CN116757096A - 深薄致密砂岩气藏开发井型确定方法、装置、设备及介质 - Google Patents
深薄致密砂岩气藏开发井型确定方法、装置、设备及介质 Download PDFInfo
- Publication number
- CN116757096A CN116757096A CN202311027687.3A CN202311027687A CN116757096A CN 116757096 A CN116757096 A CN 116757096A CN 202311027687 A CN202311027687 A CN 202311027687A CN 116757096 A CN116757096 A CN 116757096A
- Authority
- CN
- China
- Prior art keywords
- well
- type
- reservoir
- target
- determining
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 82
- 238000011161 development Methods 0.000 title claims abstract description 77
- 238000012549 training Methods 0.000 claims description 27
- 239000004576 sand Substances 0.000 claims description 24
- 239000010410 layer Substances 0.000 claims description 22
- 238000004519 manufacturing process Methods 0.000 claims description 19
- 238000004590 computer program Methods 0.000 claims description 16
- 238000003860 storage Methods 0.000 claims description 15
- 238000004364 calculation method Methods 0.000 claims description 13
- 238000012360 testing method Methods 0.000 claims description 11
- 239000004215 Carbon black (E152) Substances 0.000 claims description 9
- 229930195733 hydrocarbon Natural products 0.000 claims description 9
- 150000002430 hydrocarbons Chemical class 0.000 claims description 9
- 230000006870 function Effects 0.000 claims description 6
- 239000003129 oil well Substances 0.000 claims description 6
- 239000002356 single layer Substances 0.000 claims description 3
- 230000008901 benefit Effects 0.000 abstract description 15
- 238000003062 neural network model Methods 0.000 description 20
- 238000010586 diagram Methods 0.000 description 12
- 230000008569 process Effects 0.000 description 12
- 238000004891 communication Methods 0.000 description 11
- 238000005553 drilling Methods 0.000 description 8
- 238000012795 verification Methods 0.000 description 7
- 238000013507 mapping Methods 0.000 description 6
- 238000013528 artificial neural network Methods 0.000 description 5
- 238000012545 processing Methods 0.000 description 5
- 230000003247 decreasing effect Effects 0.000 description 4
- 238000005065 mining Methods 0.000 description 4
- 238000009933 burial Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 230000035699 permeability Effects 0.000 description 3
- 239000000243 solution Substances 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 2
- 230000001186 cumulative effect Effects 0.000 description 2
- 239000006185 dispersion Substances 0.000 description 2
- 238000009826 distribution Methods 0.000 description 2
- 238000002347 injection Methods 0.000 description 2
- 239000007924 injection Substances 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 230000000704 physical effect Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 230000019771 cognition Effects 0.000 description 1
