【技术实现步骤摘要】
本专利技术属于油气田开发工程领域，具体涉及一种基于时空图神经网络的井位及井控参数优化方法。
技术介绍
1、通过向油藏中注入二氧化碳来提高采收率（eor）是典型的三次采油手段，这也有利于碳捕集与封存（ccus）的发生，注co2可以同时为油气增产和co2封存两个重要过程铺平道路，这种一般被称作ccus-eor技术。co2在地下不仅可以与原油混相来提高驱油效率，同时还伴随着大量co2被封存在储层的空白空间中。但是复杂的地质及工程不确定性导致了co2驱油与埋存的潜力模糊不清。必须开发有效的方法来准确预测co2驱的生产动态并对co2-eor开发政策（井位及井控参数）进行高效优化，保证ccus-eor技术的实施。
2、在油藏气驱开发中，常用的生产动态预测方法主要包括解析模型法、产量递减曲线分析法、油藏数值模拟法。解析模型法依据流体渗流原理建立数学模型来预测油井产能。该方法考虑的因素过于理想化，同时假设条件较多，难以准确描述强非均质油藏复杂的渗流过程，因此预测准确率不佳。产量递减曲线分析法是通过数学模型对生产数据进行拟合的一种方法，这种方法虽然简单易行，但是只能对稳定生产条件下的产量进行预测，且没有考虑油井生产动态的影响，预测结果往往与实际产量相差较大。油藏数值模拟法可以将复杂的油气地下渗流过程复现出来，但是预测的准确性过度依赖于精细的地质描述和高质量的历史拟合，从而使得模拟成本较高，大规模的预测任务无法开展。近年来，人工智能技术在油藏生产动态预测方面的应用越来越广泛。各种机器学习、深度学习方法可以从复杂的历史数据中分析出潜在的生
3、综上所述，传统的优化工作流无法同时协调井位和井控参数对于ccus-eor效果的影响，且无法综合考虑高维油藏信息及生产动态特征，本专利技术通过耦合时空图神经网络与多目标粒子群算法，提出了一种深度学习代理辅助的ccus-eor井位及井控参数优化方法，在延缓co2气窜现象发生的前提下，实现累计产油量及co2埋存量的多目标协同优化。
技术实现思路
1、为了解决上述问题，本专利技术提出了一种基于时空图神经网络的井位及井控参数优化方法，耦合了时空图神经网络与多目标粒子群算法，在延缓co2气窜现象发生的前提下，实现了累计产油量及co2埋存量的多目标协同优化。
2、本专利技术的技术方案如下：
3、一种基于时空图神经网络的井位及井控参数优化方法，包括如下步骤：
4、步骤1、提取地质属性、co2驱井网特征及注采井间连通性关系建立co2驱油及埋存图结构；
5、步骤2、融合动态井控参数建立时空图结构样本集并对样本集进行预处理；
6、步骤3、耦合图注意力神经网络和transformer建立时空图神经网络代理模型；
7、步骤4、建立考虑co2均衡驱替的ccus-eor井位及井控参数优化数学模型并进行求解，得到侧重不同开发目标的co2驱开发方案。
8、进一步地，所述步骤1中，将井视为图结构的节点，两口井之间是否存在连接关系视为边，注采井间的连通性强弱视为边的权重；注采井间的连通性采用如下公式定量：
9、（1）；
10、式中，是注气井i1和生产井p1之间的co2驱连通性系数；是井间平均渗透率；为井间平均含油饱和度；是在井间平均含油饱和度下油相的相对渗透率；是在井间平均含油饱和度下气相的相对渗透率；和分别为油相和气相的黏度；是储层厚度；是井距；是生产井索引序号，为单个井组内的生产井总数。
11、进一步地，所述步骤2中，样本集的输入数据包括由动态井控参数组成的节点特征矩阵、由co2驱连通性系数组成的邻接矩阵；输出数据包括不同时间步下的累计产油量、co2埋存量及co2驱前缘分布；
12、对输入数据进行预处理，将每口井的井控数据依据min-max归一化方法放缩至区间[0,1]，公式如下：
13、（2）；
14、式中，是归一化后的值；是原始值；和分别为在样本集中的最大值和最小值。
15、进一步地，所述步骤3中，时空图神经网络代理模型包括空间信息分析模块、时序信息分析模块；空间信息分析模块通过图注意力神经网络来对输入的图结构数据进行空间特征的提取；时序信息分析模块首先通过transformer分析图注意力神经网络输出数据内部的时间依赖性，然后通过全连接层的配合来输出时间序列，即输出不同时间步下的累计产油量、co2埋存量及co2驱前缘分布；transformer是一个利用注意力机制来提高模型训练速度的模型，由编码器和解码器组成，而编码器由多个重复的编码层组成，每个编码层都包含了自注意力机制和前馈神经网络。
16、进一步地，所述步骤3中，时空图神经网络代理模型的工作过程如下：
