CN116733453A - 基于蚂蚁追踪的致密气藏水侵预警的方法及系统 - Google Patents

基于蚂蚁追踪的致密气藏水侵预警的方法及系统 Download PDF

Info

Publication number
CN116733453A
CN116733453A CN202310704163.7A CN202310704163A CN116733453A CN 116733453 A CN116733453 A CN 116733453A CN 202310704163 A CN202310704163 A CN 202310704163A CN 116733453 A CN116733453 A CN 116733453A
Authority
CN
China
Prior art keywords
target
well
determining
model
condition
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
Application number
CN202310704163.7A
Other languages
English (en)
Inventor
董少群
杨旭
冀春秋
许韬
曾联波
郝静茹
王乐婷
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.)
China University of Petroleum Beijing
Original Assignee
China University of Petroleum Beijing
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 China University of Petroleum Beijing filed Critical China University of Petroleum Beijing
Priority to CN202310704163.7A priority Critical patent/CN116733453A/zh
Publication of CN116733453A publication Critical patent/CN116733453A/zh
Pending legal-status Critical Current

Links

Classifications

    • E—FIXED CONSTRUCTIONS
    • E21—EARTH OR ROCK DRILLING; MINING
    • E21B—EARTH OR ROCK DRILLING; OBTAINING OIL, GAS, WATER, SOLUBLE OR MELTABLE MATERIALS OR A SLURRY OF MINERALS FROM WELLS
    • E21B47/00—Survey of boreholes or wells
    • E21B47/10—Locating fluid leaks, intrusions or movements
    • 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
    • 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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2111/00—Details relating to CAD techniques
    • G06F2111/04—Constraint-based CAD
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2113/00—Details relating to the application field
    • G06F2113/08—Fluids
    • 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)
  • Life Sciences & Earth Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Geology (AREA)
  • Mining & Mineral Resources (AREA)
  • General Engineering & Computer Science (AREA)
  • Geophysics (AREA)
  • Biomedical Technology (AREA)
  • Geochemistry & Mineralogy (AREA)
  • Geometry (AREA)
  • General Life Sciences & Earth Sciences (AREA)
  • Environmental & Geological Engineering (AREA)
  • Fluid Mechanics (AREA)
  • Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Computer Hardware Design (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Geophysics And Detection Of Objects (AREA)

Abstract

本申请公开了一种基于蚂蚁追踪的致密气藏水侵预警的方法及系统。该方法包括：构建目标连通体渗流能力模型；通过蚂蚁仿生连通算法确定目标连通体渗流能力模型中目标区域至目标井的优势渗流通道；确定目标区域至目标井的优势渗流通道的水侵预警指数。本申请能更加高效简便地寻找致密气藏的优势渗流通道，以提供更加精准地水侵预警信息，从而提高气藏开发的效率和成功率。

