一种油田分层注水量预测方法技术

本发明专利技术属于油气田开发技术领域，具体涉及一种油田分层注水量预测方法。通过建立卷积神经网络预测模型，依据注水井数据以及影响配注量的主要因素，将处理后的样本数据输入到预测模型中，从而预测油田分层注水量，包括以下步骤：搜集注水井和采油井测井的历史数据，油藏储层参数和流体物性数据，对获取的数据进行分析和处理，并对这些数据进行归一化处理，将其分为训练组和测试组，建立卷积神经网络配注量预测模型，将训练组数据放入到模型中进行迭代训练，其中主要影响因素作为输入，注水量作为输出，使用训练过的模型预测油田分层注水量，并计算该方法的精确度。本发明专利技术可快速确定合理层段的注水量方案，预测油田分层注水量，提高油田的采收率。油田的采收率。

A prediction method of layered water injection in Oilfield

【技术实现步骤摘要】
一种油田分层注水量预测方法


[0001]本专利技术属于油气田开发
，提出一种基于卷积神经网络(CNN)的油田分层注水量预测方法，适用于提高油田油藏采收率。

技术介绍

[0002]随着石油资源的不断开采，地层能量被不断消耗，在油田的开采过程中，水驱采油技术作为一种可以稳定油层压力，实现高产稳产的方法被广泛应用。但是由于油田的油藏储层具有非均质性和吸液量不均一的特点，造成油田开采效果较差。为了使油田注水效果最佳，注水量的预测成为油田开采研究中的关键问题之一，准确预测油田生产井每一层段的注水量，可以显著提高油田的开采效率。
[0003]目前，油田注水井各层段的注水量的计算方法主要包括注采比法、有效厚度法、吸水剖面系数法以及劈分系数法等，但是由于影响分层吸水量的因素有很多，地层参数之间相互影响且映射关系存在非线性和不确定性，加上一些预测方法存在局限性和难操作性等原因，造成现有的计算方法和计算模型不能准确或高效地预测分层段配水量，从而影响开采效率。
[0004]卷积神经网络(CNN)是一类包含卷积计算且具有深度结构的前馈神经网络，是深度学习的代表算法之一，它的结构类似于多层感知器，由于其本身具有的特性，可以使数据在学习过程中不仅可以尽可能高的保持原有特征，使其转化为抽象特征，而且降低了网络的复杂度，提高了预测效率。它能够准确提取连续和非连续数据间特征向量，然后把这些特征向量重新排列作为输入数据，将其应用到油田分层注水量的预测中，可以有效和准确的确定层段注水量。