- 238000010835 comparative analysis Methods 0.000 description 1
- 125000004122 cyclic group Chemical group 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 239000011521 glass Substances 0.000 description 1
- 238000002955 isolation Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000008685 targeting Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
- 210000002268 wool Anatomy 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
-
- 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
- E21B43/00—Methods or apparatus for obtaining oil, gas, water, soluble or meltable materials or a slurry of minerals from wells
- E21B43/30—Specific pattern of wells, e.g. optimising the spacing of wells
-
- 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
- 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
-
- 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)
- Business, Economics & Management (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Mining & Mineral Resources (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- General Business, Economics & Management (AREA)
- Health & Medical Sciences (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Software Systems (AREA)
- General Health & Medical Sciences (AREA)
- Geology (AREA)
- Biomedical Technology (AREA)
- Geometry (AREA)
- Computing Systems (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- Data Mining & Analysis (AREA)
- Computational Linguistics (AREA)
- Development Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Medical Informatics (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Mathematical Physics (AREA)
- Agronomy & Crop Science (AREA)
- Animal Husbandry (AREA)
- Marine Sciences & Fisheries (AREA)
- Computer Hardware Design (AREA)
- Primary Health Care (AREA)
- Environmental & Geological Engineering (AREA)
Abstract
本发明提供一种深薄致密砂岩气藏开发井型确定方法、装置、设备及介质，所述方法包括：基于油气产量预测模型，分别预测各类型储层的不同井型的油气产量；其中，不同井型包括直井和水平井；根据所述油气产量，确定各类型储层的不同井型的内部收益率；根据预测的内部收益率确定各类型储层对应的目标井型，并建立各类型储层与目标井型的关联关系，以根据所述关联关系，确定对目标类型储层的目标区域进行开发的开发井型。所述方法基于油气产量预测模型预测不同井型的产能，并结合内部收益率判断出不同类型储层适宜的开发井型，为深薄致密砂岩气藏规模效益开发提供了技术支撑。
Description
技术领域
本发明属于计算机系统结构技术领域，涉及一种气藏开发井型确定方法，尤其涉及一种深薄致密砂岩气藏开发井型确定方法、装置、设备及介质。
背景技术
深薄致密砂岩储层是指气藏埋藏深（>3500m）、气层厚度薄（<8m）、气层渗透率低（<1mD）的砂岩储层。这种类型的气藏一方面因储层埋藏深，钻完井成本较高，另一方面因气层厚度薄、渗透率低，气井产量普遍偏低，因而气藏效益开发难度大，适宜开发井型不明确。
现有的致密砂岩气藏开发井型确定方法多基于主观定性或经验认知，只是简单地将水平井部署在优质储层中，缺乏直井、水平井动态指标与经济效益的对比，并未形成适用于深薄致密砂岩气藏开发井型确定的系统流程与方法，且不同类型储层究竟适宜何种井型予以开发及各自的经济效益情况尚不明确。因此，亟需构建深薄致密砂岩气藏开发井型确定的方法流程，综合地质参数、动态指标、经济效益及地震参数等判断不同类型储层适宜的开发井型，从而为深薄致密砂岩气藏规模效益开发提供技术支撑。
此外，评价气井产能是井型确定的基础，传统方法多采用Arps递减图版拟合评价气井产能，然而Arps递减分析基于经验公式，递减指数与初始递减率在拟合过程中存在多解性，容易产生预测误差。
