油井连通性检测方法、装置、电子设备及介质制造方法及图纸

本公开涉及石油工程完井技术领域，提供了油井连通性检测方法、装置、电子设备及介质。该方法包括：获取相邻井在第一预设时间段的相邻产油数据；将监测井在第一预设时间段的产油数据设置为零，得到置零产油数据，以模拟监测井执行关井；将相邻产油数据和置零产油数据导入已训练的目标预测模型，预测监测井在第一预设时间段的目标井底压力数据；基于目标井底压力数据，判断监测井和相邻井是否连通。本公开实施例通过上述步骤，可以提高检测的精准度，大幅缩短测试周期。幅缩短测试周期。幅缩短测试周期。

【技术实现步骤摘要】
油井连通性检测方法、装置、电子设备及介质


[0001]本公开涉及石油工程完井
，尤其涉及油井连通性检测方法、装置、电子设备及介质。

技术介绍

[0002]油井连通性信息广泛用于油田开发设计、产量预测、油井动态评价、注水/注气管理和加密钻井规划。现有技术中常采用以下技术方案来进行油井连通性检测：
[0003]示踪试验。示踪剂试验对于研究注采井之间的连通性是有效和实用的，因为设计注入策略取决于储层连通性。此外，示踪剂测试还被用于诊断裂缝连通性，以估算压裂井组之间的裂缝体积。然而，由于示踪剂注采会造成井间压力场再分配，从生产阶段通过示踪试验检测到的主要流动路径可能会发生变化。当没有裂缝时，示踪剂回收率可能较低，通过示踪试验很难区分开放的可渗透油田和封闭的地质构造，因此示踪试验的精准度较低。
[0004]干扰测试。随着永久性井下压力计(PDG)的发展，压力测量功能得到了增强，可以长时间连续监测井下压力变化。这一进步使另一种定量确定井间连通程度的方法成为可能：长时间干扰测试。该方法通常应用于两口井，其中源井控制流量，向监测井发送特定信号。传统干扰试验的持续时间约为几天，此时不存在水力连通性。因此，干扰测试的测试周期过长。
[0005]由此可知，现有技术中存在试验精准度低，测试周期过长的技术问题。