技术实现思路

[0005]为了克服现有技术存在的缺陷，本专利技术提出了一种油田分层注水量预测方法，通过建立卷积神经网络预测模型，依据注水井数据以及影响配注量的主要因素，在进行数据处理后确定分层注水的层段注水量，以此来提高油藏的采收率。
[0006]一种油田分层注水量预测方法，包括如下步骤：
[0007]S1：搜集注水井的数据资料，注水井和采油井测井的历史数据，油藏储层参数和流体物性数据；
[0008]S2：对获取的数据进行分析整理，确定影响分层注水层段预测量的主要因素，并对这些数据进行预处理，包括缺失数据的补充和样本数据的归一化处理。当将影响因素同时输入到预测模型中时，由于输入的每个物理量的含义不同，量纲不同，参数的数值差异性可能会比较大，会直接影响预测结果的精确度，因此，为了保证预测模型的结果，在数据输入模型前要进行归一化处理，公式如下：
[0009][0010]式中，x
n
'为归一化后的数据，x
n
为历史数据，x
max
和x
min
分别为历史数据中的最大值和最小值。
[0011]进行归一化之后的数据都在0至1之间，我们的预测结果要得到有量纲的预测数据，所以在输出最终结果前要进行反归一化处理，公式如下：
[0012][0013]式中，为反归一化之后的预测值，x
i
为反归一化前的预测值。
[0014]S3：将归一化处理过的油田注水井测井数据分为训练组和测试组，其中测试组数据用来进行模型的训练，测试组数据用来进行训练后模型的测试。
[0015]S4：建立卷积神经网络配注量预测模型，具体如下：
[0016]建立包含卷积核和特征提取层的CNN网络结构，其中x
i
＝(x1，x2,x3...x
n
)为输入变量，是由有效厚度、渗透率、孔隙度、注入压力等主要影响因素的数据组成的列向量，卷积层中有多个特征映射，根据从输入层获得的数据，通过每一个卷积核在所有数据上的重复滑动得到多组输出数据，同一卷积核对应的权值ω和阈值b相同，将所得的多组数据经过非线性变换输出给池化层。池化层根据事先设定好的范围对数据进行聚合统计来达到降维的效果，并将数据经全连接层输出结果。
[0017]当输入信号为x
i
＝(i＝1,2,3,...n)时，卷积层的计算公式为：
[0018][0019]式中，是第l层第i个节点的输出；是第l
‑
1层第j个节点输出；r为卷积核的滑动步长；j的取值范围为i到k表示其为稀疏链接；为对应的权值；为对应的阈值。
[0020]f是sigmoid函数，可以用下列公式表示：
[0021][0022]池化层的表达式为：
[0023][0024]式中，h(～)表示求平均值函数。
[0025]全连接层的表达式为：
[0026]y＝f(I
l
),I
l
＝W
l
‑1x
l
‑1+b
l
ꢀꢀꢀ
(6)
[0027]式中，W
l
‑1是第l
‑
1层到第l层的权重值；b
l
是阈值；y是输出数据。
[0028]在第L层中：
[0029]z
l
＝W
l
x
l
+b
l
ꢀꢀꢀ
(7)
[0030]在尾部为全连接层的CNN的情况下，含有P个训练样本的CNN网络，将t时刻的输出误差函数定义为：
[0031][0032]式中，Y
p
(t)为网络输出期望值，在模型中为实际输入值；y
p
(t)为网络输出值，即最后预测的结果。所有训练样本的误差总和就是整个训练集的误差，反向传播过程中第n个样本的损失函数如式所示：
[0033][0034]确定好损失函数后，需要定义反向传播过程中的误差，即定义每个神经元的残差值δ，经过链式法则可以得到：
[0035][0036]由式z
l
＝W
l
x
l
+b
l
可知所以可得第L层的残差值公式为：δ
l
＝(W
l+1
)
T
δ
l+1
.*f(z
l
)在式子中，符号*代表每个元素都进行分别相乘的运算
[0037]输出神经元残差值如式所示：
[0038]δ
nl
＝f(z
l
)(y
n
‑
t
n
)
ꢀꢀꢀ
(11)
[0039]最后通过每个神经元的残差更新整个网络模型的权值和阈值，即如式所示：
[0040][0041]S5：在MATLAB软件中创建和训练卷积神经网络模型，用训练组的样本数据进行预测模型的训练，其中模型的输入层为影响注水量的主要影响因素，输出层为分层配注量，训练完成后将测试组样本数据放到模型中预测油田分层注水量，并计算此模型方法的准确性；
[0042]进一步地，S2中所述的对样本数据进行归一化处理，使原始样本数据处理后都在0至1之间，有利于模型的训练和测试，提高预测结果的精准度。
[0043]进本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种油田分层注水量预测方法，其特征在于，包括如下步骤：S1：搜集注水井的数据资料，注水井和采油井测井的历史数据，油藏储层参数和流体物性数据；S2：对获取的数据进行分析整理，确定影响分层注水层段预测量的主要因素，并对这些数据进行预处理，包括缺失数据的补充和样本数据的归一化处理。当将影响因素同时输入到预测模型中时，由于输入的每个物理量的含义不同，量纲不同，参数的数值差异性可能会比较大，会直接影响预测结果的精确度，因此，为了保证预测模型的结果，在数据输入模型前要进行归一化处理，公式如下：式中，x
n
'为归一化后的数据，x
n
为历史数据，x
max
和x
min
分别为历史数据中的最大值和最小值。进行归一化之后的数据都在0至1之间，我们的预测结果要得到有量纲的预测数据，所以在输出最终结果前要进行反归一化处理，公式如下：式中，为反归一化之后的预测值，x
i
为反归一化前的预测值。S3：将归一化处理过的油田注水井测井数据分为训练组和测试组，其中测试组数据用来进行模型的训练，测试组数据用来进行训练后模型的测试。S4：建立卷积神经网络配注量预测模型，具体如下：建立包含卷积核和特征提取层的CNN网络结构，其中x
i
＝(x1，x2,x3...x
n
)为输入变量，是由有效厚度、渗透率、孔隙度、注入压力等主要影响因素的数据组成的列向量，卷积层中有多个特征映射，根据从输入层获得的数据，通过每一个卷积核在所有数据上的重复滑动得到多组输出数据，同一卷积核对应的权值ω和阈值b相同，将所得的多组数据经过非线性变换输出给池化层。池化层根据事先设定好的范围对数据进行聚合统计来达到降维的效果，并将数据经全连接层输出结果。当输入信号为x
i
＝(i＝1,2,3,...n)时，卷积层的计算公式为：式中，是第l层第i个节点的输出；是第l
‑
1层第j个节点输出；r为卷积核的滑动步长；j的取值范围为i到k表示其为稀疏链接；为对应的权值；为对应的阈值。f是sigmoid函数，可以用下列公式表示：池化层的表达式为：
式中，h(～)表示求平均值函数。全连接层的表达式为：y＝f(I
l
),I
l
＝W
l
‑1x
l
‑1+b
l
ꢀꢀ
(6)式中，W
l
‑1是第l
‑
1层到第l层的权重值；b
l
是阈值；y是输出数据。在第L层中：z
l
＝W
l
x
l
+b
l

【专利技术属性】
技术研发人员：王海英，凡森，
申请(专利权)人：哈尔滨理工大学，
类型：发明
国别省市：