一种基于科学智能的油藏属性参数反演方法及系统技术方案

本发明专利技术涉及一种基于科学智能的油藏属性参数反演方法及系统，油藏属性参数反演模型预训练具体包括建立油藏理论模型，确定油藏属性参数反演深度学习模型输入和输出、损失函数，训练油藏属性参数反演深度学习模型，得到理论油藏属性参数反演结果；油藏属性参数反演模型精调与更新具体包括实际油藏井点属性参数和动态生产数据获取与数据预处理，根据预训练模型输出得到实际油藏属性参数反演结果，油藏属性参数反演结果与真实值比较并进行模型更新。本发明专利技术实现理论指导下知识和数据联合驱动的油藏属性参数快速反演，操作简单，建模速度快，模型适用性好，鲁棒性强，经济成本低，适合油田大面积推广应用。大面积推广应用。

【技术实现步骤摘要】
一种基于科学智能的油藏属性参数反演方法及系统


[0001]本专利技术涉及油田勘探开发
，具体涉及一种基于科学智能的油藏属性参数反演方法及系统。

技术介绍

[0002]油气是我国重要战略资源，但对外依存度已超70％，油田平均采收率仅为32％。精细油藏描述是油田开发工作的基础，是准确寻找剩余油和提高采收率关键。我国大多数油田进入开发中后期，储层非均质性强，含水高，开发难度大，迫切需要开展油藏地质建模、油藏数值模拟、油藏评价等更加深入的综合精细地质研究，搞清油藏及剩余油的分布规律，为油田深入挖潜提供有力依据。其中，油藏地质建模是油藏描述的基础。
[0003]油藏地质建模主要分为构建建模和属性建模。构造建模是对油藏的类型、规模大小、几何形态、厚度等特征进行高度概括。属性建模是对孔隙度、渗透率、饱和度等储层属性参数进行建模，基于测井解释数据，利用插值算法对每个网格模型的网格点进行赋值，建立储层属性的网格模型。
[0004]传统属性建模方法基于地质统计学原理，结合测井解释数据，利用确定性建模(数理统计插值算法和克里金差值法)或随机建模方法进行属性建模。然而，由于油藏非均质性强，开发周期长，导致上述属性建模方法工艺复杂成本高，受人为因素和计算机算力影响大，模型不确定性强，精度低，建模时间长。如何快速准确地建立油藏属性参数模型是目前油田勘探开发过程中亟需解决的问题。