技术实现思路

[0006]有鉴于此，本公开实施例提供了油井连通性检测方法、装置、电子设备及介质，以解决现有技术中存在试验精准度低，测试周期过长的技术问题的问题。
[0007]本公开实施例的第一方面，提供了一种油井连通性检测方法，包括：
[0008]获取相邻井在第一预设时间段的相邻产油数据；
[0009]将监测井在第一预设时间段的产油数据设置为零，得到置零产油数据，以模拟监测井执行关井；
[0010]将相邻产油数据和置零产油数据导入已训练的目标预测模型，预测监测井在第一预设时间段的目标井底压力数据；
[0011]基于目标井底压力数据，判断监测井和相邻井是否连通。
[0012]在一些实施例中，基于目标井底压力数据，判断监测井和相邻井是否连通，包括：
[0013]当目标井底压力数据持续降低时，确定监测井和相邻井连通。
[0014]在一些实施例中，基于目标井底压力数据，判断监测井和相邻井是否连通，还包括：
[0015]当目标井底压力数据变化幅度小于预设的变化阈值时，确定监测井和对不连通。
[0016]在一些实施例中，目标预测模型为LSTM深度学习网络模型。
[0017]在一些实施例中，目标预测模型的训练步骤包括：
[0018]分别获取监测井和相邻井在第二预设时间段的产油数据，以及监测井在第二预设时间段的原始井底压力数据；
[0019]将监测井和相邻井在第二预设时间段的产油数据导入预设的原始预测模型，生成第二预设时间段的预测井底压力数据；
[0020]基于预测井底压力数据、原始井底压力数据以及预设的损失计算函数，生成训练结果；
[0021]当训练结果表示失败时，重新训练原始预测模型。
[0022]在一些实施例中，目标预测模型的训练步骤还包括：
[0023]当训练结果表示成功时，将当次训练的原始预测模型确定为目标预测模型。
[0024]在一些实施例中，损失计算函数可以为以下其中一项：
[0025]平方损失函数、绝对值损失函数或Huber损失函数。
[0026]本公开实施例的第二方面，提供了一种油井连通性检测装置，包括：
[0027]获取模块，被配置为获取相邻井在第一预设时间段的相邻产油数据；
[0028]置零模块，被配置为将监测井在所述第一预设时间段的产油数据置零，以模拟关井；将监测井在所述第一预设时间段的产油数据设置为零，得到置零产油数据，以模拟所述监测井执行关井；
[0029]生成模块，被配置为将所述相邻产油数据和所述置零产油数据导入已训练的目标预测模型，预测所述监测井在所述第一预设时间段的目标井底压力数据；
[0030]判断模块，被配置为基于所述目标井底压力数据，判断所述监测井和所述相邻井是否连通。
[0031]在一些实施例中，基于目标井底压力数据，判断监测井和相邻井是否连通，包括：
[0032]当目标井底压力数据持续降低时，确定监测井和相邻井连通。
[0033]在一些实施例中，基于目标井底压力数据，判断监测井和相邻井是否连通，还包括：
[0034]当目标井底压力数据变化幅度小于预设的变化阈值时，确定监测井和对不连通。
[0035]在一些实施例中，目标预测模型为LSTM深度学习网络模型。
[0036]在一些实施例中，目标预测模型的训练步骤包括：
[0037]分别获取监测井和相邻井在第二预设时间段的产油数据，以及监测井在第二预设时间段的原始井底压力数据；
[0038]将监测井和相邻井在第二预设时间段的产油数据导入预设的原始预测模型，生成第二预设时间段的预测井底压力数据；
[0039]基于预测井底压力数据、原始井底压力数据以及预设的损失计算函数，生成训练结果；
[0040]当训练结果表示失败时，重新训练原始预测模型。
[0041]在一些实施例中，目标预测模型的训练步骤还包括：
[0042]当训练结果表示成功时，将当次训练的原始预测模型确定为目标预测模型。
[0043]在一些实施例中，损失计算函数为以下其中一项：
[0044]平方损失函数、绝对值损失函数或Huber损失函数。
[0045]本公开实施例的第三方面，提供了一种电子设备，包括存储器、处理器以及存储在
存储器中并且可以在处理器上运行的计算机程序，该处理器执行计算机程序时实现的步骤包括：
[0046]获取相邻井在第一预设时间段的相邻产油数据；
[0047]将监测井在第一预设时间段的产油数据设置为零，得到置零产油数据，以模拟监测井执行关井；
[0048]将相邻产油数据和置零产油数据导入已训练的目标预测模型，预测监测井在第一预设时间段的目标井底压力数据；
[0049]基于目标井底压力数据，判断监测井和相邻井是否连通。
[0050]在一些实施例中，基于目标井底压力数据，判断监测井和相邻井是否连通，包括：
[0051]当目标井底压力数据持续降低时，确定监测井和相邻井连通。
[0052]在一些实施例中，基于目标井底压力数据，判断监测井和相邻井是否连通，还包括：
[0053]当目标井底压力数据变化幅度小于预设的变化阈值时，确定监测井和对不连通。
[0054]在一些实施例中，目标预测模型为LSTM深度学习网络模型。
[0055]在一些实施例中，目标预测模型的训练步骤包括：
[0056]分别获取监测井和相邻井在第二预设时间段的产油数据，以及监测井在第二预设时间段的原始井底压力数据；
本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种油井连通性检测方法，其特征在于，包括：获取相邻井在第一预设时间段的相邻产油数据；将监测井在所述第一预设时间段的产油数据设置为零，得到置零产油数据，以模拟所述监测井执行关井；将所述相邻产油数据和所述置零产油数据导入已训练的目标预测模型，预测所述监测井在所述第一预设时间段的目标井底压力数据；基于所述目标井底压力数据，判断所述监测井和所述相邻井是否连通。2.根据权利要求1所述的方法，其特征在于，所述基于所述目标井底压力数据，判断所述监测井和所述相邻井是否连通，包括：当所述目标井底压力数据持续降低时，确定所述监测井和所述相邻井连通。3.根据权利要求2所述的方法，其特征在于，所述方法还包括：当所述目标井底压力数据变化幅度小于预设的变化阈值时，确定所述监测井和所述相邻井不连通。4.根据权利要求1所述的方法，其特征在于，所述目标预测模型为LSTM深度学习网络模型。5.根据权利要求1所述的方法，其特征在于，所述目标预测模型的训练步骤包括：分别获取所述监测井和相邻井在第二预设时间段的产油数据，以及所述监测井在所述第二预设时间段的原始井底压力数据；将所述监测井和相邻井在第二预设时间段的产油数据导入预设的原始预测模型，生成第二预设时间段的预测井底压力数据；基于所述预测井底压力数据、所述原始井底压力数据以及预设的损失计算函数，生成训练结果；当所述...

【专利技术属性】
技术研发人员：郭肖，艾爽，庞伟，范杰，
申请(专利权)人：中石化石油工程技术研究院有限公司，
类型：发明
国别省市：