Description

基于蚂蚁追踪的致密气藏水侵预警的方法及系统
技术领域
本申请涉及气藏开发和水侵预警技术领域，具体地涉及一种基于蚂蚁追踪的致密气藏水侵预警的方法及系统。
背景技术
致密气藏是一类超低渗透、高吸附的深埋气藏。具有储层物性差、埋藏深度大、气体吸附量高和成藏机制复杂等特征。在实际勘探过程中，由于致密气藏成藏机制复杂，规律难掌握，导致勘探难度大。其中，致密气藏动态预测与气井见水预警是天然气勘探开发过程中的关键难题。传统的评判气藏水侵程度与出水类型的方法是通过井口日产水量，但此方法的定量意义薄弱且滞后性显著，无法准确提前判断水侵状态和出水分类。
发明内容
本申请实施例的目的是提供一种基于蚂蚁追踪的致密气藏水侵预警的方法及系统，用以解决现有技术中对于致密气藏动态预测和预警的准确性较低的问题。
为了实现上述目的，本申请第一方面提供一种基于蚂蚁追踪的致密气藏水侵预警的方法，该方法包括：
构建目标连通体渗流能力模型；
通过蚂蚁仿生连通算法确定目标连通体渗流能力模型中目标区域至目标井的优势渗流通道；
确定目标区域至目标井的优势渗流通道的水侵预警指数。
在本申请实施例中，构建目标连通体渗流能力模型包括：
获取储层基质模型、裂缝网络等效模型、断层等效模型和初始阈值；
根据储层基质模型、裂缝网络等效模型、断层等效模型和初始阈值建立初始连通体渗流能力模型；
对初始连通体渗流能力模型进行连通区域分类标记；
基于约束条件确定目标区域的目标函数；
基于无梯度优化算法，根据目标函数对初始连通体渗流能力模型进行阈值更新，以得到目标连通体渗流能力模型。
在本申请实施例中，对初始连通体渗流能力模型进行连通区域分类标记包括：
判断待分类区域的密度是否大于预设密度；
在待分类区域的密度大于预设密度的情况下，将待分类区域确定为连通区域；
在待分类区域的密度不大于预设密度的情况下，将待分类区域确定为不连通区域。
在本申请实施例中，约束条件包括试井连通性、单井生产见水情况和射孔段信息，基于约束条件确定目标区域的目标函数包括：
根据射孔段信息判断目标区域的任意两口井之间的试井连通性和任意单井的生产见水情况；
根据任意两口井之间的试井连通性和任意单井的生产见水情况确定候选函数值；
将候选函数值最小的候选函数确定为目标函数。
在本申请实施例中，根据射孔段信息判断目标区域的任意两口井之间的试井连通性和任意单井的生产见水情况包括：
根据射孔段信息判断目标区域的任意两口井之间的试井连通性是否满足第一预设约束条件，以及任意单井的生产见水情况是否满足第二预设约束条件；
根据任意两口井之间的试井连通性和任意单井的生产见水情况确定候选函数值包括：
将目标区域内试井连通性不满足第一预设约束条件的井对个数以及生产见水情况不满足第二预设约束条件的单井个数之和确定为候选函数值。
在本申请实施例中，根据射孔段信息判断目标区域的任意两口井之间的试井连通性是否满足第一预设约束条件，以及任意单井的生产见水情况是否满足第二预设约束条件包括：
判断任意两口井的射孔段是否连通；
在任意两口井的射孔段连通的情况下，判定任意两口井的试井连通性满足第一预设约束条件；
判断任意单井的射孔段是否见水；
在任意单井的射孔段见水的情况下，判定任意单井的生产见水情况满足第二预设约束条件。
在本申请实施例中，通过蚂蚁仿生连通算法确定目标连通体渗流能力模型中目标区域至目标井的优势渗流通道包括：
将目标连通体渗流能力模型的有效连通体简化为属性网格体；
将仿生蚂蚁采取随机游走的方式在属性网格体中前进；
通过累计概率的方式确定仿生蚂蚁选择每条路径的概率；
将概率最大的路径作为目标区域至目标井的优势渗流通道。
在本申请实施例中，每条路径的概率满足公式(1)和公式(2)：
其中，i、j为任意路径节点，Pij为仿生蚂蚁选择路径ij的概率，P为仿生蚂蚁选择路径ij的累计概率，|xij|为第i个和第j个节点之间的距离，Fij为路径节点i和路径节点路径j之间的连通体密度属性和，ηij为路径ij的信息素的浓度含量。
在本申请实施例中，水侵预警指数满足公式(3)：
其中，Y为水侵预警指数；A为水体倍数；k为任意网格；Fk为对应网格的属性值；N为路径总网格数；norm(·)为标准化函数。
本申请第二方面提供一种基于蚂蚁追踪的致密气藏水侵预警的系统，包括：
存储器，被配置成存储指令；以及
处理器，被配置成从存储器调用指令以及在执行指令时能够实现上述的基于蚂蚁追踪的致密气藏水侵预警的方法。
本申请通过先构建目标连通体渗流能力模型，再通过蚂蚁仿生连通算法确定目标区域至目标井的优势渗流通道，最后确定目标区域至目标井的优势渗流通道的水侵预警指数，能更加高效简便地寻找致密气藏的优势渗流通道，以提供更加精准地水侵预警信息，从而提高气藏开发的效率和成功率。
本申请实施例的其它特征和优点将在随后的具体实施方式部分予以详细说明。
附图说明
附图是用来提供对本申请实施例的进一步理解，并且构成说明书的一部分，与下面的具体实施方式一起用于解释本申请实施例，但并不构成对本申请实施例的限制。在附图中：
图1示意性示出了根据本申请实施例的一种基于蚂蚁追踪的致密气藏水侵预警的方法的流程图；
图2示意性示出了根据本申请一具体实施例的一种基于蚂蚁追踪的致密气藏水侵预警的方法的流程图；
图3示意性示出了根据本申请一具体实施例的优势渗流通道水侵路径结果的示意图；
