CN116910638A - 一种基于大数据的优势渗流通道智能识别方法 - Google Patents

一种基于大数据的优势渗流通道智能识别方法 Download PDF

Info

Publication number
CN116910638A
CN116910638A CN202310630989.3A CN202310630989A CN116910638A CN 116910638 A CN116910638 A CN 116910638A CN 202310630989 A CN202310630989 A CN 202310630989A CN 116910638 A CN116910638 A CN 116910638A
Authority
CN
China
Prior art keywords
data
dominant
production
well
oil
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
CN202310630989.3A
Other languages
English (en)
Inventor
任燕龙
侯亚伟
刘英宪
安玉华
王刚
周海燕
郑金定
杨青
暴赫
王鹏
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.)
CNOOC China Ltd Tianjin Branch
Original Assignee
CNOOC China Ltd Tianjin Branch
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 CNOOC China Ltd Tianjin Branch filed Critical CNOOC China Ltd Tianjin Branch
Priority to CN202310630989.3A priority Critical patent/CN116910638A/zh
Publication of CN116910638A publication Critical patent/CN116910638A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • 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
    • E21B47/06—Measuring temperature or pressure
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/22—Matching criteria, e.g. proximity measures
    • 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
    • G06N3/0499—Feedforward networks
    • 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)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Mining & Mineral Resources (AREA)
  • Geology (AREA)
  • Biomedical Technology (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Geophysics (AREA)
  • Environmental & Geological Engineering (AREA)
  • Fluid Mechanics (AREA)
  • Biophysics (AREA)
  • Health & Medical Sciences (AREA)
  • General Life Sciences & Earth Sciences (AREA)
  • Geochemistry & Mineralogy (AREA)
  • Investigation Of Foundation Soil And Reinforcement Of Foundation Soil By Compacting Or Drainage (AREA)

Abstract

本发明公开了一种基于大数据的优势渗流通道智能识别方法，包括对收集油藏的静态地质数据、动态开发数据和动态监测数据进行数据处理；对处理后的数据进行数据质量分析并建立样本数据库；依据样本数据库，进行平面井间连通性分析，井间压力响应分析，识别平面优势通道；依据样本数据库，进行纵向层间产、吸规律研究，预测小层产、吸液比例和含水率，识别纵向优势层位；基于识别的平面优势通道和纵向优势层位综合识别采油井和注水井之间各层的优势渗流通道。本发明充分利用油田动、静态资料等实际数据，利用多种数据分析方法自动化综合识别采油井和注水井间优势渗流通道。

