基于神经网络敏感性分析的井间连通性判断方法及系统技术方案

技术编号:29460689 阅读:41 留言:0更新日期:2021-07-27 17:30
本公开公开的基于神经网络敏感性分析的井间连通性判断方法及系统,包括:获取各注水井的日注入量;向各注水井的日注入量中添加扰动数据,获得各注水井修正后日注入量;将各注水井修正后日注入量输入训练好的神经网络模型中,输出各生产井的日产量;通过各注水井修正后日注入量和各生产井的日产量,获取各注水井与各生产井之间的井间连通系数;根据井间连通系数判断各注水井与各生产井之间的连通状况。实现了对井间连通性的准确判断。

【技术实现步骤摘要】
基于神经网络敏感性分析的井间连通性判断方法及系统
本专利技术涉及石油工程
,尤其涉及基于神经网络敏感性分析的井间连通性判断方法及系统。
技术介绍
本部分的陈述仅仅是提供了与本公开相关的
技术介绍
信息,不必然构成在先技术。井间连通性反演是油藏开发中的重要研究内容,它通过反演注水井与生产井的连通状况,为油田实施水动力学调整、描述剩余油分布、改善水驱开发效果及实现智能油田等提供决策依据,有助于有效改善油藏开发效率和质量、提升油田实际经济效益。目前常用的井间连通性反演方法主要有静态分析方法和动态分析方法,静态分析方法时间成本高,实施过程复杂。动态分析方法主要利用油藏动态生产数据反演井间连通性,目前此类方法存在模型不能精确反映地下储层实际连通状况的情况。因此,如何基于油田大数据利用机器学习方法实现井间连通性的准确快速判定,对于油气田开发具有重要意义。
技术实现思路
本公开为了解决上述问题,提出了基于神经网络敏感性分析的井间连通性判断方法及系统,实现了对井间连通状况的准确判断。为实现上述目的,本公开采用如下技术方案:第一方面,提出了基于神经网络敏感性分析的井间连通性判断方法,包括:获取各注水井的日注入量;向各注水井的日注入量中添加扰动数据,获得各注水井修正后日注入量;将各注水井修正后日注入量输入训练好的神经网络模型中,输出各生产井的日产量;通过各注水井修正后日注入量和各生产井的日产量,获取各注水井与各生产井之间的井间连通系数;根据井间连通系数判断各注水井与各生产井之间的连通状况。第二方面,提出了基于神经网络敏感性分析的井间连通性判断系统,包括:数据获取模块,用于获取各注水井的日注入量;数据修正模块,用于向各注水井的日注入量中添加扰动数据,获得各注水井修正后日注入量;生产井日产量预测模块,用于将各注水井修正后日注入量输入训练好的神经网络模型中,输出各生产井的日产量;井间连通系数确定模块,用于通过各注水井修正后日注入量和各生产井的日产量,获取各注水井与各生产井之间的井间连通系数;井间连通状况判断模块,用于根据井间连通系数判断各注水井与各生产井之间的连通状况。第三方面,提出了一种电子设备,包括存储器和处理器以及存储在存储器上并在处理器上运行的计算机指令,所述计算机指令被处理器运行时,完成基于神经网络敏感性分析的井间连通性判断方法所述的步骤。第四方面,提出了一种计算机可读存储介质,用于存储计算机指令,所述计算机指令被处理器执行时,完成基于神经网络敏感性分析的井间连通性判断方法所述的步骤。与现有技术相比,本公开的有益效果为:1、本公开通过预测各生产井的日生产量,并基于各注水井修正后日注入量和预测的各生产井的日产量,计算了各注水井与各生产井之间的井间连通系数,实现了对井间连通状况的准确判断。2、本公开仅通过采集各注水井的日注入量,进而对各生产井的日生产量进行预测,即可实现对井间连通状况的准确判断,操作更简单方便。3、本公开基于神经网络敏感性分析的井间连通性判断方法简单高效,与常规连通性分析方法相比,具有经济成本低、计算速度快、表征精度高等优点,所得到的神经网络模型还可以用于生产预测,对于采取堵水调剖措施,油田现场调整注采关系以及井网优化等都具有重要的指导意义。4、本公开通过历史生产数据,可准确反演井间连通性的演变过程及生产历史内总的连通情况,实用性强。5、本公开训练好的神经网络模型不仅可以反演井间连通状况,还可以应用于产量预测,在保证计算精度的同时,计算方法简单、高效,克服了现有技术的不足。为制定调整开发方案,采取注采优化,堵水调剖等工艺措施都提供了重要的指导,大大节约了人力与时间成本,同时对于剩余油分布的定量描述和部署油田开发方案也具有重要指导意义。本专利技术附加方面的优点将在下面的描述中部分给出,部分将从下面的描述中变得明显,或通过本专利技术的实践了解到。附图说明构成本申请的一部分的说明书附图用来提供对本申请的进一步理解,本申请的示意性实施例及其说明用于解释本申请,并不构成对本申请的不当限定。图1为本公开实施例1公开方法的流程图;图2为本公开实施例1涉及的待研究油田区块的注采模型简图;图3为本公开实施例1公开的神经网络模型的结构图;图4为本公开实施例1公开的生产井对注入井的敏感性对比图;图5为本公开实施例1公开的连通性评价热图;图6为本公开实施例1公开的注采连通图。具体实施方式:下面结合附图与实施例对本公开作进一步说明。应该指出,以下详细说明都是例示性的,旨在对本申请提供进一步的说明。除非另有指明,本文使用的所有技术和科学术语具有与本申请所属
的普通技术人员通常理解的相同含义。需要注意的是,这里所使用的术语仅是为了描述具体实施方式,而非意图限制根据本申请的示例性实施方式。如在这里所使用的,除非上下文另外明确指出,否则单数形式也意图包括复数形式,此外,还应当理解的是,当在本说明书中使用术语“包含”和/或“包括”时,其指明存在特征、步骤、操作、器件、组件和/或它们的组合。在本公开中,术语如“上”、“下”、“左”、“右”、“前”、“后”、“竖直”、“水平”、“侧”、“底”等指示的方位或位置关系为基于附图所示的方位或位置关系,只是为了便于叙述本公开各部件或元件结构关系而确定的关系词,并非特指本公开中任一部件或元件,不能理解为对本公开的限制。本公开中,术语如“固接”、“相连”、“连接”等应做广义理解,表示可以是固定连接,也可以是一体地连接或可拆卸连接;可以是直接相连,也可以通过中间媒介间接相连。对于本领域的相关科研或技术人员,可以根据具体情况确定上述术语在本公开中的具体含义,不能理解为对本公开的限制。实施例1为了实现对井间连通性的准确判断,在该实施例中公开了基于神经网络敏感性分析的井间连通性判断方法,包括:获取各注水井的日注入量;向各注水井的日注入量中添加扰动数据,获得各注水井修正后日注入量;将各注水井修正后日注入量输入训练好的神经网络模型中,输出各生产井的日产量;通过各注水井修正后日注入量和各生产井的日产量,获取各注水井与各生产井之间的井间连通系数;根据井间连通系数判断各注水井与各生产井之间的连通状况。进一步的,通过各注水井与各生产井之间的井间连通系数,绘制连通性评价热图和注采连通图。进一步的,神经网络模型以注水井的日注入量为输入,以生产井的日产量为输出,该神经网络模型输入节点数量与注水井数量相同,输出节点数量与生产井数量相同。进一步的,获取注水井与生产井的实际生产数据;对实际生产数据进行标准化处理,获取标准化处理后数据;通过标准化处理后数据对神经网络模型进行训练,获得训练好的神经网络模型。进一步的,通过标准化处理后数据构建训练神经网络模型用本文档来自技高网
...

