System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本专利技术涉及油气藏勘探与开发领域,具体涉及到一种基于对抗神经网络的非常规储层气井产量预测方法。
技术介绍
1、近年来,在石油与天然气工程领域,已经引入机器学习方法,通过神经网络lstm、决策树(dt)、随机森林(rf)、k-近邻(k-nn)、多项逻辑回归(mlr)、贝叶斯(nb)、支持向量机(svm)和最小距离分类器(mdc)等算法等对气井产量进行预测和分类,其中最小距离分类器原理简单,操作简易,应用广泛,但气井影响因素过多,且主控因素不同,常规分类器难以处理基础数据带来的噪声,分类性能较差。
2、此外,由于机器学习训练模型对样本数量有一定要求,为降低模型误差,要求现有地质资料和油井产量的样本井需要与待测试井相似,而在获取资料中一般井与井之间地质条件差异大,符合条件的样本井较少,难以保证训练模型的高精度,对预测结果有严重影响,现有方法难以解决样本数量过少的问题。
技术实现思路
1、有鉴于此,本专利技术建立了基于标准化距离度量的方差敏感模型,考虑了因素过多引起的模型噪声误差,引入了标准差和标准化距离变量提高模型的精度和准确性,再通过对抗神经网络扩展初始样本数量,可以提高训练模型的聚类质心准确率,减少偶然性带来的误差,为产量预测提供指导。
2、本专利技术实施例的具体技术方案是:
3、为达上述目的,本专利技术的一个实施案例中提供了一种基于对抗神经网络的非常规储层气井产量预测方法,包括以下步骤:
4、(1)通过地质因素筛选出与目标井地质特征
5、(2)对样本井的地质参数进行主成分分析并进行降维,提取由地质参数组合形成的影响因子,选定其中特征值大于1的变量,确定主成分参数;
6、(3)将主成分参数进行聚类分析,从而根据产量对样本井进行分类,其中样本井分类包括低产井、中产井以及高产井,确定其中低产井、中产井以及高产井所占百分比;
7、(4)确定各类井对应的类质心,即所有输入向量的平均值;
8、(5)计算测试井与三种类别样本井质心的距离;
9、(6)计算低产井、中产井以及高产井样本参数各自对应的标准差矩阵,通过z分数标准化计算测试井的z得分;
10、(7)将距离度量结果与z得分相乘获取得到测试井与高产井、中产井、低产井的相似性得分,得分越低,则与某一类别越相似,利用相似性得分进行产量预测。
11、进一步地,所述步骤(1)中的地质参数包括toc、总含气量、孔隙度、全烃含量、脆性矿物含量、杨氏模量、泊松比、水平主应力差中的一个或多个参数。
12、进一步地,所述步骤(1)中还包括利用对抗神经网络对样本井的数量进行扩充。
13、进一步地,所述步骤(1)中还包括利用正态性检验方法对生成的样本进行评价。
14、进一步地,所述步骤(2)中还包括对所有的地质参数进行标准化处理,通过主成分分析将每口井标准化后的地质参数线性组合为主成分,其中标准化方法为:
15、
16、式中,x*ij为标准化值;xij为产量影响因素值;min xij为样本中该因素最小值;maxxij为样本中该因素最大值。
17、进一步地,所述步骤(3)中还包括:基于步骤(2)中的主成分参数分析结果,采用k均值聚类方法进行聚类分析,得到高产井、中产井、低产井三种分类,以及各分类对应占比。
18、进一步地,所述步骤(5)中距离度量方法包括euclidean、man-hattan、闵可夫斯基、chebyshev、angular或海灵格方法。
19、进一步地,所述步骤(6)中z分数的获取方法为:
20、
21、其中,z为z分数数值,x为测试参数,μp为样本矩阵算术平均值,σp为样本矩阵标准差。
22、进一步地,所述步骤(7)中相似性得分获取方法为:
23、decision=arg mini(i∣i∈c,dx[i]z[i])
24、式中,decision为相似性得分,dx为测试样本与质心之间的距离,z为z分数数值,i为序号。
25、与现有技术相比,本专利技术的有益效果是:
26、通过聚类分析选择与待测试井地质特征相近的历史井或层段作为样本,利用对抗神经网络扩展样本井的数量,使生成的模型更稳定准确,优化聚类中心;同时引入标准化距离度量,消除数据噪声影响,同时建立方差敏感模型,使预测准确率得以提高。
本文档来自技高网...【技术保护点】
1.一种基于对抗神经网络的非常规储层气井产量预测方法,包括以下步骤:
2.如权利要求1所述的一种基于对抗神经网络的非常规储层气井产量预测方法,所述步骤(1)中的地质参数包括TOC、总含气量、孔隙度、全烃含量、脆性矿物含量、杨氏模量、泊松比、水平主应力差中的一个或多个参数。
3.如权利要求1所述的一种基于对抗神经网络的非常规储层气井产量预测方法,所述步骤(1)中还包括利用对抗神经网络对样本井的数量进行扩充。
4.如权利要求1所述的一种基于对抗神经网络的非常规储层气井产量预测方法,所述步骤(1)中还包括利用正态性检验方法对生成的样本进行评价。
5.如权利要求1所述的一种基于对抗神经网络的非常规储层气井产量预测方法,所述步骤(2)中还包括对所有的地质参数进行标准化处理,通过主成分分析将每口井标准化后的地质参数线性组合为主成分,其中标准化方法为:
6.如权利要求1所述的一种基于对抗神经网络的非常规储层气井产量预测方法,所述步骤(3)中还包括:基于步骤(2)中的主成分参数分析结果,采用k均值聚类方法进行聚类分析,得到高产井、中产井
7.如权利要求1所述的一种基于对抗神经网络的非常规储层气井产量预测方法,所述步骤(5)中距离度量方法包括Euclidean、Man-hattan、闵可夫斯基、Chebyshev、Angular或海灵格方法。
8.如权利要求1所述的一种基于对抗神经网络的非常规储层气井产量预测方法,所述步骤(6)中z分数的获取方法为:
9.如权利要求1所述的一种基于对抗神经网络的非常规储层气井产量预测方法,所述步骤(7)中相似性得分获取方法为:
...【技术特征摘要】
1.一种基于对抗神经网络的非常规储层气井产量预测方法,包括以下步骤:
2.如权利要求1所述的一种基于对抗神经网络的非常规储层气井产量预测方法,所述步骤(1)中的地质参数包括toc、总含气量、孔隙度、全烃含量、脆性矿物含量、杨氏模量、泊松比、水平主应力差中的一个或多个参数。
3.如权利要求1所述的一种基于对抗神经网络的非常规储层气井产量预测方法,所述步骤(1)中还包括利用对抗神经网络对样本井的数量进行扩充。
4.如权利要求1所述的一种基于对抗神经网络的非常规储层气井产量预测方法,所述步骤(1)中还包括利用正态性检验方法对生成的样本进行评价。
5.如权利要求1所述的一种基于对抗神经网络的非常规储层气井产量预测方法,所述步骤(2)中还包括对所有的地质参数进行标准化处理,通过主成分分析将每口井标准化后...
【专利技术属性】
技术研发人员:曾凡辉,吴涛,杨恩和,张宇,胡大淦,郭建春,
申请(专利权)人:西南石油大学,
类型:发明
国别省市:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。