Description

一种基于大数据的优势渗流通道智能识别方法
技术领域
本发明涉及油田开发与开采技术领域，特别涉及一种基于大数据的优势渗流通道智能识别方法。
背景技术
水驱开发是油田的主要开发方式。在注入水的长期冲刷下，受储层非均质性、油水流度比及注采不均衡等因素的影响，储层中形成了大量优势渗流通道，导致了注入水无效循环和油井暴性水淹等问题。提高注入水的利用率，成为实现水驱油藏效益开发关键。而这个关键的核心就是识别水驱优势渗流通道。但目前的方法并不能准确识别优势通道，且依赖采油井和注水井的产吸剖面测试结果，造成识别成本高。特别是海上油田受作业环境限制，相关资料录取困难，优势渗流通道认识不清，后期综合调整难度持续加大。
目前，常规的优势渗流通道识别方法主要有井间示踪剂识别方法、试井资料识别方法、测井资料识别方法，但常规方法大多数是通过单项指标，依据经验判断，缺乏综合性和系统性。此外，上述方法成本高、难度大，必须通过相关的生产作业才能取得。国内诸多学者和石油科技工作者为了解决水驱油藏特高含水期出现的大量注水低效无效循环生产问题，对水驱优势渗流通道、大孔道形成机理、识别方法技术进行了大量研究和探索，应用数学原理解决油藏工程的实际问题，形成了数学与油藏工程结合的识别方法，具体数学方法有模糊数学算法、灰色关联法、神经网络算法、层次分析法等，应用上述方法进行优势通道识别可以较系统的得到优势通道存在的井位、层位，但由于模糊综合评价方法自身存在缺陷、大孔道参数计算没有体现大孔道中流体流动的非线性特性等原因造成优势渗流通道识别还没有真正达到定量程度。同时识别过程对油田生产动态资料的利用不足。
发明内容
为了弥补现有技术的不足，本发明提供了一种基于大数据的优势渗流通道智能识别方法，以解决上述背景技术中提出的问题。
为实现上述目的，本申请提供如下技术方案：
一种基于大数据的优势渗流通道智能识别方法，包括以下步骤：
S1.对收集油藏的静态地质数据、动态开发数据和动态监测数据进行数据处理；
S2.对步骤S1中处理后的数据进行数据质量分析并建立样本数据库；
S3.依据样本数据库，进行平面井间连通性分析，井间压力响应分析，识别平面优势通道；
S4.依据样本数据库，进行纵向层间产、吸规律研究，预测小层产、吸液比例和含水率，识别纵向优势层位；
S5.基于步骤S3识别的平面优势通道和步骤S4识别的纵向优势层位综合识别采油井和注水井之间各层的优势渗流通道。
进一步地，静态地质数据包括：小层的完井垂厚、防砂段垂厚、有效孔隙度、渗透率、有效含油饱和度、干粘土含量、湿粘土含量、预测地层压力和原油粘度；动态开发数据包括：采油井的井底流动压力、日产油量、日产液比例、日产水量、日产气量、含水率和生产气油比，注水井的注入压力和日注入量；动态监测数据包括：产、吸液剖面测试结果。
进一步地，步骤S1具体包括：
S11.规范化处理，将防砂段的小层的静态地质数据按照厚度加权平均，得到整个防砂段的综合地质属性；
S12.标准化处理，消除不同数据之间的量级差异。
进一步地，步骤S3具体包括：
S31.选取样本数据库中的注水井注入压力和采油井井底流动压力作为数据基础；
S32.应用数据标准化方法与动态时间规整算法进行DTW距离计算，得到注水井注入压力与采油井井底流动压力时间序列曲线的DTW距离；
S33.利用DTW距离识别注水井组的平面优势通道。
进一步地，步骤S4具体包括：
S41.在样本数据库中选取预测模型的输入参数；
S42.建立预测模型：基于BP神经网络将输入参数和产、吸液剖面测试结果建立非线性函数关系，基于量子进化算法使预测结果趋向全局最优解；
S43.验证预测模型：采用交叉验证法将样本数据库的数据集随机分为训练集和测试集，计算预测模型平均训练误差至误差合格；
S44.利用预测模型预测无产、吸液剖面测试的采油井和注水井的各小层产、吸液比例和含水率，根据各小层产、吸液比例和含水率的预测值识别纵向优势层位。
进一步地，步骤S41中输入参数包括：7个静态输入参数，分别是小层的完井垂厚、有效孔隙度、渗透率、有效含油饱和度、干粘土含量、湿粘土含量、地层流动系数；2个构造输入参数，分别是渗透率与最大渗透率比值、孔隙度与最大孔隙度比值；1个采油井输入参数，预测地层压力与采油井井底流动压力的差值；1个注水井输入参数，注水井注入压力与预测地层压力的差值。
进一步地，步骤S5中综合识别的指标包括：平面DTW距离、小层产液比例、小层含水率和小层吸水比例。
进一步地，步骤S2中数据质量分析步骤是：将实际开井天数未超过一年或近期三个月未开井的采油井和注水井的数据从处理后的数据中剔除，对剩余处理后的数据建立样本数据库。
综上，本发明的技术效果和优点：
本方法充分利用油田动、静态资料等实际数据，采用油藏工程方法和油藏大数据分析技术进行采油井和注水井的产、吸液剖面预测和井间连通性分析，形成优势渗流通道的定量识别方法；本方法将无产、吸液剖面的采油井和注水井作为测试井，利用大数据方法建立了无产、吸液剖面测试结果的预测模型，实现了无产、吸液剖面测试井的结果预测，测试误差低，减少测试成本，降低油田开发成本；本方法利用多种数据分析方法自动化综合识别采油井和注水井间优势渗流通道。
附图说明
为了更清楚地说明本申请实施例或现有技术中的技术方案，下面将对实施例或现有技术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是本申请的一些实施例，对于本领域技术人员来讲，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为本发明一实施例中人工智能识别方法的流程示意图；
图2为本发明一实施例中建立和验证预测模型的流程示意图；
图3为本发明一实施例中平面优势通道识别结果；
图4为本发明一实施例中建立的预测模型误差变化曲线；
图5为本发明一实施例中建立的预测模型的预测结果与实际测试对比图；
图6为本发明一实施例中建立的预测模型的预测结果；
图7为本发明一实施例中优势渗流通道识别结果。
具体实施方式
下面将结合本发明实施例中的附图，对本发明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发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，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，都属于本发明保护的范围。
此外，下面所描述的本发明不同实施方式中所涉及的技术特征只要彼此之间未构成冲突就可以相互结合。
以海上水驱砂岩油藏为实施案例，开展本发明的具体实施方式说明。本实施例提供一种基于大数据的优势渗流通道智能识别方法，如图1-7所示，包括：
S1.对收集油藏的静态地质数据、动态开发数据和动态监测数据进行数据处理。静态地质数据包括：小层的完井垂厚、防砂段垂厚、有效孔隙度、渗透率、有效含油饱和度、干粘土含量、湿粘土含量、预测地层压力和原油粘度；动态开发数据包括：采油井的井底流动压力、日产油量、日产液比例、日产水量、日产气量、含水率和生产气油比，注水井的注入压力和日注入量；动态监测数据包括：产、吸液剖面测试结果，即小层或防砂段的产、吸液量比例。
步骤S1具体包括：
S11.规范化处理，将防砂段的小层的静态地质数据按照厚度加权平均，得到整个防砂段的综合地质属性。考虑到部分动态监测数据如产、吸液剖面测试是每个防砂段的对应测试结果，但是一个防砂段通常包含多个小层，为后续建立预测模型时输入参数和产、吸液量比例之间的非线性函数关系，因此将防砂段的小层的静态地质数据按照厚度加权平均，从而得到整个防砂段的综合地质属性。以小层渗透率K计算为例进行说明，假设该防砂段有m个小层，计算公式为：
其中，K为防砂段的平均渗透率，单位mD；Ki为防砂段内第i个小层的渗透率，单位mD；hi为防砂段内第i个小层的垂厚，单位m；i为防砂段内第i个小层，最大值为m。
S12.标准化处理，消除不同数据之间的量级差异。考虑到不同的特征参数通常具有不同的量纲，且有较大的数量级差异，如果直接用未标准化的数据建立预测模型，会导致预测结果过度依靠数量级大的某一特征，使得预测精度较差，因此需要对特征参数进行标准差标准化处理，计算公式为：
其中，x*为标准化之后的特征；x为标准化之前的特征；x为特征的均值；σ为特征的标准差。
本实施例中共收集到160口采油井和120口注水井的静态地质、动态开发的数据，其中73口采油井和84口注水井收集到了产、吸液剖面测试结果。
S2.对步骤S1中处理后的数据进行数据质量分析，并对数据质量分析后的数据建立样本数据库。将实际开井天数未超过一年或近期三个月未开井的采油井和注水井的数据从处理后的数据中剔除，对剩余处理后的数据建立反映真实动态的样本数据库。本实施例中样本数据库包括150口采油井和102口注水井的静态地质、动态开发的数据，其中73口采油井和84口注水井含有产、吸液剖面测试结果。
S3.依据样本数据库，进行平面井间连通性分析，井间压力响应分析，识别平面优势通道；
步骤S3具体包括：
S31.由于注水井和采油井之间压力的响应速度快，且受其他因素干扰较少，因此选取样本数据库中的注水井注入压力和采油井井底流动压力作为数据基础，样本数据库内的数据均是经过步骤S1规范化和标准化处理后的数据；
S32.应用数据标准化方法与动态时间规整算法(DTW)进行DTW距离计算，得到注水井注入压力与采油井井底流动压力时间序列曲线的DTW距离；计算公式为：
DTW(Q,C)＝γ(m,n)
式中，DTW(Q,C)为注水井注水压力序列Q和采油井井底流动压力序列C之间的规整路径W中最优规整路径所对应的距离；γ(m,n)为序列间(1,1)到(m,n)路径上累计距离的最小值，m为注水井注水压力序列Q的长度；n为采油井井底流动压力序列C的长度；
其中，γ(m,n)计算公式为：
d(qi,cj)＝(qi-cj)2
γ(1,1)＝d(q1,c1)＝(q1-c1)2
γ(i,j)＝d(qi,cj)+min{γ(i-1,j-1),γ(i-1,j),γ(i,j-1)}
γ(i,1)＝d(qi,c1)+γ(i-1,1)
γ(1,j)＝d(q1,cj)+γ(1,j-1)
γ(i,j)＝d(qi,cj)+min{γ(i-1,j-1),γ(i-1,j),γ(i,j-1)}
i＝2,3,…,m j＝2,3,…,n
其中，qi为注水井注水压力序列Q中第i个元素；cj为采油井井底流动压力序列C中第j个元素；d(qi,cj)为qi与cj之间的局部距离；γ(i,j)为序列间从(1,1)到(i,j)路径上局部距离的累计距离。
S33.利用DTW距离量化注水井注入压力曲线与采油井井底流动压力曲线的相似度，识别注水井组的平面优势通道。本实施例以样本数据库的W1井组为例，展示计算得到的注水井注水压力与采油井井底流动压力时间序列曲线的DTW距离，见表1。本实施例中P1、P2、P3、P4、P5、P6实际对应的井号为P1-D28ST1、P2-D34ST3、P3-D49ST1、P4-G44、P5-G54H、P6-M14S1。W1井组的平面优势通道识别结果如图3所示。从表1和图3中可以发现W1井与P4、P5井井间发育平面优势通道。
表1DTW距离计算结果
S4.依据样本数据库，进行纵向层间产、吸规律研究，预测小层产、吸液比例和含水率，识别纵向优势层位。
步骤S4具体包括：
S41.在样本数据库中选取预测模型的输入参数。输入参数均是经过步骤S1规范化和标准化处理后的数据，其作为BP神经网络的输入数据。
油田生产实际中，使用产、吸液剖面测试来确定采油井或注水井的纵向优势层位。因此纵向优势层位识别的重点对象为无产、吸液剖面测试的采油井或注水井。首先选取与小层产、吸液剖面相关的动态、静态参数，包括小层的完井垂厚、有效孔隙度、渗透率、有效含油饱和度、干粘土含量、湿粘土含量、采油井井底流压、注水井注入压力、预测地层压力和原油粘度，共10个原始参数。结合渗流理论的基础达西公式，将粘度与渗透率、小层的完井垂厚合并为地层流动系数作为预测模型的一个输入参数；将预测地层压力与采油井井底流压的差值、注水井注入压力与预测地层压力的差值也作为预测模型的一个输入参数。同时考虑到产、吸液剖面受层间非均质性差异的影响较大，增加渗透率与所有小层中最大渗透率比值、孔隙度与所有小层中最大孔隙度比值作为构造输入参数。
最终形成预测模型的7个静态输入参数，分别是小层的完井垂厚、有效孔隙度、渗透率、有效含油饱和度、干粘土含量、湿粘土含量、地层流动系数，2个构造输入参数，分别是渗透率与最大渗透率比值和孔隙度与最大孔隙度比值；1个采油井输入参数，预测地层压力与采油井井底流压的差值；1个注水井输入参数，注水井注入压力与预测地层压力的差值。
S42.建立预测模型：预测模型采用BP神经网络较强的非线性映射能力和量子进化算法强大的局部和全局寻优能力剖析出动、静态数据资料中的内在规律和特征，将输入参数和产、吸液剖面测试结果建立非线性函数关系。通过嵌套循环使得BP神经网络的权重与阈值最大程度地满足所有油、水井的产、吸液剖面测试结果，再通过量子进化算法使预测结果趋向全局最优解。
S43.验证预测模型：预测模型建立后，采用交叉验证法将样本数据库的数据集按一定的比例(例如4：1)随机分为训练集和测试集，计算预测模型平均训练误差至误差合格，例如平均训练误差小于2％，即认为预测模型可靠，保存训练所得的模型参数。
S44.使用预测模型，将无产、吸液剖面测试井(采油井或注水井)的7个静态输入参数、2个构造输入参数和1个采油井输入参数或1个注入井输入参数输入预测模型，利用预测模型输出预测井的预测参数，即各小层产、吸液比例和含水率，根据各小层产、吸液比例和含水率的预测值识别纵向优势层位。
本实施例的具体实施中BP神经网络架构由一个输入层、一个隐含层、一个输出层组成，其中隐藏层的节点数为50，隐藏神经元均采用“tansig”传递函数，输出层的神经元则采用“purelin”线性传递函数。设置量子进化算法的迭代步数为2000，每一代种群个数为20。通过不断迭代，最终所得模型对油井平均训练误差为1.30％，对水井平均训练误差为1.32％，误差变化曲线如图4所示。从训练误差分析，预测模型达到精度要求，其中P6井的实际测试与预测结果对比如图5所示。
最终使用预测模型预测所有无产、吸液剖面测试井的产、吸液剖面测试结果，即各小层产、吸液比例和含水率。样本数据库W1井组的P4采油井的预测结果见图6。
S5.基于步骤S3识别的平面优势通道和步骤S4识别的纵向优势层位，根据全区流场特征参数，建立综合判别标准，来综合识别采油井和注水井之间各层的优势渗流通道，从而指导油田调整，例如精细注水、稳油控水等。步骤S3为基于平面根据压力响应识别优势通道，步骤S4为纵向上根据预测模型识别优势层位。本实施例的综合识别的指标见表2，主要包括：平面DTW距离、小层产液比例、小层含水率和小层吸水比例。通过综合分析方法和平面、纵向的识别结果，判别出注水井W1井在1小层和4小层与采油井P4-G44井间存在优势渗流通道，在1小层与采油井P5-G54H井间存在优势渗流通道，如图7所示，即未来调驱重点对象为1小层和4小层。
表2综合判别标准
本实施例充分利用油田动、静态资料等实际数据，采用油藏工程方法和油藏大数据分析技术进行采油井和注水井的产、吸液剖面预测和井间连通性分析，从而快速、准确识别采油井主要产液层位和来水方向以及注水井主要注水层位、注水方向，最终形成优势渗流通道的定量识别方法。本实施例将无产、吸液剖面的采油井和注水井作为测试井，利用大数据方法建立了无产、吸液剖面测试结果的预测模型，实现了无产、吸液剖面测试井的结果预测，测试误差低，减少测试成本，降低油田开发成本；本方法利用多种数据分析方法自动化综合识别采油井和注水井间优势渗流通道。
本实施例可将研究成果进行软件化编程，将数据处理、模型建立、优化算法集成处理并模块化，将数据分析可视化，通过主界面调用各功能模块，使得整个流程清晰明了。
最后应说明的是：以上仅为本发明的优选实施例而已，并不用于限制本发明，尽管参照前述实施例对本发明进行了详细的说明，对于本领域的技术人员来说，其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换,凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (8)

1.一种基于大数据的优势渗流通道智能识别方法，其特征在于，包括以下步骤：
S1.对收集油藏的静态地质数据、动态开发数据和动态监测数据进行数据处理；
S2.对步骤S1中处理后的数据进行数据质量分析并建立样本数据库；
S3.依据样本数据库，进行平面井间连通性分析，井间压力响应分析，识别平面优势通道；
S4.依据样本数据库，进行纵向层间产、吸规律研究，预测小层产、吸液比例和含水率，识别纵向优势层位；
S5.基于步骤S3识别的平面优势通道和步骤S4识别的纵向优势层位综合识别采油井和注水井之间各层的优势渗流通道。
2.根据权利要求1所述的基于大数据的优势渗流通道智能识别方法，其特征在于，静态地质数据包括：小层的完井垂厚、防砂段垂厚、有效孔隙度、渗透率、有效含油饱和度、干粘土含量、湿粘土含量、预测地层压力和原油粘度；动态开发数据包括：采油井的井底流动压力、日产油量、日产液比例、日产水量、日产气量、含水率和生产气油比，注水井的注入压力和日注入量；动态监测数据包括：产、吸液剖面测试结果。
3.根据权利要求2所述的基于大数据的优势渗流通道智能识别方法，其特征在于，步骤S1具体包括：
S11.规范化处理，将防砂段的小层的静态地质数据按照厚度加权平均，得到整个防砂段的综合地质属性；
S12.标准化处理，消除不同数据之间的量级差异。
4.根据权利要求2所述的基于大数据的优势渗流通道智能识别方法，其特征在于，步骤S3具体包括：
S31.选取样本数据库中的注水井注入压力和采油井井底流动压力作为数据基础；
S32.应用数据标准化方法与动态时间规整算法进行DTW距离计算，得到注水井注入压力与采油井井底流动压力时间序列曲线的DTW距离；
S33.利用DTW距离识别注水井组的平面优势通道。
5.根据权利要求2所述的基于大数据的优势渗流通道智能识别方法，其特征在于，步骤S4具体包括：
S41.在样本数据库中选取预测模型的输入参数；
S42.建立预测模型：基于BP神经网络将输入参数和产、吸液剖面测试结果建立非线性函数关系，基于量子进化算法使预测结果趋向全局最优解；
S43.验证预测模型：采用交叉验证法将样本数据库的数据集随机分为训练集和测试集，计算预测模型平均训练误差至误差合格；
S44.利用预测模型预测无产、吸液剖面测试的采油井和注水井的各小层产、吸液比例和含水率，根据各小层产、吸液比例和含水率的预测值识别纵向优势层位。
6.根据权利要求5所述的基于大数据的优势渗流通道智能识别方法，其特征在于，步骤S41中输入参数包括：7个静态输入参数，分别是小层的完井垂厚、有效孔隙度、渗透率、有效含油饱和度、干粘土含量、湿粘土含量、地层流动系数；2个构造输入参数，分别是渗透率与最大渗透率比值、孔隙度与最大孔隙度比值；1个采油井输入参数，预测地层压力与采油井井底流动压力的差值；1个注水井输入参数，注水井注入压力与预测地层压力的差值。
7.根据权利要求6所述的基于大数据的优势渗流通道智能识别方法，其特征在于，步骤S5中综合识别的指标包括：平面DTW距离、小层产液比例、小层含水率和小层吸水比例。
8.根据权利要求1所述的基于大数据的优势渗流通道智能识别方法，其特征在于，步骤S2中数据质量分析步骤是：将实际开井天数未超过一年或近期三个月未开井的采油井和注水井的数据从处理后的数据中剔除，对剩余处理后的数据建立样本数据库。
CN202310630989.3A 2023-05-31 2023-05-31 一种基于大数据的优势渗流通道智能识别方法 Pending CN116910638A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310630989.3A CN116910638A (zh) 2023-05-31 2023-05-31 一种基于大数据的优势渗流通道智能识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310630989.3A CN116910638A (zh) 2023-05-31 2023-05-31 一种基于大数据的优势渗流通道智能识别方法

Publications (1)

Publication Number Publication Date
CN116910638A true CN116910638A (zh) 2023-10-20

Family

ID=88361690

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310630989.3A Pending CN116910638A (zh) 2023-05-31 2023-05-31 一种基于大数据的优势渗流通道智能识别方法

Country Status (1)

Country Link
CN (1) CN116910638A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117422001A (zh) * 2023-12-19 2024-01-19 东北石油大学三亚海洋油气研究院 一种优势渗流通道确定方法、装置、设备及存储介质
CN117808986A (zh) * 2024-01-08 2024-04-02 成都北方石油勘探开发技术有限公司 一种水驱油藏优势通道识别量化方法

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117422001A (zh) * 2023-12-19 2024-01-19 东北石油大学三亚海洋油气研究院 一种优势渗流通道确定方法、装置、设备及存储介质
CN117422001B (zh) * 2023-12-19 2024-04-02 东北石油大学三亚海洋油气研究院 一种优势渗流通道确定方法、装置、设备及存储介质
CN117808986A (zh) * 2024-01-08 2024-04-02 成都北方石油勘探开发技术有限公司 一种水驱油藏优势通道识别量化方法

Similar Documents

Publication Publication Date Title
CN109447532B (zh) 一种基于数据驱动的油藏井间连通性确定方法
CN116910638A (zh) 一种基于大数据的优势渗流通道智能识别方法
CN108573320B (zh) 页岩气藏最终可采储量的计算方法和系统
Zakharov et al. Predicting dynamic formation pressure using artificial intelligence methods
Du et al. The connectivity evaluation among wells in reservoir utilizing machine learning methods
CN115345378B (zh) 一种基于机器学习的页岩气井产量评价方法
CN104462859A (zh) 油气资源可采系数确定方法
Brantson et al. Forecasting of horizontal gas well production decline in unconventional reservoirs using productivity, soft computing and swarm intelligence models
CN115438823A (zh) 一种井壁失稳机制分析与预测方法及系统
Sen et al. Inter-well connectivity detection in CO2 WAG projects using statistical recurrent unit models
CN114638401A (zh) 一种基于历史及预测油藏知识的剩余油分布预测方法及装置
US20230196089A1 (en) Predicting well production by training a machine learning model with a small data set
CN115563856A (zh) 一种基于XGBoost与CV交叉函数的多层合采产液剖面劈分方法
CN116384554A (zh) 机械钻速预测方法、装置、电子设备及计算机存储介质
Hou et al. Data-driven optimization of brittleness index for hydraulic fracturing
CN114357887A (zh) 一种基于bp神经网络的复杂井况钻前泥浆漏失预测方法
CN115618750B (zh) 一种基于耦合神经网络的地下油水渗流代理模型
US20230316152A1 (en) Method to predict aggregate caliper logs using logging-while-drilling data
Clar* et al. Data-driven approach to optimize stimulation design in eagle ford formation
Rafiei Improved oil production and waterflood performance by water allocation management
CN114528767A (zh) 基于嵌入式图神经网络的井间动态连通性预测方法及系统
CN111706323A (zh) 一种综合gwo-lssvm算法的水淹层精细解释评价方法
CN113344729B (zh) 一种基于小样本学习的剩余油挖潜方法
Gu et al. Deep-Learning-Based Production Decline Curve Analysis in the Gas Reservoir through Sequence Learning Models [J]
RU2300632C1 (ru) Способ оценки дебита горизонтальной скважины

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