一种基于机器学习的高含水期油藏油井产量预测方法技术

本发明专利技术涉及油田开发技术领域，具体涉及一种基于机器学习的高含水期油藏油井产量预测方法。本发明专利技术通过向量自回归算法，将油井的产油量和注水井的注入量共同作为产量预测过程的影响因子，利用注水井和采油井液量变化曲线构建时间序列模型，通过滞后阶数的选取确定拟合曲线的时间步长，并通过迭代计算未来不同时间步长下的油井产量，形成基于机器学习算法的油井产量预测方法，为油井产量预测提供了一种新的思路。本发明专利技术模型简单，考虑变量少，易于计算、操作，并且准确性高，有利于推广应用。有利于推广应用。有利于推广应用。

【技术实现步骤摘要】
一种基于机器学习的高含水期油藏油井产量预测方法


[0001]本专利技术涉及油田开发
，具体涉及一种基于机器学习的高含水期油藏油井产量预测方法。

技术介绍

[0002]随着油田进入高含水开发阶段，大量的油藏静态数据和开发动态数据为通过机器学习算法预测油藏开发效果提供了重要的数据基础。目前，机器学习模型被应用于石油勘探与开发的不同领域，例如决策树方法、支持向量机方法、神经网络方法等。它们通过机器学习算法确定输入和输出参数的关系，得到测试数据集的结果。影响预测模型精度的因素主要包括数据集的大小及质量、数据特征的选择、模型的建立以及算法的融合等方面。
[0003]Anifowose利用机器学习中的集成算法对未动用油藏的分类特征进行研究，并对后续该领域的急需应用提出了建议。Martins利用机器学习方法通过测井信息对碳酸盐
‑
硅质碎屑岩进行岩石学分类，并提供准确的储层非均质性识别结果。Anemangely通过机器学习算法对岩石物理测井中的横波速度进行预测，采用最小二乘支持向量机(LSSVM)结合粒子群优化(PSO)，选取不本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于机器学习的高含水期油藏油井产量预测方法，其特征在于，包括以下步骤：对目标油藏进行判断，选择合适的区块；分别对注水井注水曲线和采油井生产曲线的数据平稳性进行检测，曲线存在波动不稳定的现象，则需对数据进行差分处理，直至两个变量的曲线数据稳定；确定注水井和采油井的滞后阶数；建立向量自回归产量预测模型，对油井产量进行预测。2.根据权利要求1所述的预测方法，其特征在于，对目标油藏的判断方法为：判断目标油藏注水井和采油井之间的相关性，选择相关性高的注采井，绘制采油井生产曲线和注水井注水曲线，根据两曲线判断注水井注水量与采油井产量之间是否存在同增同减的情况，若存在，则该油藏为合适油藏。3.根据权利要求2所述的预测方法，其特征在于，绘制注水井和采油井的协相关矩阵，其中色块越亮则注采井间生产曲线相关性越高，色块越暗则越低。4.根据权利要求1所述的预测方法，其特征在于，采用ADF检验法对对数据平稳性进行计算，ADF检验判断序列是否存在单位根，如存在则序列不平稳。5.根据权利要求1所述的预测方法，其特征在于，通过AIC函数和BIC函数确定注水井和采油井的滞后阶数：AIC＝2k
‑
2ln(L)BIC＝kln(n)
‑
2ln(L)式中，k为模型参数个数，n为样本数量，L为似然函数。6.根据权利要求5所述的预测方法，其特征在于，对注水井与采油井两两之间计算AIC、BIC函数的值，通过迭代得到整个区块的最佳滞后阶数。7.根据权利要求6所述的预测方法，其特征在于，优先考虑模型中AIC和BIC最小值所对应的滞后阶数。8.根据权利要求1所述的预测方法，其特征在于，所述向量自回归产量预测模型为：Y
t
＝ε
t
+B1X
t
+B2X
t
‑1+
…
+B
q
E
t
‑
q
...

【专利技术属性】
技术研发人员：郭奇，孙业恒，黄迎松，李伟忠，吕远，刘华夏，
申请(专利权)人：中国石油化工股份有限公司胜利油田分公司勘探开发研究院，
类型：发明
国别省市：