基于GNN模型的油田最优井网构建方法技术

本发明专利技术实施例公开了一种基于GNN模型的油田最优井网构建方法，包括：获取目标区域内待开发的生产井数量和注入井数量，以及各井的预设位置、预设控制条件和预设参数，作为一组当前解；根据当前解中各井的位置，构建生产井之间的第一关系图，以及注入井与生产井之间的第二关系图；根据当前解中各井的控制条件和参数，生成各井的特征向量；将第一关系图、第二关系图和特征向量，输入训练好的油田产量预测模型，得到所有井未来的累计产油量；以累计产油量最大为目标，采用PSO对当前解进行优化，得到一组新的当前解，返回关系图的构建操作，直到达到预设的迭代终止条件。本实施例自动确定油田的最优井网，降低对工程师的依赖程度。降低对工程师的依赖程度。降低对工程师的依赖程度。

【技术实现步骤摘要】
基于GNN模型的油田最优井网构建方法


[0001]本专利技术实施例涉及井网模拟领域，尤其涉及一种基于GNN模型的油田最优井网构建方法。

技术介绍

[0002]在油藏开采中，油井位置的确定非常重要。选取产油量高的井网分布，能够极大提高开采成功率，降低开采成本。
[0003]目前的井网优化方法，主要依靠工程师的经验确定几组待选井位分布，再通过验证与演算选出其中的最优方案。且对于最优的判断标准也是由工程师人为确定的，较难客观评判是否真正求得最优解。