技术实现思路

[0005]针对上述现有方法存在的不足，本专利技术提供一种基于科学智能的油藏属性参数反演方法，建模速度快，模型适用性强，易于工程实现。本方法充分利用油气生产动静态大数据，通过人工智能算法，同时结合油气渗流理论等物理信息，实现理论指导下知识和数据联合驱动的油藏属性参数快速反演，适合在油田大面积推广应用。本专利技术还提供了一种面向油藏属性参数反演的云边协同系统。
[0006]本专利技术为实现上述目的所采用的技术方案是：一种基于科学智能的油藏属性参数反演方法，包括以下步骤：
[0007]通过理论油藏模型获取油藏属性参数和油水井动态生产数据；确定油藏属性参数反演深度学习模型的输入和输出、损失函数，对油藏属性参数反演深度学习模型进行训练，得到预训练模型；根据油水井动态生产数据，通过预训练模型，得到理论油藏属性参数；
[0008]获取实际油藏井点属性参数和动态生产数据；确定预训练模型的输入和输出、损失函数，对预训练模型进行调节与更新，得到油藏属性参数反演深度学习模型；根据油水井动态生产数据，通过油藏属性参数反演深度学习模型，得到实际油藏属性参数。
[0009]所述输入为油水井动态生产数据，包括采油井日产油量、日产气量、日产水量、含水率、气油比、井底流压、油压、套压，注水井日注水量、注入压力，以及理论模型中各网格对
应的时间和三维空间坐标；所述输出为油藏属性参数，包括渗透率、孔隙度、含油饱和度、含水饱和度。
[0010]所述油藏属性参数反演深度学习模型，为深度神经网络模型。
[0011]所述损失函数包含非均质油藏渗流物理的约束条件。
[0012]所述损失函数如下：
[0013]Loss＝β
SATA
MSE
DATA
+β
PDE
MSE
PDE
+β
IC
MSE
IC
+β
BC
MSE
BC
[0014]其中，油藏渗流理论的控制方程对应的控制损失为：
[0015][0016]初始损失为：
[0017][0018]边界损失为：
[0019][0020]观测损失为：
[0021][0022]N
f
表示控制方程的样本数，N
IC
表示初始条件的样本数，N
BC
表示边界条件的样本数，K(x,y)表示油藏中任一点处的渗透率，p
i
表示数据匹配点对应的预测压力值，N表示总样本数；p
IC,i
表示初始条件对应点的真实压力值，p
BC,i
表示边界条件对应点的真实压力值，p
obs,i
表示数据匹配点对应的真实压力值。
[0023]所述对预训练模型进行调节与更新，具体为：基于验证数据集与实际油藏井点属性参数反演结果，将两者进行比较，并根据比较结果更新油藏属性参数反演深度学习模型参数。
[0024]一种基于科学智能的油藏属性参数反演系统，包括：
[0025]预训练模型模块，用于通过理论油藏模型获取油藏属性参数和油水井动态生产数据；确定油藏属性参数反演深度学习模型的输入和输出、损失函数，对油藏属性参数反演深度学习模型进行训练，得到预训练模型；根据油水井动态生产数据，通过预训练模型，得到理论油藏属性参数；
[0026]实际油藏属性参数反演模块，用于获取实际油藏井点属性参数和动态生产数据；确定预训练模型的输入和输出、损失函数，对预训练模型进行调节与更新，得到油藏属性参数反演深度学习模型；根据油水井动态生产数据，通过油藏属性参数反演深度学习模型，得到实际油藏属性参数。
[0027]一种基于科学智能的油藏属性参数反演的云边协同系统，包括：
[0028]云计算层，用于建立油藏属性参数反演模型并进行训练，并将预训练模型下发至边缘层；
[0029]边缘层，用于执行油藏现场动态生产数据的预处理，根据预训练模型进行油藏属性参数反演模型的调节与更新；
[0030]现场层，包括现场设备，用于采集现场设备的动态生产数据，发送至边缘层，作为油藏属性参数反演模型的输入和输出。
[0031]本专利技术具有以下有益效果及优点：
[0032]本专利技术提供的一种基于科学智能的油藏属性参数反演方法，充分利用油气生产动静态大数据，通过人工智能算法，同时结合油气渗流理论等物理信息，实现理论指导下的、知识和数据联合驱动的油藏属性参数反演。首先进行油藏属性参数反演模型预训练：建立油藏理论模型，确定油藏属性参数反演深度学习模型输入和输出，确定油藏属性参数反演深度学习模型和损失函数，训练油藏属性参数反演深度学习模型，得到理论油藏属性参数反演结果；然后进行油藏属性参数反演模型精调与更新：实际油藏井点属性参数和动态生产数据获取与数据预处理，将实际井点数据划分为训练数据集和验证数据集，根据预训练模型输出得到实际油藏属性参数反演结果，油藏属性参数反演结果与真实值比较并进行模型更新，实现了油藏属性参数的快速精准建模，操作简单，建模速度快，模型适用性好，鲁棒性强。本申请提供的一种面向油藏属性参数反演的云边协同系统，实现了油藏属性参数反演方法在云端和边缘端的协同优化和调度。
附图说明：
[0033]图1为本申请实施例提供的一种基于科学智能的油藏属性参数反演方法的流程图；
[0034]图2为本申请实施例提供的油藏属性参数反演深度学习模型的示意图。
[0035]图3为本申请实施例提供的一种面向油藏属性参数反演的本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于科学智能的油藏属性参数反演方法，其特征在于，包括以下步骤：通过理论油藏模型获取油藏属性参数和油水井动态生产数据；确定油藏属性参数反演深度学习模型的输入和输出、损失函数，对油藏属性参数反演深度学习模型进行训练，得到预训练模型；根据油水井动态生产数据，通过预训练模型，得到理论油藏属性参数；获取实际油藏井点属性参数和动态生产数据；确定预训练模型的输入和输出、损失函数，对预训练模型进行调节与更新，得到油藏属性参数反演深度学习模型；根据油水井动态生产数据，通过油藏属性参数反演深度学习模型，得到实际油藏属性参数。2.根据权利要求1所述的一种基于科学智能的油藏属性参数反演方法，其特征在于，所述输入为油水井动态生产数据，包括采油井日产油量、日产气量、日产水量、含水率、气油比、井底流压、油压、套压，注水井日注水量、注入压力，以及理论模型中各网格对应的时间和三维空间坐标；所述输出为油藏属性参数，包括渗透率、孔隙度、含油饱和度、含水饱和度。3.根据权利要求1所述的一种基于科学智能的油藏属性参数反演方法，其特征在于，所述油藏属性参数反演深度学习模型，为深度神经网络模型。4.根据权利要求1所述的一种基于科学智能的油藏属性参数反演方法，其特征在于，所述损失函数包含非均质油藏渗流物理的约束条件。5.根据权利要求1或4所述的一种基于科学智能的油藏属性参数反演方法，其特征在于，所述损失函数如下：Loss＝β
DATA
MSE
DATA
+β
PDE
MSE
PDE
+β
IC
MSE
IC
+β
BC
MSE
BC
其中，油藏渗流理论的控制方程对应的控制损失为：初始损失为：边界损失为：观测损失为：N
f
表示控制...

【专利技术属性】
技术研发人员：曾鹏，程海波，于海斌，李世超，贺云鹏，
申请(专利权)人：中国科学院沈阳自动化研究所，
类型：发明
国别省市：