图4示意性示出了根据本申请实施例的一种基于蚂蚁追踪的致密气藏水侵预警的系统的结构框图。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚，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进行清楚、完整地描述，应当理解的是，此处所描述的具体实施方式仅用于说明和解释本申请实施例，并不用于限制本申请实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都属于本申请保护的范围。
需要说明，若本申请实施例中有涉及方向性指示(诸如上、下、左、右、前、后……)，则该方向性指示仅用于解释在某一特定姿态(如附图所示)下各部件之间的相对位置关系、运动情况等，如果该特定姿态发生改变时，则该方向性指示也相应地随之改变。
另外，若本申请实施例中有涉及“第一”、“第二”等的描述，则该“第一”、“第二”等的描述仅用于描述目的，而不能理解为指示或暗示其相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。另外，各个实施例之间的技术方案可以相互结合，但是必须是以本领域普通技术人员能够实现为基础，当技术方案的结合出现相互矛盾或无法实现时应当认为这种技术方案的结合不存在，也不在本申请要求的保护范围之内。
图1示意性示出了根据本申请实施例的一种基于蚂蚁追踪的致密气藏水侵预警的方法的流程图。如图1所示，本申请实施例提供一种基于蚂蚁追踪的致密气藏水侵预警的方法，该方法可以包括下列步骤：
步骤101、构建目标连通体渗流能力模型；
步骤102、通过蚂蚁仿生连通算法确定目标连通体渗流能力模型中目标区域至目标井的优势渗流通道；
步骤103、确定目标区域至目标井的优势渗流通道的水侵预警指数。
在本申请实施例中，致密气藏动态预测与气井见水预警是天然气勘探开发过程中的关键难题。传统的评判气藏水侵程度与出水类型的方法是通过井口日产水量，但是此方法的定量意义薄弱且滞后性显著，无法准确提前判断水侵状态和出水分类。因此，本申请实施例使用仿生学算法构建目标连通体渗流能力模型，并模拟生物体行为以学习高渗不为的空间行为轨迹，可以为提供水侵预警指数提供指导，从而提供更精准地水侵预警信息。
在本申请实施例中，致密气藏地层空间展布复杂，连通体渗流能力模型受储层基质、裂缝网络和断层共同影响。通常连通体三维模型的构建需要依靠地质专家的先验认知，该方法容易受到人为主观因素的影响，且难以对后续的优势渗流通道进行精准表征。因此，本申请实施例通过构建目标连通体渗流能力模型，能合理地耦合异构属性参数。其中，目标连通体渗流能力模型是指基于储层基质模型、裂缝网络等效模型和断层等效模型构建的连通体渗流能力模型。在一个示例中，目标连通体渗流能力模型可以通过无梯度优化算法实现储层基质模型、裂缝网络等效模型和断层等效模型的阈值自动求取。通过构建目标连通体渗流能力模型，无需过于依赖专家的先验认知，从而精确表征具有复杂结构的地质连通信息，以便寻找优势渗流通道。
在本申请实施例中，仿生算法是一种随机搜寻技术，它模拟了自然进化或生物集群行为的过程，具有不依赖梯度信息、稳定性高、自主决策和自适应性等特点。仿生算法适合解决大规模复杂优化难题，并可以有效避免“维数灾难”和“局部最优陷阱”，从而获得全局优化的解决方案。代表性的仿生算法有遗传算法、人工神经网络、蚁群仿生算法和鱼群仿生算法等。其中，蚁群仿生算法即蚂蚁仿生算法，是一种基于仿生蚂蚁搜索全局最优解的最优路径追踪算法，模拟了蚂蚁觅食过程中的群体智能。本申请实施例的蚂蚁仿生连通算法即用在确定目标区域至目标井的优势渗流通道的蚂蚁仿生算法。其中，目标区域和目标井为处理器接收到的输入的需要寻找优势渗流通道的起点和终点。优势渗流通道即从目标区域到目标井的最优的渗流通道。优势渗流通道受断层带和高渗属性体共同作用影响，具有多属性特性。通过蚂蚁仿生连通算法，从仿生学角度，赋予蚂蚁系统地质内涵，建立基于蚁群仿生算法的优势渗流通道分析基质，通过仿生蚂蚁的随机游走和反复“觅食”，完成目标连通体渗流能力模型的动态变化分析。最后，在模拟结果基础上制定评价标准，给出优势渗流通道的定量评价，即基于优势渗流通道，确定该通道的水侵预警指数。
本申请实施例通过先构建目标连通体渗流能力模型，再通过蚂蚁仿生连通算法确定目标区域至目标井的优势渗流通道，最后确定目标区域至目标井的优势渗流通道的水侵预警指数，能更加高效简便地寻找致密气藏的优势渗流通道，以提供更加精准地水侵预警信息，从而提高气藏开发的效率和成功率。
在本申请实施例中，步骤101、构建目标连通体渗流能力模型可以包括：
获取储层基质模型、裂缝网络等效模型、断层等效模型和初始阈值；
根据储层基质模型、裂缝网络等效模型、断层等效模型和初始阈值建立初始连通体渗流能力模型；
对初始连通体渗流能力模型进行连通区域分类标记；
基于约束条件确定目标区域的目标函数；
基于无梯度优化算法，根据目标函数对初始连通体渗流能力模型进行阈值更新，以得到目标连通体渗流能力模型。
在本申请实施例中，储层基质模型是综合运刷钻井、岩心、地震、测外、试井、开发动态等资料，以构造地质学、储层沉积学、石油地质学和地质统计学为指导思想，将储层各种地质特征在三维空间的分布及变化定量表达出来的地质模型，所描述的储层特征包括储集体的集合形态、规模、连续性、连通性、内部结构、孔隙特征、储层物性参数的分布和隔夹层分布等。裂缝网络等效模型是指通过建模工具依据地震、钻井等资料对地下储层裂缝进行三维立体建模所得到的模型。地质断层是指地壳受力发生断裂，沿破裂面两侧岩块发生显著相对位移的构造，断层等效模型即根据地质断层构建的模型。本申请实施例将独立的储层基质模型、裂缝网络模型和断层等效模型，基于约束条件和无梯度优化算法，耦合为目标连通体渗流能力模型，可以更加精确地表征具有复杂结构的地质连通信息。
