一种致密油藏水平井产能预测方法、介质及系统技术方案

本发明专利技术提供了一种致密油藏水平井产能预测方法、介质及系统，属于石油产能预测技术领域，该致密油藏水平井产能预测方法包括：采集影响致密油水平井产能的数据及对应井的历史日产能数据；将影响致密油水平井产能的数据及对应井的历史日产能数据进行预处理与降维得到训练数据集；基于深度学习神经网络构建致密油藏水平井产能预测模型，所述致密油藏水平井产能预测模型包括输入模块、时空特征提取模块、特征融合模块、回归预测模块；以训练数据集对所述致密油藏水平井产能预测模型进行训练；将待预测数据输入致密油藏水平井产能预测模型中，得到产能预测结果；根据得到的产能预测结果部署和调节石油挖掘工程。结果部署和调节石油挖掘工程。结果部署和调节石油挖掘工程。

【技术实现步骤摘要】
一种致密油藏水平井产能预测方法、介质及系统


[0001]本专利技术属于石油产能预测
，具体而言，涉及一种致密油藏水平井产能预测方法、介质及系统。

技术介绍

[0002]作为常规油气的重要接替，我国致密油资源丰富、开发潜力大。准确预测致密油产能是有效开发和管理致密油资源的关键，但致密油储层的强非均质性使准确预测产能变得十分困难。
[0003]传统的产能预测分为静态和动态两种方法。静态产能预测方法以测井信息为主，测井信息主要反映储层的静态特征，无法直接反映储层的动态特征对产能的影响；动态产能预测模型包括解析法、半解析法以及数值模拟法，但动态方法进行产能预测是基于地层均质的假设推导出来的，对于非均质性强的致密油储层，预测的不够准确。
[0004]基于数据挖掘开展的产能预测研究大致分为传统机器学习与深度学习两类。其中，传统机器学习难以对复杂的非线性关系建模，无法提取输入数据的复杂特征，虽然深度学习能够提取输入数据的复杂特征，但目前已有的深度学习产能预测方法大多侧重于提取输入数据的时序特征来预测油井产能，忽略了致密油储层非均质性强这一空间特征对产能预测的影响，存在未同时提取产能数据的时空特征导致致密油藏产能预测不准确问题。

