一种耦合储层时变的一体化历史拟合方法技术

本发明专利技术提供了一种耦合储层时变的一体化历史拟合方法，属于油藏数值模拟技术领域，包括以下步骤：

【技术实现步骤摘要】
一种耦合储层时变的一体化历史拟合方法


[0001]本专利技术属于油藏数值模拟
，尤其是涉及一种耦合储层时变的一体化历史拟合方法
。

技术介绍

[0002]随着经济的快速发展，对油气资源的需求日益增长，目前高含水油田仍是我国原油产量的主力，高含水油田的进一步挖潜刻不容缓
。
[0003]我国油气资源储层非均质性强，储层内沉积相发育复杂，沉积相的发育特征严重影响储层非均质性，且沉积相的存在使渗透率场分布不再满足高斯分布，目前历史拟合方法难以对非高斯分布情况进行考虑；且高含水油藏开发历程长，水冲刷严重，受长期水冲刷，储层结构发生变化，储层的绝对渗透率随冲刷增大，束缚水饱和度随冲刷变大，残余油饱和度随冲刷而减小，这些现象都会对生产动态造成影响，必须在历史拟合过程中加以考虑
。
[0004]目前针对高含水油藏数值模拟技术及自动历史拟合已有相关研究，但数值模拟过程多基于商业软件开展，历史拟合过程中忽略时变现象的影响，且目前自动历史拟合算法对于沉积相约束造成的渗透率场非高斯分布考虑不足
。

技术实现思路

[0005]有鉴于此，本专利技术旨在提出一种耦合储层时变的一体化历史拟合方法，考虑了沉积相约束，考虑了地层水及注入水水流冲刷对储层渗透率及相对渗透率的影响，获得更加精准的历史拟合结果，可以为油藏历史拟合提供帮助
。
[0006]为达到上述目的，本专利技术的技术方案是这样实现的：一种耦合储层时变的一体化历史拟合方法，包括以下步骤：
[0007]步骤
S1
，输入基本参数，建立数值模型；
[0008]步骤
S2
，基于建模软件建立初始集合，根据卷积神经网络主成分分析算法，考虑沉积相影响，对初始集合进行降维处理，得到关键点位数据，并进行训练，建立新型考虑沉积相的渗透率集合，实现渗透率更新，以便历史拟合渗透率更新过程中减少拟合参数的同时始终考虑沉积相约束；
[0009]步骤
S3
，应用基于驱替通量考虑储层渗透率及相对渗透率端点值变化的数值模拟器进行模拟；
[0010]步骤
S4
，将储层渗透率
、
渗透率变化
、
相对渗透率端点值及相对渗透率端点值变化作为历史拟合参数，基于
ES
‑
MDA
自动历史拟合方法对参数进行更新；
[0011]步骤
S5
，重复步骤
S2
‑
步骤
S4
直至历史拟合过程结束
。
[0012]进一步的，所述步骤
S1
中，基本参数包括地质参数
、
流体参数和井控参数，其中，地质参数包括网格数
、
渗透率，流体参数包括
PVT、
相对渗透率
。
[0013]进一步的，所述步骤
S2
包括
,
[0014]首先，基于
PCA
主成分分析算法对沉积相关键点位参数进行抽提，考虑储层的沉积相分布特征，并将历史拟合变量进行缩减，式
(1)
基于
PCA
方法将初始渗透率集合提取为关键点位参数，将历史拟合变量进行降维，基于式
(2)
建立构建关键参数的渗透率模型：
[0015][0016][0017]其中，
U
为左侧矩阵，
ξ
为
PCA
主成分分析算法分析后得到的关键点位参数，
Σ
为对角矩阵，
m
是初始模型集合渗透率参数，为初始模型集合渗透率参数平均值，
U
及
∑
是均为单位矩阵；
m
PCA
是指基于
PCA
主成分分析后得到关键点位的渗透率，下角标
i
是集合中模型编号；
[0018]然后，应用卷积神经网络算法对
PCA
主成分分析算法抽提的关键地质参数进行训练如式
(3)
所示，对
PCA
降维过程中的地质参数损失进行补充，建立误差判断标准如式
(4)
所示，对比训练后模型与初始模型差值，最终建立模型集合；
[0019]m
cnn
＝
f
CNN
(m
PCA
)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(3)
[0020]L
＝
||f
CNN
(m
PCA
)
‑
m
i
||
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(4)
[0021]其中，
m
为初始集合，
f
CNN
为神经网络算法，
m
PCA
为基于
PCA
模型生产的模型集合，
m
cnn
为针对
PCA
降维模型建立的神经网络训练模型，
L
是指基于神经网络算法训练结果与初始集合之间的差值，作为神经网络训练判断误差
。
[0022]进一步的，所述步骤
S3
中，基于驱替通量对时变参数进行描述，如式
(5)
，考虑储层渗透率及相对渗透率端点值随地层水及注入水水流冲刷变化式
(6)
‑
式
(9)
的数值模拟器进行模拟，建立时变模拟器与自动历史拟合的一体化方法：
[0023][0024]k
＝
k
i
(M
w
)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(6)
[0025]S
wc
＝
S
wci
(M
w
)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(7)
[0026]S
or
＝
S
ori
(M
w
)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(8)
[0027][0028]其中，
M
w
为驱替通量，
m
；
k
为绝对渗透率，
m2；
k
i
为原始地层渗透率，
m2；
S
wci
为初始束缚水饱和度；
S
ori
为初始残余油饱和度
S
wc
为束缚水饱和度；
S
or
为残余油饱和度；
A
为水流通过截面积，
m2；
Q
w...

