本发明专利技术涉及一种低渗透储层压后产量智能预测方法，引入径向基函数和多项式函数加权组合混合核函数，采用改进的螳螂优化算法结合混合核函数支持向量机构建MDBO‑SVM模型；以影响产量的主控因素为输入参数，储层压后产量为输出，对MDBO‑SVM模型进行训练，利用训练好的MDBO‑SVM模型对低渗透储层压后产量进行预测。本发明专利技术方法能更精确、高效地预测水平井初期产能，产量的整体预测效果更好；且对于不同储层下压后产量预测有着更高的预测精度，以及更强的泛化能力；在储层特征较多时，本发明专利技术通过进行特征筛选并结合多种相关性分析方法，能够更准确、合理地筛选出影响储层压后产量的主控因素；本发明专利技术有效地保留原始数据的分布特征，从而实现对数据的有效扩充。
1、我国低渗透油气藏的资源开采潜力可观。而低渗透油气藏的高效开发离不开水力压裂改造，如何预测水力压裂改造后储层的产量对于改造措施的制定比较关键。储层压后产量的传统预测方法主要包括构建产量预测综合计算式、数值模拟法、核磁共振指数法等。根据已有的岩石物性分析、压汞资料及测井资料表明，m区块储层为低渗透储层，孔隙厚道分选性较差，储层具有较强非均质性，数据分布与地层深度之间存在着复杂的关联性，且石油勘探行业中原始储层数据常呈现小样本的特征，而储层地质特征因素冗余会影响对m区块关键井的产能预测，造成了传统的产量预测方法预测结果精度较低，难以精确表征油气井产量情况。
3、一种低渗透储层压后产量智能预测方法，包括以下步骤：构建用于预测压后产量的机器学习预测模型；以影响产量的主控因素为输入参数，储层压后产量为输出，对所述机器学习预测模型进行训练，利用训练好的机器学习预测模型对低渗透储层压后产量进行预测。
>7、对原始数据集进行扩充，获得扩充样本数据集；8、对扩充样本数据集的各特征参数进行特征提取及筛选，获得影响产量的关键储层地质因素、关键工程地质因素和关键工程参数；
9、基于影响产量的关键储层地质因素、关键工程地质因素和关键工程参数，进一步筛选出影响产量的主控因素。
10、优选地，采用改进的bayes_bootstrap法对原始数据进行扩充。
11、优选地，影响产量的关键储层地质参数为：渗透率、孔隙结构指数和储层品质因子；影响产能的关键的工程地质参数为脆性指数、单轴抗压强度、抗张强度和水平应力差；影响产量的关键工程参数为前置液比、每米加砂强度和瞬时停泵压力。
12、可选的，进一步筛选影响产量的主控因素的方法包括以下步骤：
13、步骤1，采用mrmr相关性分析方法，基于影响储层压后产量的储层地质参数、工程地质参数、工程参数的互信息值i(xi,xj)，判断各关键储层地质参数、工程地质参数、工程参数与目标变量的最大相关性及特征间的最小冗余性，计算各关键储层地质参数、关键工程地质参数、关键工程参数权重结果；
14、
15、上式中，p(x,y)为x、y的联合概率分布函数，p(x)和p(y)为x、y的边缘概率分布函数；
16、步骤2，采用皮尔逊相关性分析方法计算各关键储层地质参数、关键工程地质参数、关键工程参数与产量之间的线性相关程度：
17、
18、上式中，pcc(x,y)表示变量x与变量y的线性相关系数；
19、步骤3，基于copula函数的相关性分析方法计算各关键储层地质参数、关键工程参数参数、关键工程参数与产量之间的相关程度；
20、
21、上式中，copulm(x,y)代表融合copula(x,y)函数，copula(x,y)函数是一种将多个随机变量的分布函数与它们的边缘分布函数联系起来的函数，用于描述多元随机变量之间的依赖关系，包括正相关、负相关、无相关；γ、λ分别代表各关键储层地质参数、关键工程地质参数、关键工程参数与产量间的kendall's秩相关系数、spearman's秩相关系数。kendall's秩相关系数和spearman's秩相关系数是基于copula(x,y)函数推导而得，kendall's秩相关系数用于衡量两个变量的秩变化的一致性，spearman's秩相关系数用于衡量两个变量之间的单调性；以copula(x,y)形式表征出的kendall's秩相关系数、spearman's秩相关系数的计算值代表各关键储层地质参数、关键工程参数参数、关键工程参数与产量之间的相关程度。
22、步骤4，在mrmr相关性分析方法的基础上，引入最大相关度系数mic度量变量之间的相关性：
23、
24、上式中，mic(x,y)表示变量x和变量y的最大相关度系数，i(x,y)代表变量x与变量y之间的互信息；
25、步骤5，结合mrmr相关性分析方法、皮尔逊相关性分析方法和copula函数的相关性分析方法，采用下式计算融合相关性系数：
26、
27、上式中，mpc(x,y)代表三种相关性系数计算结果的均值；
