一种基于递减曲线的油田单井产量预测方法技术

本发明专利技术提出一种基于递减曲线的油田单井产量预测方法，采用物元分析和BP神经网络相结合的方法来预测产量，通过对油田单井历史产量进行分析，结合油田历史生产数据与静态参数，建立油田单井递减曲线，并采用物元方法对油田所有单井建立物元模型，并进行分类，形成典型特征库。通过物元方法建立待识别样本物元模型，计算与典型特征库的关联度，从而准确判断递减曲线类型，采用BP神经网络，将递减曲线类型考虑到输入变量中，实现精确预测单井产量。实现精确预测单井产量。实现精确预测单井产量。

【技术实现步骤摘要】
一种基于递减曲线的油田单井产量预测方法


[0001]本专利技术涉及油田抽油井生产模式领域，具体地说是一种基于递减曲线的油 田单井产量预测方法。

技术介绍

[0002]油气田(藏)的产量变化一般分成3个阶段：上产期、稳产期和递减期， 大量油气田的开发实践表明，一半左右的可采地质储量都是在产量递减过程中 被采出的。递减期内不仅采出的油气数量大，而且持续时间长，递减规律也十 分复杂，因此，研究产量递减规律，测算油田可采储量，对做好油气田动态预 测和油气生产规划工作意义重大。
[0003]油田产量递减阶段随油田开发程度的加深，地下剩余储量不断减小，油藏 能量不断消耗，开发到一定阶段时，油田产量必然会出现递减现象，油田生产 进入递减阶段，以辽河油田为例，目前大部分区块油井产量已经进入递减阶段。 目前辽河油田关于描述产量递减规律的数学模型，大部分采用的是传统Arps公 式模型，该模型是J.J.Arps在1945年提出的，成为油藏产量递减阶段储量评价 和产量预测的重要方法，同时Arps递减模型也被列入油田可采储量方法行业规 范，是一种统计模型，油田产量变化规律符合该模型，主要包括指数递减、双 曲递减、调和递减三种模型。
[0004]通过对辽河油田单井历史产量分析发现，传统方法中，比如图解法判断指 数递减类型时，往往并不是一条直线，而是在该直线斜率的范围内上下波动， 这样采用图解法判断递减曲线斜率时会造成误差，从而导致判断成错误的递减 曲线类型，导致在预测产量时产生较大的误差。因此，很难通过传统的方法识 别油井产量的递减曲线类型以及产量预测。

技术实现思路

[0005]针对现有技术的不足，本专利技术提出一种基于递减曲线的油田单井产量预测 方法，采用物元分析和BP神经网络相结合的方法来预测产量，通过对油田单井 历史产量进行分析，结合油田历史生产数据与静态参数，建立油田单井递减曲 线，并采用物元方法对油田所有单井建立物元模型，并进行分类，形成典型特 征库。通过物元方法建立待识别样本物元模型，计算与典型特征库的关联度， 从而准确判断递减曲线类型，采用BP神经网络，将递减曲线类型考虑到输入变 量中，实现精确预测单井产量。
[0006]本专利技术采用技术方案如下：一种基于递减曲线的油田单井产量预测方法， 其特征在于，包括以下步骤：
[0007]根据每个区块各油田单井历史产量数据，建立单井递减曲线特征区间；
[0008]并根据递减曲线特征区间对待识别井判断递减曲线类型；
[0009]通过示功仪获取油田生产数据，并根据递减曲线类型采用BP神经网络进行 单井产量预测。
[0010]所述根据每个区块各油田单井历史产量数据，建立单井递减曲线特征区间， 包括
以下步骤：
[0011]1)构建三个递减曲线特征参数：
[0012]半对数坐标下，产量Q
i
与时间Δt
i
的斜率：
[0013]半对数坐标下，累产Np
i
与产量Q
i
的斜率：
[0014]直角坐标下，累产与时间乘积与时间的斜率：则递减曲线特征为：
[0015]2)建立递减曲线类集：
[0016]递减曲线类集为F＝{F1,F2,F3}，特征类型分别为指数递减曲线、调和递减 曲线、双曲递减曲线；
[0017]对于某一递减类型F
i
(i＝1,2,3)，若F
i
发生，则具有特征类型集：
[0018]{c,v|(c
ij
,v
ij
),i＝1,2,3j＝1,2,3}
[0019]其中，c
ij
为F
i
的第j个特征，v
ij
为F
i
的第j个特征量值；递减曲线允许波动 范围为节域，即X＝<a'
ij
,b'
ij
>，X表示F
i
的第j个特征量值的波动范围，即节域， a'
ij
,b'
ij
分别表示F
i
的第j个特征量值的下限和上限；
[0020]3)建立递减曲线类集的物元模型：
[0021][0022]其中，R
i
为第i种特征类型的物元模型，v
i1
,v
i2
,v
i3
分别为特征类型的特征区 间量值；c1、c2、c3分别表示该特征类型对应的三个特征，a
ij
、b
ij
分别表示第i 种特征类型对应第j个特征的下限和上限；
[0023]4)待判断递减曲线的物元模型如下：
[0024][0025]其中，R
x
表示待诊断递减曲线的物元模型，v
x1
,v
x2
,v
x3
分别为待识别样本S 的指数递减曲线特征值、调和递减曲线特征值、双曲递减曲线特征值。
[0026]所述根据递减曲线特征区间对待识别井判断递减曲线类型，包括以下步骤：
[0027](1)确定待识别样本与各递减曲线类集的关联函数如下：
[0028][0029][0030]其中，i＝1,2,3j＝1,2,3；K
ij
(v
j
)表示第j个特征下待识别样本与第i个递减 曲线类型的关联函数，ρ(v
j
,v
ij
)表示第j个特征下待识别样本与各递减曲线类型 之间的间距，|v
ij
|表示v
ija
与v
ijb
区间之间的距离，为X节域；v
j
为第j个特征的 特征量值；
[0031](2)计算待识别样本与递减曲线类型特征库的关联度I：
[0032][0033]其中，ω
ij
＝(v
j
/v
ijb
)/∑(v
j
/v
ijb
)为各特征值的权重，v
j
表示第j个递减曲线 特征值，v
ijb
表示第i类递减曲线的第j个递减曲线特征区间值的上界值；
[0034](3)确定待识别样本相对于各递减曲线类集的发生程度：
[0035]I(F
i
)＜0表示待识别样本不属于该递减曲线类型；I(F
i
)＞0表示待识别样本 相对于该递减曲线类型的发生程度，该F
i
为待诊断的递减曲线类型；若所有的 I(F
i
)＜0，则认为待识别样本不在现有的递减曲线类型中。
[0036]所述神经网络模型的输入包括有效冲程、泵径、冲次、原油体积系数、柱 塞长度，汽油比以及递减曲线类型；模型的输出为单井产量；
[0037]其中，有效冲程、冲次通过示功仪采集获取，泵径、原本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于递减曲线的油田单井产量预测方法，其特征在于包括以下步骤：根据每个区块各油田单井历史产量数据，建立单井递减曲线特征区间；并根据递减曲线特征区间对待识别井判断递减曲线类型；通过示功仪获取油田生产数据，并根据递减曲线类型采用BP神经网络进行单井产量预测。2.根据权利要求1所述的基于递减曲线的油田单井产量预测方法，其特征在于所述根据每个区块各油田单井历史产量数据，建立单井递减曲线特征区间，包括以下步骤：1)构建三个递减曲线特征参数：半对数坐标下，产量Q
i
与时间Δt
i
的斜率：半对数坐标下，累产Np
i
与产量Q
i
的斜率：直角坐标下，累产与时间乘积与时间的斜率：则递减曲线特征为：2)建立递减曲线类集：递减曲线类集为F＝{F1,F2,F3}，特征类型分别为指数递减曲线、调和递减曲线、双曲递减曲线；对于某一递减类型F
i
(i＝1,2,3)，若F
i
发生，则具有特征类型集：{c,v|(c
ij
,v
ij
),i＝1,2,3j＝1,2,3}其中，c
ij
为F
i
的第j个特征，v
ij
为F
i
的第j个特征量值；递减曲线允许波动范围为节域，即X＝<a
′
ij
,b
′
ij
>，X表示F
i
的第j个特征量值的波动范围，即节域，a
′
ij
,b
′
ij
分别表示F
i
的第j个特征量值的下限和上限；3)建立递减曲线类集的物元模型：其中，R
i
为第i种特征类型的物元模型，v
i1
,v
i2
,v
i3
分别为特征类型的特征区间量值；c1、c2、c3分别表示该特征类型对应的三个特征，a
ij
、b
ij
分别表示第i种特征类型对应第j个特征的下限和上限；4)待判断递减曲线的物元模型如下：其中，R
x
表示待诊断递减曲线的物元模型，v
x1
,v
x2
,v
x3
分别为待识别样本S的指数递减曲线特征值、调和递减曲线特征值、双曲递减曲线特征值。3.根据权利要求1所述...

【专利技术属性】
技术研发人员：郑东梁，曾鹏，李世超，石硕，张立婷，凌霄，
申请(专利权)人：中国科学院沈阳自动化研究所，
类型：发明
国别省市：