由此可见，如何提供一种深薄致密砂岩气藏开发井型确定方法，判断不同类型储层适宜的开发井型，为深薄致密砂岩气藏规模效益开发提供技术支撑，成为了目前本领域技术人员迫切需要解决的问题。
发明内容
本发明的目的在于提供一种深薄致密砂岩气藏开发井型确定方法、装置、设备及介质，所述方法基于油气产量预测模型预测不同井型的产能，并结合内部收益率判断出不同类型储层适宜的开发井型，为深薄致密砂岩气藏规模效益开发提供了技术支撑。
为达到此发明目的，本发明采用以下技术方案：
第一方面，本发明提供一种深薄致密砂岩气藏开发井型确定方法，所述方法包括：
基于油气产量预测模型，分别预测各类型储层的不同井型的油气产量；其中，不同井型包括直井和水平井。
根据所述油气产量，确定各类型储层的不同井型的内部收益率。
根据预测的内部收益率确定各类型储层对应的目标井型，并建立各类型储层与目标井型的关联关系，以根据所述关联关系，确定对目标类型储层的目标区域进行开发的开发井型。
优选地，根据预测的内部收益率确定各类型储层对应的目标井型，并建立各类型储层与目标井型的关联关系，包括：
针对各类型储层，将该类型储层的直井的内部收益率与水平井的内部收益率进行比对。
将内部收益率大的井型作为目标井型，并确定该类型储层与所述目标井型的关联关系。
优选地，所述方法还包括：
对不同井型的地质参数进行统计；其中，直井的地质参数包括有效砂体发育层系、累计有效砂体厚度、砂地比、净毛比和丰度中的至少一项；水平井的地质参数包括水平段钻遇有效砂体长度、水平段砂体钻遇率、导眼井单层连续有效砂厚中的至少一项。
根据不同井型的已知储层类型以及地质参数，建立储层类型判别模型。
优选地，针对位于井点预设范围之外的区域，根据不同井型的已知储层类型以及地质参数，建立储层类型判别模型，包括：
根据不同井型的已知储层类型、地质参数、地震预测砂体厚度以及地震纵横波速度比，建立储层类型判别模型。
优选地，所述方法还包括：
确定目标区域的目标地质参数。
根据所述目标地质参数以及储层类型与地质参数之间的对应关系，确定目标区域储层的目标类型。
优选地，根据预测的内部收益率，确定各类型储层与目标井型的关联关系后，所述方法还包括：
基于各类型储层与目标井型的关联关系，确定目标区域储层的目标类型对应的开发井型，以基于所述开发井型对所述目标区域的储层进行开发。
优选地，油气产量预测模型的确定过程包括：
针对各类型储层的不同井型，根据已生产油井或气井的生产时间以及日产量确定训练样本以及测试样本进行模型训练。
根据模型输出结果与样本期望结果之间的误差确定损失函数对模型进行优化，直到满足精度条件得到油气产量预测模型。
第二方面，本发明提供一种深薄致密砂岩气藏开发井型确定装置，所述装置包括：
油气产量预测模块，用于基于油气产量预测模型，分别预测各类型储层的不同井型的油气产量；其中，不同井型包括直井和水平井。
内部收益率计算模块，用于根据所述油气产量，确定各类型储层的不同井型的内部收益率。
开发井型确定模块，用于根据预测的内部收益率确定各类型储层对应的目标井型，并建立各类型储层与目标井型的关联关系，以根据所述关联关系，确定对目标类型储层的目标区域进行开发的开发井型。
第三方面，本发明提供一种电子设备，所述电子设备包括：
至少一个处理器；以及
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的计算机程序，所述计算机程序被所述至少一个处理器执行，以使所述至少一个处理器能够执行第一方面所述的深薄致密砂岩气藏开发井型确定方法。
第四方面，本发明提供一种计算机可读存储介质，所述计算机可读存储介质存储有计算机指令，所述计算机指令用于使处理器执行时实现第一方面所述的深薄致密砂岩气藏开发井型确定方法。
相对于现有技术，本发明具有以下有益效果：
本发明针对深薄致密砂岩气藏的适宜井型与效益开发等问题，构建了开发井型的确定系统流程与方法；相较于现有技术，本发明综合考虑了各类型储层的不同井型的油气产量与内部收益率，并建立了各类型储层与目标井型的关联关系，提出了一套完整的深薄致密砂岩气藏开发井型确定系统流程与方法。整套方法流程更加规范，考虑因素更加全面，为深薄致密砂岩气藏开发井型的确定提供了依据，为气田效益开发提供了技术支撑。
附图说明
为了更清楚地说明本申请实施例中的技术方案，下面将对实施例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申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1是实施例1提供的深薄致密砂岩气藏开发井型确定方法的流程图；
图2是实施例2提供的方法中多层发育型直井实例图；
图3是实施例2提供的方法中块状厚层型直井实例图；
图4是实施例2提供的方法中叠置连通型直井实例图；
图5是实施例2提供的方法中薄层分散孤立型直井实例图；
图6是实施例2提供的方法中块状厚层型水平井实例图；
图7是实施例2提供的方法中叠置连通型水平井实例图；
图8是实施例2提供的方法中薄层分散孤立型水平井实例图；
图9是实施例2提供的方法中神经网络无因次样本数据拟合优度图；
图10是实施例2提供的方法中储层模式综合分类平面图绘制流程图；
图11是实施例3提供的深薄致密砂岩气藏开发井型确定装置的结构图；
图12是实施例4提供的用于实施深薄致密砂岩气藏开发井型确定方法的电子设备结构示意图。
具体实施方式
为了使本技术领域的人员更好地理解本申请方案，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，显然，所描述的实施例仅仅是本申请一部分的实施例，而不是全部的实施例。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前提下所获得的所有其他实施例，都应当属于本申请保护的范围。
需要说明的是，本申请的说明书和权利要求书及上述附图中的术语“第一”、“第二”、“候选”、“目标”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本申请的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
实施例1
本实施例提供一种深薄致密砂岩气藏开发井型确定方法，该方法可适用于预测不同类型储层的直井与水平井产能，从而判断出不同类型储层适宜的开发井型，该方法可以由深薄致密砂岩气藏开发井型确定装置来执行，该深薄致密砂岩气藏开发井型确定装置可以采用硬件和/或软件的形式实现，该深薄致密砂岩气藏开发井型确定装置可配置于具有深薄致密砂岩气藏开发井型确定能力的电子设备中。
