基于嵌入式图神经网络的井间动态连通性预测方法及系统技术方案

本发明专利技术公开了一种基于嵌入式图神经网络的井间动态连通性预测方法及系统，涉及油藏技术领域，包括基于当前时刻目标多层系井网的生产数据和生产井产液量预测模型预测下一时刻目标多层系井网中各个生产井的产液量；其中生产井产液量预测模型的确定过程为：确定目标多层系井网的样本生产数据、样本几何数据和样本地层数据；构建嵌入式图神经网络模型；该嵌入式图神经网络模型中的图神经网络模型是基于样本几何数据构建的；基于样本生产数据、样本地层数据和嵌入式图神经网络模型确定生产井产液量预测模型。本发明专利技术能够准确预测多层系井网中流体的流动能力，进而准确评估多层系井网的井间动态连通性。的井间动态连通性。的井间动态连通性。

【技术实现步骤摘要】
基于嵌入式图神经网络的井间动态连通性预测方法及系统


[0001]本专利技术涉及油藏
，特别是涉及一种基于嵌入式图神经网络的井间动态连通性预测方法及系统。

技术介绍

[0002]油藏是一个较为复杂的动力学系统，当注水井的注水量不同时，将引起生产井产液波动，通过此操作即能反映出注水井和生产井各层内的连通性特征，且连通性越好，生产井各层的产液波动与注水井各层的注水量变化情况越趋于一致。井间连通性体现了流体在井间流动能力的好坏，是油藏工程评价的重要参数。
[0003]目前，识别流体在井间流动能力好坏的模型均为单层次模型，该模型无法识别多层系井网中流体的流动能力。

