本说明书实施例公开了一种致密含水气藏产能预测方法、装置及设备，所述方法包括：通过采集致密含水气藏的地质属性数据和压裂属性数据，全面考虑了影响致密含水气藏产能的因素，确定出影响致密含水气藏产能的评价指标，并利用灰色关联主控因素权重分析确定各个评价指标与产能之间的关联度，进而确定出各个评价指标对产能的影响权重值。基于采集的样本数据以及计算出的关联度，进行产能预测模型的训练，构建出致密含水气藏的机器学习模型，并利用构建出的机器学习模型进行致密含水气藏的产能预测，实现了致密含水气藏的准确、全面、快速的产能预测。速的产能预测。速的产能预测。
【技术实现步骤摘要】
致密含水气藏产能预测方法、装置及设备
[0001]本说明书属于油气开采
，尤其涉及一种致密含水气藏产能预测方法、装置及设备。
技术介绍
[0002]致密气是指储层孔隙度小于10％，渗透率低于0.1mD，含气饱和度小于60％，含水饱和度高于40％的天然气，属于非常规气，具有低孔、低渗、高含水饱和度的特点，常采用水力压裂的方式进行工业化开发。随着油气勘探开发的不断深入，致密气在现有经济技术条件下展示了巨大的潜力，全球天然气资源迎来了二次扩展。致密气具有高含水饱和度的特点，且常采用水力压裂的方式进行开发，压裂后产能的准确预测是致密气高效开发面临的重要问题也是难题。致密气的产能预测对于合理配产、井网井距等开发方案优化有着重要作用。因此，为了提高致密气开发效果，必须解决致密气压裂后产能难以准确预测的问题。
[0003]目前对于致密气压裂后产能预测的方法主要有物理模拟法和油藏数值模拟方法，但是，物理模拟法实验周期长，实验成本高；油藏数值模拟方法由于计算能力受限，导致网格尺度较大，无法准确描述储层特征，导致预测精度较低。
[0004]因此，如何提供一种方案能够准确预测致密含水气藏压裂后产能是本领域亟需解决的技术问题。
技术实现思路
[0005]本说明书实施例的目的在于提供一种致密含水气藏产能预测方法、装置及设备，提高了致密含水气藏产能预测的准确性。
[0006]一方面，本说明书实施例提供了一种致密含水气藏产能预测方法，所述方法包括：
[0007]采集致密含水气藏的属性数据，构建出样本数据集；
[0008]对所述样本数据集中各个评价指标进行灰色关联主控因素权重分析，确定出所述样本数据集中各个评价指标与产能之间的关联度；
[0009]利用所述样本数据集和所述样本数据集中各个评价指标与产能之间的关联度对产能预测模型进行模型训练，构建出产能预测模型；
[0010]利用所述产能预测模型对待预测致密含水气藏进行产能预测。
[0011]进一步地，所述方法还包括：
[0012]所述采集致密含水气藏的属性数据，构建出样本数据集，包括：
[0013]对所述属性数据进行缺失处理和异常值处理，构建出所述样本数据集。
[0014]进一步地，所述对所述属性数据进行缺失处理和异常值处理，构建出所述样本数据集，包括：
[0015]将对所述属性数据进行缺失处理和异常值处理后的数据作为预处理数据集；
[0016]计算所述预处理数据集中的各个评价指标与对应的产量数据之间的皮尔逊相关系数；
[0017]根据所述皮尔逊相关系数对所述预处理数据集中的异常值进行剔除，获得所述样本数据集。
[0018]进一步地，采用下述公式计算所述预处理数据集中的各个评价指标与对应的产量数据之间的皮尔逊相关系数：
[0019][0020]其中，r表示评价指标x与对应的产量数据y之间的皮尔逊相关系数，N表示各个评价指标对应的样本数量，x
i
表示评价指标x的第i个取值，y
i
评价指标x对应的产量数据的第i个取值，C表示奖惩系数，并且，0<C<1。
[0021]进一步地，所述利用所述样本数据集和所述样本数据集中各个评价指标与产能之间的关联度对产能预测模型进行模型训练，构建出产能预测模型，包括：
[0022]配置所述产能预测模型的模型参数，所述模型参数包括各个评价指标对应的权重值；
[0023]将所述样本数据集中各个评价指标对应的取值作为所述产能预测模型的输入，将所述样本数据集中的产量数据作为输出，对所述产能预测模型进行模型训练，在进行模型训练时，基于各个评价指标与产能之间的关联度调整各个评价指标对应的权重值，直至达到训练次数或所述产能预测模型达到指定精度，构建出所述产能预测模型。
[0024]进一步地，所述产能预测模型采用遗传算法优化后的神经网络模型。
[0025]进一步地，所述对所述样本数据集中各个评价指标进行灰色关联主控因素权重分析，确定出所述样本数据集中各个评价指标与产能之间的关联度，包括：
[0026]将所述样本数据集中的数据划分为参考数列和比较数列，其中，所述参考数列中为产量数据，所述比较数列为评价指标数据；
[0027]采用下述公式确定出所述样本数据集中各个评价指标与产能之间的关联度：
[0028][0029]其中，ξ
i
(k)表示第i个评价指标的第k个取值对应的关联度系数，Δ(min)表示第i个评价指标对应参考数列与比较数列的差值最小值的绝对值，Δ(max)表示第i个评价指标对应参考数列与比较数列的差值最大值的绝对值，ρ表示分辨系数，通常ρ取值0.5，Δ
i
(k)表示表示第i个评价指标的第k个取值对应的参考序列与比较序列差值的绝对值，N表示评价指标对应的样本数量，r
i
表示第i个评价指标与产能之间的关联度，λ
i
表示第i个评价指标的专家评判因子。
[0030]进一步地，所述属性数据包括：气层厚度、孔隙度、渗透率、含气饱和度、密度、泥质含量、温度、含砂比、加砂量、砂液量、入地砂量、入地液量、排量中的至少一种。
[0031]另一方面，本说明书提供了一种致密含水气藏产能预测装置，所述装置包括：
[0032]数据采集模块，用于采集致密含水气藏的属性数据，构建出样本数据集；
[0033]关联度计算模块，用于对所述样本数据集中各个评价指标进行灰色关联主控因素权重分析，确定出所述样本数据集中各个评价指标与产能之间的关联度；
[0034]模型构建模块，用于利用所述样本数据集和所述样本数据集中各个评价指标与产能之间的关联度对产能预测模型进行模型训练，构建出产能预测模型；
[0035]产能预测模块，用于利用所述产能预测模型对待预测致密含水气藏进行产能预测。
[0036]再一方面，本说明书实施例提供了一种致密含水气藏产能预测设备，应用于服务器，设备包括至少一个处理器及用于存储处理器可执行指令的存储器，指令被处理器执行时实现包括上述致密含水气藏产能预测方法。
[0037]本说明书提供的致密含水气藏产能预测方法、装置及设备，通过采集致密含水气藏的地质属性数据、储层属性数据和压裂属性数据，全面考虑了影响致密含水气藏产能的因素，确定出影响致密含水气藏产能的评价指标，并利用灰色关联主控因素权重分析确定各个评价指标与产能之间的关联度，进而确定出各个评价指标对产能的影响权重值。基于采集的样本数据以及计算出的关联度，进行产能预测模型的训练，构建出致密含水气藏的机器学习模型，并利用构建出的机器学习模型进行致密含水气藏的产能预测，实现了致密含水气藏的准确、全面、快速的产能预测。
附图说明
[0038]为了更清楚地说明本说明书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，下面描述中的本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种致密含水气藏产能预测方法，其特征在于，所述方法包括：采集致密含水气藏的属性数据，构建出样本数据集；对所述样本数据集中各个评价指标进行灰色关联主控因素权重分析，确定出所述样本数据集中各个评价指标与产能之间的关联度；利用所述样本数据集和所述样本数据集中各个评价指标与产能之间的关联度对产能预测模型进行模型训练，构建出产能预测模型；利用所述产能预测模型对待预测致密含水气藏进行产能预测。2.如权利要求1所述的方法，其特征在于，所述采集致密含水气藏的属性数据，构建出样本数据集，包括：对所述属性数据进行缺失处理和异常值处理，构建出所述样本数据集。3.如权利要求2所述的方法，其特征在于，所述对所述属性数据进行缺失处理和异常值处理，更新构建出所述样本数据集，包括：将对所述属性数据进行缺失处理和异常值处理后的数据作为预处理数据集；计算所述预处理数据集中的各个评价指标与对应的产量数据之间的皮尔逊相关系数；根据所述皮尔逊相关系数对所述预处理数据集中的异常值进行剔除，获得所述样本数据集。4.如权利要求3所述的方法，其特征在于，采用下述公式计算所述预处理数据集中的各个评价指标与对应的产量数据之间的皮尔逊相关系数：其中，r表示评价指标x与对应的产量数据y之间的皮尔逊相关系数，N表示各个评价指标对应的样本数量，x
i
表示评价指标x的第i个取值，y
i
评价指标x对应的产量数据的第i个取值，C表示奖惩系数，并且，0＜C＜1。5.如权利要求1所述的方法，其特征在于，所述利用所述样本数据集和所述样本数据集中各个评价指标与产能之间的关联度对产能预测模型进行模型训练，构建出产能预测模型，包括：配置所述产能预测模型的模型参数，所述模型参数包括各个评价指标对应的权重值；将所述样本数据集中各个评价指标对应的取值作为所述产能预测模型的输入，将所述样本数据集中的产量数据作为输出，对所述产能预测模型进行模型训练，在进行模型训练时，基于各个评价指标与产能之间的关联度调整各个评价指标对应的权重值，直至达到训练次数或所述产能预测模型达到指定精度，构建出所述产能预测模型。6.如权利要求1所述的方法，其特...
【专利技术属性】
技术研发人员：田冷，柴晓龙，张金水，顾岱鸿，王嘉新，蒋丽丽，王恒力，王泽川，
申请(专利权)人：中国石油大学北京，
类型：发明
国别省市：
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。