如图1所示，本实施例提供的方法包括：
S101、基于油气产量预测模型，分别预测各类型储层的不同井型的油气产量；其中，不同井型包括直井和水平井。
在步骤S101中，所述油气产量预测模型的确定过程包括：
（1.1）针对各类型储层的不同井型，根据已生产油井或气井的生产时间以及日产量确定训练样本以及测试样本进行模型训练；
（1.2）根据模型输出结果与样本期望结果之间的误差确定损失函数对模型进行优化，直到满足精度条件得到油气产量预测模型。
步骤S101选用神经网络模型挖掘数据之间线性与非线性关系，具备无需实现确定输入数据与输出数据之间映射关系的数据方程，能够仅通过自身的训练优化网络结构并调节各网络节点权重与阈值，从而降低计算误差，直至满足精度要求的优点，包括但不限于BP（Back Propagation，后向传播算法）神经网络模型等。
该神经网络模型的训练过程包括：
步骤A、整理油井或气井生产时间及对应的日产量，并将所述油井或气井生产时间作为输入向量，将所述日产量作为期望向量，所述输入向量与期望向量构成样本数据；
步骤B、将全部样本数据输入神经网络模型中，挖掘输入向量与期望向量之间的映射关系，经过循环迭代，得到训练后的神经网络模型。
在步骤A中，所述样本数据分为训练样本数据、验证样本数据和测试样本数据；所述训练样本数据的数量占比为70%，所述验证样本数据的数量占比为15%，所述测试样本数据的数量占比为15%。
在步骤B中，所述映射关系的挖掘过程为：若将训练样本数据输入神经网络模型后得到的模型准确率、将验证样本数据输入神经网络模型后得到的模型准确率、将测试样本数据输入神经网络模型后得到的模型准确率均大于预设准确率，则完成了输入向量与期望向量之间映射关系的挖掘；否则，增加新的训练样本数据、新的验证样本数据以及新的测试样本数据继续对神经网络模型进行优化。
本实施例中，模型准确率可以是神经网络模型计算结果的准确率，预设准确率可以是预先设定的，确定神经网络模型的正确率符合需要的最小准确率。
具体地，以BP神经网络模型为例，上述训练过程为：将全部样本数据输入BP神经网络中，挖掘输入向量与期望向量之间的线性或非线性关系；将归一化后的样本数据传播至隐含层中进行计算，将计算结果作为输入传递给下一个节点依次计算，直到传播至输出层；若输出层输出的结果与期望向量之间的误差大于误差极限，训练过程则反向传播，误差通过隐含层被反馈到输入层；通过循环迭代，不断对神经网络上各个节点间的权重及阈值进行调整，逐渐降低误差，直到满足精度要求，完成对BP神经网络的训练。
本实施例主要使用MATLAB软件中内置神经网络模块实现数据分析、模型训练及最终的产量预测。
在步骤S101前，所述方法还包括：对不同井型的地质参数进行统计，并根据不同井型的已知储层类型以及地质参数，建立储层类型判别模型。
其中，直井的地质参数包括有效砂体发育层系、累计有效砂体厚度、砂地比、净毛比和丰度中的至少一项；水平井的地质参数包括水平段钻遇有效砂体长度、水平段砂体钻遇率、导眼井单层连续有效砂厚中的至少一项。
针对位于井点预设范围之外的区域，根据不同井型的已知储层类型以及地质参数，建立储层类型判别模型，包括：
根据不同井型的已知储层类型、地质参数、地震预测砂体厚度以及地震纵横波速度比，建立储层类型判别模型。
本实施例中，所述方法还包括：
确定目标区域的目标地质参数；
根据所述目标地质参数以及储层类型与地质参数之间的对应关系，确定目标区域储层的目标类型。
S102、根据所述油气产量，确定各类型储层的不同井型的内部收益率。
为明确不同类型储层适宜的开发井型，需综合分析不同类型储层中直井及水平井EUR与内部收益率。所述内部收益率是评价气井经济效益的重要指标，是指净现值为零时的折现率，且所述净现值与内部收益率之间的关系为：
式中：NPV表示净现值，元；Ii表示气井投产后第i年的现金流入，元；Qi表示气井投产后第i年的现金流出，元；IRR表示气井内部收益率，%；C表示气井综合成本，元。
所述现金流入的计算公式为：
式中：a表示商品率；Mi表示气井第i年阶段累产，m3；P表示气价，元/m3。
所述现金流出的计算公式为：
式中：G为操作成本，元；A为管理费用，元；S为销售费用，元；F为销售税金及附加，元；T为所得税，元；V为息税前利润，元；k1为单位操作成本，元/m3，取0.085；k2为单位管理成本，元/m3，取0.105；k3、k4分别为系数，且k3取5%，k4取6.5%。
所述息税前利润的计算公式为：
式中：H为完全成本，元；U为折旧费（气井综合成本按10年折旧），元。
S103、根据预测的内部收益率确定各类型储层对应的目标井型，并建立各类型储层与目标井型的关联关系，以根据所述关联关系，确定目标区域储层的目标类型对应的开发井型，以基于所述开发井型对所述目标区域的储层进行开发。
在步骤S103中，所述关联关系的建立过程包括：
（3.1）针对各类型储层，将该类型储层的直井的内部收益率与水平井的内部收益率进行比对；
（3.2）将内部收益率大的井型作为目标井型，并确定该类型储层与所述目标井型的关联关系。
本实施例针对深薄致密砂岩气藏的适宜井型与效益开发等问题，构建了开发井型的确定系统流程与方法；相较于现有技术，本实施例综合考虑了各类型储层的不同井型的油气产量与内部收益率，并建立了各类型储层与目标井型的关联关系，提出了一套完整的深薄致密砂岩气藏开发井型确定系统流程与方法。整套方法流程更加规范，考虑因素更加全面，为深薄致密砂岩气藏开发井型的确定提供了依据，为气田效益开发提供了技术支撑。
实施例2
本实施例以鄂尔多斯盆地Q气田QT区块为例，进一步解释具体技术方案的构成。
本实施例中，该区块气藏属深薄致密砂岩气藏，山1段为主力层系，盒8段为次产层。该区块因气藏埋藏较深，山1段气层埋深大于4200m，气井综合成本较高，直井综合成本约1040万元，水平井综合成本约2900万元，气价1.119元/方。该区储层物性较差：井均砂岩厚度27.3m，井均有效砂体厚度6.4m，井均有效砂体钻遇率84.4%，均净毛比19.9%，平均孔隙度6.65%，平均渗透率0.44mD，平均含气饱和度45.4%，水平井水平段平均砂体钻遇长度799m，砂体钻遇率76.2%，水平段平均钻遇有效砂体长度570m，有效砂体钻遇率54.1%。因该区储层物性差，导致气井产量普遍较低，该区块共完钻直井201口，完钻水平井28口，直井平均EUR为1218万方，水平井平均EUR为4350万方。现需明确该区块适宜的开发井型及气井经济效益指标。