28、步骤6，通过交叉验证的方法，每次选择不同的关键储层地质参数、关键工程地质参数、关键工程参数组合，基于mdbo-svm模型进行训练和验证，通过观察不同参数组合对决定系数r2的影响，确定在机器学习预测模型下对应的储层地质、工程地质、工程主控因素的最优个数；对比各关键储层地质参数、关键工程地质参数、关键工程参数重要性分析结果，确定影响产量的主控因素。
29、优选地，所述机器学习预测模型为mdbo-svm模型，mdbo-svm模型的构建方法包括以下步骤：引入径向基函数和多项式函数加权组合混合核函数，采用改进的螳螂优化算法结合混合核函数支持向量机构建mdbo-svm模型。
30、可选的，所述改进的螳螂优化算法包括：采用基于混沌映射chebyshev的种群初始化方法使初始种群资源均匀分配；采用莱维飞行飞行控制步长，使螳螂运动轨迹符合莱维分布，保障个体能进行高效局部搜索的同时能够跳出局部最优且提高收敛精度；使用高斯柯西变异保证局部搜索能力同时扩大群体搜索范围。
31、相对于现有技术，本申请至少具有如下有益效果：
32、(1)本专利技术方法能更精确、高效地预测储层压后产量，产量的整体预测效果更好；且对于不同储层下压后产量预测有着更高的预测精度，以及更强的泛化能力；
33、(2)本专利技术通过对原始数据进行扩充，在数据量不足的情况下，能够有效获取原始数据的邻域信息，保留原样本上下限的同时，有效扩展样本上下限，并且有效地保留原始数据的分布特征，从而实现对数据的有效扩充。
34、(3)在储层特征较多时，本专利技术通过进行特征筛选并结合多种相关性分析方法，能够更准确、合理地筛选出影响储层压后产量的主控因素。
本文档来自技高网...
【技术保护点】
1.一种低渗透储层压后产量智能预测方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种低渗透储层压后产量智能预测方法，其特征在于，所述影响产量的主控因素包括抗张强度、脆性指数、渗透率、瞬时停泵压力和每米加砂强度。
3.根据权利要求1或2所述的一种低渗透储层压后产量智能预测方法，其特征在于，确定所述主控因素的方法包括以下步骤：
4.根据权利要求3所述的一种低渗透储层压后产量智能预测方法，其特征在于，采用改进的Bayes_Bootstrap法对原始数据进行扩充。
5.根据权利要求3所述的一种低渗透储层压后产量智能预测方法，其特征在于，影响产量的关键储层地质参数为：渗透率、孔隙结构指数和储层品质因子；
6.根据权利要求3所述的一种低渗透储层压后产量智能预测方法，其特征在于，进一步筛选影响产量的主控因素的方法包括以下步骤：
7.根据权利要求1、2、4-6中任一项所述的一种低渗透储层压后产量智能预测方法，其特征在于，所述机器学习预测模型为MDBO-SVM模型，MDBO-SVM模型的构建方法包括以下步骤：引入径向基函数和多项式函数加权组合混合核函数，采用改进的螳螂优化算法结合混合核函数支持向量机构建MDBO-SVM模型。
8.根据权利要求7所述的一种低渗透储层压后产量智能预测方法，其特征在于，所述改进的螳螂优化算法包括：采用基于混沌映射chebyshev的种群初始化方法使初始种群资源均匀分配；采用莱维飞行飞行控制步长使螳螂运动轨迹符合莱维分布；使用高斯柯西变异保证局部搜索能力同时扩大群体搜索范围。
9.根据权利要求8所述的一种低渗透储层压后产量智能预测方法，其特征在于，所述高斯柯西变异公式为：
10.根据权利要求8所述的一种低渗透储层压后产量智能预测方法，其特征在于，基于混沌映射chebyshev的种群初始化公式为：
...
【技术特征摘要】
1.一种低渗透储层压后产量智能预测方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种低渗透储层压后产量智能预测方法，其特征在于，所述影响产量的主控因素包括抗张强度、脆性指数、渗透率、瞬时停泵压力和每米加砂强度。
3.根据权利要求1或2所述的一种低渗透储层压后产量智能预测方法，其特征在于，确定所述主控因素的方法包括以下步骤：
4.根据权利要求3所述的一种低渗透储层压后产量智能预测方法，其特征在于，采用改进的bayes_bootstrap法对原始数据进行扩充。
5.根据权利要求3所述的一种低渗透储层压后产量智能预测方法，其特征在于，影响产量的关键储层地质参数为：渗透率、孔隙结构指数和储层品质因子；
6.根据权利要求3所述的一种低渗透储层压后产量智能预测方法，其特征在于，进一步筛选影响产量的主控因素的方法包括以下步骤：
7.根据权利要求...
【专利技术属性】
技术研发人员：熊健，刘敬言，刘向君，覃建华，梁利喜，秦志军，丁乙，
申请(专利权)人：西南石油大学，
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。