具体地，构建目标连通体渗流模型首先可以先初始化连通体渗流能力模型，获取储层基质模型、裂缝网络等效模型、断层等效模型和初始阈值，已建立初始连通体渗流能力模型。初始连通体渗流能力模型中的阈值为储层基质模型、裂缝网络等效模型、断层等效模型的初始阈值。在一个示例中，可以设定储层基质模型、裂缝网络等效模型、断层等效模型的初始阈值分别为α、β和γ。建立的初始连通体渗流能力模型可以满足公式(4)：
连通体渗流模型＝α×储层基质模型+β×裂缝网络等效模型+γ×断层等效模型；(4)。
在建立初始连通体渗流能力模型之后，处理器可以对初始连通体渗流能力模型进行连通区域分类标记，再基于约束条件确定目标区域的目标函数。在一个示例中，处理器可以根据连通区域构建井连通性、单井生产见水情况和射孔段信息作为优化约束条件的目标函数。其中，目标函数即不满足约束条件的个数最小的函数，从多个候选函数中得出。候选函数的值为不满足约束条件的个数。候选函数越小，该候选函数对应的阈值越优。因此，处理器需要选择函数值符合条件且值最小的候选函数为目标函数。接着处理器再基于无梯度优化算法，根据目标函数所对应的阈值，对初始连通体渗流能力模型进行阈值更新，以得到目标连通体渗流能力模型。此时的目标连通体渗流能力模型为最优模型。
本申请实施例考虑到井间连通性和见水井等因素，利用无梯度优化算法，实现储层基质模型、裂缝等效模型和断层等效模型的阈值自动求取，无需过于依赖专家的先验认知，从而精确表征具有复杂结构的地质连通信息，以便寻找优势渗流通道。
在本申请实施例中，对初始连通体渗流能力模型进行连通区域分类标记可以包括：
判断待分类区域的密度是否大于预设密度；
在待分类区域的密度大于预设密度的情况下，将待分类区域确定为连通区域；
在待分类区域的密度不大于预设密度的情况下，将待分类区域确定为不连通区域。
具体地，对初始连通体渗流能力模型进行连通区域分类标记，即将初始连通体渗流能力模型分为连通区域和不连通区域。预设密度是指区分连通区域和不连通区域的密度值。待分类区域，即需要进行判断并分类的区域。在待分类区域的密度大于预设密度的情况下，表示该待分类区域的密度较高，可以确定为连通区域。在待分类区域的密度不大于，即小于或等于预设密度的情况下，表示该待分类区域的密度较低，可以确定为不连通区域。通过该分类方法，可以简单高效地对初始连通渗流能力模型进行连通区域的分类标记。
在本申请实施例中，约束条件可以包括试井连通性、单井生产见水情况和射孔段信息，基于约束条件确定目标区域的目标函数可以包括：
根据射孔段信息判断目标区域的任意两口井之间的试井连通性和任意单井的生产见水情况；
根据任意两口井之间的试井连通性和任意单井的生产见水情况确定候选函数值；
将候选函数值最小的候选函数确定为目标函数。
本申请实施例的约束条件可以包括试井连通性、单井生产见水情况和射孔段信息。试井连通性是指任意两口井之间是否连通，单井生产见水是指单口井是否能见水，射孔是根据开发方案的要求，采用专门的射孔工具射穿油气层部位的套管、水泥环并深入油气层，形成井筒与油气层的连通孔道。每口井都具有射孔段。通过射孔段信息可以判断任意两口井之间的试井连通性和单井的生产见水情况。再根据任意两口井之间的试井连通性和单井的生产见水情况可以确定不满足约束条件的个数，从而得到对应的候选函数值。最后，处理器从多个候选函数值中选择最小的候选函数作为目标函数，以更新初始连通体渗流能力模型的阈值。
在本申请实施例中，根据射孔段信息判断目标区域的任意两口井之间的试井连通性和任意单井的生产见水情况可以包括：
根据射孔段信息判断目标区域的任意两口井之间的试井连通性是否满足第一预设约束条件，以及任意单井的生产见水情况是否满足第二预设约束条件；
根据任意两口井之间的试井连通性和任意单井的生产见水情况确定候选函数值可以包括：
将目标区域内试井连通性不满足第一预设约束条件的井对个数以及生产见水情况不满足第二预设约束条件的单井个数之和确定为候选函数值。
具体地，约束条件可以包括第一约束条件和第二约束条件。第一约束条件为判断试井连通性的约束条件，第二约束条件为判断单井的见水情况的约束条件。候选函数值即不满足约束条件的个数。将试井连通性不满足第一约束条件的井对个数和生产见水情况不满足第二约束条件的单井个数相加，则可以得到候选函数值，即候选函数值＝N1+N2，N1为试井连通性不满足第一约束条件的井对个数，N2为生产见水情况不满足第二约束条件的单井个数。
在本申请实施例中，根据射孔段信息判断目标区域的任意两口井之间的试井连通性是否满足第一预设约束条件，以及任意单井的生产见水情况是否满足第二预设约束条件可以包括：
判断任意两口井的射孔段是否连通；
在任意两口井的射孔段连通的情况下，判定任意两口井的试井连通性满足第一预设约束条件；
判断任意单井的射孔段是否见水；
在任意单井的射孔段见水的情况下，判定任意单井的生产见水情况满足第二预设约束条件。