首先，基于直井钻遇的四类储层模式判别标准（见表1）及水平井钻遇的三类储层模式判别标准（见表2），划分直井与水平井钻遇的储层模式（见表3）。
表1
表2
表3
其次，将不同类型储层中直井与水平井的气井生产时间与对应的日产气量数据输入神经网络模型中，通过模型训练得到气井生产时间与日产气量之间的映射关系。其中，训练样本数据的数量占比为70%，验证样本数据的数量占比为15%，测试样本数据的数量占比为15%。
在模型训练过程中，若得到的三个模型准确率均大于预设准确率，则确定神经网络模型的计算结果具有较高的准确率，此时完成对神经网络模型的训练；若得到的三个模型准确率中存在至少一个模型准确率小于预设准确率，则确定神经网络模型的计算结果不具备较高的准确率，此时将增加新的训练样本数据、新的验证样本数据以及新的测试样本数据继续对神经网络模型进行优化。
训练结果表明样本数据间具有很强的相关性，训练得到的神经网络模型可以准确描述数据之间的映射关系。训练样本数据、验证样本数据、测试样本数据以及全部样本数据的拟合优度均在99%左右（见图9），拟合误差小，泛化能力强，不存在过度拟合现象，神经网络模型可靠。
基于训练得到的神经网络模型对不同类型储层中直井与水平井的阶段累产及最终可采储量EUR进行预测见下表4。
表4
然后，基于实施例1中内部收益率的计算公式，评价不同类型储层中直井与水平井的经济效益。
如下表5所示，通过对比分析，明确A类-多层发育型储层适宜直井开发，B类-块状厚层型储层适宜水平井开发，C类-叠置连通型储层适宜水平井开发，D类-薄层分散孤立型储层现有经济技术条件下不宜开发（内部收益率<6%）。
表5
最后，基于储层模式综合分类平面图绘制依据，综合不同类型储层平面分布图、地震预测砂体厚度平面图及地震纵横波速度比分布图来绘制储层模式综合分类平面图（见图10），确定不同类型储层面积大小及占比。
如下表6所示，明确A类-多层发育型储层面积46.6km2，占比5.7%；B类-块状厚层型储层面积81.8km2，占比10.0%；C类-叠置连通型储层面积322.9km2，占比39.5%；D类-薄层分散孤立型储层面积366.2km2，占比44.8%。
表6
实施例3
本实施例提供一种深薄致密砂岩气藏开发井型确定装置，如图11所示，所述装置包括：油气产量预测模块201、内部收益率计算模块202和开发井型确定模块203。其中：
油气产量预测模块201，用于基于油气产量预测模型，分别预测各类型储层的不同井型的油气产量；其中，不同井型包括直井和水平井；
内部收益率计算模块202，用于根据所述油气产量，确定各类型储层的不同井型的内部收益率；
开发井型确定模块203，用于根据预测的内部收益率确定各类型储层对应的目标井型，并建立各类型储层与目标井型的关联关系，以根据所述关联关系，确定目标区域储层的目标类型对应的开发井型，以基于所述开发井型对所述目标区域的储层进行开发。
在油气产量预测模块201中，油气产量预测模型的确定过程包括：
针对各类型储层的不同井型，根据已生产油井或气井的生产时间以及日产量确定训练样本以及测试样本进行模型训练；
根据模型输出结果与样本期望结果之间的误差确定损失函数对模型进行优化，直到满足精度条件得到油气产量预测模型。
在开发井型确定模块203中，根据预测的内部收益率确定各类型储层对应的目标井型，并建立各类型储层与目标井型的关联关系，包括：
针对各类型储层，将该类型储层的直井的内部收益率与水平井的内部收益率进行比对；
将内部收益率大的井型作为目标井型，并确定该类型储层与所述目标井型的关联关系。
本实施例提供的装置可执行本发明任意实施例所提供的深薄致密砂岩气藏开发井型确定方法，具备执行方法相应的功能模块和有益效果。
实施例4
本实施例提供一种用于实施深薄致密砂岩气藏开发井型确定方法的电子设备，如图12所示，该电子设备旨在表示各种形式的数字计算机，诸如，膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机以及其它适合的计算机。该电子设备还可以表示各种形式的移动装置，诸如，个人数字处理、蜂窝电话、智能电话、可穿戴设备（如头盔、眼镜、手表等）以及其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例，并且不意在限制本文中描述的和/或者要求的本申请的实现。
如图12所示，电子设备10包括至少一个处理器11，以及与至少一个处理器11通信连接的存储器，如只读存储器（ROM）12、随机访问存储器（RAM）13等，其中，存储器存储有可被至少一个处理器执行的计算机程序，处理器11可以根据存储在只读存储器（ROM）12中的计算机程序或者从存储单元18加载到随机访问存储器（RAM）13中的计算机程序，来执行各种适当的动作和处理。在RAM 13中，还可存储电子设备10操作所需的各种程序和数据。处理器11、ROM 12以及RAM 13通过总线14彼此相连。输入/输出（I/O）接口15也连接至总线14。
电子设备10中的多个部件连接至I/O接口15，包括：输入单元16，例如键盘、鼠标等；输出单元17，例如各种类型的显示器、扬声器等；存储单元18，例如第二存储区域、光盘等；以及通信单元19，例如网卡、调制解调器、无线通信收发机等。通信单元19允许电子设备10通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。
处理器11可以是各种具有处理和计算能力的通用和/或专用处理组件。处理器11的一些示例包括但不限于中央处理单元（CPU）、图形处理单元（GPU）、各种专用的人工智能（AI）计算芯片、各种运行机器学习模型算法的处理器、数字信号处理器（DSP）、以及任何适当的处理器、控制器、微控制器等。处理器11执行上文所描述的各个方法和处理，如深薄致密砂岩气藏开发井型确定方法。
在一些实施例中，深薄致密砂岩气藏开发井型确定方法可被实现为计算机程序，其被有形地包含于计算机可读存储介质，例如存储单元18。在一些实施例中，计算机程序的部分或者全部可以经由ROM 12和/或通信单元19而被载入和/或安装到电子设备10上。当计算机程序加载到RAM 13并由处理器11执行时，可以执行上文描述的深薄致密砂岩气藏开发井型确定方法的一个或多个步骤。备选地，在其他实施例中，处理器11可以通过其他任何适当的方式（例如，借助于固件）而被配置为执行深薄致密砂岩气藏开发井型确定方法。