技术实现思路

[0004]本专利技术的目的是提供一种基于嵌入式图神经网络的井间动态连通性预测方法及系统，能够准确预测多层系井网中流体的流动能力，进而准确评估多层系井网的井间动态连通性。
[0005]为实现上述目的，本专利技术提供了如下方案：
[0006]一种基于嵌入式图神经网络的井间动态连通性预测方法，包括：
[0007]获取当前时刻目标多层系井网的生产数据；
[0008]基于所述当前时刻目标多层系井网的生产数据和生产井产液量预测模型，预测下一时刻所述目标多层系井网中各个生产井的产液量；
[0009]其中，所述生产井产液量预测模型的确定过程为：
[0010]确定所述目标多层系井网的样本数据；所述样本数据包括样本生产数据、样本几何数据和样本地层数据；所述样本生产数据包括注水井的样本注水量和生产井的样本产液量；
[0011]构建嵌入式图神经网络模型；所述嵌入式图神经网络模型包括嵌入神经网络模型以及与所述嵌入神经网络模型的输出端连接的图神经网络模型；其中，所述图神经网络模型是基于所述样本几何数据构建的；
[0012]基于所述样本生产数据、所述样本地层数据和所述嵌入式图神经网络模型确定生产井产液量预测模型。
[0013]可选地，所述确定所述目标多层系井网的样本数据，具体包括：
[0014]获取所述目标多层系井网的样本几何数据；所述样本几何数据包括注水井的数量、生产井的数量、各个生产井与各个注水井之间的距离、各个生产井与各个生产井之间的距离、各个注水井与各个注水井之间的距离、各个生产井与各个注水井之间的相对位置、各个生产井与各个生产井之间的相对位置、以及各个注水井与各个注水井之间的相对位置；
[0015]获取所述目标多层系井网的样本生产数据；所述样本生产数据包括各个生产井在
不同时间的产液量和各个注水井在不同时间的注水量；
[0016]获取所述目标多层系井网的样本地层数据；所述样本地层数据包括各个生产井各层系的样本地质数据和各个注水井各层系的样本地质数据；所述地质数据包括射孔参数、层深、有效厚度、渗透率和孔隙度。
[0017]可选地，所述构建嵌入式图神经网络模型，具体包括：
[0018]根据所述样本地层数据，对所述样本生产数据进行划分，得到各个生产井各层系在不同时间的产液量和各个注水井各层系在不同时间的注水量；
[0019]构建嵌入神经网络模型；所述嵌入神经网络模型的输入端用于输入各个生产井各层系的样本地质数据和各个注水井各层系的样本地质数据；所述嵌入神经网络模型的输出端用于输出各个生产井各层系在不同时间的预测产液量和各个注水井各层系在不同时间的预测注水量；
[0020]基于所述目标多层系井网的样本几何数据，建立用不同节点来代表各生产井各层系和各注水井各层系的图神经网络模型；其中，当所述节点代表一生产井一层系时所述节点的特征为该生产井该层系的产液量，当所述节点代表一注水井一层系时所述节点的特征为该注水井该层系的注水量；所述图神经网络模型的边用于一井点与其他井点之间的距离和相对位置；一井点为生产井或者注水井，其他井点为生产井或者注水井；
[0021]所述图神经网络模型的输入端用于输入各个生产井各层系在第一时刻的预测产液量和各个注水井各层系在第一时刻的预测注水量；所述图神经网络模型的输出端用于输出各个生产井各层系在第二时刻的预测产液量；所述第一时刻为第二时刻的上一时刻。
[0022]可选地，所述基于所述样本生产数据、所述样本地层数据和所述嵌入式图神经网络模型确定生产井产液量预测模型，具体包括：
[0023]基于各个生产井各层系在不同时间的预测产液量、各个注水井各层系在不同时间的预测注水量、各个生产井各层系在不同时间的产液量和各个注水井各层系在不同时间的注水量，调整嵌入神经网络模型的模型参数，以得到训练好的嵌入神经网络模型；
[0024]基于所述样本地层数据和所述训练好的嵌入神经网络模型，得到各个生产井各层系在第一时刻的预测产液量和各个注水井各层系在第一时刻的预测注水量；所述第一时刻为样本数据中的任一时刻；
[0025]基于各个生产井各层系在第一时刻的预测产液量、各个注水井各层系在第一时刻的预测注水量和所述图神经网络模型，确定生产井产液量预测模型。
[0026]一种基于嵌入式图神经网络的井间动态连通性预测系统，包括：
[0027]数据获取模块，用于获取当前时刻目标多层系井网的生产数据；
[0028]产液量预测模块，用于基于所述当前时刻目标多层系井网的生产数据和生产井产液量预测模型，预测下一时刻所述目标多层系井网中各个生产井的产液量；
[0029]其中，所述生产井产液量预测模型的确定过程为：
[0030]样本数据确定模块，用于确定所述目标多层系井网的样本数据；所述样本数据包括样本生产数据、样本几何数据和样本地层数据；所述样本生产数据包括注水井的样本注水量和生产井的样本产液量；
[0031]神经网络模型构建模块，用于构建嵌入式图神经网络模型；所述嵌入式图神经网络模型包括嵌入神经网络模型以及与所述嵌入神经网络模型的输出端连接的图神经网络
模型；其中，所述图神经网络模型是基于所述样本几何数据构建的；
[0032]生产井产液量预测模型确定模块，用于基于所述样本生产数据、所述样本地层数据和所述嵌入式图神经网络模型确定生产井产液量预测模型。