具体地，处理器可以根据任意两口井的射孔段是否连通判断任意两口井的试井连通性是否满足第一约束条件，在任意两口井的射孔段连通的情况下，判定任意两口井的试井连通性满足第一预设约束条件。处理器还可以根据任意单井的射孔段是否见水来判断任意单井的生产见水情况是否满足第二约束条件，在任意单井的射孔段见水的情况下，判定任意单井的生产见水情况满足第二预设约束条件。通过射孔段判断约束条件，方式更加简单。
在本申请实施例中，步骤102、通过蚂蚁仿生连通算法确定目标连通体渗流能力模型中目标区域至目标井的优势渗流通道可以包括：
将目标连通体渗流能力模型的有效连通体简化为属性网格体；
将仿生蚂蚁采取随机游走的方式在属性网格体中前进；
通过累计概率的方式确定仿生蚂蚁选择每条路径的概率；
将概率最大的路径作为目标区域至目标井的优势渗流通道。
在本申请实施例中，在确定了目标连通体渗流能力模型之后，可以通过蚂蚁仿生算法确定目标区域至目标井的优势渗流通道。目标区域至目标井可以包括多条路径。在目标连通体渗流模型的基础上，将有效连通体简化为属性网格体，为仿生蚂蚁提供有效“觅食”路径，每条路径都有对应的信息素浓度，网格属性的密度倒数作为相邻网格的距离，以促使仿生蚂蚁走高渗路径。接着将仿生蚂蚁在属性网格体中才去随机游走的方式前进，下一个节点的选择会根据连通体密度属性、属性网格节点距离等条件依概率挑选。再通过累计概率的方法可以确定仿生蚂蚁选择每条路径的概率P。
在本申请实施例中，每条路径的概率满足公式(1)和公式(2)：
其中，i、j为任意路径节点，Pij为仿生蚂蚁选择路径ij的概率，P为仿生蚂蚁选择路径ij的累计概率，|xij|为第i个和第j个节点之间的距离，Fij为路径节点i和路径节点路径j之间的连通体密度属性和，ηij为路径ij的信息素的浓度含量。
在计算出每条路径的概率P之后，将概率P最大的路径作为目标区域至目标井的优势渗流通道。为避免算法收敛慢的问题，单只仿生蚂蚁在整个“觅食”过程中走过的路径将加入禁忌表，不再重复。这样，可以提高蚂蚁仿生算法的计算效率。
在本申请实施例中，处理器可以对于成功见水的仿生蚂蚁所走过的路径添加信息素，进行信息素更新。对于未成功见水的仿生蚂蚁所走过的路径不添加信息素。且在每次信息素更新的时候，以概率μ对上一阶段信息素进行挥发，该挥发公式满足公式(5)：
ηl+1＝(1-μ)ηl；(5)
其中，ηl+1为最新的信息素的浓度含量，ηl为上一阶段信息素的浓度含量，μ为设定概率。
在本申请实施例中，水侵预警指数可以满足公式(3)：
其中，Y为水侵预警指数；A为水体倍数；k为任意网格；Fk为对应网格的属性值；N为路径总网格数；norm(·)为标准化函数。
具体地，根据每口井区对应优势渗流通道的网格属性，可以构建针对开发井区的水侵预警指数，从而降低井区的见水风险。通过构建目标连通体渗流能力模型以及通过蚂蚁仿生连通算法确定优势渗流通道，可以使得水侵预警指数的确定更加精准。
图2示意性示出了根据本申请一具体实施例的一种基于蚂蚁追踪的致密气藏水侵预警的方法的流程图。如图2所示，在本申请一具体实施例中，提供一种基于蚂蚁追踪的致密气藏水侵预警的方法，该方法可以包括下列步骤：
步骤201、获取储层基质模型、裂缝网络等效模型和断层等效模型；
步骤202、获取约束条件射孔段(即射孔段信息)、见水井(单井的见水井情况)和试井连通井对(即任意两口井之间的试井连通性)；
步骤203、通过无梯度优化算法建立储层基质模型连通体、裂缝网络等效模型连通体和断层等效模型连通体，以得到连通体渗流能力模型(即目标连通体渗流能力模型)；
步骤204、通过蚂蚁仿生连通算法确定优势渗流通道；
步骤205、确定优势渗流通道的水侵预警指数。
本申请实施例通过先根据储层基质模型、裂缝网络等效模型和断层等效模型，以示踪剂分析试井连通性、单井生产见水情况和射孔段等信息作为优化约束条件，通过无梯度优化算法自动确定目标连通体渗流能力模型的阈值参数，从而获得基于三种模型的连通体及目标连通体渗流能力模型。再通过蚂蚁仿生连通算法，从仿生学角度，赋予蚂蚁系统地质内涵，确定目标区域至目标井的优势渗流通道，完成目标连通体渗流模型的动态变化分析，最后确定目标区域至目标井的优势渗流通道的水侵预警指数，给出定量评价。这样能更加高效简便地寻找致密气藏的优势渗流通道，以提供更加精准地水侵预警信息，从而提高气藏开发的效率和成功率。
图3示意性示出了根据本申请一具体实施例的优势渗流通道水侵路径结果的示意图。如图3所示，以选取某致密气藏工区为例进行水侵预警指数分析。先按照步骤201至步骤203综合储层基质模型、裂缝网络等效模型和断层等效模型获取目标连通体渗流能力模型，再按照步骤204构建蚂蚁仿生连通算法，建立针对气藏工区指定井的优势渗流通道，最后对气藏工区的开发井按步骤205，即上述公式(3)进行优势渗流通道水侵预警指数分析，即可获得有气藏工区的水侵预警指标。如图3所示，通过上述方法可以高效且准确地找到井名为B9和C7的优势渗流通道，从而求得目标区域到B9和C7的水侵预警指数。表1示意性示出了根据本申请实施例图3中井名为B9和C7的优势渗流通道水侵预警指数。如表1所示，可以得到B9和C7的预警指数。
表1
井名 路径平均值 路径网格数 平均/网格 预警指数
B9 0.95 69 0.014 0.81
C7 0.93 106 0.009 0.52
图4示意性示出了根据本申请实施例的一种基于蚂蚁追踪的致密气藏水侵预警的系统的结构框图。如图4所示，本申请实施例还提供一种基于蚂蚁追踪的致密气藏水侵预警的系统，包括：
