【技术实现步骤摘要】
本专利技术涉及石油工程中化学驱提高采收率领域，具体涉及一种基于机器学习的天然岩心聚合物驱油采收率预测方法。
技术介绍
1、目前现有油藏聚合物驱提高采收率方法筛选及技术和经济可行性评价执行标准sy/t6575-2016《油田提高采收率方法筛选技术规范》，首先筛选适合聚合物驱油技术的油藏和与目标油藏条件匹配的聚合物驱油体系，之后开展岩心驱油物理模拟实验和数值模拟研究，最终优选适合目标储层的聚合物驱提高采收率方法。该标准仅笼统阐述了适合聚合物驱油藏(空气渗透率50×10-3μm2-10000×10-3μm2)筛选指标和技术要求，筛选指标依靠现场经验确定且未对低渗透油藏(空气渗透率＜50×10-3μm2)聚合物驱提高采收率技术要求和预测方法进行规范。与此同时，对于目标油藏的聚合物驱提高采收率预测主要依靠岩心驱油物理模拟实验和数值模拟方式实现，上述两种方法均存在诸多不足。岩心驱油物理模拟实验确定聚合物驱提高采收率的方法不足之处在于：(1)风险不可控，岩心驱油物理模拟实验成功与否主要取决于实验研究人员自身素质和经验以及实验仪器设备的可靠性，因此岩心驱油物理模拟实验失败风险不可控；(2)实验参数选择随机性，由于取芯岩心数量限制，岩心驱油物理模拟实验方案设计不可能涵盖油藏和聚合物所有参数，因此导致实验方案设计对应的参数选择具有很高的随机性和偶然性，实验方案设计科学论证不足；(3)实验结果不确定性，针对某些特定参数条件下未开展岩心驱油物理模拟实验的情况，通常基于已有驱油实验数据采用插值方式估计聚合物驱提高采收率值，此方法给出的采收率实验结果具有很
2、针对上述技术问题，有必要建立一种风险可控、具有科学的论证过程和预测结果更可靠的聚合物驱油采收率预测新方法。本专利技术利用数据分析+机器学习+数据可视化研究方法，基于聚合物驱油提高采收率物理模拟实验结果，建立了高泛化的天然岩心聚合物驱油采收率预测模型和方法。该方法可以辅助优化聚合物驱油提高采收率物理模拟实验设计，减少室内物理模拟实验工作量、在缺少岩心实验条件下实现聚合物驱油采收率预测、探索实验变量之间的内在关系、实现低渗透油藏聚合物驱油提高采收率方案优化设计。
技术实现思路
1、为克服现有油藏聚合物驱提高采收率预测方法中存在的风险不可控、实验参数选择随机性、实验结果不确定性和预测结果多解性等问题，本专利技术提供了一种基于机器学习的天然岩心聚合物驱油采收率预测方法，将实验室中聚合物驱油参数作为训练集建立可靠的采收率预测模型，对预测得到的采收率进行测试，在高精度、高泛化、低误差的采收率预测模型基础上，反求聚合物驱油中所需关键参数，并对储层极限采收率作出评价，给出设计方案科学的论证过程及可靠的采收率数据。此外，该方法有助于进一步探索聚合物驱油实验变量与采收率关系，实现低渗透油藏聚合物驱油提高采收率方案优化设计。
2、本专利技术解决其技术问题所采用的技术方案是：一种基于机器学习的天然岩心聚合物驱油采收率预测方法，所述方法包括以下步骤：
3、步骤1：设计低渗透油藏聚合物驱油物理模拟实验方案。包括聚合物不同注入量单岩心驱油实验方案、聚合物不同浓度单岩心驱油实验方案和双管并联不同储层渗透率变异系数条件下聚合物驱油实验方案。确定聚合物注入量、聚合物浓度、储层渗透率变异系数、聚合物注入速度、岩心渗透率、地层水矿化度和原油粘度等参数；
4、步骤2：开展低渗透油藏聚合物驱油物理模拟实验。根据实验设计方案筛选符合目标油藏储层渗透率的天然岩心并准备实验材料，具体包括蒸馏水、模拟地层水、模拟地层油和聚合物溶液。检查实验设备是否处于正常状态，具体包括致密岩心渗流特性测定仪、恒速恒压注入泵、并联岩心夹持器、抽真空预处理系统和渗透率自动测定仪。随后依次开展步骤1中的3类实验，实验结束后整理实验数据；
5、步骤3：数据预处理。使用python编码自定义模块，加载csv实验数据集，连接步骤2所产生的3类实验数据为张量，划分9项输入特征向量，具体分别为聚合物浓度、聚合物注入量、变异系数、渗透率、孔隙度、聚合物类型、注入压力、累计注入孔隙体积量和含水率，唯一输出目标向量为采收率；
6、步骤4：特征工程。使用python编码自定义模块，首先，使用随机森林算法填充数据集中缺失值。其次，使用皮尔逊相关系数计算多变量线性相关强弱。然后，使用归一化和标准化处理数据集。接着，使用分类标签和热独码处理离散值。然后，使用孤立森林算法检测异常值，删除或用随机森林算法覆盖异常值。最后，交叉验证划分训练集和测试集(0.8:0.2)，随机选择样本分为训练集和测试集；
7、步骤5：模型选择与构建。使用python编码自定义模块，首先，构建14种机器学习模型，分别为多元线性回归模型、最小绝对收缩和选择算子模型、岭回归、弹性网络回归、k邻近模型、支持向量回归模型、多层感知机模型、决策树回归模型、袋装分类器模型、随机森林模型、极限随机树模型、自适应提升模型、梯度提升模型、极限梯度提升模型。其次，将步骤4中划分的训练集加入14种机器学习进行训练，最后，将测试集加入训练好的模型并预测采收率；
8、步骤6：模型验证与参数选择。使用python编码自定义模块，首先，评估14种机器学习模型在训练阶段和预测阶段的性能，若出现欠拟合或过拟合状态则考虑调整模型。其次，使用网格搜索、随机搜索和遍历技术调整模型参数使模型更完善。重复评估和调整参数过程，直到未出现欠拟合或过拟合状态；
9、步骤7：模型评估。使用python编码自定义模块，首先，定义5种模型评估方法，分别为平均绝对误差(mae)、均方误差(mse)、平均绝对百分比误差(mape)、均方根误差(rmse)和决定系数(r2)。r2越接近1则表明模型解释性越强，其他指标越小则表明模型误差越小。其次，计算实际采收率与预测采收率的绝对误差。最后，选出性能最好的预测模型；
10、步骤8：数据分析及可视化。使用python编码自定义模块，首先，用热力图结合欧氏距离及内平方距离法进行聚类优化皮尔逊相关系数等级，确定元素之间的相关性。其次，将模型中超参数输出并作云图表明超参数与r2的关系，确定模型最优参数。然后，输出14种模型的5种评估指标并作柱状对比图，确定最优模型。接着，选出r2最大的模型并作散点-线性对比实际值与预测值，确定实际值与预测值的差距。然后，作散点图，散点的横坐标和纵坐标依次为预测值和实际值，确定实际值与预测值的差距。接着，作物理实验原始数据和预测模型的观测点和采收率的散点-柱状分布-曲线分布图，确定极限采收率和数据分布。然后，作模型数据观测点和绝对误差的散点-柱状分布-曲线分布图，确定预测数据极限采收率和数据分布。接着，作模型解释的输入特征变量在预测采收率中的重要性，确定多元变量对采收率贡献的非线性关系。最后，用热力图呈现神经网络本文档来自技高网...
【技术保护点】
1.一种基于机器学习的天然岩心聚合物驱油采收率预测方法，主要包括以下步骤：
2.根据权利要求1所述的一种基于机器学习的天然岩心聚合物驱油采收率预测方法，其特征在于聚合物驱油物理实验->数据预处理->特征工程->预测模型->模型评估->数据分析及可视化，形成聚合物实验与预测模型一体化研究体系，实验室研究数据为构建预测模型提供真实有效的数据，准确的预测模型支持聚合物驱油方案的实施，而新的实验数据有利于优化预测模型，准确性更优的模型进一步指导聚合物驱油方案的实施，形成有机循环。模型特征输入数据由9个影响因素组成，①PC聚合物浓度；②PV聚合物注入量；③VF变异系数；④K渗透率；⑤V孔隙度；⑥PT聚合物类型；⑦P注入压力；⑧PVC累计注入孔隙量；⑨F含水率。唯一输出目标为OR采收率。
3.根据权利要求1或2所述的一种基于机器学习的天然岩心聚合物驱油采收率预测方法，其特征在于数据预处理部分使用随机森林算法处理缺失值，Z-score标准化、极差标准化结合线性比例标准化，分类标签和热独码结合处理离散值，孤立森林算法处理异常值。
5.根据权利要求1或2所述的一种基于机器学习的天然岩心聚合物驱油采收率预测方法，其特征在于模型选择与构建部分使用14种机器学习算法综合对比，模型评估部分使用MAE、MSE、MAPE、RMSE和R2综合评估模型的优良，模型优化采用网格搜索、随机网格搜索和遍历技术，数据分析及可视化部分使用特征重要性和散点-柱状-曲线误差分析、热力图分析神经网络隐藏层特征值与神经元的权重分布。
...【技术特征摘要】
1.一种基于机器学习的天然岩心聚合物驱油采收率预测方法，主要包括以下步骤：
2.根据权利要求1所述的一种基于机器学习的天然岩心聚合物驱油采收率预测方法，其特征在于聚合物驱油物理实验->数据预处理->特征工程->预测模型->模型评估->数据分析及可视化，形成聚合物实验与预测模型一体化研究体系，实验室研究数据为构建预测模型提供真实有效的数据，准确的预测模型支持聚合物驱油方案的实施，而新的实验数据有利于优化预测模型，准确性更优的模型进一步指导聚合物驱油方案的实施，形成有机循环。模型特征输入数据由9个影响因素组成，①pc聚合物浓度；②pv聚合物注入量；③vf变异系数；④k渗透率；⑤v孔隙度；⑥pt聚合物类型；⑦p注入压力；⑧pvc累计注入孔隙量；⑨f含水率。唯一输出目标为or采收率。
3.根据权利要求1或2所述的一种基于机器学习...
【专利技术属性】
技术研发人员：周晓峰，蒲堡萍，魏建光，尚德淼，杨英，李江涛，杨思琪，王健，
申请(专利权)人：东北石油大学，
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。