【技术实现步骤摘要】
本专利技术属于油井产量劈分，尤其涉及基于机器学习与博弈论的油井多层合采产量劈分方法。
技术介绍
1、在石油天然气领域，研究分层产量有助于了解各小层的生产状况，认识地质储层和油气藏剩余油气分布规律，并对后期开发策略调整提供参考，因此建立一套高效准确，适用性强的产量劈分方法对油藏高效开发有着重要意义。
2、目前产量劈分的方法主要有地层系数法，产液剖面系数法，有效厚度法，渗流阻力系数法，突变理论法和数值模拟法等。地层系数法简单，参数选择单一，误差较大；产气剖面测试法所需的测试时间长，成本较高；产液剖面系数法劈分精度低、可信度差；有效厚度法没有考虑油藏的压差，物质平衡等因素；渗流阻力系数法无法确定影响因素对结果的作用大小，适用性差；突变理论法可靠性强、计算速度快，但是缺少对各个子系统中影响因素重要性的排序；数值模拟法计算过程复杂，运算速度慢，具有多解性。
3、机器学习算法可以综合考虑油藏动静态数据，参数选择多样，产量预测时间短，计算速度快，成本低。在产量预测的基础上，融合机器学习和基于博弈论的shap(shapleyadditive explanation)算法，可以挖掘各个因素于产量之间的复杂非线性关系，量化各个因素对结果的贡献程度，并做因素重要性排序。因而考虑融合机器学习和博弈论算法，通过各个小层对结果的贡献度确定各小层的劈分系数，从而对产量进行劈分，量化分层产量。
技术实现思路
1、本专利技术的目的在于提供一种基于机器学习与博弈论的油井多层合采产量劈分方法，以
2、为实现上述目的，本专利技术采用以下技术方案实现：
3、基于机器学习与博弈论的油井多层合采产量劈分方法，包括以下步骤：
4、s1、获取油井动静态参数作为数据集：获取油井每层的静态参数及获取油井月生产动态参数，对油井每层的静态参数降维计算为单个参数，将油井每层所代表的参数联合油井月生产动态参数作为单个油井总参数，该单个油井总参数作为单个样本，将所有油井的样本数据串联作为产量预测模型的数据集；
5、s2、搭建基于机器学习的产量预测模型：构建catboost产量预测模型，利用s1中数据集训练catboost产量预测模型，并进行产量预测结果预测；
6、s3、构建机器学习与shap融合模型：将catboost产量预测模型融入到基于博弈论算法的shap解释器中，得到catboost-shap融合模型；
7、s4、计算参数贡献值：利用catboost-shap融合模型计算单个样本中油井每层所代表的参数和各个动态参数对产量预测结果的贡献值；
8、s5、计算小层劈分系数；提取s4中油井每层所代表的参数对产量预测结果的贡献度的绝对值，计算小层劈分系数；
9、s6、计算小层劈分后的各层产油量；基于小层劈分系数获得油井各个小层的产油量。
10、优选地，所述s1中获取油井动静态参数作为数据集，具体包括如下步骤：
11、s101、获取油井动静态参数数据；
12、获取油井中小层的静态参数，每个小层均包括孔隙度、渗透率、有效储层厚度和原始含水饱和度的4个静态参数；获取油藏月生产动态参数，包括流压、套压、油压、含水率的4个动态参数；
13、s102、对每层静态参数数据进行降维；
14、设置τ值对油井每层所代表的参数进行表征，计算方法如下：
15、
16、s103、关联融合动静态参数；
17、将每口油井的层数统一，且将油井每层所代表的参数联合油井月生产动态参数作为单个油井总参数。
18、优选地，所述s103中关联融合动静态参数，具体包括如下步骤：
19、s1031、统一小层数：选择所有油井中最大的小层数layernummax作为基准小层数，设定每口油井均有layernummax个小层，保持数据维度的一致性；
20、s1032、缺失数据补全：对于小层数layernum<layernummax的油井，将缺失的小层的τ值均设置为0，补全小层数据缺失；
21、s1033、动静态数据关联融合；将油井的动态参数与油井每层所代表的参数横向拼接，数据维度为4+layernummax；将所有油井的数据串联，形成维度为(x*n_ave)*(4+layernummax)的数据模块，即共有x*n_ave条样本，该数据模块即为catboost产量预测模型的数据集；
22、其中，x为所有油井数量，n_ave为不同油井监测生产动态变化的月数的平均值。
23、优选地，所述s2中搭建基于机器学习的产量预测模型，具体包括如下步骤：
24、s201、数据集处理：将数据集按照8:2的比例随机划分为训练集和测试集；