[0033]可选地，所述样本数据确定模块，具体包括：
[0034]第一获取单元，用于获取所述目标多层系井网的样本几何数据；所述样本几何数据包括注水井的数量、生产井的数量、各个生产井与各个注水井之间的距离、各个生产井与各个生产井之间的距离、各个注水井与各个注水井之间的距离、各个生产井与各个注水井之间的相对位置、各个生产井与各个生产井之间的相对位置、以及各个注水井与各个注水井之间的相对位置；
[0035]第二获取单元，用于获取所述目标多层系井网的样本生产数据；所述样本生产数据包括各个生产井在不同时间的产液量和各个注水井在不同时间的注水量；
[0036]第三获取单元，用于获取所述目标多层系井网的样本地层数据；所述样本地层数据包括各个生产井各层系的样本地质数据和各个注水井各层系的样本地质数据；所述地质数据包括射孔本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于嵌入式图神经网络的井间动态连通性预测方法，其特征在于，包括：获取当前时刻目标多层系井网的生产数据；基于所述当前时刻目标多层系井网的生产数据和生产井产液量预测模型，预测下一时刻所述目标多层系井网中各个生产井的产液量；其中，所述生产井产液量预测模型的确定过程为：确定所述目标多层系井网的样本数据；所述样本数据包括样本生产数据、样本几何数据和样本地层数据；所述样本生产数据包括注水井的样本注水量和生产井的样本产液量；构建嵌入式图神经网络模型；所述嵌入式图神经网络模型包括嵌入神经网络模型以及与所述嵌入神经网络模型的输出端连接的图神经网络模型；其中，所述图神经网络模型是基于所述样本几何数据构建的；基于所述样本生产数据、所述样本地层数据和所述嵌入式图神经网络模型确定生产井产液量预测模型。2.根据权利要求1所述的一种基于嵌入式图神经网络的井间动态连通性预测方法，其特征在于，所述确定所述目标多层系井网的样本数据，具体包括：获取所述目标多层系井网的样本几何数据；所述样本几何数据包括注水井的数量、生产井的数量、各个生产井与各个注水井之间的距离、各个生产井与各个生产井之间的距离、各个注水井与各个注水井之间的距离、各个生产井与各个注水井之间的相对位置、各个生产井与各个生产井之间的相对位置、以及各个注水井与各个注水井之间的相对位置；获取所述目标多层系井网的样本生产数据；所述样本生产数据包括各个生产井在不同时间的产液量和各个注水井在不同时间的注水量；获取所述目标多层系井网的样本地层数据；所述样本地层数据包括各个生产井各层系的样本地质数据和各个注水井各层系的样本地质数据；所述地质数据包括射孔参数、层深、有效厚度、渗透率和孔隙度。3.根据权利要求1所述的一种基于嵌入式图神经网络的井间动态连通性预测方法，其特征在于，所述构建嵌入式图神经网络模型，具体包括：根据所述样本地层数据，对所述样本生产数据进行划分，得到各个生产井各层系在不同时间的产液量和各个注水井各层系在不同时间的注水量；构建嵌入神经网络模型；所述嵌入神经网络模型的输入端用于输入各个生产井各层系的样本地质数据和各个注水井各层系的样本地质数据；所述嵌入神经网络模型的输出端用于输出各个生产井各层系在不同时间的预测产液量和各个注水井各层系在不同时间的预测注水量；基于所述目标多层系井网的样本几何数据，建立用不同节点来代表各生产井各层系和各注水井各层系的图神经网络模型；其中，当所述节点代表一生产井一层系时所述节点的特征为该生产井该层系的产液量，当所述节点代表一注水井一层系时所述节点的特征为该注水井该层系的注水量；所述图神经网络模型的边用于一井点与其他井点之间的距离和相对位置；一井点为生产井或者注水井，其他井点为生产井或者注水井；所述图神经网络模型的输入端用于输入各个生产井各层系在第一时刻的预测产液量和各个注水井各层系在第一时刻的预测注水量；所述图神经网络模型的输出端用于输出各个生产井各层系在第二时刻的预测产液量；所述第一时刻为第二时刻的上一时刻。
4.根据权利要求3所述的一种基于嵌入式图神经网络的井间动态连通性预测方法，其特征在于，所述基于所述样本生产数据、所述样本地层数据和所述嵌入式图神经网络模型确定生产井产液量预测模型，具体包括：基于各个生产井各层系在不同时间的预测产液量、各个注水井各层系在不同时间的预测注水量、各个生产井各层系在不同时间的产液量和各个注水井各层系在不同时间的注水量，调整嵌入神经网络模型的模型参数，以得到训练好的嵌入神经网络模型；基于所述样本地层数据和所述训练好的嵌入神经网络模型，得到各个生产井各层系在第一时刻的预测产液量和各个注水井各层系在第一时刻的预测注水量；所述第一时刻为样本数据中的任一时刻；基于各个生产井各层系在第一时刻的预测产液量、各个注水井各层系在第一时刻的预测注水量和所述图神经网络模型，确定生产井产液量预测模型。5.一种基于嵌入式图神经网络的井间动态连通性预测系统，其特征在于，包括：数据获取模块，用于获取当前...

【专利技术属性】
技术研发人员：黄朝琴，梁永星，王召旭，张旭，姚军，张凯，巩亮，黄小光，孙峰，张磊，
申请(专利权)人：中国石油大学华东，
类型：发明
国别省市：