17、步骤3.1、样本集经过两层堆叠的图注意力层来捕捉co2驱井网中复杂的空间关系，并输出为节点表示；
18、一个图注意力层的计算过程如下：
19、首先，对输入的节点特征和邻接矩阵进行线性变化，得到节点特征表示，公式如下：
20、（3）；
21、式中，是第次迭代时节点的表示；是节点的特征矩阵；是第次迭代时的权重矩阵；
22、随后，计算每个节点的注意力权重，公式如下：
23、（4）；
24、（5）；
25、式中，是表征节点对于节点的贡献的过渡参数；是学习到的注意力参数向量，为转置符号；是激活函数；表示向量的拼接；为权重矩阵；是第次迭代时节点的表示；是第次迭代时的注意力权重；是节点的索引序号；是节点的集合；是以e为底的指数函数；是表征节点对于节点的贡献的过渡参数；
26、最后，使用第次迭代时的注意力权重对邻居节点的表示进行加权聚合，得到每个节点的更新表示，计算公式如下：
27、（6）；
28、式中，是第次迭代时节点的表示；是激活函数；
29、按照上述过程得到两个图注意力层的计算结果，将两个计算结果通过flatten层汇总为一维的全局特征表示；
30、步骤3.2、将图注意力神经网络的输入数据通过transformer来分析图注意力神经网络输出数据内部的时间依赖性；
31、在transformer的自注意力机制部分，每个位置的表示都依赖于序列中的其他位置；transformer引入了多个注意力头，每个注意力头的注意力权重计算如下：
32、（7）；...
【技术保护点】
1.一种基于时空图神经网络的井位及井控参数优化方法，其特征在于，包括如下步骤：
2.根据权利要求1所述基于时空图神经网络的井位及井控参数优化方法，其特征在于，所述步骤1中，将井视为图结构的节点，两口井之间是否存在连接关系视为边，注采井间的连通性强弱视为边的权重；注采井间的连通性采用如下公式定量：
3.根据权利要求1所述基于时空图神经网络的井位及井控参数优化方法，其特征在于，所述步骤2中，样本集的输入数据包括由动态井控参数组成的节点特征矩阵、由CO2驱连通性系数组成的邻接矩阵；输出数据包括不同时间步下的累计产油量、CO2埋存量及CO2驱前缘分布；
4.根据权利要求1所述基于时空图神经网络的井位及井控参数优化方法，其特征在于，所述步骤3中，时空图神经网络代理模型包括空间信息分析模块、时序信息分析模块；空间信息分析模块通过图注意力神经网络来对输入的图结构数据进行空间特征的提取；时序信息分析模块首先通过Transformer分析图注意力神经网络输出数据内部的时间依赖性，然后通过全连接层的配合来输出时间序列，即输出不同时间步下的累计产油量、CO2埋存量及
5.根据权利要求4所述基于时空图神经网络的井位及井控参数优化方法，其特征在于，所述步骤3中，时空图神经网络代理模型的工作过程如下：
6.根据权利要求5所述基于时空图神经网络的井位及井控参数优化方法，其特征在于，所述步骤4的具体过程为：
7.根据权利要求6所述基于时空图神经网络的井位及井控参数优化方法，其特征在于，所述步骤4.1的具体过程为：
8.根据权利要求7所述基于时空图神经网络的井位及井控参数优化方法，其特征在于，所述步骤4.2的具体过程为：
...【技术特征摘要】
1.一种基于时空图神经网络的井位及井控参数优化方法，其特征在于，包括如下步骤：
2.根据权利要求1所述基于时空图神经网络的井位及井控参数优化方法，其特征在于，所述步骤1中，将井视为图结构的节点，两口井之间是否存在连接关系视为边，注采井间的连通性强弱视为边的权重；注采井间的连通性采用如下公式定量：
3.根据权利要求1所述基于时空图神经网络的井位及井控参数优化方法，其特征在于，所述步骤2中，样本集的输入数据包括由动态井控参数组成的节点特征矩阵、由co2驱连通性系数组成的邻接矩阵；输出数据包括不同时间步下的累计产油量、co2埋存量及co2驱前缘分布；
4.根据权利要求1所述基于时空图神经网络的井位及井控参数优化方法，其特征在于，所述步骤3中，时空图神经网络代理模型包括空间信息分析模块、时序信息分析模块；空间信息分析模块通过图注意力神经网络来对输入的图结构数据进行空间特征的提取；时序信息分析模块首先通...
【专利技术属性】
技术研发人员：庄新宇，王文东，苏玉亮，李蕾，郝永卯，李苑，王程伟，陈征，张雪，
申请(专利权)人：中国石油大学华东，
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。