CN117473847A - 地下储气库地层压力确定方法、系统、电子设备及存储介质 - Google Patents
地下储气库地层压力确定方法、系统、电子设备及存储介质 Download PDFInfo
- Publication number
- CN117473847A CN117473847A CN202210841714.XA CN202210841714A CN117473847A CN 117473847 A CN117473847 A CN 117473847A CN 202210841714 A CN202210841714 A CN 202210841714A CN 117473847 A CN117473847 A CN 117473847A
- Authority
- CN
- China
- Prior art keywords
- injection
- production
- gas
- pressure
- bottom hole
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 71
- 238000002347 injection Methods 0.000 claims abstract description 334
- 239000007924 injection Substances 0.000 claims abstract description 334
- 238000004519 manufacturing process Methods 0.000 claims abstract description 311
- 230000015572 biosynthetic process Effects 0.000 claims abstract description 76
- 238000012549 training Methods 0.000 claims abstract description 20
- 238000012545 processing Methods 0.000 claims abstract description 13
- 238000004364 calculation method Methods 0.000 claims description 15
- 230000015654 memory Effects 0.000 claims description 14
- 238000004422 calculation algorithm Methods 0.000 claims description 12
- 239000011159 matrix material Substances 0.000 claims description 12
- 230000007246 mechanism Effects 0.000 claims description 11
- 238000010276 construction Methods 0.000 claims description 7
- 238000012795 verification Methods 0.000 claims description 6
- 238000005259 measurement Methods 0.000 claims description 5
- 230000001186 cumulative effect Effects 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 3
- 238000013507 mapping Methods 0.000 claims description 2
- 238000009825 accumulation Methods 0.000 claims 1
- 238000010200 validation analysis Methods 0.000 claims 1
- 239000007789 gas Substances 0.000 description 173
- VNWKTOKETHGBQD-UHFFFAOYSA-N methane Chemical compound C VNWKTOKETHGBQD-UHFFFAOYSA-N 0.000 description 14
- 239000003345 natural gas Substances 0.000 description 7
- 230000008569 process Effects 0.000 description 7
- 239000000243 solution Substances 0.000 description 7
- 238000010586 diagram Methods 0.000 description 4
- 238000012986 modification Methods 0.000 description 4
- 230000004048 modification Effects 0.000 description 4
- 238000012216 screening Methods 0.000 description 4
- 230000002159 abnormal effect Effects 0.000 description 3
- 238000004590 computer program Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 239000003209 petroleum derivative Substances 0.000 description 2
- 230000001932 seasonal effect Effects 0.000 description 2
- 230000004913 activation Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Classifications
-
- 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
-
- E—FIXED CONSTRUCTIONS
- E21—EARTH DRILLING; MINING
- E21B—EARTH DRILLING, e.g. DEEP 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
-
- E—FIXED CONSTRUCTIONS
- E21—EARTH DRILLING; MINING
- E21B—EARTH DRILLING, e.g. DEEP DRILLING; OBTAINING OIL, GAS, WATER, SOLUBLE OR MELTABLE MATERIALS OR A SLURRY OF MINERALS FROM WELLS
- E21B49/00—Testing the nature of borehole walls; Formation testing; Methods or apparatus for obtaining samples of soil or well fluids, specially adapted to earth drilling or wells
Abstract
本发明公开了一种地下储气库地层压力确定方法及系统,该方法包括如下步骤:A、获取并处理储气库历史生产动态数据,该历史数据包括注、采气基础数据,井底流压以及地层压力;B、度量注采井井底流压时间序列和地层压力时间序列相似度,选取与地层压力时间序列相似度最高的注采井,计算该注采井的注采指数;C、构建注采井井底流压、注采指数时间序列预测模型,并利用历史数据以及计算出的注采指数进行模型训练;D、通过下一周期注采井的计划注、采气基础数据,预测注采井下一注采周期的井底流压、注采指数;E、依据同一时刻井底流压、注采指数预测值以及计划注气量或采气量计算该时刻的地层压力,确定下一周期地下储气库注采运行的地层压力。本发明可通过预测和进一步计算地层压力,评价下一周期注采计划的合理性。
Description
技术领域
本发明涉及石油天然气领域,特别涉及一种地下储气库地层压力确定方法、系统、电子设备及存储介质。
背景技术
储气库用于储存天然气等战略性能源,能够解决季节性用气不均衡等难题。储气库运行过程伴随着注采井的注气过程和采气过程的往复循环,地下储气库发挥季节性消费和应急调峰作用,是防止能源供应意外中断下的安全措施。鉴于储气库运行涉及到往复式的天然气注入和采出过程,对地层压力的确定可提高储气库运行的安全性和实用性。
发明人经调查发现,现有技术中确定地层压力的对象通常是天然油气藏,对于已转化为储气储层的地下储气库尚未涉及。天然油气藏是从可开采的自然资源中生产石油和天然气的地下地质构造,地下储气库是地下地质构造被转换为天然气储存设施,相对于天然油气藏的衰竭式开采,地下储气库注采运行具有明显的周期性,地层压力变化亦具有周期性特点。
中国专利申请CN112112639A公开了一种凝析气藏循环注气条件下地层压力确定方法及系统,地层压力确定包括以下步骤:1)获取凝析气藏地质特征参数及开发动态数据;2)根据凝析气藏地质特征参数、开发动态数据与地层压力的对应关系得到实时的地层压力。该方法能够准确确定地层压力,实时监控凝析气开采过程中凝析气藏的地层压力,避免大量的凝析气析出为凝析油后损失在地层中。但是该现有技术涉及的是天然气油气藏,并不适用本发明的地下储气库地层压力确定。
因此,亟需一种地下储气库地层压力确定方法,使其适应地下储气库注采井往复循环的注气和采气过程。
公开于该背景技术部分的信息仅仅旨在增加对本发明的总体背景的理解,而不应当被视为承认或以任何形式暗示该信息构成已为本领域一般技术人员所公知的现有技术。
发明内容
本发明的目的在于提供一种地下储气库地层压力确定方法,通过DTW算法度量注采井井底流压时间序列与地层压力时间序列相似度,选取相似度最高的注采井,通过构建注采井井底流压、注采指数时间序列预测模型,可确定下一周期地下储气库注采运行的地层压力,评价下一周期注采计划的合理性。
为实现上述目的,根据本发明的第一方面,本发明提供了一种地下储气库地层压力确定方法,包括如下步骤:A、获取并处理储气库历史生产动态数据,该历史数据包括注、采气基础数据,井底流压以及地层压力;B、度量注采井井底流压时间序列和地层压力时间序列相似度,选取与地层压力时间序列相似度最高的注采井,计算该注采井的注采指数;C、构建注采井井底流压、注采指数时间序列预测模型,并利用历史数据以及计算出的注采指数进行模型训练;D、通过下一周期注采井的计划注、采气基础数据,预测注采井下一注采周期的井底流压、注采指数;E、依据同一时刻井底流压、注采指数预测值以及计划注气量或采气量计算该时刻的地层压力,确定下一周期地下储气库注采运行的地层压力。
进一步,上述技术方案中,步骤A中的注、采气基础数据可包括:注气量、采气量、注气时长以及采气时长;历史数据的处理可以为经过归一化处理将数值映射至[0-1]之间。
进一步,上述技术方案中,步骤B中的注采井井底流压时间序列和地层压力时间序列相似度可以通过DTW算法进行度量。
进一步,上述技术方案中,步骤B中的相似度的度量可具体包括:B1、设注采井井底流压时间序列数据集为Y=(Y1,Y2,…,Yl);地层压力时间序列为Pe=(p1,p2,…,pi,…,pm);任意单井井底流压时间序列为Pwf=(y1,y2,…,yj,…,yn)且取自所述数据集Y;其中,l为注采井数量,m、n为时间序列维度;B2、通过DTW算法构建距离矩阵、计算累计距离并获取最优规整路径对应的最短距离DTW(Pe,Pwf),通过度量井底流压时间序列数据集Y中每一单井井底流压时间序列Pwf与地层压力时间序列Pe的相似度,获取最短距离数据集。
进一步,上述技术方案中,步骤B2可具体包括:B21、构建距离矩阵Dm×n,矩阵中元素(i,j)为点pi与点yj之间的距离,元素(i,j)的计算方法为:d(pi,yj)=(pi-yj)2;B22、计算累计距离γ(i,j),γ(i,j)表示在距离矩阵Dm×n中从(0,0)到(i,j)路径上局部距离的累计距离,累计距离γ(i,j)计算方法为:
B23、获取最优规整路径对应的最短距离DTW(Pe,Pwf)=min{γ(m,n)};B24、重复步骤B21至B23,度量井底流压时间序列数据集Y中每一单井井底流压时间序列Pwf与地层压力时间序列Pe的相似度,获取最短距离数据集。
进一步,上述技术方案中,步骤B中的选取与地层压力时间序列相似度最高的注采井,计算该注采井的注采指数可以具体为:选取最短距离数据集中数值最小的注采井,计算该注采井的注采指数J,注采指数计算方法如下:
其中,J为注采指数,Qg为注气量或采气量,Pe为地层压力,Pwf为井底流压。
进一步,上述技术方案中,步骤C中的注采井井底流压、注采指数时间序列预测模型可基于LSTM门控机制进行构建,通过预测模型进行异常值剔除;井底流压时间序列预测模型的输入参数为注气量Qpro、采气量Qinj、注气时长Tpro、采气时长Tinj;输出参数为井底流压Ywf;注采指数时间序列预测模型的输入参数为注气量Qpro、采气量Qinj、注气时长Tpro、采气时长Tinj;输出参数为注采指数J。
进一步,上述技术方案中,预测模型的样本集可按照储气库注采周期划分训练集和验证集。
进一步,上述技术方案中,可通过如下方式对预测模型进行评估验证:
其中,m表示所述验证集数据数量,yi、分别表示真实值、预测值和平均值。
进一步,上述技术方案中,步骤E中的下一周期地下储气库注采运行的地层压力可依据对应时刻的井底流压、注采指数预测值以及下一周期的计划注气量和采气量计算,计算可分为注气阶段和采气阶段,计算方法如下:
注气阶段:其中,在注气阶段Qg为注气量;
采气阶段:其中,在采气阶段Qg为采气量。
根据本发明的第二方面,本发明提供了一种地下储气库地层压力确定系统,包括:历史数据获取模块,其用于获取并处理储气库历史生产动态数据,该历史数据包括注、采气基础数据,井底流压以及地层压力;度量计算模块,其用于度量注采井井底流压时间序列和地层压力时间序列相似度,选取与地层压力时间序列相似度最高的注采井,计算该注采井的注采指数;模型构建及训练模块,其用于构建注采井井底流压、注采指数时间序列预测模型,并利用历史数据以及计算出的注采指数进行模型训练;参数预测模块,其用于通过下一周期注采井的计划注、采气基础数据,预测注采井下一注采周期的井底流压、注采指数;地层压力确定模块,其用于依据同一时刻井底流压、注采指数预测值以及计划注气量或采气量计算该时刻的地层压力,确定下一周期地下储气库注采运行的地层压力。
根据本发明的第三方面,本发明提供了一种电子设备,其包括:至少一个处理器;以及与至少一个处理器通信连接的存储器;其中,存储器存储有可被至少一个处理器执行的指令,指令被至少一个处理器执行,以使至少一个处理器执行如上述技术方案中任意一项的地下储气库地层压力确定方法。
根据本发明的第四方面,本发明提供了一种非暂态计算机可读存储介质,非暂态计算机可读存储介质存储有计算机可执行指令,计算机可执行指令用于使计算机执行如上述技术方案中任意一项的地下储气库地层压力确定方法。
与现有技术相比,本发明具有如下一个或多个有益效果:
1)本发明创造性地将地层压力与井底流压进行单独关联,比较两者时间序列的相似性,从而选取具有代表性的注采井;
2)本发明基于DTW算法进行注采井的筛选,不仅计算效率较高且可有效提高判断的准确性;
3)本发明通过进一步引入注采井的注采指数,弥补了常规机器学习方法预测地层压力缺乏渗流理论支撑的缺陷;
4)本发明在提供确定地层压力方法的同时,亦给出地下储气库注采井井底流压和注采指数的预测方法;
5)本发明可依据下一周期计划注气量或者采气量来确定地层压力,实现简单,计算高效,有效保证该注采计划时地下储气库运行的平稳性,且可验证下一周期计划注采方案的可行性。
上述说明仅为本发明技术方案的概述,为了能够更清楚地了解本发明的技术手段并可依据说明书的内容予以实施,同时为了使本发明的上述和其他目的、技术特征以及优点更加易懂,以下列举一个或多个优选实施例,并配合附图详细说明如下。
附图说明
图1是根据本发明实施例1地下储气库地层压力确定方法的流程示意图。
图2是本发明实施例1根据DTW算法度量井底流压和地层压力时间序列相似度的示意图。
图3是根据本发明实施例2地下储气库地层压力确定系统的结构示意图。
图4是根据本发明实施例5地下储气库地层压力确定设备的硬件结构示意图。
具体实施方式
下面结合附图,对本发明的具体实施方式进行详细描述,但应当理解本发明的保护范围并不受具体实施方式的限制。
除非另有其他明确表示,否则在整个说明书和权利要求书中,术语“包括”或其变换如“包含”或“包括有”等等将被理解为包括所陈述的元件或组成部分,而并未排除其他元件或其他组成部分。
在本文中,为了描述的方便,可以使用空间相对术语,诸如“下面”、“下方”、“下”、“上面”、“上方”、“上”等,来描述一个元件或特征与另一元件或特征在附图中的关系。应理解的是,空间相对术语旨在包含除了在图中所绘的方向之外物件在使用或操作中的不同方向。例如,如果在图中的物件被翻转,则被描述为在其他元件或特征“下方”或“下”的元件将取向在元件或特征的“上方”。因此,示范性术语“下方”可以包含下方和上方两个方向。物件也可以有其他取向(旋转90度或其他取向)且应对本文使用的空间相对术语作出相应的解释。
在本文中,术语“第一”、“第二”等是用以区别两个不同的元件或部位,并不是用以限定特定的位置或相对关系。换言之,在一些实施例中,术语“第一”、“第二”等也可以彼此互换。
下面以具体实施例的方式更详细地说明本发明的方法、系统、电子设备及存储介质,应了解的是,实施例仅为示例性的,本发明并不以此为限。
本发明的地下储气库地层压力确定方法不同于现有的天然气油气藏地层压力确定过程,可以适应地下储气库注采井往复循环的注气和采气过程。一座储气库可包含数十口注采井,注采井坐落于储气库不同部位,如构造中心高部位、边缘部位。经发明人研究发现,储气库地层压力的变化是由于所有注采井的注气和采气工作引起的,不同部位注采井承担的注气和采气工作量有较大的差异,相比构造边缘部位注采井,构造中心高部位注采井的注气和采气工作更为频繁。因而依靠单一注采井评价地层压力,需要经过有效筛选。井底流压是对储气库注气和采气工作反映在储层层面最直观的解释,因此,通过研究并度量井底流压和地层压力时间序列相似度,可以筛选出两者相似度最高的某一注采井,这也是筛选评价地层压力的关键一步。进而通过构建注采井井底流压、注采指数时间序列预测模型,可确定下一周期地下储气库注采运行的地层压力,从而评价下一周期注采井的计划制度的合理性。
实施例1
如图1所示,本发明的地下储气库地层压力确定方法,包括如下步骤:
步骤S101,获取并处理储气库历史生产动态数据,该历史数据包括注、采气基础数据,井底流压以及地层压力。
具体地,本实施例的历史生产动态数据是指储气库生产历年每个月的数据,为时间序列数据。包括储气库中每个单井的注气量Qpro、采气量Qinj、注气时长Tpro、采气时长Tinj、井底流压Pwf以及地层压力Pe等。其中,注气量Qpro、采气量Qinj、注气时长Tpro、采气时长Tinj界定为本步骤中的注、采气基础数据。为了便于历史数据的后续使用(即模型训练时使用),本实施例将所有历史生产动态数据先进行预处理,即经过数据归一化处理使数值映射到[0-1]之间,具体计算如下:
其中,x*为归一化参数数值,xmin,xmax为分别为归一化参数的最小值和最大值。
发明人经研究发现,上述注、采气基础数据,井底流压以及注采指数均与地层压力密切相关,特别是井底流压与计算出的注采指数指标对地层压力的确定有着至关重要的影响。
步骤S102,度量注采井井底流压时间序列和地层压力时间序列相似度,选取与地层压力时间序列相似度最高的注采井,计算该注采井的注采指数。
这里需要说明的是:参与储气库生产的单井数量较多,但根据注采气计划,每个注采周期注采最频繁、注采量最大的单井都不是唯一的(例如构造中心高部位的不同单井),发明人经研究发现,这样的单井对地层压力的评估和确定起了决定性的作用。因此,通过比较每个单井的井底流压时间序列和地层压力时间序列相似度,可以筛选出本注采周期中两个时间序列相似度最高的曲线,而将这个注采井的“注、采气基础数据”作为后续预测模型的输入参数,进行井底流压和注采指数的预测,进而计算并确定下一注采周期的地层压力。
进一步地,优选而非限制性地,本步骤中的注采井井底流压时间序列和地层压力时间序列相似度可通过DTW算法进行度量。即采用动态时间规整(Dynamic Time Warping,DTW)算法度量本步骤中的井底流压时间序列和地层压力时间序列相似度,选取相似度最高的注采井(例如图2中的某一W-6注采井的井底流压和地层压力的时间序列曲线),计算该注采井的注采指数。
具体地,本实施例采用DTW算法对两个时间序列相似度的度量具体包括:
步骤S1021,设注采井井底流压时间序列数据集为Y=(Y1,Y2,…,Yl);地层压力时间序列为Pe=(p1,p2,…,pi,…,pm);任意单井井底流压时间序列为Pwf=(y1,y2,…,yj,…,yn),任意单井井底流压时间序列取自数据集Y。其中,l为注采井数量,m、n为时间序列维度。
步骤S1022,通过DTW算法构建距离矩阵、计算累计距离并获取最优规整路径对应的最短距离DTW(Pe,Pwf),通过度量井底流压时间序列数据集Y中每一单井井底流压时间序列Pwf与地层压力时间序列Pe的相似度,获取最短距离数据集(即相似度最高的注采井数据)。
进一步地,步骤S1022具体包括:
步骤S1022A,构建距离矩阵Dm×n,该距离矩阵Dm×n中的元素(i,j)为点pi与点yj之间的距离,元素(i,j)的计算方法为:d(pi,yj)=(pi-yj)2;
步骤S1022B,计算累计距离γ(i,j),γ(i,j)表示在距离矩阵Dm×n中从(0,0)到(i,j)路径上局部距离的累计距离,累计距离γ(i,j)计算方法为:
步骤S1022C,获取最优规整路径对应的最短距离DTW(Pe,Pwf)=min{γ(m,n)};
步骤S1022D,重复前述步骤S1022A至S1022C,度量井底流压时间序列数据集Y中每一单井井底流压时间序列Pwf与地层压力时间序列Pe的相似度,获取最短距离数据集。
步骤S1023,选取最短距离数据集中数值最小的注采井,计算该注采井的注采指数J,注采指数计算方法如下:
其中,J为注采指数,Qg为该注采井的注气量或采气量,Pe为地层压力,Pwf为该注采井的井底流压。
至此,通过步骤S101和S102,本实施例已将获取的所有注采井的历史数据通过DTW算法找到过往每一周期(本实施例可以是一段预设时间,例如1个月)的井底流压时间序列Pwf与地层压力时间序列Pe相似度最高的注采井,并计算出该过往每一周期该注采井的注采指数,可为后续两个预测模型提供模型训练使用的输入、输出数据。
步骤S103,构建注采井(即前述步骤S102中筛选出的两个时间序列相似度最高的注采井)井底流压、注采指数时间序列预测模型,并利用历史数据以及计算出的注采指数进行模型训练。
本步骤中采用长短期记忆(Long Short-Term Memory,简称LSTM)构建注采井井底流压、注采指数时间序列预测模型,运用LSTM的门控机制,即通过输入门、输出门以及遗忘门更新迭代数据和传递信息。具体地,
输入门通过如下公式(4)表示:
it=σ(Wi·[ht-1,xt]+bi)
输出门通过如下公式(5)表示:
ot=σ(Wo·[ht-1,xt]+bo)
ht=ot*tanh(Ct) 公式(5);
遗忘门通过如下公式(6)表示:
ft=σ(Wf·[ht-1,xt]+bf) 公式(6);
其中ft、it、ot分别表示遗忘门、输入们、输出门;σ和tanh为激活函数,取值[0,1];xt、ht分别表示时间t时的输入和输出;Ct表示时间t时的细胞状态;W和b为参数矩阵。
本步骤基于上述LSTM的门控机制构建筛选出的注采井井底流压、注采指数时间序列预测模型,模型的构建流程如下:
首先,建立模型样本集,包括前述筛选出的注采井注气量Qpro、采气量Qinj、注气时长Tpro、采气时长Tinj、井底流压Ywf以及注采指数J,这些数据都是筛选出的注采井过往每一周期的数据(也即LSTM的门控机制中t时刻的输入、输出),可按照储气库注采周期划分为训练集和验证集;
其次,基于LSTM的门控机制创建井底流压时间序列预测模型,模型输入特征参数(即门控机制中的xt)为注气量Qpro、采气量Qinj、注气时长Tpro、采气时长Tinj,输出参数(即门控机制中的ht)为井底流压Ywf;通过数据的更新迭代以及传递,将井底流压时间序列预测模型中的异常值进行剔除;
再次,基于LSTM的门控机制创建注采指数时间序列预测模型,模型输入特征参数(也即门控机制中的xt)为注气量Qpro、采气量Qinj、注气时长Tpro、采气时长Tinj,输出参数(也即门控机制中的ht)为注采指数J;通过数据的更新迭代以及传递,将注采指数时间序列预测模型中的异常值进行剔除;
最后,针对预测模型进行评估验证,评估指标采用R-Squared(R2),计算方法如下:
其中,m表示验证集数据数量,yi、分别表示真实值、预测值和平均值。
至此,注采井井底流压、注采指数时间序列预测模型的训练和测试验证过程结束,此时可以利用两个模型分别预测该注采井下一注采周期的井底流压和注采指数。
步骤S104,确定下一周期该注采井的计划注气量、采气量、注气时长、采气时长(即计划的注、采气基础数据),预测注采井下一注采周期的井底流压、注采指数。
步骤S105,依据同一时刻井底流压、注采指数预测值以及计划注气量或采气量计算该时刻的地层压力,从而确定该周期(即下一周期)地下储气库注采运行的地层压力。
具体地,下一周期地下储气库注采运行的地层压力依据对应时刻的井底流压、注采指数预测值以及下一周期的计划注气量和采气量计算,分为注气阶段和采气阶段,计算方法如下:
注气阶段:
其中,在注气阶段,公式(8)中的Qg为注气量;
采气阶段:
其中,在采气阶段,公式(9)中的Qg为采气量。
本实施例创造性地将地层压力与井底流压进行单独关联,比较两者时间序列的相似性,从而选取具有代表性的注采井;基于DTW算法进行注采井的筛选,实验证明,不仅计算效率较高且可有效提高判断的准确性;本实施例通过进一步引入注采井的注采指数,弥补了常规机器学习方法预测地层压力缺乏渗流理论支撑的缺陷;本实施例在提供确定地层压力方法的同时,亦给出地下储气库注采井井底流压和注采指数的预测方法;本实施例可依据下一周期计划注气量或者采气量来确定地层压力,实现简单,计算高效,有效保证该注采计划时地下储气库运行的平稳性,且可验证下一周期计划注采方案的可行性。
实施例2
结合图3所示,本实施例提供了一种地下储气库地层压力确定系统,包括:历史数据获取模块201、度量计算模块202、模型构建及训练模块203、参数预测模块204以及地层压力确定模块205。其中,历史数据获取模块201用于获取并处理储气库历史生产动态数据,该历史数据包括注、采气基础数据,井底流压以及地层压力;度量计算模块202用于度量注采井井底流压时间序列和地层压力时间序列相似度,选取与地层压力时间序列相似度最高的注采井,计算该注采井的注采指数;模型构建及训练模块203用于构建注采井井底流压、注采指数时间序列预测模型,并利用历史数据以及计算出的注采指数进行模型训练;参数预测模块204用于通过下一周期注采井的计划注、采气基础数据,预测注采井下一注采周期的井底流压、注采指数;地层压力确定模块205用于依据同一时刻井底流压、注采指数预测值以及计划注气量或采气量计算该时刻的地层压力,确定下一周期地下储气库注采运行的地层压力。
本发明实施例2的地下储气库地层压力确定系统为与方法实施例1对应的虚拟装置,其能带来的相应技术效果与本发明实施例1相同,在此不再赘述。
实施例3
本实施例提供了一种非暂态(非易失性)计算机存储介质,所述计算机存储介质存储有计算机可执行指令,该计算机可执行指令可执行上述实施例1中的方法并实现相同的技术效果,该方法包括:A、获取并处理储气库历史生产动态数据,该历史数据包括注、采气基础数据,井底流压以及地层压力;B、度量注采井井底流压时间序列和地层压力时间序列相似度,选取与地层压力时间序列相似度最高的注采井,计算该注采井的注采指数;C、构建注采井井底流压、注采指数时间序列预测模型,并利用历史数据以及计算出的注采指数进行模型训练;D、通过下一周期注采井的计划注、采气基础数据,预测注采井下一注采周期的井底流压、注采指数;E、依据同一时刻井底流压、注采指数预测值以及计划注气量或采气量计算该时刻的地层压力,确定下一周期地下储气库注采运行的地层压力。
实施例4
本实施例提供了一种计算机程序产品,计算机程序产品包括存储在非暂态计算机可读存储介质上的计算机程序,计算机程序包括程序指令,当程序指令被计算机执行时,使计算机执行以上实施例1的方法,并实现相同的技术效果,即:A、获取并处理储气库历史生产动态数据,该历史数据包括注、采气基础数据,井底流压以及地层压力;B、度量注采井井底流压时间序列和地层压力时间序列相似度,选取与地层压力时间序列相似度最高的注采井,计算该注采井的注采指数;C、构建注采井井底流压、注采指数时间序列预测模型,并利用历史数据以及计算出的注采指数进行模型训练;D、通过下一周期注采井的计划注、采气基础数据,预测注采井下一注采周期的井底流压、注采指数;E、依据同一时刻井底流压、注采指数预测值以及计划注气量或采气量计算该时刻的地层压力,确定下一周期地下储气库注采运行的地层压力。
实施例5
图4是本实施例5的电子设备的硬件结构示意图。该设备包括一个或多个处理器610以及存储器620。以一个处理器610为例。该设备还可以包括:输入装置630和输出装置640。
处理器610、存储器620、输入装置630和输出装置640可以通过总线或者其他方式连接。
存储器620作为一种非暂态计算机可读存储介质,可用于存储非暂态软件程序、非暂态计算机可执行程序以及模块。处理器610通过运行存储在存储器620中的非暂态软件程序、指令以及模块,从而执行电子设备的各种功能应用以及数据处理,即实现上述方法实施例的处理方法。
存储器620可以包括存储程序区和存储数据区,其中,存储程序区可存储操作系统、至少一个功能所需要的应用程序;存储数据区可存储数据等。此外,存储器620可以包括高速随机存取存储器,还可以包括非暂态存储器,例如至少一个磁盘存储器件、闪存器件、或其他非暂态固态存储器件。在一些实施例中,存储器620可选包括相对于处理器610远程设置的存储器,这些远程存储器可以通过网络连接至处理装置。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
输入装置630可接收输入的数字或字符信息,以及产生信号输入。输出装置640可包括显示屏等显示设备。
所述一个或者多个模块存储在所述存储器620中,当被所述一个或者多个处理器610执行时,执行:A、获取并处理储气库历史生产动态数据,该历史数据包括注、采气基础数据,井底流压以及地层压力;B、度量注采井井底流压时间序列和地层压力时间序列相似度,选取与地层压力时间序列相似度最高的注采井,计算该注采井的注采指数;C、构建注采井井底流压、注采指数时间序列预测模型,并利用历史数据以及计算出的注采指数进行模型训练;D、通过下一周期注采井的计划注、采气基础数据,预测注采井下一注采周期的井底流压、注采指数;E、依据同一时刻井底流压、注采指数预测值以及计划注气量或采气量计算该时刻的地层压力,确定下一周期地下储气库注采运行的地层压力。
上述产品可执行本发明实施例所提供的方法,具备执行方法相应的功能模块和有益效果。未在本实施例中详尽描述的技术细节,可参见本发明其他实施例所提供的方法。
以上所描述的装置实施例仅仅是示意性的,其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到各实施方式可借助软件加通用硬件平台的方式来实现,当然也可以通过硬件。基于这样的理解,上述技术方案本质上或者说对相关技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品可以存储在计算机可读存储介质中,如ROM/RAM、磁碟、光盘等,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。
前述对本发明的具体示例性实施方案的描述是为了说明和例证的目的。这些描述并非想将本发明限定为所公开的精确形式,并且很显然,根据上述教导,可以进行很多改变和变化。对示例性实施例进行选择和描述的目的在于解释本发明的特定原理及其实际应用,从而使得本领域的技术人员能够实现并利用本发明的各种不同的示例性实施方案以及各种不同的选择和改变。针对上述示例性实施方案所做的任何简单修改、等同变化与修饰,都应落入本发明的保护范围。
Claims (13)
1.一种地下储气库地层压力确定方法,其特征在于,包括如下步骤:
A、获取并处理储气库历史生产动态数据,该历史数据包括注、采气基础数据,井底流压以及地层压力;
B、度量注采井井底流压时间序列和地层压力时间序列相似度,选取与地层压力时间序列相似度最高的注采井,计算该注采井的注采指数;
C、构建注采井井底流压、注采指数时间序列预测模型,并利用所述历史数据以及计算出的所述注采指数进行模型训练;
D、通过下一周期注采井的计划注、采气基础数据,预测注采井下一注采周期的井底流压、注采指数;
E、依据同一时刻井底流压、注采指数预测值以及计划注气量或采气量计算该时刻的地层压力,确定下一周期地下储气库注采运行的地层压力。
2.根据权利要求1所述的地下储气库地层压力确定方法,其特征在于,所述步骤A中的注、采气基础数据包括:注气量、采气量、注气时长以及采气时长;所述历史数据的处理为经过归一化处理将数值映射至[0-1]之间。
3.根据权利要求1所述的地下储气库地层压力确定方法,其特征在于,所述步骤B中的注采井井底流压时间序列和地层压力时间序列相似度通过DTW算法进行度量。
4.根据权利要求3所述的地下储气库地层压力确定方法,其特征在于,所述步骤B中的相似度的度量具体包括:
B1、设注采井井底流压时间序列数据集为Y=(Y1,Y2,…,Yl);地层压力时间序列为Pe=(p1,p2,…,pi,…,pm);任意单井井底流压时间序列为Pwf=(y1,y2,…,yj,…,yn)且取自所述数据集Y;其中,l为注采井数量,m、n为时间序列维度;
B2、通过所述DTW算法构建距离矩阵、计算累计距离并获取最优规整路径对应的最短距离DTW(Pe,Pwf),通过度量所述井底流压时间序列数据集Y中每一所述单井井底流压时间序列Pwf与所述地层压力时间序列Pe的相似度,获取最短距离数据集。
5.根据权利要求4所述的地下储气库地层压力确定方法,其特征在于,所述步骤B2具体包括:
B21、构建距离矩阵Dm×n,所述矩阵中元素(i,j)为点pi与点yj之间的距离,所述元素(i,j)的计算方法为:d(pi,yj)=(pi-yj)2;
B22、计算累计距离γ(i,j),γ(i,j)表示在所述距离矩阵Dm×n中从(0,0)到(i,j)路径上局部距离的累计距离,累计距离γ(i,j)计算方法为:
B23、获取最优规整路径对应的最短距离DTW(Pe,Pwf)=min{γ(m,n)};
B24、重复所述步骤B21至B23,度量井底流压时间序列数据集Y中每一单井井底流压时间序列Pwf与地层压力时间序列Pe的相似度,获取最短距离数据集。
6.根据权利要求4所述的地下储气库地层压力确定方法,其特征在于,所述步骤B中的选取与地层压力时间序列相似度最高的注采井,计算该注采井的注采指数具体为:
选取所述最短距离数据集中数值最小的注采井,计算该注采井的注采指数J,注采指数计算方法如下:
其中,J为注采指数,Qg为注气量或采气量,Pe为地层压力,Pwf为井底流压。
7.根据权利要求1所述的地下储气库地层压力确定方法,其特征在于,所述步骤C中的注采井井底流压、注采指数时间序列预测模型基于LSTM门控机制进行构建,通过所述预测模型进行异常值剔除;
所述井底流压时间序列预测模型的输入参数为注气量Qpro、采气量Qinj、注气时长Tpro、采气时长Tinj;输出参数为井底流压Ywf;
所述注采指数时间序列预测模型的输入参数为注气量Qpro、采气量Qinj、注气时长Tpro、采气时长Tinj;输出参数为注采指数J。
8.根据权利要求7所述的地下储气库地层压力确定方法,其特征在于,所述预测模型的样本集按照储气库注采周期划分训练集和验证集。
9.根据权利要求8所述的地下储气库地层压力确定方法,其特征在于,通过如下方式对所述预测模型进行评估验证:
其中,m表示所述验证集数据数量,yi、分别表示真实值、预测值和平均值。
10.根据权利要求1所述的地下储气库地层压力确定方法,其特征在于,所述步骤E中的下一周期地下储气库注采运行的地层压力依据对应时刻的井底流压、注采指数预测值以及下一周期的计划注气量和采气量计算,分为注气阶段和采气阶段,计算方法如下:
注气阶段:其中,在所述注气阶段所述Qg为注气量;
采气阶段:其中,在所述采气阶段所述Qg为采气量。
11.一种地下储气库地层压力确定系统,其特征在于,包括:
历史数据获取模块,其用于获取并处理储气库历史生产动态数据,该历史数据包括注、采气基础数据,井底流压以及地层压力;
度量计算模块,其用于度量注采井井底流压时间序列和地层压力时间序列相似度,选取与地层压力时间序列相似度最高的注采井,计算该注采井的注采指数;
模型构建及训练模块,其用于构建注采井井底流压、注采指数时间序列预测模型,并利用所述历史数据以及计算出的所述注采指数进行模型训练;
参数预测模块,其用于通过下一周期注采井的计划注、采气基础数据,预测注采井下一注采周期的井底流压、注采指数;
地层压力确定模块,其用于依据同一时刻井底流压、注采指数预测值以及计划注气量或采气量计算该时刻的地层压力,确定下一周期地下储气库注采运行的地层压力。
12.一种地下储气库地层压力确定电子设备,其特征在于,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指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器执行如权利要求1~10中任意一项所述的地下储气库地层压力确定方法。
13.一种非暂态计算机可读存储介质,其特征在于,所述非暂态计算机可读存储介质存储有计算机可执行指令,所述计算机可执行指令用于使所述计算机执行如权利要求1~10中任意一项所述的地下储气库地层压力确定方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210841714.XA CN117473847A (zh) | 2022-07-18 | 2022-07-18 | 地下储气库地层压力确定方法、系统、电子设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210841714.XA CN117473847A (zh) | 2022-07-18 | 2022-07-18 | 地下储气库地层压力确定方法、系统、电子设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117473847A true CN117473847A (zh) | 2024-01-30 |
Family
ID=89627936
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210841714.XA Pending CN117473847A (zh) | 2022-07-18 | 2022-07-18 | 地下储气库地层压力确定方法、系统、电子设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117473847A (zh) |
-
2022
- 2022-07-18 CN CN202210841714.XA patent/CN117473847A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20190251460A1 (en) | Method for predicting oil and gas reservoir production | |
CN109543828B (zh) | 一种基于小样本条件下的吸水剖面预测方法 | |
US20130124171A1 (en) | Systems and methods for predicting well performance | |
BRPI0716865A2 (pt) | Método e sistema para prever perfis de produção para reservatórios de petróleo | |
MX2014003948A (es) | Sistemas y metodos para la optimizacion de recuperacion de petroleo de subsuperficie. | |
CN106408120B (zh) | 一种局部区域滑坡预测装置及方法 | |
CN105452598B (zh) | 选择和优化用于产量平台的油田控制的方法 | |
Ni et al. | Evolutionary modeling for streamflow forecasting with minimal datasets: a case study in the West Malian River, China | |
US20120059634A1 (en) | Method for optimizing the positioning of wells in an oil reservoir | |
NO20151182A1 (en) | Automatic geosteering and evolutionary algorithm for use with same | |
CN109635244A (zh) | 岩石可钻性预测方法、系统、存储介质及电子终端 | |
CN109002927A (zh) | 基于递归神经网络的油田勘探储量预测方法 | |
KR101474874B1 (ko) | 지능형 생산정 위치 선정 전산 시스템 및 이를 이용한 생산정 위치 선정 방법 | |
CN110991079B (zh) | 基于神经网络的油气藏参数解释方法、装置及电子设备 | |
Song et al. | Potential for vertical heterogeneity prediction in reservoir basing on machine learning methods | |
CN112419711A (zh) | 基于改进gmdh算法的封闭式停车场停车需求预测方法 | |
CN110486008B (zh) | 一种径向复合油藏的参数解释方法及系统 | |
CN113779881A (zh) | 致密含水气藏产能预测方法、装置及设备 | |
CN110486009B (zh) | 一种无限大地层的参数自动反求方法及系统 | |
CN117473847A (zh) | 地下储气库地层压力确定方法、系统、电子设备及存储介质 | |
CN105893674B (zh) | 采用全局协方差进行地质属性预测的方法 | |
CN117473846A (zh) | 一种地下储气库地层压力确定方法、系统、电子设备及存储介质 | |
CN117684947B (zh) | 一种基于深度学习的油井井底流压软测量方法 | |
US20230142526A1 (en) | Systems and methods of predictive decline modeling for a well | |
CN116911216B (zh) | 一种储层油井产能因素评估与预测方法 |
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 |