25、s202、catboost产量预测模型为基于多个对称决策树的集成模型，catboost产量预测模型的超参数设置为：树的最大深度max_depth＝5，学习率learning_rate＝0.1，迭代次数iterations＝1000；利用训练集训练catboost产量预测模型；
26、s203、以决定系数r2为catboost产量预测模型精度评判标准，利用测试集评估catboost产量预测模型预测效果，当r2>0.75时，认为catboost产量预测模型达到预测标准。
27、优选地，所述s3中构建机器学习与shap融合模型，具体如下：
28、建立基于树模型的shap解释器，将机器学习中的catboost集成算法融入到基于博弈论算法的shap解释器中，构建catboost-shap融合模型。
29、优选地，所述s4中计算参数贡献值，具体如下：
30、将输入到catboost产量预测模型的数据集输入到shap解释器中，利用shap解释器对训练好的catboost产量预测模型进行解释，计算得到单个样本中油井每层所代表的参数和各个动态参数对产量预测结果的贡献值；计算方法如下：
31、
32、其中，f(x)表示待解释的catboost产量预测模型，g(•)表示shap解释器；φ0为基线shap值，φi为输入样本i的变量i对应的shap值；x′i为特征联盟向量，取值为x′i∈{0，1}m，m为原始数据中特征的维度；当x′i＝1时，表示在新数据中，该特征与原始数据中的特征相同；当x′i＝0，表明在新数据中，该特征与原始数据中的特征不同。
33、优选地，对油井每层所代表的参数和各个动态参数对产量预测结果的贡献值的绝对值进行降序排列，得到各个参数的重要性。
34、优选地，所述s5中计算小层劈分系数，具体如下：
35、提取油井每层所代表的参数对产量预测结果的贡献度的绝对值，并计算小层劈分系数contribute，计算方法如下：...
【技术保护点】
1.基于机器学习与博弈论的油井多层合采产量劈分方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的基于机器学习与博弈论的油井多层合采产量劈分方法，其特征在于，所述S1中获取油井动静态参数作为数据集，具体包括如下步骤：
3.根据权利要求2所述的基于机器学习与博弈论的油井多层合采产量劈分方法，其特征在于，所述S103中关联融合动静态参数，具体包括如下步骤：
4.根据权利要求1-3任一所述的基于机器学习与博弈论的油井多层合采产量劈分方法，其特征在于，所述S2中搭建基于机器学习的产量预测模型，具体包括如下步骤：
5.根据权利要求4所述的基于机器学习与博弈论的油井多层合采产量劈分方法，其特征在于，所述S3中构建机器学习与SHAP融合模型，具体如下：
6.根据权利要求5所述的基于机器学习与博弈论的油井多层合采产量劈分方法，其特征在于，所述S4中计算参数贡献值，具体如下：
7.根据权利要求6所述的基于机器学习与博弈论的油井多层合采产量劈分方法，其特征在于，对油井每层所代表的参数和各个动态参数对产量预测结果的贡献值的绝
8.根据权利要求6所述的基于机器学习与博弈论的油井多层合采产量劈分方法，其特征在于，所述S5中计算小层劈分系数，具体如下：
9.根据权利要求8所述的基于机器学习与博弈论的油井多层合采产量劈分方法，其特征在于，所述S6中计算小层劈分后的各层产油量，具体如下：
...【技术特征摘要】
1.基于机器学习与博弈论的油井多层合采产量劈分方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的基于机器学习与博弈论的油井多层合采产量劈分方法，其特征在于，所述s1中获取油井动静态参数作为数据集，具体包括如下步骤：
3.根据权利要求2所述的基于机器学习与博弈论的油井多层合采产量劈分方法，其特征在于，所述s103中关联融合动静态参数，具体包括如下步骤：
4.根据权利要求1-3任一所述的基于机器学习与博弈论的油井多层合采产量劈分方法，其特征在于，所述s2中搭建基于机器学习的产量预测模型，具体包括如下步骤：
5.根据权利要求4所述的基于机器学习与博弈论的油井多层合采产量劈分方法，其特征在于，所述s3中...
【专利技术属性】
技术研发人员：岳明，宋田茹，许春艳，朱维耀，宋洪庆，魏超冉，刘鹏，
申请(专利权)人：北京科技大学，
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。