差值计算：
ek＝Yk-Ok，k＝1，2，…，m；
其中，H是隐藏层输出，O是输出层输出，e是网络计算误差；y为归一化后的输入信息；n、l、m分别是输入层、隐藏层和输出层节点数；vij是输入层第i个神经元和隐藏层第j个神经元之间的连接权值，ωjk是隐藏层第j个神经元和输出层第k个神经元之间的连接权值；θ、γ分别为隐藏层和输出层阈值；f1、f2分别是隐藏层和输出层激活函数；Y是期望输出。
基于网络训练误差，更新网络连接权值和阈值；
权值更新：
i＝1，2，…，n；j＝1，2，…，l；
ωjk＝ωjk+ηHjek，j＝1，2，…，l；k＝1，2，…，m；
阈值更新：
j＝1，2，…，l；
γk＝γk+ek，k＝1，2，…，m；
其中，η是网络学习速率。
判断算法迭代是否达到终止条件。若满足，则得到页岩原位开采排烃潜力预测模型的雏形，否则，返回步骤S54。
进一步的，在上述技术方案中，测试构建的预测模型的雏形性能，对页岩注热流体加热原位开采排烃潜力的预测模型的雏形进行优化，得到页岩注热流体加热原位开采排烃潜力的预测模型的具体步骤为：
设定训练目标最小误差为10-3，隐藏层采用Sigmoid激活函数，输出层采用线性激活函数，使用误差反向传播更新权重和阈值，以最小化网络输出和期望输出的差值。在给定的神经网络超参数组合下往往不能得到最优的神经网络结构，因此需要建立多个上述的神经网络结构，开展多次重复训练，最终确定一个使测试集预测效果最优的神经网络超参数组合，包括：2个隐藏层，隐藏神经元数分别为38和23，最大训练次数1000，学习速率0.03，采用广泛应用的Levenberg-Marquardt算法作为训练函数。最优神经网络结构下得到的训练集和测试集的预测结果如图6所示，模拟数据和预测数据交会图的散点均分布在45°线附近，说明建立的神经网络模型可以准确地预测页岩原位开采排烃潜力。
选择页岩储层孔隙度10％，渗透率0.15×10-3μm2，天然裂缝间距0.5m，初始干酪根浓度16000mole/m3，注蒸汽速率80m3/d，注蒸汽温度600℃，生产压力8MPa，分别利用CMG-STARS模拟软件和基于神经网络构建的页岩排烃潜力预测模型计算排出油当量分别为157.09m3和163.94m3，神经网络模型预测误差小于5％，验证了该神经网络模型的准确性，可用于一定数量的页岩储层注热原位开采排烃潜力预测。
以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以权利要求的保护范围为准。
Claims (10)
1.一种基于神经网络的页岩注热原位开采排烃潜力预测方法，其特征在于，包括以下步骤：
S10：采集目标区域油藏的静态和动态数据资料，提取页岩储层注热流体原位开采的影响因素；
S20：依据影响因素，建立符合目标区块的页岩注热流体加热原位开采数值模拟模型；
S30：利用拉丁超立方采样方法生成模拟方案，结合页岩注热流体加热原位开采数值模拟模型，构建基本样本数据库；
S40：结合3σ原则和相关分析法优化基本样本数据库；
S50：利用神经网络算法，构建页岩注热流体加热原位开采排烃潜力的预测模型的雏形；
S60：测试构建的预测模型的雏形性能，对页岩注热流体加热原位开采排烃潜力的预测模型的雏形进行优化，得到页岩注热流体加热原位开采排烃潜力的预测模型。
2.根据权利要求1所述的一种基于神经网络的页岩注热原位开采排烃潜力预测方法，其特征在于，目标区域油藏的静态数据资料包括目标区块储层特征、流体特性和矿场监测；目标区域油藏的动态数据资料包括油藏试油试采和生产历史。
3.根据权利要求2所述的一种基于神经网络的页岩注热原位开采排烃潜力预测方法，其特征在于，页岩储层注热流体原位开采的影响因素包括储层平均孔隙度、平均渗透率、天然裂缝间距、初始干酪根浓度、注热速度、注热温度和生产压力。
4.根据权利要求1所述的一种基于神经网络的页岩注热原位开采排烃潜力预测方法，其特征在于，所述依据影响因素，建立符合目标区块的页岩注热流体加热原位开采数值模拟模型的具体步骤为：
利用CMG-STARS模块建立数值模拟模型，包括地质模型，热解反应动力学模型和数值模拟模型；
所述地质模型建立输入的参数包括储层埋深、平均厚度、储层温度、储层压力、岩石体积热容、岩石热传导系数、储层平均孔隙度、平均渗透率、天然裂缝间距和初始干酪根浓度；
所述热解反应动力学模型建立输入的参数包括热解反应方程式、反应级数、反应频率因子和活化能；
所述数值模拟模型输入的参数包括井网井距、注入井和生产井的数量、井位置、注热速度、注热温度和生产压力。
5.根据权利要求1所述的一种基于神经网络的页岩注热原位开采排烃潜力预测方法，其特征在于，所述利用拉丁超立方采样方法生成模拟方案，结合页岩注热流体加热原位开采数值模拟模型，构建基本样本数据库的具体步骤为：
利用拉丁超立方采样方法生成数值模拟方案，结合数值模拟软件CMG运行所有的模拟方案，提取注蒸汽原位开采1500d时的排烃量作为目标响应；所述排烃量为排出油当量，规定975sm3烃气为单位油当量，综合排出油量和排出烃气量计算排烃量，由影响因素和对应响应值共同构成基础样本数据库。
6.根据权利要求5所述的一种基于神经网络的页岩注热原位开采排烃潜力预测方法，其特征在于，所述结合3σ原则和相关分析法优化基本样本数据库的具体操作步骤为：
利用3σ原则对样本数据库进行异常值检测，即根据平均值μ和标准差σ去除异常数据；所述异常数据为所有数据值与平均值的偏差超过3.0σ的值均；若样本库中所有数据均出现在区间[μ-3.0σ，μ+3.0σ]内，则基础样本数据库中不存在异常值。
7.根据权利要求1所述的一种基于神经网络的页岩注热原位开采排烃潜力预测方法，其特征在于，所述利用神经网络算法，构建页岩注热流体加热原位开采排烃潜力的预测模型的雏形的具体步骤为：
S51：按照比例划分模型训练集和测试集，确定输入输出数据集，并进行归一化处理；基于模型的输入和输出特征，确定网络输入层和输出层节点数；
S52：设置神经网络结构及参数，包括训练函数、激活函数、隐藏层及隐藏神经元个数、最大训练次数、学习速度和目标误差；
S53：初始化神经网络各层之间的连接权值，以及隐藏层和输出层的阈值；
S54：计算隐藏层和输出层输出，基于输出层输出值和期望输出值，计算网络预测误差；
S55：基于网络训练误差，更新网络连接权值和阈值；
S56：判断算法迭代是否达到终止条件；若满足，则得到页岩原位开采排烃潜力预测模型，否则，返回步骤S54。
8.根据权利要求7所述的一种基于神经网络的页岩注热原位开采排烃潜力预测方法，其特征在于，所述终止条件为达到最大训练次数或达到目标训练误差。
9.根据权利要求7所述的一种基于神经网络的页岩注热原位开采排烃潜力预测方法，其特征在于，所述隐藏层计算为：
其中，y为归一化后的输入信息；n、l分别是输入层和隐藏层节点数；vij是输入层第i个神经元和隐藏层第j个神经元之间的连接权值；θ为隐藏层阈值；f1是隐藏层激活函数。
10.根据权利要求7所述的一种基于神经网络的页岩注热原位开采排烃潜力预测方法，其特征在于，所述输出层计算为：
其中，m是输出层节点数；ωjk是隐藏层第j个神经元和输出层第k个神经元之间的连接权值；γ为输出层阈值；f2是输出层激活函数。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310575426.9A CN116629111A (zh) | 2023-05-19 | 2023-05-19 | 一种基于神经网络的页岩注热原位开采排烃潜力预测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310575426.9A CN116629111A (zh) | 2023-05-19 | 2023-05-19 | 一种基于神经网络的页岩注热原位开采排烃潜力预测方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116629111A true CN116629111A (zh) | 2023-08-22 |
Family
ID=87637632
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310575426.9A Pending CN116629111A (zh) | 2023-05-19 | 2023-05-19 | 一种基于神经网络的页岩注热原位开采排烃潜力预测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116629111A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117672395A (zh) * | 2024-01-31 | 2024-03-08 | 中国石油大学(华东) | 一种页岩干酪根热解生烃模拟方法、装置及电子设备 |
-
2023
- 2023-05-19 CN CN202310575426.9A patent/CN116629111A/zh active Pending
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117672395A (zh) * | 2024-01-31 | 2024-03-08 | 中国石油大学(华东) | 一种页岩干酪根热解生烃模拟方法、装置及电子设备 |
| CN117672395B (zh) * | 2024-01-31 | 2024-04-02 | 中国石油大学(华东) | 一种页岩干酪根热解生烃模拟方法、装置及电子设备 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| 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 | |
| Xie et al. | Integration of shale-gas-production data and microseismic for fracture and reservoir properties with the fast marching method | |
| RU2669948C2 (ru) | Оптимизация многоступенчатого проекта нефтяного месторождения в условиях неопределенности | |
| Zhao et al. | A surrogate-assisted multi-objective evolutionary algorithm with dimension-reduction for production optimization | |
| CN111048163B (zh) | 一种基于高阶神经网络的页岩油滞留烃量(s1)评价方法 | |
| CN116629111A (zh) | 一种基于神经网络的页岩注热原位开采排烃潜力预测方法 | |
| Wang et al. | A robust optimization approach of well placement for doublet in heterogeneous geothermal reservoirs using random forest technique and genetic algorithm | |
| CN114723095A (zh) | 缺失测井曲线预测方法及装置 | |
| CN110633504A (zh) | 一种煤层瓦斯渗透率预测方法 | |
| CN117574755B (zh) | 页岩储层井工厂水平井压裂参数分层多级优化方法 | |
| WO2012114146A2 (en) | Computerized method for the estimation of a value for at least a parameter of a hydrocarbon-producing region, for planning the operation and operating the region | |
| CN108843296A (zh) | 一种基于多因素影响下的单井重复压裂效果预测方法 | |
| Abreu et al. | Inverse analysis of hydraulic fracturing tests based on artificial intelligence techniques | |
| CN114462323A (zh) | 一种基于多属性场融合的油藏流场表征方法 | |
| CN117522173B (zh) | 基于深度神经网络的天然气水合物降压开采产能预测方法 | |
| Li | A Productivity Prediction Method Based on Artificial Neural Networks and Particle Swarm Optimization for Shale-Gas Horizontal Wells. | |
| Tom et al. | Volumetric approach based DOE and ANN models for estimating reservoirs oil in place | |
| 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 | |
| Du et al. | A data-driven model for production prediction of strongly heterogeneous reservoir under uncertainty | |
| Nagy | CLASSIFICATIONS AND METHODOLOGIES OF RESERVES ESTIMATION IN UNCONVENTIONAL TIGHT/SHALE GAS RESERVOIRS | |
| CN116911216A (zh) | 一种储层油井产能因素评估与预测方法 | |
| Wang et al. | Fracture Conductivity Prediction Based on Machine Learning | |
| CN117933103A (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 | |
| CN116011309A (zh) | 一种稠油油藏多轮次吞吐后氮气泡沫调剖潜力评价方法 | |
| Yang et al. | Predicting Oil Production After Enhancement Techniques Using Multidimensional Feature Representation Learning: A Case Study of Profile Control Technique |
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 |