本文中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、场可编程门阵列（FPGA）、专用集成电路（ASIC）、专用标准产品（ASSP）、芯片上系统的系统（SOC）、负载可编程逻辑设备（CPLD）、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括：实施在一个或者多个计算机程序中，该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释，该可编程处理器可以是专用或者通用可编程处理器，可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令，并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。
用于实施本申请的方法的计算机程序可以采用一个或多个编程语言的任何组合来编写。这些计算机程序可以提供给通用计算机、专用计算机或其他可编程目标确定装置的处理器，使得计算机程序当由处理器执行时使流程图和/或框图中所规定的功能/操作被实施。计算机程序可以完全在机器上执行、部分地在机器上执行，作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
在本申请的上下文中，计算机可读存储介质可以是有形的介质，其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的计算机程序。计算机可读存储介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备，或者上述内容的任何合适组合。备选地，计算机可读存储介质可以是机器可读信号介质。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器（RAM）、只读存储器（ROM）、可擦除可编程只读存储器（EPROM或快闪存储器）、光纤、便捷式紧凑盘只读存储器（CD-ROM）、光学储存设备、磁储存设备、或上述内容的任何合适组合。
为了提供与用户的交互，可以在电子设备上实施此处描述的系统和技术，该电子设备具有：用于向用户显示信息的显示装置（例如，CRT（阴极射线管）或者LCD（液晶显示器）监视器）；以及键盘和指向装置（例如，鼠标或者轨迹球），用户可以通过该键盘和该指向装置来将输入提供给电子设备。其它种类的装置还可以用于提供与用户的交互；例如，提供给用户的反馈可以是任何形式的传感反馈（例如，视觉反馈、听觉反馈、或者触觉反馈）；并且可以用任何形式（包括声输入、语音输入或者、触觉输入）来接收来自用户的输入。
可以将此处描述的系统和技术实施在包括后台部件的计算系统（例如，作为数据服务器）、或者包括中间件部件的计算系统（例如，应用服务器）、或者包括前端部件的计算系统（例如，具有图形用户界面或者网络浏览器的用户计算机，用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互）、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信（例如，通信网络）来将系统的部件相互连接。通信网络的示例包括：局域网（LAN）、广域网（WAN）、区块链网络和互联网。
计算系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器，又称为云计算服务器或云主机，是云计算服务体系中的一项主机产品，以解决了传统物理主机与VPS服务中，存在的管理难度大，业务扩展性弱的缺陷。
应该理解，可以使用上面所示的各种形式的流程，重新排序、增加或删除步骤。例如，本申请中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行，只要能够实现本申请的技术方案所期望的信息，本文在此不进行限制。
申请人声明，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，所属技术领域的技术人员应该明了，任何属于本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到的变化或替换，均落在本发明的保护范围和公开范围之内。
Claims (10)
1.一种深薄致密砂岩气藏开发井型确定方法，其特征在于，所述方法包括：
基于油气产量预测模型，分别预测各类型储层的不同井型的油气产量；其中，不同井型包括直井和水平井；
根据所述油气产量，确定各类型储层的不同井型的内部收益率；
根据预测的内部收益率确定各类型储层对应的目标井型，并建立各类型储层与目标井型的关联关系，以根据所述关联关系，确定对目标类型储层的目标区域进行开发的开发井型。
2.根据权利要求1所述的方法，其特征在于，根据预测的内部收益率确定各类型储层对应的目标井型，并建立各类型储层与目标井型的关联关系，包括：
针对各类型储层，将该类型储层的直井的内部收益率与水平井的内部收益率进行比对；
将内部收益率大的井型作为目标井型，并确定该类型储层与所述目标井型的关联关系。
3.根据权利要求1所述的方法，其特征在于，所述方法还包括：
对不同井型的地质参数进行统计；其中，直井的地质参数包括有效砂体发育层系、累计有效砂体厚度、砂地比、净毛比和丰度中的至少一项；水平井的地质参数包括水平段钻遇有效砂体长度、水平段砂体钻遇率、导眼井单层连续有效砂厚中的至少一项；
根据不同井型的已知储层类型以及地质参数，建立储层类型判别模型。
4.根据权利要求3所述的方法，其特征在于，针对位于井点预设范围之外的区域，根据不同井型的已知储层类型以及地质参数，建立储层类型判别模型，包括：
根据不同井型的已知储层类型、地质参数、地震预测砂体厚度以及地震纵横波速度比，建立储层类型判别模型。
5.根据权利要求3所述的方法，其特征在于，所述方法还包括：
确定目标区域的目标地质参数；
根据所述目标地质参数以及储层类型与地质参数之间的对应关系，确定目标区域储层的目标类型。
6.根据权利要求4所述的方法，其特征在于，根据预测的内部收益率，确定各类型储层与目标井型的关联关系后，所述方法还包括：
基于各类型储层与目标井型的关联关系，确定目标区域储层的目标类型对应的开发井型，以基于所述开发井型对所述目标区域的储层进行开发。