【技术保护点】

【技术特征摘要】
1.
一种耦合储层时变的一体化历史拟合方法，其特征在于，包括以下步骤：步骤
S1
，输入基本参数，建立数值模型；步骤
S2
，基于建模软件建立初始集合，根据卷积神经网络主成分分析算法，考虑沉积相影响，对初始集合进行降维处理，得到关键点位数据，并进行训练，建立新型考虑沉积相的渗透率集合，实现渗透率更新，以便历史拟合渗透率更新过程中减少拟合参数的同时始终考虑沉积相约束；步骤
S3
，应用基于驱替通量考虑储层渗透率及相对渗透率端点值变化的数值模拟器进行模拟；步骤
S4
，将储层渗透率
、
渗透率变化
、
相对渗透率端点值及相对渗透率端点值变化作为历史拟合参数，基于
ES
‑
MDA
自动历史拟合方法对参数进行更新；步骤
S5
，重复步骤
S2
‑
步骤
S4
直至历史拟合过程结束
。2.
根据权利要求1所述的一种耦合储层时变的一体化历史拟合方法，其特征在于：所述步骤
S1
中，基本参数包括地质参数
、
流体参数和井控参数，其中，地质参数包括网格数
、
渗透率，流体参数包括
PVT、
相对渗透率
。3.
根据权利要求1所述的一种耦合储层时变的一体化历史拟合方法，其特征在于：所述步骤
S2
包括
,
首先，基于
PCA
主成分分析算法对沉积相关键点位参数进行抽提，考虑储层的沉积相分布特征，并将历史拟合变量进行缩减，式
(1)
基于
PCA
方法将初始渗透率集合提取为关键点位参数，将历史拟合变量进行降维，基于式
(2)
建立构建关键参数的渗透率模型：建立构建关键参数的渗透率模型：其中，
U
为左侧矩阵，
ξ
为
PCA
主成分分析算法分析后得到的关键点位参数；
Σ
为对角矩阵，
m
是初始模型集合渗透率参数，为初始模型集合渗透率参数平均值，
U
及
∑
是均为单位矩阵；
m
PCA
是指基于
PCA
主成分分析后得到关键点位的渗透率，下角标
i
是集合中模型编号；然后，应用卷积神经网络算法对
PCA
主成分分析算法抽提的关键地质参数进行训练如式
(3)
所示，对
PCA
降维过程中的地质参数损失进行补充，建立误差判断标准如式
(4)
所示，对比训练后模型与初始模型差值，最终建立模型集合；
m
cnn...

【专利技术属性】
技术研发人员：尹彦君，谢昆，白瑞婷，路强，姚为英，冯高城，刘成，魏莉，杨丽娜，姜康，张海勇，
申请(专利权)人：中海油能源发展股份有限公司，
类型：发明
国别省市：