存储器410，被配置成存储指令；以及
处理器420，被配置成从存储器410调用指令以及在执行指令时能够实现上述的基于蚂蚁追踪的致密气藏水侵预警的方法。
在本申请一实施例中，处理器420可以被配置成：
构建目标连通体渗流能力模型；
通过蚂蚁仿生连通算法确定目标连通体渗流能力模型中目标区域至目标井的优势渗流通道；
确定目标区域至目标井的优势渗流通道的水侵预警指数。
进一步地，处理器420还可以被配置成：
构建目标连通体渗流能力模型包括：
获取储层基质模型、裂缝网络等效模型、断层等效模型和初始阈值；
根据储层基质模型、裂缝网络等效模型、断层等效模型和初始阈值建立初始连通体渗流能力模型；
对初始连通体渗流能力模型进行连通区域分类标记；
基于约束条件确定目标区域的目标函数；
基于无梯度优化算法，根据目标函数对初始连通体渗流能力模型进行阈值更新，以得到目标连通体渗流能力模型。
进一步地，处理器420还可以被配置成：
对初始连通体渗流能力模型进行连通区域分类标记包括：
判断待分类区域的密度是否大于预设密度；
在待分类区域的密度大于预设密度的情况下，将待分类区域确定为连通区域；
在待分类区域的密度不大于预设密度的情况下，将待分类区域确定为不连通区域。
进一步地，处理器420还可以被配置成：
基于约束条件确定目标区域的目标函数包括：
根据射孔段信息判断目标区域的任意两口井之间的试井连通性和任意单井的生产见水情况；
根据任意两口井之间的试井连通性和任意单井的生产见水情况确定候选函数值；
将候选函数值最小的候选函数确定为目标函数。
进一步地，处理器420还可以被配置成：
根据射孔段信息判断目标区域的任意两口井之间的试井连通性和任意单井的生产见水情况包括：
根据射孔段信息判断目标区域的任意两口井之间的试井连通性是否满足第一预设约束条件，以及任意单井的生产见水情况是否满足第二预设约束条件；
根据任意两口井之间的试井连通性和任意单井的生产见水情况确定候选函数值包括：
将目标区域内试井连通性不满足第一预设约束条件的井对个数以及生产见水情况不满足第二预设约束条件的单井个数之和确定为候选函数值。
进一步地，处理器420还可以被配置成：
根据射孔段信息判断目标区域的任意两口井之间的试井连通性是否满足第一预设约束条件，以及任意单井的生产见水情况是否满足第二预设约束条件包括：
判断任意两口井的射孔段是否连通；
在任意两口井的射孔段连通的情况下，判定任意两口井的试井连通性满足第一预设约束条件；
判断任意单井的射孔段是否见水；
在任意单井的射孔段见水的情况下，判定任意单井的生产见水情况满足第二预设约束条件。
进一步地，处理器420还可以被配置成：
通过蚂蚁仿生连通算法确定目标连通体渗流能力模型中目标区域至目标井的优势渗流通道包括：
将目标连通体渗流能力模型的有效连通体简化为属性网格体；
将仿生蚂蚁采取随机游走的方式在属性网格体中前进；
通过累计概率的方式确定仿生蚂蚁选择每条路径的概率；
将概率最大的路径作为目标区域至目标井的优势渗流通道。
在本申请实施例中，每条路径的概率满足公式(1)和公式(2)：
其中，i、k为任意路径节点，Pik为仿生蚂蚁选择路径ik的概率，P为仿生蚂蚁选择路径ij的累计概率，|xij|为第i个和第j个节点之间的距离，Fij为路径节点i和路径节点路径j之间的连通体密度属性和，ηij为路径ij的信息素的浓度含量。
在本申请实施例中，水侵预警指数满足公式(3)：
其中，Y为水侵预警指数；A为水体倍数；k为任意网格；Fk为对应网格的属性值；N为路径总网格数；norm()为标准化函数。
本申请实施例通过先构建目标连通体渗流能力模型，再通过蚂蚁仿生连通算法确定目标区域至目标井的优势渗流通道，最后确定目标区域至目标井的优势渗流通道的水侵预警指数，能更加高效简便地寻找致密气藏的优势渗流通道，以提供更加精准地水侵预警信息，从而提高气藏开发的效率和成功率。
本申请实施例还提供一种机器可读存储介质，该机器可读存储介质上存储有指令，该指令用于使得机器执行上述的基于蚂蚁追踪的致密气藏水侵预警的方法。
本领域内的技术人员应明白，本申请的实施例可提供为方法、系统或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
在一个典型的配置中，计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。
存储器可能包括计算机可读介质中的非永久性存储器，随机存取存储器(RAM)和/或非易失性内存等形式，如只读存储器(ROM)或闪存(flash RAM)。存储器是计算机可读介质的示例。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带，磁带磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括暂存电脑可读媒体(transitory media)，如调制的数据信号和载波。
还需要说明的是，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括要素的过程、方法、商品或者设备中还存在另外的相同要素。
以上仅为本申请的实施例而已，并不用于限制本申请。对于本领域技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本申请的权利要求范围之内。

Claims (10)

1.一种基于蚂蚁追踪的致密气藏水侵预警的方法，其特征在于，所述方法包括：
构建目标连通体渗流能力模型；
通过蚂蚁仿生连通算法确定所述目标连通体渗流能力模型中目标区域至目标井的优势渗流通道；
确定所述目标区域至目标井的优势渗流通道的水侵预警指数。
2.根据权利要求1所述的方法，其特征在于，所述构建目标连通体渗流能力模型包括：
获取储层基质模型、裂缝网络等效模型、断层等效模型和初始阈值；
根据所述储层基质模型、所述裂缝网络等效模型、所述断层等效模型和所述初始阈值建立初始连通体渗流能力模型；
对所述初始连通体渗流能力模型进行连通区域分类标记；
基于约束条件确定所述目标区域的目标函数；
基于无梯度优化算法，根据所述目标函数对所述初始连通体渗流能力模型进行阈值更新，以得到目标连通体渗流能力模型。
3.根据权利要求2所述的方法，其特征在于，所述对所述初始连通体渗流能力模型进行连通区域分类标记包括：
判断待分类区域的密度是否大于预设密度；
在所述待分类区域的密度大于所述预设密度的情况下，将所述待分类区域确定为连通区域；
在所述待分类区域的密度不大于所述预设密度的情况下，将所述待分类区域确定为不连通区域。
4.根据权利要求2所述的方法，其特征在于，所述约束条件包括试井连通性、单井生产见水情况和射孔段信息，所述基于约束条件确定所述目标区域的目标函数包括：
根据所述射孔段信息判断所述目标区域的任意两口井之间的试井连通性和任意单井的生产见水情况；
根据所述任意两口井之间的试井连通性和任意单井的生产见水情况确定候选函数值；
将候选函数值最小的候选函数确定为所述目标函数。
5.根据权利要求4所述的方法，其特征在于，所述根据所述射孔段信息判断所述目标区域的任意两口井之间的试井连通性和任意单井的生产见水情况包括：
根据所述射孔段信息判断所述目标区域的任意两口井之间的试井连通性是否满足第一预设约束条件，以及任意单井的生产见水情况是否满足第二预设约束条件；
所述根据所述任意两口井之间的试井连通性和任意单井的生产见水情况确定候选函数值包括：
将所述目标区域内试井连通性不满足所述第一预设约束条件的井对个数以及生产见水情况不满足所述第二预设约束条件的单井个数之和确定为候选函数值。
6.根据权利要求5所述的方法，其特征在于，所述根据所述射孔段信息判断所述目标区域的任意两口井之间的试井连通性是否满足第一预设约束条件，以及任意单井的生产见水情况是否满足第二预设约束条件包括：
判断所述任意两口井的射孔段是否连通；
在所述任意两口井的射孔段连通的情况下，判定所述任意两口井的试井连通性满足所述第一预设约束条件；
判断所述任意单井的射孔段是否见水；
在所述任意单井的射孔段见水的情况下，判定所述任意单井的生产见水情况满足所述第二预设约束条件。
7.根据权利要求1所述的方法，其特征在于，所述通过蚂蚁仿生连通算法确定所述目标连通体渗流能力模型中目标区域至目标井的优势渗流通道包括：
将所述目标连通体渗流能力模型的有效连通体简化为属性网格体；
将仿生蚂蚁采取随机游走的方式在所述属性网格体中前进；
通过累计概率的方式确定所述仿生蚂蚁选择每条路径的概率；
将概率最大的路径作为所述目标区域至所述目标井的优势渗流通道。
8.根据权利要求7所述的方法，其特征在于，所述每条路径的概率满足公式(1)和公式(2)：
其中，i、j为任意路径节点，Pij为所述仿生蚂蚁选择路径ij的概率，P为所述仿生蚂蚁选择路径ij的累计概率，|xij|为第i个和第j个节点之间的距离，Fij为路径节点i和路径节点路径j之间的连通体密度属性和，ηij为路径ij的信息素的浓度含量。
9.根据权利要求1所述的方法，其特征在于，所述水侵预警指数满足公式(3)：
其中，Y为所述水侵预警指数；A为水体倍数；k为任意网格；Fk为对应网格的属性值；N为路径总网格数；norm(·)为标准化函数。
10.一种基于蚂蚁追踪的致密气藏水侵预警的系统，其特征在于，包括：
存储器，被配置成存储指令；以及
处理器，被配置成从所述存储器调用所述指令以及在执行所述指令时能够实现根据权利要求1至9中任一项所述的基于蚂蚁追踪的致密气藏水侵预警的方法。
CN202310704163.7A 2023-06-14 2023-06-14 基于蚂蚁追踪的致密气藏水侵预警的方法及系统 Pending CN116733453A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310704163.7A CN116733453A (zh) 2023-06-14 2023-06-14 基于蚂蚁追踪的致密气藏水侵预警的方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310704163.7A CN116733453A (zh) 2023-06-14 2023-06-14 基于蚂蚁追踪的致密气藏水侵预警的方法及系统

Publications (1)

Publication Number Publication Date
CN116733453A true CN116733453A (zh) 2023-09-12

Family

ID=87900681

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310704163.7A Pending CN116733453A (zh) 2023-06-14 2023-06-14 基于蚂蚁追踪的致密气藏水侵预警的方法及系统

Country Status (1)

Country Link
CN (1) CN116733453A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117610742A (zh) * 2023-12-21 2024-02-27 北京建工环境修复股份有限公司 一种城市碳追踪分析方法、系统及存储介质

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117610742A (zh) * 2023-12-21 2024-02-27 北京建工环境修复股份有限公司 一种城市碳追踪分析方法、系统及存储介质
CN117610742B (zh) * 2023-12-21 2024-05-03 北京建工环境修复股份有限公司 一种城市碳追踪分析方法、系统及存储介质

Similar Documents

Publication Publication Date Title
US11852778B2 (en) Static engine and neural network for a cognitive reservoir system
CN113610945B (zh) 一种基于混合神经网络的地应力曲线预测方法
CN116733453A (zh) 基于蚂蚁追踪的致密气藏水侵预警的方法及系统
CN114723095A (zh) 缺失测井曲线预测方法及装置
KR101474874B1 (ko) 지능형 생산정 위치 선정 전산 시스템 및 이를 이용한 생산정 위치 선정 방법
KR102155101B1 (ko) 지반 층상정보 예측 시스템, 방법, 및 상기 방법을 실행시키기 위한 컴퓨터 판독 가능한 프로그램을 기록한 저장 매체
CN111472763B (zh) 地层厚度预测方法及装置
CN117473305A (zh) 一种近邻信息增强的储层参数预测方法及系统
CN116721227A (zh) 一种复杂地质体三维地质模型自动化建模方法
US20230141334A1 (en) Systems and methods of modeling geological facies for well development
CN113761699A (zh) 裂缝模型构建方法、装置、电子设备及介质
CN117633658B (zh) 岩石储层岩性识别方法及系统
CN117574269B (zh) 陆相页岩储层天然裂缝智能识别方法及系统
CN116611274B (zh) 一种地下水污染运移可视化数值模拟方法
US20230376658A1 (en) Systems and methods for performing drilling rig operations
CN113627761B (zh) 一种岩土工程涌突水概率预测的并行评价方法
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
Fedorov et al. Decision Support System for Tight Oil Fields Development Achimov Deposits and Their Analogues Using Machine Learning Algorithms
US20220228483A1 (en) Systems and methods for updating reservoir static models
CN117150284A (zh) 基于卷积神经网络的水平井裂缝识别方法
CN117688873A (zh) 一种基于人工智能的矿井突水点及模拟模型参数识别方法
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
CN116066088A (zh) 一种基于梯度提升机的页岩气开发主控因素分析方法
CN117169969A (zh) 一种声波测井曲线预测的方法及装置
CN116128162A (zh) 基于小样本的压裂井初期产能预测方法、系统及存储介质

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