(19)中华人民共和国国家知识产权局
(12)发明专利申请
(10)申请公布号 (43)申请公布日 (21)申请号 201911256912.4
(22)申请日 2019.12.10
(71)申请人 北京科技大学
地址 100083 北京市海淀区学院路30号
(72)发明人 宋洪庆 都书一
(74)专利代理机构 北京山允知识产权代理事务
所(特殊普通合伙) 11741
代理人 胡冰
(51)Int.Cl.
G06F 30/23(2020.01)
G06N 3/04(2006.01)
G06N 3/08(2006.01)
G06F 111/10(2020.01)
(54)发明名称
(57)摘要
本发明提出一种基于机器学习的井间连通
性评价方法，包括：1)根据数值模拟技术获取数
据集，包括动态数据与静态数据；2)对样本数据
集中的动态数据进行特征关联性提取；3)对动态
数据与储层样本中的静态数据进行归一化处理；
机器学习模型的输入与输出；5)使用机器学习方
法对模型的权值矩阵与偏置矩阵激进行训练，获
得训练模型；6)验证所述训练模型归一化后计算
结果的准确性与有效性；7)利用所述训练模型根
据动态数据计算出的地层平均渗透率定义井间
的连通系数，表征井间连通性。本发明的方法只
需要油田中最容易获取的各个井的动态生产数
据得到储层地质信息，
进而得到井间连通性。权利要求书2页 说明书7页 附图3页CN 111027249 A 2020.04.17
C N 111027249
A
1.一种基于机器学习的井间连通性评价方法，其特征在于，包括：
1)根据数值模拟技术获取数据集，包括动态数据与静态数据；
2)对样本数据集中的动态数据进行特征关联性提取；
3)对经由步骤2)处理的动态数据与储层样本中的静态数据进行归一化处理；
4)将样本数据集划分为训练集与测试集，并构建机器学习模型的输入与输出；
5)使用机器学习方法利用训练集对模型的权值矩阵与偏置矩阵激进行训练，获得训练模型；
6)验证所述训练模型归一化后计算结果的准确性与有效性；
7)利用所述训练模型根据动态数据计算出的地层平均渗透率定义井间的连通系数，表征井间连通性。
2.根据权利要求1所述的基于机器学习的井间连通性评价方法，其特征在于，在步骤1)中，通过数值模拟技术获取生产井和注入井的样本数据集，该样本数据集包含静态数据与动态数据。
3.根据权利要求2所述的基于机器学习的井间连通性评价方法，其特征在于，在步骤2)中，对生产井的动态数据集进行特征关联性提取，得到经过特征关联性提取后的动态数据集。
4.根据权利要求3所述的基于机器学习的井间连通性评价方法，其特征在于，步骤2)包括：
S21，以井号对动态数据进行分类得到生产井动态数据集，求解生产井的协方差矩阵，得到特征向量与对应的特征矩阵；
S22，选取特征向量中的最大值以及对应的特征向量；
S23，将生产井动态数据集与特征向量中的最大值对应的所述特征向量乘，得到动态生产井的数据经由特征关联性提取后的样本数据集。
5.根据权利要求4所述的基于机器学习的井间连通性评价方法，其特征在于，在步骤5)中，模型的训练通过不断调整权值矩阵与偏置矩阵中的值，使得训练集输入的数据经由两个矩阵处理后得到的计算结果与训练集的输出更加接近。
6.根据权利要求5所述的基于机器学习的井间连通性评价方法，其特征在于，步骤5)还包括：
S51，初始化一个权值矩阵以及偏置矩阵进行第一次训练，将训练集的输入与权值矩阵映射相乘，再加上偏置矩阵获得第一次训练的输出结果；
S52，利用误差反向传播算法更新权值矩阵与偏置矩阵，完成机器学习模型的第一次训练；
S53，第二次训练时使用经过第一次训练更新过的权值矩阵与偏置矩阵，重复S51-S53；
S54，建立停止训练的机制，定义容忍系数，当经由损失函数计算得到的误差小于所述容忍系数时则终止训练。
7.根据权利要求6所述的基于机器学习的井间连通性评价方法，其特征在于，在S54中，当经由损失函数计算得到的误差小于所述容忍系数，且继续进行预定次数的训练，每次误差均小于所述容忍系数，则终止训练。
8.根据权利要求1所述的基于机器学习的井间连通性评价方法，其特征在于，在步骤6)
中，使用平均绝对相对误差验证归一化后计算结果的准确性与有效性。
9.根据权利要求8所述的基于机器学习的井间连通性评价方法，其特征在于，步骤6)还包括：
S61，将测试集输入至机器学习模型中，计算可得到对应的输出，再进行逆归一处理，最终得到测试集的计算结果；
S62，将该计算结果与实际储层数据对比分析，使用平均绝对相对误差去分析。
10.根据权利要求1所述的基于机器学习的井间连通性评价方法，其特征在于，在步骤4)中，机器学习模型的输入是经过了步骤3)处理的动态数据集，机器学习模型的输出为静态数据集。
一种基于机器学习的井间连通性评价方法
技术领域
[0001]本发明属于油田开发领域，涉及一种评价油田各井之间连通性的方法，具体涉及一种基于机器学习的井间连通性评价方法。
背景技术
[0002]油田开发过程中，由于我国储层地质的低渗透性，导致生产井的日产油量相对较少，各采油厂利用注水井，通过向储层注水的方法来增大地层压力，从而提升各生产井的产量。因此了解生产井与注水井之间的连通性可以优化井的布局，调整作业的优先级从而提高采收率，对油田的二次开发具有重要意义。
[0003]油田常用评价井间连通性方法有两类：静态法和动态法。静态法利用电缆测井和地层对比的方法基于储层特征对连通性进行评价，但实际开发过程中储层结构会发生较大变化，因此该方法不能准确反映井间的连通性。动态法包括示踪剂测试、井间微地震、干扰试井等方法，此类方法通常实施困难，价格高昂，实施周期较长，甚至有可能干扰油田的正常开采。油田的动态生产数据是最容易获取的最有效的信息，这些数据中蕴含着许多特征可以反映储层的地质情况，因此现如今大量学者利用动态生产数据去得到井间连通性。
发明内容
[0004]本发明针对目前常规方法无法快速解决的油藏井间连通性问题，创新性的提出一种基于机器学习模型的井间连通性评价方法。
[0005]随着数值模拟技术的日渐成熟以及计算机的快速发展，基于机器学习的井间连通性评价方法成为可能。数值模拟方法可以通过求解非线性抛物型偏微分方程，设定边界条件和初始条件来模拟不同地质
条件下的储层，并计算出相应条件下各井的动态生产数据。机器学习是融合概率论、统计学、逼近论、凸分析、算法复杂度等多门学科的新技术，可以在无物理模型的基础上得到变量之间的非线性关系，该技术可以应用于寻动态生产数据与储层地质之间的关系，从而反演出各井之间的连通性。
[0006]本发明提出一种基于机器学习的井间连通性评价方法，包括：1)根据数值模拟技术获取数据集，包括动态数据与静态数据；2)对样本数据集中的动态数据进行特征关联性提取；3)对经由步骤2)处理的动态数据与储层样本中的静态数据进行归一化处理；4)将样本数据集划分为训练集与测试集，并构建机器学习模型的输入与输出；5)使用机器学习方法利用训练集对模型的权值矩阵与偏置矩阵激进行训练，获得训练模型；6)验证所述训练模型归一化后计算结果的准确性与有效性；7)利用所述训练模型根据动态数据计算出的地层平均渗透率定义井间的连通系数，表征井间连通性。
[0007]可选地，在步骤1)中，通过数值模拟技术获取生产井和注入井的样本数据集，该样本数据集包含静态数据与动态数据。
[0008]可选地，在步骤2)中，对生产井的动态数据集进行特征关联性提取，得到经过特征关联性提取后的动态数据集。
[0009]可选地，步骤2)包括：S21，以井号对动态数据进行分类得到生产井动态数据集，求解生产井的协方差矩阵，得到特征向量与对应的特征矩阵；S22，选取特征向量中的最大值以及对应的特征向量；S2
3，将生产井动态数据集与特征向量中的最大值对应的所述特征向量乘，得到动态生产井的数据经由特征关联性提取后的样本数据集。
[0010]可选地，在步骤5)中，模型的训练通过不断调整权值矩阵与偏置矩阵中的值，使得训练集输入的数据经由两个矩阵处理后得到的计算结果与训练集的输出更加接近。[0011]可选地，步骤5)还包括：S51，初始化一个权值矩阵以及偏置矩阵进行第一次训练，将训练集的输入与权值矩阵映射相乘，再加上偏置矩阵获得第一次训练的输出结果；S52，利用误差反向传播算法更新权值矩阵与偏置矩阵，完成机器学习模型的第一次训练；S53，第二次训练时使用经过第一次训练更新过的权值矩阵与偏置矩阵，重复S51-S53；S54，建立停止训练的机制，定义容忍系数，当经由损失函数计算得到的误差小于所述容忍系数时则终止训练。
[0012]可选地，在S54中，当经由损失函数计算得到的误差小于所述容忍系数，且继续进行预定次数的训练，每次误差均小于所述容忍系数，则终止训练。
[0013]可选地，在步骤6)中，使用平均绝对相对误差验证归一化后计算结果的准确性与有效性。
[0014]可选地，步骤6)还包括：S61，将测试集输入至机器学习模型中，计算可得到对应的输出，再进行逆归一处理，最终得到测试集的计算结果；S62，将该计算结果与实际储层数据对比分析，使用平均绝对相对误差去分析。
[0015]可选地，在步骤4)中，机器学习模型的输入是经过了步骤3)处理的动态数据集，机器学习模型的输出为静态数据集。
[0016]本发明提出的方法中所建立的机器学习模型可以根据油田各井的动态生产数据快速评价井间连通性状况，计算速度极快，准确率较高，同时建立了可以提前终止模型训练的机制，保证准确性的同时节约计算资源，根据模型计算的地层平均渗透率定义了新的连通系数，快速表征井间的连通性。
[0017]其中，步骤1)所述模拟不同储层地质下的生产井与注水井的动态数据。模拟的储层地质越多，机器学习模型可以便能学习到更多不同地质对应的动态数据特征，结果也会越精准，但也会提高运算时间。
[0018]进一步为了提高运行效率，步骤2)所述的特征关联性提取方法被提出。特征关联性提取是利用协方差矩阵，将样本数据中每个生产井的动态生产数据特征进行了关联性提取，既可以表征这些生产井中包含的特征，又能降低机器模型学习时间，进而提高运行效率。
[0019]其中，在步骤5)所述的模型训练过程中，一般的机器学习模型会设定好训练次数从而进行迭代计算，为了节约计算资源，根据模型所求的地层平均渗透率定义容忍系数，建立提前终止训练机制，保证了符合物理意义与要求的同时节约了计算时间。
[0020]其中，在步骤7)所述，利用机器学习模型根据动态数据特征计算出来的储层各区域的平均渗透率定义新的连通系数，根据该系数表征井间的连通性。
[0021]本发明有益的技术效果在于：
[0022]1、该方法设计一种基于机器学习算法的计算模型框架，只需要油田中最容易获取
豫公网安备41160202000603
站长QQ:729038198
关于我们
投诉建议