技术实现思路

[0004]本专利技术实施例提供一种基于GNN模型的油田最优井网构建方法，提供一种油田最优井网的自动化确定方法，降低对工程师的依赖程度。
[0005]第一方面，本专利技术实施例提供了一种基于GNN模型的油田最优井网构建方法，包括：获取目标区域内待开发的生产井数量和注入井数量，以及各井的预设位置、预设控制条件和预设参数，作为一组当前解；根据所述当前解中各井的位置，构建生产井之间的第一关系图，以及注入井与生产井之间的第二关系图，其中，所述第一关系图用于反映生产井与生产井之间的连通关系，所述第二关系图应用于反映注入井与生产井之间的连通关系；根据所述当前解中各井的控制条件和参数，生成各井的特征向量；将所述第一关系图、所述第二关系图和所述特征向量，输入训练好的油田产量预测模型，得到所有井未来的累计产油量；以所述累计产油量最大为目标，采用PSO对所述当前解进行优化，得到一组新的当前解，返回所述关系图的构建操作，直到达到预设的迭代终止条件。/>[0006]第二方面，本专利技术实施例提供一种电子设备，包括：一个或多个处理器；存储器，用于存储一个或多个程序，当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现上述的基于GNN模型的油田最优井网构建方法。
[0007]第三方面，本专利技术实施例提供一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现上述的基于GNN模型的油田最优井网构建方法。
[0008]本专利技术实施例采用图的数据组织方式根据井网的联通性表示出井之间的影响，同时选取井点处的渗透率、饱和度、压力以及控制条件作为输入数据，有利于覆盖更多的工况，提高预测模型的适用范围；然后以Transformer结构对井产量的时间序列进行演化，最
后将PSO与深度学习结合，寻找出最优的井网布置方案，降低油藏开发的成本。特别的，该模型在给出最优井网结构的同时，还可以给出适配的最优井控条件组合，提供了更详细、全面的井位分布和油藏开采方案。
附图说明
[0009]为了更清楚地说明本专利技术具体实施方式或现有技术中的技术方案，下面将对具体实施方式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，下面描述中的附图是本专利技术的一些实施方式，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
[0010]图1是本专利技术实施例提供的一种基于GNN模型的油田最优井网构建方法的流程图。
[0011]图2是本专利技术实施例提供一个目标区域的工况示意图。
[0012]图3是本专利技术实施例提供的一种基于GNN模型的油田产量预测模型的结构示意图。
[0013]图4是本专利技术实施例提供的一种第二MLP的结构示意图。
[0014]图5是本专利技术实施例提供的基于第二关系图进行AGG操作的示意图。
[0015]图6是本专利技术实施例提供的另一种基于GNN模型的油田最优井网构建方法的流程图。
[0016]图7a是利用全物理模型和本专利技术实施例提供的基于GNN模型的油田产量预测模型对P1井进行预测的结果对比图。
[0017]图7b是利用全物理模型和本专利技术实施例提供的基于GNN模型的油田产量预测模型对P2井进行预测的结果对比图。
[0018]图8是本专利技术实施例提供的井位优化前后的产油量对比图。
[0019]图9是本专利技术实施例提供的一种电子设备的结构示意图。
具体实施方式
[0020]为使本专利技术的目的、技术方案和优点更加清楚，下面将对本专利技术的技术方案进行清楚、完整的描述。显然，所描述的实施例仅是本专利技术一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，本领域普通技术人员在没有做出创造性劳动的前提下所得到的所有其它实施例，都属于本专利技术所保护的范围。
[0021]在本专利技术的描述中，需要说明的是，术语“中心”、“上”、“下”、“左”、“右”、“竖直”、“水平”、“内”、“外”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，仅是为了便于描述本专利技术和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本专利技术的限制。此外，术语“第一”、“第二”、“第三”仅用于描述目的，而不能理解为指示或暗示相对重要性。
[0022]在本专利技术的描述中，还需要说明的是，除非另有明确的规定和限定，术语“安装”、“相连”、“连接”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本专利技术中的具体含义。
[0023] 图1是本专利技术实施例提供的一种基于GNN（Graph Neural Network，图神经网络）
模型的油田最优井网构建方法的流程图，适用于基于PSO（Particle Swarm Optimization，粒子群优化算法）构建最优井网的情况。该方法由电子设备执行，如图1所示，具体包括如下步骤：S110、获取目标区域内待开发的生产井数量和注入井数量，以及各井的预设位置、预设控制条件和预设参数，作为一组当前解。
[0024]目标区域指油田内待研究的地理区域。本实施例将在目标区域内开发一定数量的生产井和注入井，以获取最优的油产量。其中，生产井用于产油，注入井用于向生产井注入水，促进生产井产油。本步骤将各井的预设位置、预设控制条件和预设参数作为一组当前解，在后续过程中将以该组当前解为基础，采用PSO算法不断对这些变量进行优化。其中，各井的预设位置由油藏工程师根据经验选择，预设控制条件和预设参数可以根据预设位置选取或换算得到。
[0025]各生产井的控制条件包括井底压力，各注入井的控制条件包括注水速率。各油井的参数包括：X方向渗透率、Y方向渗透率、压力和饱和度；其中，所述X方向和Y方向为平行于地面的两垂直方向。由于在给定的油藏中，随着井位置的变化，井点处的压力、饱和度以及渗透率，Y方向渗透率都会发生变化，而井的控制条件也很大程度上影响着井产量，因此本实施例将井的位置、控制条件和上述参数共同作为待优化的对象。
[0026]图2是本专利技术实施例提供一个目标区域的工况示意图。如图2所示，该区域的二维地理网格的大小为，渗透率呈现高斯分布。假设将要在该区域中开发3口注入井和4口生产井，图2给出了该区域的初始井本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于GNN模型的油田最优井网构建方法，其特征在于，包括：获取目标区域内待开发的生产井数量和注入井数量，以及各井的预设位置、预设控制条件和预设参数，作为一组当前解；根据所述当前解中各井的位置，构建生产井之间的第一关系图，以及注入井与生产井之间的第二关系图，其中，所述第一关系图用于反映生产井与生产井之间的连通关系，所述第二关系图应用于反映注入井与生产井之间的连通关系；根据所述当前解中各井的控制条件和参数，生成各井的特征向量；将所述第一关系图、所述第二关系图和所述特征向量，输入训练好的油田产量预测模型，得到所有井未来的累计产油量；以所述累计产油量最大为目标，采用PSO对所述当前解进行优化，得到一组新的当前解，返回所述关系图的构建操作，直到达到预设的迭代终止条件。2.根据权利要求1所述的方法，其特征在于，各生产井的控制条件包括井底压力，各注入井的控制条件包括注水速率；所述参数包括：X方向渗透率、Y方向渗透率、压力和饱和度；其中，所述X方向和Y方向为平行于地面的两垂直方向。3.根据权利要求1所述的方法，其特征在于，所述根据所述当前解中各井的位置，构建生产井之间的第一关系图，以及注入井与生产井之间的第二关系图，包括：根据当前解中各井的位置对所有井进行聚类，同一类的井认为具有连通关系；建立用于构建第一关系图的多个节点，其中每个节点对应一口生产井；在具有连通关系的生产井对应的节点之间建立边；根据所述具有连通关系的生产井之间的地理距离，设置所述边的权重，由所述节点、所述边，以及所述边的权重共同构成所述第一关系图；建立用于构建第二关系图的多个节点，其中每个节点对应一口生产井或一口注水井；在具有连通关系的生产井和注水井对应的节点之间建立边；根据所述具有连通关系的生产井和注水井之间的地理距离，设置所述边的权重，由所述节点、所述边，以及所述边的权重共同构成所述第二关系图。4.根据权利要求2所述的方法，其特征在于，所述根据所述当前解中各井的控制条件和参数，生成各井的特征向量，包括：由任一生产井的井底压力、X方向渗透率、Y方向渗透率、压力和饱和度，构成所述生产井的特征向量；由任一注入井的注水速率、X方向渗透率和Y方向渗透率、压力和饱和度，构成所述注入井的特征向量。5.根据权利要求1所述的方法，其特征在于，所述油田产量预测模型包括：特征扩展层，第一AGG层、第二AGG层，Transformer网络和第一MLP；将所述第一关系图、所述第二关系图和所述特征向量，输入训练好的油田产量预测模型，得到所有井未来的累计产油量，包括：将各生产井和各注入的特征向量输入所述特征扩展层进行扩展编码，得到各生产井和各注入井的编码特征；将所述编码特征分别输入所述第一AGG层和所述第二AGG层，分别根据所述第一关系图和所述第二关系图对各井的编码特征进行合并，得到不...

【专利技术属性】
技术研发人员：龚斌，黄虎，石欣，
申请(专利权)人：中科数智能源科技深圳有限公司，
类型：发明
国别省市：