7.根据权利要求1所述的方法，其特征在于，油气产量预测模型的确定过程包括：
针对各类型储层的不同井型，根据已生产油井或气井的生产时间以及日产量确定训练样本以及测试样本进行模型训练；
根据模型输出结果与样本期望结果之间的误差确定损失函数对模型进行优化，直到满足精度条件得到油气产量预测模型。
8.一种深薄致密砂岩气藏开发井型确定装置，其特征在于，所述装置包括：
油气产量预测模块，用于基于油气产量预测模型，分别预测各类型储层的不同井型的油气产量；其中，不同井型包括直井和水平井；
内部收益率计算模块，用于根据所述油气产量，确定各类型储层的不同井型的内部收益率；
开发井型确定模块，用于根据预测的内部收益率确定各类型储层对应的目标井型，并建立各类型储层与目标井型的关联关系，以根据所述关联关系，确定对目标类型储层的目标区域进行开发的开发井型。
9.一种电子设备，其特征在于，所述电子设备包括：
至少一个处理器；以及
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的计算机程序，所述计算机程序被所述至少一个处理器执行，以使所述至少一个处理器能够执行权利要求1-7任一项所述的深薄致密砂岩气藏开发井型确定方法。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有计算机指令，所述计算机指令用于使处理器执行时实现权利要求1-7任一项所述的深薄致密砂岩气藏开发井型确定方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311027687.3A CN116757096B (zh) | 2023-08-16 | 2023-08-16 | 深薄致密砂岩气藏开发井型确定方法、装置、设备及介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311027687.3A CN116757096B (zh) | 2023-08-16 | 2023-08-16 | 深薄致密砂岩气藏开发井型确定方法、装置、设备及介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116757096A true CN116757096A (zh) | 2023-09-15 |
| CN116757096B CN116757096B (zh) | 2024-04-05 |
Family
ID=87948139
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311027687.3A Active CN116757096B (zh) | 2023-08-16 | 2023-08-16 | 深薄致密砂岩气藏开发井型确定方法、装置、设备及介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116757096B (zh) |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105095986A (zh) * | 2015-06-23 | 2015-11-25 | 中国石油天然气股份有限公司 | 多层油藏整体产量预测的方法 |
| CN108596780A (zh) * | 2018-04-28 | 2018-09-28 | 中国石油大学(华东) | 一种基于多元信息的储层类型划分方法及系统 |
| CN108982320A (zh) * | 2018-07-10 | 2018-12-11 | 中国海洋石油集团有限公司 | 一种利用粒度参数进行复杂孔隙结构储层渗透率计算方法 |
| CN110807541A (zh) * | 2018-08-06 | 2020-02-18 | 中国石油天然气股份有限公司 | 一种气藏开发井型的选择方法 |
| CN110929971A (zh) * | 2018-09-20 | 2020-03-27 | 中国石油化工股份有限公司 | 一种多层叠置致密气藏开发方法及井型选择方法 |
| CN111322056A (zh) * | 2020-03-02 | 2020-06-23 | 中国石油大学(北京) | 陆相页岩气开发井型确定方法及装置 |
| US20210026031A1 (en) * | 2019-07-26 | 2021-01-28 | Yangtze University | Dolomite reservoir prediction method and system based on well and seismic combination, and storage medium |
| US20230229981A1 (en) * | 2023-03-27 | 2023-07-20 | Exploration & Production Research Institute of SINOPEC North-China Oil & Gas Company | Star rating management method and system for deployment and implementation of gas field development wells |
-
2023
- 2023-08-16 CN CN202311027687.3A patent/CN116757096B/zh active Active
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105095986A (zh) * | 2015-06-23 | 2015-11-25 | 中国石油天然气股份有限公司 | 多层油藏整体产量预测的方法 |
| CN108596780A (zh) * | 2018-04-28 | 2018-09-28 | 中国石油大学(华东) | 一种基于多元信息的储层类型划分方法及系统 |
| CN108982320A (zh) * | 2018-07-10 | 2018-12-11 | 中国海洋石油集团有限公司 | 一种利用粒度参数进行复杂孔隙结构储层渗透率计算方法 |
| CN110807541A (zh) * | 2018-08-06 | 2020-02-18 | 中国石油天然气股份有限公司 | 一种气藏开发井型的选择方法 |
