CN116629112B - 一种基于科学智能的油藏属性参数反演方法及系统 - Google Patents
一种基于科学智能的油藏属性参数反演方法及系统 Download PDFInfo
- Publication number
- CN116629112B CN116629112B CN202310575707.4A CN202310575707A CN116629112B CN 116629112 B CN116629112 B CN 116629112B CN 202310575707 A CN202310575707 A CN 202310575707A CN 116629112 B CN116629112 B CN 116629112B
- Authority
- CN
- China
- Prior art keywords
- oil reservoir
- model
- oil
- loss
- parameter inversion
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 27
- 238000012549 training Methods 0.000 claims abstract description 50
- 238000013136 deep learning model Methods 0.000 claims abstract description 36
- 230000006870 function Effects 0.000 claims abstract description 28
- 238000007781 pre-processing Methods 0.000 claims abstract description 7
- 238000004519 manufacturing process Methods 0.000 claims description 48
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 34
- 238000002347 injection Methods 0.000 claims description 9
- 239000007924 injection Substances 0.000 claims description 9
- 230000035699 permeability Effects 0.000 claims description 8
- 238000012795 verification Methods 0.000 claims description 7
- 238000003062 neural network model Methods 0.000 claims description 6
- 238000011958 production data acquisition Methods 0.000 abstract 1
- 239000011159 matrix material Substances 0.000 description 16
- 238000011161 development Methods 0.000 description 6
- 238000013507 mapping Methods 0.000 description 6
- 238000007726 management method Methods 0.000 description 4
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000009826 distribution Methods 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000011084 recovery Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 241000239366 Euphausiacea Species 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 238000013523 data management Methods 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 239000012530 fluid Substances 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 230000006855 networking Effects 0.000 description 1
- 239000003129 oil well Substances 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 230000035939 shock Effects 0.000 description 1
- 239000000243 solution Substances 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000010200 validation analysis Methods 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
-
- 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
-
- 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)
- Evolutionary Computation (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biophysics (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Biomedical Technology (AREA)
- General Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Geometry (AREA)
- Medical Informatics (AREA)
- Computer Hardware Design (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及一种基于科学智能的油藏属性参数反演方法及系统,油藏属性参数反演模型预训练具体包括建立油藏理论模型,确定油藏属性参数反演深度学习模型输入和输出、损失函数,训练油藏属性参数反演深度学习模型,得到理论油藏属性参数反演结果;油藏属性参数反演模型精调与更新具体包括实际油藏井点属性参数和动态生产数据获取与数据预处理,根据预训练模型输出得到实际油藏属性参数反演结果,油藏属性参数反演结果与真实值比较并进行模型更新。本发明实现理论指导下知识和数据联合驱动的油藏属性参数快速反演,操作简单,建模速度快,模型适用性好,鲁棒性强,经济成本低,适合油田大面积推广应用。
Description
技术领域
本发明涉及油田勘探开发技术领域,具体涉及一种基于科学智能的油藏属性参数反演方法及系统。
背景技术
油气是我国重要战略资源,但对外依存度已超70%,油田平均采收率仅为32%。精细油藏描述是油田开发工作的基础,是准确寻找剩余油和提高采收率关键。我国大多数油田进入开发中后期,储层非均质性强,含水高,开发难度大,迫切需要开展油藏地质建模、油藏数值模拟、油藏评价等更加深入的综合精细地质研究,搞清油藏及剩余油的分布规律,为油田深入挖潜提供有力依据。其中,油藏地质建模是油藏描述的基础。
油藏地质建模主要分为构建建模和属性建模。构造建模是对油藏的类型、规模大小、几何形态、厚度等特征进行高度概括。属性建模是对孔隙度、渗透率、饱和度等储层属性参数进行建模,基于测井解释数据,利用插值算法对每个网格模型的网格点进行赋值,建立储层属性的网格模型。
传统属性建模方法基于地质统计学原理,结合测井解释数据,利用确定性建模(数理统计插值算法和克里金差值法)或随机建模方法进行属性建模。然而,由于油藏非均质性强,开发周期长,导致上述属性建模方法工艺复杂成本高,受人为因素和计算机算力影响大,模型不确定性强,精度低,建模时间长。如何快速准确地建立油藏属性参数模型是目前油田勘探开发过程中亟需解决的问题。
发明内容
针对上述现有方法存在的不足,本发明提供一种基于科学智能的油藏属性参数反演方法,建模速度快,模型适用性强,易于工程实现。本方法充分利用油气生产动静态大数据,通过人工智能算法,同时结合油气渗流理论等物理信息,实现理论指导下知识和数据联合驱动的油藏属性参数快速反演,适合在油田大面积推广应用。本发明还提供了一种面向油藏属性参数反演的云边协同系统。
本发明为实现上述目的所采用的技术方案是:一种基于科学智能的油藏属性参数反演方法,包括以下步骤:
通过理论油藏模型获取油藏属性参数和油水井动态生产数据;确定油藏属性参数反演深度学习模型的输入和输出、损失函数,对油藏属性参数反演深度学习模型进行训练,得到预训练模型;根据油水井动态生产数据,通过预训练模型,得到理论油藏属性参数;
获取实际油藏井点属性参数和动态生产数据;确定预训练模型的输入和输出、损失函数,对预训练模型进行调节与更新,得到油藏属性参数反演深度学习模型;根据油水井动态生产数据,通过油藏属性参数反演深度学习模型,得到实际油藏属性参数。
所述输入为油水井动态生产数据,包括采油井日产油量、日产气量、日产水量、含水率、气油比、井底流压、油压、套压,注水井日注水量、注入压力,以及理论模型中各网格对应的时间和三维空间坐标;所述输出为油藏属性参数,包括渗透率、孔隙度、含油饱和度、含水饱和度。
所述油藏属性参数反演深度学习模型,为深度神经网络模型。
所述损失函数包含非均质油藏渗流物理的约束条件。
所述损失函数如下:
Loss=βSATAMSEDATA+βPDEMSEPDE+βICMSEIC+βBCMSEBC
其中,油藏渗流理论的控制方程对应的控制损失为:
初始损失为:
边界损失为:
观测损失为:
Nf表示控制方程的样本数,NIC表示初始条件的样本数,NBC表示边界条件的样本数,K(x,y)表示油藏中任一点处的渗透率,pi表示数据匹配点对应的预测压力值,N表示总样本数;pIC,i表示初始条件对应点的真实压力值,pBC,i表示边界条件对应点的真实压力值,pobs,i表示数据匹配点对应的真实压力值。
所述对预训练模型进行调节与更新,具体为:基于验证数据集与实际油藏井点属性参数反演结果,将两者进行比较,并根据比较结果更新油藏属性参数反演深度学习模型参数。
一种基于科学智能的油藏属性参数反演系统,包括:
预训练模型模块,用于通过理论油藏模型获取油藏属性参数和油水井动态生产数据;确定油藏属性参数反演深度学习模型的输入和输出、损失函数,对油藏属性参数反演深度学习模型进行训练,得到预训练模型;根据油水井动态生产数据,通过预训练模型,得到理论油藏属性参数;
实际油藏属性参数反演模块,用于获取实际油藏井点属性参数和动态生产数据;确定预训练模型的输入和输出、损失函数,对预训练模型进行调节与更新,得到油藏属性参数反演深度学习模型;根据油水井动态生产数据,通过油藏属性参数反演深度学习模型,得到实际油藏属性参数。
一种基于科学智能的油藏属性参数反演的云边协同系统,包括:
云计算层,用于建立油藏属性参数反演模型并进行训练,并将预训练模型下发至边缘层;
边缘层,用于执行油藏现场动态生产数据的预处理,根据预训练模型进行油藏属性参数反演模型的调节与更新;
现场层,包括现场设备,用于采集现场设备的动态生产数据,发送至边缘层,作为油藏属性参数反演模型的输入和输出。
本发明具有以下有益效果及优点:
本发明提供的一种基于科学智能的油藏属性参数反演方法,充分利用油气生产动静态大数据,通过人工智能算法,同时结合油气渗流理论等物理信息,实现理论指导下的、知识和数据联合驱动的油藏属性参数反演。首先进行油藏属性参数反演模型预训练:建立油藏理论模型,确定油藏属性参数反演深度学习模型输入和输出,确定油藏属性参数反演深度学习模型和损失函数,训练油藏属性参数反演深度学习模型,得到理论油藏属性参数反演结果;然后进行油藏属性参数反演模型精调与更新:实际油藏井点属性参数和动态生产数据获取与数据预处理,将实际井点数据划分为训练数据集和验证数据集,根据预训练模型输出得到实际油藏属性参数反演结果,油藏属性参数反演结果与真实值比较并进行模型更新,实现了油藏属性参数的快速精准建模,操作简单,建模速度快,模型适用性好,鲁棒性强。本申请提供的一种面向油藏属性参数反演的云边协同系统,实现了油藏属性参数反演方法在云端和边缘端的协同优化和调度。
附图说明:
图1为本申请实施例提供的一种基于科学智能的油藏属性参数反演方法的流程图;
图2为本申请实施例提供的油藏属性参数反演深度学习模型的示意图。
图3为本申请实施例提供的一种面向油藏属性参数反演的云边协同系统示意图。
具体实施方式:
下面将结合本申请实施例中的附图,对本申请实施例中的技术方案做进一步的详细说明。
如图1所示,本实施例的方法如下所述。
本发明提供了一种基于科学智能的油藏属性参数反演方法,包括如下步骤:
步骤1):油藏属性参数反演模型预训练。根据目标油藏特点,建立油藏理论模型,得到油藏属性参数,建立深度神经网络模型,并进行预训练。
具体步骤为:
步骤1.1):建立油藏理论模型。
实际应用中,根据目标油藏区域大小、油藏深度、边界信息、油水井数量、组网方式等信息,建立油藏理论模型,所述理论模型包括油藏地质模型和油藏数值模拟,得到理论模型的油藏属性参数和油水井动态生产数据。
步骤1.2):确定油藏属性参数反演深度学习模型输入和输出。
基于所述物理模型确定的油藏属性参数和油水井动态生产数据,确定深度学习模型输入和输出参数。所述输入参数包括采油井日产油量、日产气量、日产水量、含水率、气油比、井底流压、油压、套压,注水井日注水量、注入压力,以及理论模型中各网格对应的时间和三维空间坐标;所述输出参数包括渗透率、孔隙度、含饱和度、含水饱和度等储层属性参数。
步骤1.3):确定油藏属性参数反演深度学习模型和损失函数。
本实施例中的油藏属性参数反演深度学习模型和损失函数如图2所示。所述油藏属性参数反演深度学习模型包括输入层、隐藏层、输出层、映射层和损失函数。所述损失函数包括观测损失、初始损失、边界损失和控制损失。
具体实施时,根据目标油藏、多相渗流模型和待确定的储层属性参数,确定油藏属性参数反演深度学习模型结构和损失函数。为提高深度神经网络模型建模精度,将领域知识嵌入到深度神经网络中,通过矩阵运算和映射,得到符合物理机制的预测结果。
本实施例以单相非均质不稳定渗流为例,以压力分布预测为研究对象,其控制方程为:
对所述控制方程基于二阶中心差分和一阶后向欧拉模式进行离散化,得到离散化控制方程:
匹配点的坐标为:
MP={(x,y,t-Δt),(x,y,t),(x-Δx,y,t),(x+Δx,y,t),(x,y-Δy,t),(x,y+Δy,t)}
将所述离散化控制方程进行矩阵分解,可得到预测矩阵和物理约束矩阵:
将神经网络得到的预测矩阵映射到高维特征向量空间中由所述物理约束矩阵确定的超平面上,得到最接近原始预测矩阵并满足给定约束的矩阵。其中,所述映射矩阵为:
PrM=I-PCMT(PCM*PCMT)-1PCM
所述预测矩阵经映射后得到的矩阵为:
为进一步提高模型精度,将非均质油藏渗流物理的约束条件加入到损失函数中,构建渗流物理理论和油气生产大数据联合驱动的深度神经网络模型。
所述控制方程对应的控制损失为:
初始损失为:
边界损失为:
观测损失为:
总损失函数为:
Loss=βDATAMSEDATA+βPDEMSEPDE+βICMSEIC+βBCMSEBC
x,y表示油藏中任一点的坐标,m;
K(x,y)表示油藏中任一点处的渗透率,md;
q表示单位时间单位体积产出或流入的流体体积,m3/(m3·d)
t表示油藏生产时间,h;
S表示油藏性质的参数,m-1;
Δx表示沿着x方向的间隔,m;
Δy表示沿着y方向的间隔,m;
Δt表示沿着t方向的间隔,h;
MSEPDE表示控制方程的最小均方误差损失,小数;
MSEiC表示初始条件的最小均方误差损失,小数;
MSEBC表示边界条件的最小均方误差损失,小数;
MSEDATA表示观测数据的最小均方误差损失,小数;
LoSs表示总损失函数;
Nf表示控制方程的样本数;
NIC表示初始条件的样本数;
NBC表示边界条件的样本数;
N表示总样本数;
PM表示预测矩阵;
PCM表示物理约束矩阵;
PrM表示映射矩阵;
表示是映射后的预测矩阵
I表示单位矩阵;
p表示地层压力,MPa;
pi表示数据匹配点对应的预测压力值,MPa;
pIC,i表示初始条件对应点的真实压力值,MPa;
pBC,i表示边界条件对应点的真实压力值,MPa;
pobs,i表示数据匹配点对应的真实压力值,MPa;
βDATA表示观测损失的惩罚系数;
βPDE表示控制损失的惩罚系数;
βIC表示初始损失的惩罚系数;
βBC表示边界损失的惩罚系数。
步骤1.4):训练油藏属性参数反演深度学习模型。
基于所述油藏属性参数反演深度学习模型、所述模型输入输出参数和所述损失函数,训练深度学习模型,得到预训练模型。
步骤1.5):得到理论油藏属性参数反演结果。
基于所述油藏属性参数反演预训练模型,计算油藏属性参数反演结果。
步骤2):根据实际油藏生产数据和测试数据,进行模型精调及深度神经网络模型参数更新。
具体步骤为:
步骤2.1):实际油藏井点属性参数和动态生产数据获取与数据预处理。获取测井解释资料和井震结合资料得到的实际油藏井点属性参数以及井口动态生产数据,并针对上述数据进行数据预处理。
步骤2.2):将实际井点数据划分为训练数据集和验证数据集。基于所述预处理后的实际井点数据,将其划分为训练数据集和验证数据集。所述训练数据集用于精调步骤1)中得到的预训练深度学习模型,所述验证数据集用于验证精调后的模型准确性。
步骤2.3):根据预训练模型输出得到实际油藏属性参数反演结果。基于所述精调后的油藏属性参数模型,得到实际油藏属性参数反演结果。
步骤2.4):油藏属性参数反演结果与真实值比较并进行模型更新。基于所述验证数据集与所述实际油藏属性参数反演结果,将两者进行比较,并根据比较结果更新模型参数,进一步提高模型准确性。
本申请实施例提供了一种面向油藏属性参数反演的云边协同系统,如图3所示,具体包括:
1)云计算层,用于确定整个系统的全局调度与智能决策,提供远程更新、执行调试、状态管控、数据管理、模型管理和设备管理等功能,执行油藏属性参数反演模型的训练和管理,以及云端预训练参数反演模型的下发和生产任务的调度。
2)边缘层,是承载边缘计算业务的核心,提供智能感知、智能计算、智能诊断、实时控制、动态优化和数据处理等功能,执行油藏现场生产数据的预处理,以及油藏属性参数反演模型的精调与更新。
3)现场层,主要是由现场生产单元如油藏、油井和水井,状态采集设备如压力表、温度表、示功仪等传感器,以及控制设备如变频器、自控仪等控制器组成,执行现场数据的采集和生产设备的控制,所述采集到的生产数据作为油藏属性参数反演模型的输入和输出。
Claims (6)
1.一种基于科学智能的油藏属性参数反演方法,其特征在于,包括以下步骤:
通过理论油藏模型获取油藏属性参数和油水井动态生产数据;确定油藏属性参数反演深度学习模型的输入和输出、损失函数,对油藏属性参数反演深度学习模型进行训练,得到预训练模型;根据油水井动态生产数据,通过预训练模型,得到理论油藏属性参数;
获取实际油藏井点属性参数和动态生产数据;确定预训练模型的输入和输出、损失函数,对预训练模型进行调节与更新,得到油藏属性参数反演深度学习模型;根据油水井动态生产数据,通过油藏属性参数反演深度学习模型,得到实际油藏属性参数;
所述损失函数包含非均质油藏渗流物理的约束条件;
所述损失函数如下:
Loss=βDATAMSEDATA+βPDEMSEPDE+βICMSEIC+βBCMSEBC
βDATA表示观测损失的惩罚系数,βPDE表示控制损失的惩罚系数,βIC表示初始损失的惩罚系数,βBC表示边界损失的惩罚系数;
其中,油藏渗流理论的控制方程对应的控制损失为:
初始损失为:
边界损失为:
观测损失为:
Nf表示控制方程的样本数,NIC表示初始条件的样本数,NBC表示边界条件的样本数,K(x,y)表示油藏中任一点处的渗透率,pi表示数据匹配点对应的预测压力值,N表示总样本数;pIC,i表示初始条件对应点的真实压力值,pBC,i表示边界条件对应点的真实压力值,pobs,i表示数据匹配点对应的真实压力值,x,y表示油藏中任一点的坐标,S表示油藏性质的参数。
2.根据权利要求1所述的一种基于科学智能的油藏属性参数反演方法,其特征在于,所述输入为油水井动态生产数据,包括采油井日产油量、日产气量、日产水量、含水率、气油比、井底流压、油压、套压,注水井日注水量、注入压力,以及理论模型中各网格对应的时间和三维空间坐标;所述输出为油藏属性参数,包括渗透率、孔隙度、含油饱和度、含水饱和度。
3.根据权利要求1所述的一种基于科学智能的油藏属性参数反演方法,其特征在于,所述油藏属性参数反演深度学习模型,为深度神经网络模型。
4.根据权利要求1所述的一种基于科学智能的油藏属性参数反演方法,其特征在于,所述对预训练模型进行调节与更新,具体为:基于验证数据集与实际油藏井点属性参数反演结果,将两者进行比较,并根据比较结果更新油藏属性参数反演深度学习模型参数。
5.一种基于科学智能的油藏属性参数反演系统,其特征在于,包括:
预训练模型模块,用于通过理论油藏模型获取油藏属性参数和油水井动态生产数据;确定油藏属性参数反演深度学习模型的输入和输出、损失函数,对油藏属性参数反演深度学习模型进行训练,得到预训练模型;根据油水井动态生产数据,通过预训练模型,得到理论油藏属性参数;
实际油藏属性参数反演模块,用于获取实际油藏井点属性参数和动态生产数据;确定预训练模型的输入和输出、损失函数,对预训练模型进行调节与更新,得到油藏属性参数反演深度学习模型;根据油水井动态生产数据,通过油藏属性参数反演深度学习模型,得到实际油藏属性参数;
所述损失函数包含非均质油藏渗流物理的约束条件;
所述损失函数如下:
Loss=βDATAMSEDATA+βPDEMSEPDE+βICMSEIC+βBCMSEBC
βDATA表示观测损失的惩罚系数,βPDE表示控制损失的惩罚系数,βIC表示初始损失的惩罚系数,βBC表示边界损失的惩罚系数;
其中,油藏渗流理论的控制方程对应的控制损失为:
初始损失为:
边界损失为:
观测损失为:
Nf表示控制方程的样本数,NIC表示初始条件的样本数,NBC表示边界条件的样本数,K(x,y)表示油藏中任一点处的渗透率,pi表示数据匹配点对应的预测压力值,N表示总样本数;pIC,i表示初始条件对应点的真实压力值,pBC,i表示边界条件对应点的真实压力值,pobs,i表示数据匹配点对应的真实压力值,x,y表示油藏中任一点的坐标,S表示油藏性质的参数。
6.一种基于科学智能的油藏属性参数反演的云边协同系统,用于实现权利要求1-4任意一项所述的一种基于科学智能的油藏属性参数反演方法,其特征在于,包括:
云计算层,用于建立油藏属性参数反演模型并进行训练,并将预训练模型下发至边缘层;
边缘层,用于执行油藏现场动态生产数据的预处理,根据预训练模型进行油藏属性参数反演模型的调节与更新;
现场层,包括现场设备,用于采集现场设备的动态生产数据,发送至边缘层,作为油藏属性参数反演模型的输入和输出。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310575707.4A CN116629112B (zh) | 2023-05-22 | 2023-05-22 | 一种基于科学智能的油藏属性参数反演方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310575707.4A CN116629112B (zh) | 2023-05-22 | 2023-05-22 | 一种基于科学智能的油藏属性参数反演方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116629112A CN116629112A (zh) | 2023-08-22 |
CN116629112B true CN116629112B (zh) | 2024-05-07 |
Family
ID=87591307
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310575707.4A Active CN116629112B (zh) | 2023-05-22 | 2023-05-22 | 一种基于科学智能的油藏属性参数反演方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116629112B (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112016212A (zh) * | 2020-08-28 | 2020-12-01 | 北京科技大学 | 一种基于渗流控制方程的储层纵向非均质性评价方法 |
CN112541256A (zh) * | 2020-12-01 | 2021-03-23 | 中国石油大学(华东) | 基于深度学习降维重构的强非均质油藏历史拟合方法 |
CN114862609A (zh) * | 2021-02-03 | 2022-08-05 | 中国石油天然气股份有限公司 | 一种特高含水油田的油藏开采方法 |
CN114896903A (zh) * | 2022-05-07 | 2022-08-12 | 北京科技大学 | 一种基于强制学习的油田生产系统决策优化方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20220187492A1 (en) * | 2020-12-14 | 2022-06-16 | Saudi Arabian Oil Company | Physics-driven deep learning inversion coupled to fluid flow simulators |
-
2023
- 2023-05-22 CN CN202310575707.4A patent/CN116629112B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112016212A (zh) * | 2020-08-28 | 2020-12-01 | 北京科技大学 | 一种基于渗流控制方程的储层纵向非均质性评价方法 |
CN112541256A (zh) * | 2020-12-01 | 2021-03-23 | 中国石油大学(华东) | 基于深度学习降维重构的强非均质油藏历史拟合方法 |
CN114862609A (zh) * | 2021-02-03 | 2022-08-05 | 中国石油天然气股份有限公司 | 一种特高含水油田的油藏开采方法 |
CN114896903A (zh) * | 2022-05-07 | 2022-08-12 | 北京科技大学 | 一种基于强制学习的油田生产系统决策优化方法 |
Non-Patent Citations (2)
Title |
---|
Efficient federated learning for fault diagnosis in industrial cloud-edge computing;Qizhao Wang 等;《REGULAR PAPER》;20210621;第2319-2337页 * |
基于区间数熵值 TOPSIS 的热采稠油开发效果评价;张立婷 等;《西安石油大学学报(自然科学学版)》;20200331;第35卷(第2期);第66-70页 * |
Also Published As
Publication number | Publication date |
---|---|
CN116629112A (zh) | 2023-08-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
EP3989132A1 (en) | Reservoir performance system | |
Zhang et al. | Production performance forecasting method based on multivariate time series and vector autoregressive machine learning model for waterflooding reservoirs | |
Lerlertpakdee et al. | Efficient production optimization with flow-network models | |
US9260948B2 (en) | Multi-level reservoir history matching | |
US20130218538A1 (en) | Simulation model optimization | |
US11715034B2 (en) | Training of machine learning algorithms for generating a reservoir digital twin | |
CN110056346B (zh) | 一种基于趋势变化函数的油藏三维原始含水饱和度模拟方法 | |
US11846175B2 (en) | Estimating reservoir production rates using machine learning models for wellbore operation control | |
US20220082719A1 (en) | Reservoir performance system | |
CN114004100B (zh) | 一种油藏辅助历史拟合和优化模拟方法 | |
CN116629112B (zh) | 一种基于科学智能的油藏属性参数反演方法及系统 | |
CN115375867B (zh) | 利用网格模型计算地热资源量方法、系统、设备及介质 | |
Yanshu et al. | Muddy interlayer forecasting and an equivalent upscaling method based on tortuous paths: A case study of Mackay River oil sand reservoirs in Canada | |
CN110309597A (zh) | 基于构型界面的阻流带模型确定方法、装置及存储介质 | |
CN113742962B (zh) | 一种基于水平井的页岩储层属性三维建模方法 | |
CN115717522A (zh) | 页岩气井分层强化参数钻井方法及钻井装置 | |
US20210225070A1 (en) | Generation of a virtual three-dimensional model of a hydrocarbon reservoir | |
CN114764546A (zh) | 基于生成对抗神经网络的断块油藏剩余油预测方法 | |
Pan et al. | An approach to reserve estimation enhanced with 3-D seismic data | |
CN114139432A (zh) | 利用神经网络技术的裂缝性油藏co2驱流动模拟方法 | |
CN106846480B (zh) | 一种不确定性概率场属性分布建模方法与系统 | |
CN116911216B (zh) | 一种储层油井产能因素评估与预测方法 | |
Wu et al. | Three-dimensional oil and gas pool-forming dynamic simulation system: principle, method and applications | |
Dong et al. | Assisted history-matching based on multiobjective surrogate reservoir model for tight oil reservoirs | |
Wang et al. | Research and Application of 3D Geological Overburden Modeling Method Based on Polynomial Regression |
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 |