【技术保护点】
1.基于神经网络敏感性分析的井间连通性判断方法,其特征在于,包括:/n获取各注水井的日注入量;/n向各注水井的日注入量中添加扰动数据,获得各注水井修正后日注入量;/n将各注水井修正后日注入量输入训练好的神经网络模型中,输出各生产井的日产量;/n通过各注水井修正后日注入量和各生产井的日产量,获取各注水井与各生产井之间的井间连通系数;/n根据井间连通系数判断各注水井与各生产井之间的连通状况。/n

【技术特征摘要】
1.基于神经网络敏感性分析的井间连通性判断方法,其特征在于,包括:
获取各注水井的日注入量;
向各注水井的日注入量中添加扰动数据,获得各注水井修正后日注入量;
将各注水井修正后日注入量输入训练好的神经网络模型中,输出各生产井的日产量;
通过各注水井修正后日注入量和各生产井的日产量,获取各注水井与各生产井之间的井间连通系数;
根据井间连通系数判断各注水井与各生产井之间的连通状况。


2.如权利要求1所述的基于神经网络敏感性分析的井间连通性判断方法,其特征在于,通过各注水井与各生产井之间的井间连通系数,绘制连通性评价热图和注采连通图。


3.如权利要求1所述的基于神经网络敏感性分析的井间连通性判断方法,其特征在于,神经网络模型以注水井的日注入量为输入,以生产井的日产量为输出,该神经网络模型输入节点数量与注水井数量相同,输出节点数量与生产井数量相同。


4.如权利要求1所述的基于神经网络敏感性分析的井间连通性判断方法,其特征在于,获取注水井与生产井的实际生产数据;
对实际生产数据进行标准化处理,获取标准化处理后数据;
通过标准化处理后数据对神经网络模型进行训练,获得训练好的神经网络模型。


5.如权利要求4所述的基于神经网络敏感性分析的井间连通性判断方法,其特征在于,通过标准化处理后数据构建训练神经网络模型用的标准样本集;
将标准样本集进行训练集、验证集和测试集划分;
通过训练集、验证集和测试集,对神经网络模型进行训练,获得训练好的神经网络模型。<...

【专利技术属性】
技术研发人员:张华清王健张凯姜云启龚晓玲薛广东
申请(专利权)人:中国石油大学华东
类型:发明
国别省市:山东;37

网友询问留言 已有0条评论
  • 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。

1