技术实现思路

[0005]有鉴于此，本专利技术提供一种致密油藏水平井产能预测方法、介质及系统，解决了未同时提取产能数据的时空特征导致致密油藏产能预测不准确问题。
[0006]本专利技术是这样实现的：
[0007]本专利技术的第一方面提供一种致密油藏水平井产能预测方法，包括以下步骤：
[0008]S10：采集影响致密油水平井产能的数据及对应井的历史日产能数据，其中，所述影响致密油水平井产能的数据包括：压裂级数、每簇砂量、压裂簇数、缝间距、每簇液量、每段砂量、孔隙度、渗透率、含油饱和度、泊松比、杨氏模量、脆性指数、水平段长度、油层钻遇率、钻遇油层厚度和一类油层钻遇率；
[0009]S20：将影响致密油水平井产能的数据及对应井的历史日产能数据进行预处理与降维得到训练数据集；
[0010]S30：基于深度学习神经网络构建致密油藏水平井产能预测模型，所述致密油藏水平井产能预测模型包括输入模块、时空特征提取模块、特征融合模块、回归预测模块；
[0011]S40：以训练数据集对所述致密油藏水平井产能预测模型进行训练；
[0012]S50：将待预测数据输入致密油藏水平井产能预测模型中，得到产能预测结果；
[0013]S60：根据得到的产能预测结果部署和调节石油挖掘工程。
[0014]在上述技术方案的基础上，本专利技术的一种致密油藏水平井产能预测方法还可以做如下改进:
[0015]其中，所述输入模块首先将原始数据按储层划分，基于同储层数据构建Spatial
‑
Temporal矩阵作为深度神经网络的输入。
[0016]其中，所述时空特征提取模块基于卷积运算、长短期记忆网络与自注意力机制构建Conv
‑
LSTM
‑
SAT网络提取输入数据的时空特征。
[0017]其中，所述特征融合模块将时空特征与压裂数据进行串联融合。
[0018]其中，所述回归预测模块采用全连接层对融合特征进行回归预测，输出产能预测值。
[0019]其中，所述对影响致密油水平井产能的数据及致密油水平井产能的实际产能数据降维的方法为：计算各个变量因素与油井产能之间的加权相关系数，舍弃低于阈值的变量因素。
[0020]其中，所述对影响致密油水平井产能的数据及致密油水平井产能的实际产能数据进行预处理的方法为：首先采用Z
‑
score方法将数据标准化，再根据3σ原则识别并剔除异常值；采用线性插值法填补缺失值；采用最大最小法归一化数据。
[0021]进一步的，所述输入模块中Spatial
‑
Temporal矩阵的构造方法为，选取部分油井与目标油井的生产序列构建Spatial
‑
Temporal矩阵作为神经网络的输入，其中，部分油井与目标油井位于同一储层。
[0022]本专利技术第二方面提供一种计算机可读存储介质，该计算机可读存储介质上存储有计算机程序指令；计算机程序指令被处理器执行时实现上述的一种致密油藏水平井产能预测方法。
[0023]本专利技术第三方面提供一种致密油藏水平井产能预测系统，包含上述的计算机可读存储介质。
[0024]与现有技术相比较，本专利技术提供的一种致密油藏水平井产能预测方法、介质及系统的有益效果是：本专利技术在提取产能数据时序特征的基础上，考虑了致密油储层非均质性强对产能预测的影响，获取产能数据的空间特征。通过K
‑
means算法将原始数据按储层划分，解决储层间非均质性强对产能预测的影响；基于划分后的产能序列构造Spatial
‑
temporal矩阵，将时空信息聚合为一体，构建Conv
‑
LSTM网络提取输入数据的储层内空间信息与时间依赖信息；首次引入自注意力机制用于致密油产能预测，通过为产能序列分配不同的权重，使Conv
‑
LSTM网络集中学习与当前产能相关性更高的数据特征，增强网络在特征提取上的准确性。
附图说明
[0025]为了更清楚地说明本专利技术实施例的技术方案，下面将对本专利技术实施例的描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本专利技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
[0026]图1为本专利技术提供的一种致密油藏水平井产能预测方法的流程图；
[0027]图2为本专利技术提供的一种致密油藏水平井产能预测方法的预测模型结构图。
具体实施方式
[0028]为使本专利技术实施方式的目的、技术方案和优点更加清楚，下面将结合本专利技术实施方式中的附图，对本专利技术实施方式中的技术方案进行清楚、完整地描述，显然，所描述的实施方式是本专利技术一部分实施方式，而不是全部的实施方式。基于本专利技术中的实施方式，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施方式，都属于本专利技术保护的范围。
[0029]因此，以下对在附图中提供的本专利技术的实施方式的详细描述并非旨在限制要求保护的本专利技术的范围，而是仅仅表示本专利技术的选定实施方式。基于本专利技术中的实施方式，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施方式，都属于本专利技术保护的范围。
[0030]应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。
[0031]在本专利技术的描述中，需要理解的是，术语“中心”、“纵向”、“横向”、“长度”、“宽度”、“厚度”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”、“内”、“外”、“顺时针”、“逆时针本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种致密油藏水平井产能预测方法，其特征在于，包括以下步骤：S10：采集影响致密油水平井产能的数据及对应井的历史日产能数据，其中，所述影响致密油水平井产能的数据包括：压裂级数、每簇砂量、压裂簇数、缝间距、每簇液量、每段砂量、孔隙度、渗透率、含油饱和度、泊松比、杨氏模量、脆性指数、水平段长度、油层钻遇率、钻遇油层厚度和一类油层钻遇率；S20：将影响致密油水平井产能的数据及对应井的历史日产能数据进行预处理与降维得到训练数据集；S30：基于深度学习神经网络构建致密油藏水平井产能预测模型，所述致密油藏水平井产能预测模型包括输入模块、时空特征提取模块、特征融合模块、回归预测模块；S40：以训练数据集对所述致密油藏水平井产能预测模型进行训练；S50：将待预测数据输入致密油藏水平井产能预测模型中，得到产能预测结果；S60：根据得到的产能预测结果部署和调节石油挖掘工程。2.根据权利要求1所述的一种致密油藏水平井产能预测方法，其特征在于，所述输入模块首先将原始数据按储层划分，基于同储层数据构建Spatial
‑
Temporal矩阵作为深度神经网络的输入。3.根据权利要求1所述的一种致密油藏水平井产能预测方法，其特征在于，所述时空特征提取模块基于卷积运算、长短期记忆网络与自注意力机制构建Conv
‑
LSTM
‑
SAT网络提取输入数据的时空特征。4.根据权利要求1所述的一种致密油藏水平井产能预测方法，其特征在于，所述特征融合...

【专利技术属性】
技术研发人员：张晓东，李敏，秦子轩，史靖文，白广芝，张永安，
申请(专利权)人：中国石油大学华东，
类型：发明
国别省市：