【技术实现步骤摘要】
一种基于机器学习的油田剩余油饱和度分布的预测方法
本专利技术属于油田开发领域，涉及一种油田剩余油饱和度分布的预测方法,具体涉及一种基于机器学习算法对剩余油分布进行预测的方法。
技术介绍
在油田开发过程中，由于储层的非均质性和生产方式，在储层中通常会有大量的剩余油被开采，剩余油分布的预测对油田生产具有重要价值。因此，准确预测油藏含油饱和度的分布有利于制定合理的开发技术政策，从而更好地挖掘油藏剩余油的潜力，其预测结果的准确性与未来发展的效果直接相关。数值模拟已广泛应用于石油工业，利用油藏数值模拟，通过数值方法求解一组非线性抛物型偏微分方程、辅助方程、边界条件和初始条件的问题，从而计算油藏的含油饱和度和压力分布。经过几十年的发展，油藏数值计算理论逐渐成熟，各种模拟技术和方法不断发展。然而，对于复杂模型、历史匹配和预测计算需要很长时间，预测成本相对较高。随着计算机技术的飞速发展，机器学习和人工智能技术逐渐应用于石油工业，机器学习是一门多领域交叉学科，涉及概率论、统计学、逼近论、凸分析、算法复杂度理论等多门学科。机器学习方法主要应用于...
【技术保护点】
1.一种油田剩余油饱和度分布的预测方法，其特征在于，包括如下步骤：/n步骤(1)，采集油田区块在时间维度上的多种生产参数，以构建样本数据集，该样本数据集包括动态样本数据和静态样本数据，提取历史剩余油饱和度、地层压力、产油量、产水量这4个生产参数作为动态样本数据，提取孔隙度、渗透率、残余水饱和度这3个生产参数作为静态样本数据；生成一个具有5维度矩阵的样本数据集F＝x
【技术特征摘要】
1.一种油田剩余油饱和度分布的预测方法，其特征在于，包括如下步骤：
步骤(1)，采集油田区块在时间维度上的多种生产参数，以构建样本数据集，该样本数据集包括动态样本数据和静态样本数据，提取历史剩余油饱和度、地层压力、产油量、产水量这4个生产参数作为动态样本数据，提取孔隙度、渗透率、残余水饱和度这3个生产参数作为静态样本数据；生成一个具有5维度矩阵的样本数据集F＝xi,j,k,n,t，其中x为某一种样本数据，而i为该样本数据的第i行，j为第j列，k为第k层；n为第n种的生产参数，生产参数依照历史剩余油饱和度、地层压力、产油量、产水量、孔隙度、渗透率、残余水饱和度这个顺序排列；t为第t月的样本数据，样本数据的单位都为无量纲；
步骤(2)，对步骤(1)中所述的样本数据集F进行归一化处理，对于样本数据集F中的不同生产参数的样本数据进行归一化处理，使用归一化处理方法处理所有的样本数据，得到经过归一化处理后的样本数据集
步骤(3)，对步骤(2)中的归一化处理后的样本数据集中的静态样本数据进行特征关联性压缩；对步骤(2)中的归一化处理后的样本数据集以生产参数进行分类，以表达为：其中所述油田区块的动态样本数据包括历史剩余油饱和度地层压力产油量产水量这4种，所述油田区块的静态样本数据包括孔隙度渗透率残余水饱和度这3种；对3种静态样本数据进行特征关联性压缩，得到经过特征关联性压缩的一维特征样本数据向量使得所述一维特征样本数据向量替代原来的多维静态样本数据集进而得到经过特征关联性压缩的样本数据集该样本数据集在生产数据维度上由原来的7种生产数据已被压缩为5种；
步骤(4)，在保留时间维度的基础上对步骤(3)得到的得到经过特征关联性压缩的样本数据集进行降维处理，得到降维处理后的样本数据集
步骤(5)，将步骤(4)得到的降维处理后的样本数据集进行分割以获得训练集F_train和测试集F_test；优选，取步骤(4)得到的降维处理后的样本数据集在时间维度上前80％的数据体作为训练集F_train，余下20％作为测试集F_test；
步骤(6)，构建训练集F_train的输入集X_train和测试集F_test的输入集X_test；
步骤(7)，对步骤(6)中得到的训练集F_train的输入集X_train的权值矩阵和偏置项进行训练；优选使用机器学习方法对训练集F_train的输入集X_train的权值矩阵和偏置项进行训练，并对关键数据单元进行强化训练，以获得最优训练模型；
步骤(8)，根据步骤(7)得到的所述最优训练模型获得测试集输出...
【专利技术属性】
技术研发人员：宋洪庆，张启涛，李正一，都书一，王九龙，
申请(专利权)人：北京科技大学，
类型：发明
国别省市：北京;11
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。