| CN110929971A (zh) * | 2018-09-20 | 2020-03-27 | 中国石油化工股份有限公司 | 一种多层叠置致密气藏开发方法及井型选择方法 |
| US20210026031A1 (en) * | 2019-07-26 | 2021-01-28 | Yangtze University | Dolomite reservoir prediction method and system based on well and seismic combination, and storage medium |
| CN111322056A (zh) * | 2020-03-02 | 2020-06-23 | 中国石油大学(北京) | 陆相页岩气开发井型确定方法及装置 |
| US20230229981A1 (en) * | 2023-03-27 | 2023-07-20 | Exploration & Production Research Institute of SINOPEC North-China Oil & Gas Company | Star rating management method and system for deployment and implementation of gas field development wells |
Non-Patent Citations (2)
| Title |
|---|
| 王修朝;: "致密砂岩气藏井型优化方法", 大庆石油地质与开发, no. 04 * |
| 苗娟;: "苏里格东区致密气藏井型优化及完井方式优选", 内江科技, no. 08 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116757096B (zh) | 2024-04-05 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US10767448B2 (en) | Multistage oilfield design optimization under uncertainty | |
| CA3010283C (en) | Machine learning for production prediction | |
| CN109115987B (zh) | 一种基于岩石物理模型的流体因子的评价方法及装置 | |
| US20190284910A1 (en) | Systems and methods for optimizing production of unconventional horizontal wells | |
| CN112949901B (zh) | 页岩油藏水平井准自然能量开发方法及系统 | |
| CN116757096B (zh) | 深薄致密砂岩气藏开发井型确定方法、装置、设备及介质 | |
| US20220372873A1 (en) | Estimated ultimate recovery forecasting in unconventional reservoirs based on flow capacity | |
| Xiong et al. | Re-Fracturing Wells Selection by Fuzzy Comprehensive Evaluation Based on Analytic Hierarchy Process—Taking Mahu Oilfield as An Example | |
| CN117823041B (zh) | 地质导向模型的建立方法、装置、电子设备及存储介质 | |
| Nam et al. | Uncertainty quantification of an asset evaluation for an oilfield property incorporating response-surface monte-carlo simulation with stochastic oil price models | |
| CN118643632A (zh) | 致密砂岩气藏气井产能预测方法、装置、设备及存储介质 | |
| CN118640001A (zh) | 一种致密气藏目标气井的绝对无阻流量确定方法及装置 | |
| US20230186184A1 (en) | Estimated ultimate recovery forecasting in unconventional reservoirs | |
| CN118407752A (zh) | 试油井段的含水率确定方法、装置、电子设备及存储介质 | |
| CN118673827A (zh) | 地层正演模型的构建方法、装置、电子设备及存储介质 | |
| XIAO et al. | A method for evaluating the potential of reserve upgrading based on quantitative uncertainty [J] | |
| CN118346265A (zh) | 纵向多层气藏储层产能识别方法、装置、设备及介质 | |
| CN118690493A (zh) | 一种裸眼完井方式下水平井产液量的劈分方法及装置 | |
| CN116881776A (zh) | 一种储层类型确定方法、装置、设备及介质 | |
| CN117874559A (zh) | 一种岩相分类数量的确定方法、装置、设备及存储介质 | |
| CN118227935A (zh) | 测井曲线重构方法、装置、设备及可读介质 | |
| CN117829580A (zh) | 压裂套变风险评估方法、装置、电子设备及存储介质 | |
| Cao et al. | Evaluation of Coalbed Methane Fracturing Effect and Optimization of Engineering Parameters in MD Block | |
| CN118607341A (zh) | 页岩气井产量预测方法、装置、设备以及存储介质 | |
| CN118673626A (zh) | 压裂参数优化方法、装置、电子设备和存储介质 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |