发明内容
有鉴于此,本发明的目的在于提供一种优势渗流通道确定方法、装置、设备及存储介质,能够综合考虑不同注水时期优势渗流通道的影响因素,学习不同阶段影响因素的表征模型,从而实现对优势渗流通道的准确表征。其具体方案如下:
第一方面,本申请公开了一种优势渗流通道确定方法,包括:
获取目标油田区域的物性参数和注水初期生产数据,并根据所述物性参数和所述注水初期生产数据生成第一数据集;其中,所述物性参数包括油井与水井的井间距离、地层的有效厚度和地层的渗透率;所述注水初期生产数据包括初期注水量数据和产液量变化数据;
基于所述第一数据集和第一预设神经网络模型构建静态优势渗流通道表征模型,并获取注水后期生产数据,然后利用所述静态优势渗流通道表征模型和所述注水后期生产数据生成第二数据集;
基于所述第二数据集和第二预设神经网络模型构建动态优势渗流通道表征模型,并基于所述静态优势渗流通道表征模型和所述动态优势渗流通道表征模型确定综合优势渗流通道表征模型;
基于所述综合优势渗流通道表征模型获取所述目标油田区域中各油田井点的井产液量定量值,并基于所述井产液量定量值确定所述目标油田区域的优势渗流通道,然后在预设可视化界面上对所述优势渗流通道进行表征。
可选的,所述获取目标油田区域的物性参数和注水初期生产数据,并根据所述物性参数和所述注水初期生产数据生成第一数据集,包括:
获取物性参数、初期注水量数据和产液量变化数据并进行标准化处理以得到标准物性参数、标准初期注水量数据和标准产液量变化数据;
将所述标准物性参数、所述标准初期注水量数据和所述标准产液量变化数据基于第一预设数据集格式进行整理以得到第一数据集。
可选的,所述基于所述第一数据集和第一预设神经网络模型构建静态优势渗流通道表征模型,包括:
基于所述第一数据集和第一预设学习率对第一预设神经网络模型进行迭代训练,并基于均方差损失函数得到所述第一预设神经网络模型训练过程中的第一损失函数值;
基于所述第一损失函数值,在迭代训练过程中对所述第一预设神经网络模型的模型参数进行调整以得到静态优势渗流通道表征模型。
可选的,所述获取注水后期生产数据,然后利用所述静态优势渗流通道表征模型和所述注水后期生产数据生成第二数据集,包括:
获取注水后期生产数据,并将所述注水后期生产数据中的注入水量数据和所述物性参数中的油水井间距离数据、有效厚度数据和渗透率数据输入至所述静态优势渗流通道表征模型中以得到静态产水量变化预测值;
将所述静态产水量变化预测值和所述注水后期生产数据中的产水变化量值基于第二预设数据集格式进行整理以得到第二数据集。
可选的,所述基于所述第二数据集和第二预设神经网络模型构建动态优势渗流通道表征模型,包括:
基于所述第二数据集和第二预设学习率对第二预设神经网络模型进行迭代训练,并基于均方差损失函数得到所述第二预设神经网络模型训练过程中的第二损失函数值;
基于所述第二损失函数值,在迭代训练过程中对所述第二预设神经网络模型的模型参数进行调整以得到动态优势渗流通道表征模型。
可选的,所述基于所述井产液量定量值确定所述目标油田区域的优势渗流通道,包括:
利用预设邻接差值算法和所述井产液量定量值确定所述目标油田区域中各处对应的油田产液量定量值;
基于所述井产液量定量和所述油田产液量定量值确定所述目标油田区域的优势渗流通道。
可选的,所述利用预设邻接差值算法和所述井产液量定量值确定所述目标油田区域中各处对应的油田产液量定量值,包括:
对所述目标油田区域进行网格化划分,以得到所述目标油田区域对应的网格图;
确定所述网格图中未知点与所述目标油田区域各油田井点对应的欧氏距离;
将所述欧氏距离最小的油田井点确定为所述未知点对应的目标井点,并基于所述目标井点对应的井产液量定量值确定所述未知点对应的井产液量定量值,以得到所述目标油田区域中各处对应的油田产液量定量值。
第二方面,本申请公开了一种优势渗流通道确定装置,包括:
第一数据集确定模块,用于获取目标油田区域的物性参数和注水初期生产数据,并根据所述物性参数和所述注水初期生产数据生成第一数据集;其中,所述物性参数包括油井与水井的井间距离、地层的有效厚度和地层的渗透率;所述注水初期生产数据包括初期注水量数据和产液量变化数据;
第二数据集确定模块,用于基于所述第一数据集和第一预设神经网络模型构建静态优势渗流通道表征模型,并获取注水后期生产数据,然后利用所述静态优势渗流通道表征模型和所述注水后期生产数据生成第二数据集;
综合模型生成模块,用于基于所述第二数据集和第二预设神经网络模型构建动态优势渗流通道表征模型,并基于所述静态优势渗流通道表征模型和所述动态优势渗流通道表征模型确定综合优势渗流通道表征模型;
优势渗流通道确定模块,用于基于所述综合优势渗流通道表征模型获取所述目标油田区域中各油田井点的井产液量定量值,并基于所述井产液量定量值确定所述目标油田区域的优势渗流通道,然后在预设可视化界面上对所述优势渗流通道进行表征。
第三方面,本申请公开了一种电子设备,包括:
存储器,用于保存计算机程序;
处理器,用于执行所述计算机程序以实现前述的优势渗流通道确定方法。
第四方面,本申请公开了一种计算机可读存储介质,用于保存计算机程序,所述计算机程序被处理器执行时实现前述的优势渗流通道确定方法。
可见,本申请中,获取目标油田区域的物性参数和注水初期生产数据,并根据所述物性参数和所述注水初期生产数据生成第一数据集;基于所述第一数据集和第一预设神经网络模型构建静态优势渗流通道表征模型,并获取注水后期生产数据,然后利用所述静态优势渗流通道表征模型和所述注水后期生产数据生成第二数据集;基于所述第二数据集和第二预设神经网络模型构建动态优势渗流通道表征模型,并基于所述静态优势渗流通道表征模型和所述动态优势渗流通道表征模型确定综合优势渗流通道表征模型;基于所述综合优势渗流通道表征模型获取所述目标油田区域中各油田井点的井产液量定量值,并基于所述井产液量定量值确定所述目标油田区域的优势渗流通道,然后在预设可视化界面上对所述优势渗流通道进行表征。即,基于深度学习的多任务学习方法,分别学习注水初期的静态优势渗流通道表征模型,与注水后期的动态优势渗流通道表征模型,最后使用模型融合技术结合它们的结果,建综合优势渗流通道表征模型。这样一来,通过综合考虑不同注水时期优势渗流通道的影响因素,学习不同阶段影响因素的表征模型,可以实现对优势渗流通道的准确表征。
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,都属于本申请保护的范围。
考录到注水后期受生产数据的影响程度逐渐增大,本申请将具体介绍一种可以综合考虑不同注水时期优势渗流通道的影响因素,学习不同阶段影响因素的表征模型,可以实现对优势渗流通道的准确表征。
参见图1所示,本申请实施例公开了一种优势渗流通道确定方法,包括:
步骤S11:获取目标油田区域的物性参数和注水初期生产数据,并根据所述物性参数和所述注水初期生产数据生成第一数据集。
本实施例中,所述物性参数包括油井与水井的井间距离L,地层的有效厚度H,地层的渗透率K;所述注水初期生产数据包括注水井初期注入水量W1、油井的产液量数据中产水变化量值△W1。所述获取目标油田区域的物性参数和注水初期生产数据,并根据所述物性参数和所述注水初期生产数据生成第一数据集,包括:获取物性参数、初期注水量数据和产液量变化数据并进行标准化处理以得到标准物性参数、标准初期注水量数据和标准产液量变化数据;将所述标准物性参数、所述标准初期注水量数据和所述标准产液量变化数据基于第一预设数据集格式进行整理以得到第一数据集。即,将以上5个参数数据标准化,组成一个数据集以得到第一数据集。其中所述第一数据集中每一列为一种参数数据,每一行为一个小层的5个参数。然后将所述第一数据集按比例划分为训练集与测试集,所述训练集与测试集的比例可以根据实际情况进行设置。
步骤S12:基于所述第一数据集和第一预设神经网络模型构建静态优势渗流通道表征模型,并获取注水后期生产数据,然后利用所述静态优势渗流通道表征模型和所述注水后期生产数据生成第二数据集。
本实施例中,所述基于所述第一数据集和第一预设神经网络模型构建静态优势渗流通道表征模型,包括:基于所述第一数据集和第一预设学习率对第一预设神经网络模型进行迭代训练,并基于均方差损失函数得到所述第一预设神经网络模型训练过程中的第一损失函数值;基于所述第一损失函数值,在迭代训练过程中对所述第一预设神经网络模型的模型参数进行调整以得到静态优势渗流通道表征模型。其中,所述第一预设神经网络模型主要由输入层、5个全连接层与一个输出层组成,模型输入数据为油水井间距离L、有效厚度H、渗透率K、注水井初期注入水量W1,维度为(B,4),模型输出为预测的注水初期油井产水量变化,维度为(B,1)。其中B为输入模型的数据行数。换句话说,输入模型的数据维度为(B,4),数据从5个全连接层输出的维度分别为:(B,8),(B,16),(B,16),(B,16),(B,8),最后输出层的维度为(B,1)。静态优势渗流通道表征模型的损失函数使用均方差损失函数lossstatic如下所示:
;
其中,i表示第i个样本,n表示一次输入的样本数量,表示对应第i个样本的实际注水初期油井产水量变化值,/>表示对应第i个样本模型预测的注水初期油井产水量变化值。即,在训练过程中,通过均方差损失函数生成的损失函数值逐渐下降时,改变预设学习率,对所述第一预设神经网络模型的模型参数进行调整,继续训练,在模型训练完成得到静态优势渗流通道表征模型后,可以使用测试集数据对所述静态优势渗流通道表征模型进行测试。
本实施例中,所述获取注水后期生产数据,然后利用所述静态优势渗流通道表征模型和所述注水后期生产数据生成第二数据集,包括:获取注水后期生产数据,并将所述注水后期生产数据中的注入水量数据和所述物性参数中的油水井间距离数据、有效厚度数据和渗透率数据输入至所述静态优势渗流通道表征模型中以得到静态产水量变化预测值;将所述静态产水量变化预测值和所述注水后期生产数据中的产水变化量值基于第二预设数据集格式进行整理以得到第二数据集。即使用注水后期的注水量、产液量变化数据构建第二数据集用于动态优势渗流通道表征模型的训练与测试。首先,先将物性参数包括油水井间距离L、有效厚度H、渗透率K、以及注水井后期注入水量W2放入至所述静态优势渗流通道表征模型中以得到静态产水量变化预测值,然后将所述静态产水量变化预测值与注水后期油井的产水变化量值△W2组成第二数据集。所述数据集的组成结构为:每一列为一种参数数据,每一行为同一个小层的参数。然后将所述第二数据集按比例划分为训练集与测试集,所述训练集与测试集的比例可以根据实际情况进行设置。
步骤S13:基于所述第二数据集和第二预设神经网络模型构建动态优势渗流通道表征模型,并基于所述静态优势渗流通道表征模型和所述动态优势渗流通道表征模型确定综合优势渗流通道表征模型。
本实施例中,所述基于所述第二数据集和第二预设神经网络模型构建动态优势渗流通道表征模型,包括:基于所述第二数据集和第二预设学习率对第二预设神经网络模型进行迭代训练,并基于均方差损失函数得到所述第二预设神经网络模型训练过程中的第二损失函数值;基于所述第二损失函数值,在迭代训练过程中对所述第二预设神经网络模型的模型参数进行调整以得到动态优势渗流通道表征模型。其中,所述第二预设神经网络模型主要由输入层、3个全连接层与1个输出层组成。模型输入数据为所述静态产水量变化预测值,数据维度为(B,1),模型输出为预测的注水后期油井产水量变化,维度为(B,1)。其中B为输入模型的数据行数。换句话说,输入模型的数据维度为(B,1),数据从3个全连接层输出的维度分别为:(B,8),(B,16),(B,8),最后输出层的维度为(B,1)。模型训练时,先将物性参数包括油水井间距离、有效厚度、渗透率、以及注水井后期注入水量放入所述静态优势渗流通道表征模型,由静态优势渗流通道表征模型得到静态产水量变化预测值,再将静态产水量变化预测值输入到动态优势渗流通道表征模型进行训练。动态优势渗流通道表征模型的损失函数同样使用均方差损失函数lossdynamic如下所示:
;
其中,表示对应第i个样本的实际注水后期油井产水量变化值,/>表示对应第i个样本模型预测的注水后期油井产水量变化值。即,在训练过程中,通过均方差损失函数生成的损失函数值逐渐下降时,改变预设学习率,对所述第二预设神经网络模型的模型参数进行调整,继续训练,在模型训练完成得到动态优势渗流通道表征模型后,可以使用测试集数据对所述动态优势渗流通道表征模型进行测试。即,先训练静态优势渗流通道表征模型,用来表征物性参数对优势渗流通道的影响。静态优势渗流通道表征模型训练完成后,使用此模型的输出结果,结合注水后期的产液量数据,训练动态优势渗流通道表征模型,用来表征注水后期生产数据对优势渗流通道的影响。这样一来,通过多任务学习方法训练模型可以保证物性参数与生产数据两类数据能够有效表征优势渗流通道信息,并根据注采阶段灵活使用两个模型。
步骤S14:基于所述综合优势渗流通道表征模型获取所述目标油田区域中各油田井点的井产液量定量值,并基于所述井产液量定量值确定所述目标油田区域的优势渗流通道,然后在预设可视化界面上对所述优势渗流通道进行表征。
本实施例中,基于所述综合优势渗流通道表征模型获取所述目标油田区域中各油田井点的井产液量定量值,即通过静态优势渗流通道表征模型与动态优势渗流通道表征模型计算得来的有生产数据的井点的表征优势渗流通道的定量值。对于研究区没有井点的区域,所述基于所述井产液量定量值确定所述目标油田区域的优势渗流通道,包括:利用预设邻接差值算法和所述井产液量定量值确定所述目标油田区域中各处对应的油田产液量定量值;基于所述井产液量定量和所述油田产液量定量值确定所述目标油田区域的优势渗流通道。所述利用预设邻接差值算法和所述井产液量定量值确定所述目标油田区域中各处对应的油田产液量定量值,包括:对所述目标油田区域进行网格化划分,以得到所述目标油田区域对应的网格图;确定所述网格图中未知点与所述目标油田区域各油田井点对应的欧氏距离;将所述欧氏距离最小的油田井点确定为所述未知点对应的目标井点,并基于所述目标井点对应的井产液量定量值确定所述未知点对应的井产液量定量值,以得到所述目标油田区域中各处对应的油田产液量定量值。其中,需要说明的是,所述预设邻接差值算法包括并不限于最近邻插值算法。通过最近邻插值算法来拟合表征优势渗流通道的定量值,实现研究区内全范围的优势渗流通道表征。即,先将研究区内范围网格化,对于网格内每一个未知点,计算其与所有井点的欧式距离,然后选择距离未知点最近的井点,将未知点的值设置为该井点的值。具体算法如下所示:
;
其中,、/>是网格内的一个未知点的横、纵坐标,/>、/>是第i个井点的横、纵坐标,/>是网格内的一个未知点距离第i个井点的距离。
;
其中,是距离未知点最近的井点的定量值,/>是未知点的定量值。然后根据所述井产液量定量和所述油田产液量定量值确定所述目标油田区域的优势渗流通道。
可见,本实施例中,获取目标油田区域的物性参数和注水初期生产数据,并根据所述物性参数和所述注水初期生产数据生成第一数据集;基于所述第一数据集和第一预设神经网络模型构建静态优势渗流通道表征模型,并获取注水后期生产数据,然后利用所述静态优势渗流通道表征模型和所述注水后期生产数据生成第二数据集;基于所述第二数据集和第二预设神经网络模型构建动态优势渗流通道表征模型,并基于所述静态优势渗流通道表征模型和所述动态优势渗流通道表征模型确定综合优势渗流通道表征模型;基于所述综合优势渗流通道表征模型获取所述目标油田区域中各油田井点的井产液量定量值,并基于所述井产液量定量值确定所述目标油田区域的优势渗流通道,然后在预设可视化界面上对所述优势渗流通道进行表征。即,基于深度学习的多任务学习方法,分别学习注水初期的静态优势渗流通道表征模型,与注水后期的动态优势渗流通道表征模型,最后使用模型融合技术结合它们的结果,建综合优势渗流通道表征模型。这样一来,通过综合考虑不同注水时期优势渗流通道的影响因素,学习不同阶段影响因素的表征模型,可以实现对优势渗流通道的准确表征。
上述实施例对优势渗流通道的确定过程进行了介绍,本实施例将通过具体的例子对上述过程进行介绍。使用A油田的M1砂组为研究目标,实施过程中使用的数据有物性参数与生产数据,其中物性参数包括:油水井间距、地层的效厚度、地层的渗透率,生产数据包括注水井初期注入水量、油井的产液量,注水井后期注入水量、油井的产液量。
参见图2所示,首先构建静态优势渗流通道表征模型的训练数据集与测试数据集。分别统计油井与水井,对每个注水井,计算注水井与周围的油井的距离。计算M1砂组的5个小层的地层的有效厚度,地层的渗透率,整理M1砂组5个小层注水井初期注入水量与油井产液量数据中产水变化量值。将以上5个参数数据标准化,整理为第一数据集,数据结构为每一列为一种参数数据,每一行为一个小层的5个参数。5个参数的顺序为:油水井间距离、有效厚度、渗透率、水井初期注入水量、油井产水变化量值。将样本量的80%设置为训练集,样本量的20%设置为测试集。
构建如图3所示的静态优势渗流通道表征模型,用于表征注水初期物性参数为主控因素下的优势渗流通道。模型的深度学习网络结构主要由输入层、5个全连接层与一个输出层组成,模型输入训练集数据,包括油水井间距离、有效厚度、渗透率、注水井初期注入水量,维度为(32,4),数据从5个全连接层输出的维度分别为:(32,8),(32,16),(32,16),(32,16),(32,8),模型输出为预测的注水初期油井产水量变化,维度为(32,1)。模型训练步骤为:模型训练1000轮,每轮训练模型读入32个样本的数据,前500轮学习率设置为0.001,观察到损失函数值逐渐下降,后500轮学习率设置为0.0001,使迭代速率降低,缓慢微调模型参数。模型训练完成后,使用测试集数据测试模型效果。
构建动态优势渗流通道表征模型的训练数据集与测试数据集。将第一数据集的油水井间距离、有效厚度、渗透率,以及水井后期注入水量数据全部输入到静态优势渗流通道表征模型,得到静态产水量变化预测值,将静态产水量变化预测值与注水后期油井的产水变化量值整理为第二数据集。数据结构为每一列为一种参数数据,每一行为一个小层的2个参数。参数的顺序为:静态产水量变化预测值、注水后期油井的产水变化量值。将样本量的80%设置为训练集,样本量的20%设置为测试集。
构建如图4所示的动态优势渗流通道表征模型,用于表征注水后期开发因素为主控因素的优势渗流通道。模型的深度学习网络结构主要由输入层、3个全连接层与一个输出层组成。模型输入为步骤(3)中构建数据集中的训练集数据,包括静态产水量变化预测值,维度为(64,1),数据从3个全连接层输出的维度分别为:(64,8),(64,16),(64,8),模型输出为预测的注水后期油井产水量变化,维度为(64,1)。模型训练步骤为:模型训练2000轮,每轮训练模型读入64个样本的数据,前1000轮学习率设置为0.0001,观察到损失函数值逐渐下降,后1000轮学习率设置为0.00001,使迭代速率降低,缓慢微调模型参数。模型训练完成后,使用测试集数据测试模型效果。
构建如图5所示的综合优势渗流通道表征模型,通过该模型输入生产数据与物性参数,实现优势渗流通道的智能表征。综合静态优势渗流通道表征模型对应的静态预测模型结果与动态优势渗流通道表征模型的动态预测模型结果,通过注水后油井产水量变化判断优势渗流通道,数值越大,判定其属于优势渗流通道的概率越大。如图6所示,对研究区范围内的1口水井,通过综合优势渗流通道表征模型计算其周围6口油井预计的产水量变化,分析其分布范围,从而划定优势渗流通道的分布范围,其中,6个oil为油井,1个water井点为注水井,图内颜色深度代表产水量变化值,颜色越深代表值越低,颜色越浅代表值越高,白色代表高值。由图可知,油井oil-1、oil-2在注水井water-1的优势渗流通道上。
参考图7所述,本申请实施例还相应公开了一种优势渗流通道确定装置,包括:
第一数据集确定模块11,用于获取目标油田区域的物性参数和注水初期生产数据,并根据所述物性参数和所述注水初期生产数据生成第一数据集;其中,所述物性参数包括油井与水井的井间距离、地层的有效厚度和地层的渗透率;所述注水初期生产数据包括初期注水量数据和产液量变化数据;
第二数据集确定模块12,用于基于所述第一数据集和第一预设神经网络模型构建静态优势渗流通道表征模型,并获取注水后期生产数据,然后利用所述静态优势渗流通道表征模型和所述注水后期生产数据生成第二数据集;
综合模型生成模块13,用于基于所述第二数据集和第二预设神经网络模型构建动态优势渗流通道表征模型,并基于所述静态优势渗流通道表征模型和所述动态优势渗流通道表征模型确定综合优势渗流通道表征模型;
优势渗流通道确定模块14,用于基于所述综合优势渗流通道表征模型获取所述目标油田区域中各油田井点的井产液量定量值,并基于所述井产液量定量值确定所述目标油田区域的优势渗流通道,然后在预设可视化界面上对所述优势渗流通道进行表征。
本申请中,基于深度学习的多任务学习方法,分别学习注水初期的静态优势渗流通道表征模型,与注水后期的动态优势渗流通道表征模型,最后使用模型融合技术结合它们的结果,建综合优势渗流通道表征模型。这样一来,通过综合考虑不同注水时期优势渗流通道的影响因素,学习不同阶段影响因素的表征模型,可以实现对优势渗流通道的准确表征。
在一些具体的实施例中,所述第一数据集确定模块11,具体可以包括:
数据标准化单元,用于获取物性参数、初期注水量数据和产液量变化数据并进行标准化处理以得到标准物性参数、标准初期注水量数据和标准产液量变化数据;
数据整理单元,用于将所述标准物性参数、所述标准初期注水量数据和所述标准产液量变化数据基于第一预设数据集格式进行整理以得到第一数据集。
在一些具体的实施例中,所述第二数据集确定模块12,具体可以包括:
第一模型训练单元,用于基于所述第一数据集和第一预设学习率对第一预设神经网络模型进行迭代训练,并基于均方差损失函数得到所述第一预设神经网络模型训练过程中的第一损失函数值;
第一模型确定单元,用于基于所述第一损失函数值,在迭代训练过程中对所述第一预设神经网络模型的模型参数进行调整以得到静态优势渗流通道表征模型。
在一些具体的实施例中,所述第二数据集确定模块12,具体可以包括:
变化预测值获取单元,用于获取注水后期生产数据,并将所述注水后期生产数据中的注入水量数据和所述物性参数中的油水井间距离数据、有效厚度数据和渗透率数据输入至所述静态优势渗流通道表征模型中以得到静态产水量变化预测值;
数据确定单元,用于将所述静态产水量变化预测值和所述注水后期生产数据中的产水变化量值基于第二预设数据集格式进行整理以得到第二数据集。
在一些具体的实施例中,所述综合模型生成模块13,具体可以包括:
第二模型训练单元,用于基于所述第二数据集和第二预设学习率对第二预设神经网络模型进行迭代训练,并基于均方差损失函数得到所述第二预设神经网络模型训练过程中的第二损失函数值;
第二模型确定单元,用于基于所述第二损失函数值,在迭代训练过程中对所述第二预设神经网络模型的模型参数进行调整以得到动态优势渗流通道表征模型。
在一些具体的实施例中,所述优势渗流通道确定模块14,具体可以包括:
定量值确定子模块,用于利用预设邻接差值算法和所述井产液量定量值确定所述目标油田区域中各处对应的油田产液量定量值;
优势渗流通道生成单元,用于基于所述井产液量定量和所述油田产液量定量值确定所述目标油田区域的优势渗流通道。
在一些具体的实施例中,所述定量值确定子模块,具体可以包括:
网格划分单元,用于对所述目标油田区域进行网格化划分,以得到所述目标油田区域对应的网格图;
距离确定单元,用于确定所述网格图中未知点与所述目标油田区域各油田井点对应的欧氏距离;
液量定量值计算单元,用于将所述欧氏距离最小的油田井点确定为所述未知点对应的目标井点,并基于所述目标井点对应的井产液量定量值确定所述未知点对应的井产液量定量值,以得到所述目标油田区域中各处对应的油田产液量定量值。
进一步的,本申请实施例还公开了一种电子设备,图8是根据一示例性实施例示出的电子设备20结构图,图中的内容不能认为是对本申请的使用范围的任何限制。
图8为本申请实施例提供的一种电子设备20的结构示意图。该电子设备 20,具体可以包括:至少一个处理器21、至少一个存储器22、电源23、通信接口24、输入输出接口25和通信总线26。其中,所述存储器22用于存储计算机程序,所述计算机程序由所述处理器21加载并执行,以实现前述任一实施例公开的优势渗流通道确定方法中的相关步骤。另外,本实施例中的电子设备20具体可以为电子计算机。
本实施例中,电源23用于为电子设备20上的各硬件设备提供工作电压;通信接口24能够为电子设备20创建与外界设备之间的数据传输通道,其所遵循的通信协议是能够适用于本申请技术方案的任意通信协议,在此不对其进行具体限定;输入输出接口25,用于获取外界输入数据或向外界输出数据,其具体的接口类型可以根据具体应用需要进行选取,在此不进行具体限定。
另外,存储器22作为资源存储的载体,可以是只读存储器、随机存储器、磁盘或者光盘等,其上所存储的资源可以包括操作系统221、计算机程序222等,存储方式可以是短暂存储或者永久存储。
其中,操作系统221用于管理与控制电子设备20上的各硬件设备以及计算机程序222,其可以是Windows Server、Netware、Unix、Linux等。计算机程序222除了包括能够用于完成前述任一实施例公开的由电子设备20执行的优势渗流通道确定方法的计算机程序之外,还可以进一步包括能够用于完成其他特定工作的计算机程序。
进一步的,本申请还公开了一种计算机可读存储介质,用于存储计算机程序;其中,所述计算机程序被处理器执行时实现前述公开的优势渗流通道确定方法。关于该方法的具体步骤可以参考前述实施例中公开的相应内容,在此不再进行赘述。
本说明书中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其它实施例的不同之处,各个实施例之间相同或相似部分互相参见即可。对于实施例公开的装置而言,由于其与实施例公开的方法相对应,所以描述的比较简单,相关之处参见方法部分说明即可。
专业人员还可以进一步意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、计算机软件或者二者的结合来实现,为了清楚地说明硬件和软件的可互换性,在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本申请的范围。
结合本文中所公开的实施例描述的方法或算法的步骤可以直接用硬件、处理器执行的软件模块,或者二者的结合来实施。软件模块可以置于随机存储器(RAM)、内存、只读存储器(ROM)、电可编程ROM、电可擦除可编程ROM、寄存器、硬盘、可移动磁盘、CD-ROM、或技术领域内所公知的任意其它形式的存储介质中。
最后,还需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,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、物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、物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,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
以上对本申请所提供的技术方案进行了详细介绍,本文中应用了具体个例对本申请的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本申请的方法及其核心思想;同时,对于本领域的一般技术人员,依据本申请的思想,在具体实施方式及应用范围上均会有改变之处,综上所述,本说明书内容不应理解为对本申请的限制。