基于生成对抗神经网络的断块油藏剩余油预测方法与流程

1.本发明涉及油田开发技术领域，特别是涉及到一种基于生成对抗神经网络的断块油藏剩余油预测方法。


背景技术：

2.断块油藏构造复杂零，各储层物性差异大，非均质性严重，油水关系复杂。注水开发过程中各部位剩余油分布存在显著差异，影响因素多，研究难度大。明确剩余油分布规律，建立精准快速剩余油分布方法是实施油藏高效开发的基础。由于断块油藏通常面积小、类型多样，造成了建模难、小层多产量劈分难等技术难题，给应用数值模拟预测剩余油带来诸多困难。
3.在申请号：cn201910179922.6的中国专利申请中，涉及到一种基于深度学习的水驱开发油田剩余油分布的预测方法，包括以下步骤：资料的收集与整理；储层的网格化；数据的预处理；建立判断单元体是否见水的svm分类模型；建立剩余油分布预测的神经网络模型；svm分类模型和神经网络模型的训练与参数调整；以预测准确率和预测耗时为评价指标，选取目标区块进行模型验证。
4.在申请号：cn202010288160.6的中国专利申请中，涉及到一种预测油田中剩余油饱和度分布的方法和装置。该方法包括：将待预测注采参数输入进训练好的卷积-转置卷积神经网络模型中，获取剩余油饱和度分布图。训练好的卷积-转置卷积神经网络模型的获取方法包括：构建卷积-转置卷积神经网络模型；训练卷积-转置卷积神经网络模型，获得第一卷积-转置卷积神经网络模型；获取第一预测剩余油饱和度分布图；获得训练好的卷积-转置卷积神经网络模型。
5.在申请号：cn201210114253.2的中国专利申请中，涉及到一种基于神经网络函数逼近算法的储层参数定量表征方法，该基于神经网络函数逼近算法的储层参数定量表征方法包括利用井旁的地震属性数据确定神经网络上各节点之间的权系数和节点上的阀值；以及利用得到的各节点之间的该权系数和节点上的该阀值，进行整个工区的储层参数定量预测及油气分布预测。
6.以上现有技术均与本发明有较大区别，未能解决我们想要解决的技术问题，为此我们发明了一种新的基于生成对抗神经网络的断块油藏剩余油预测方法。


技术实现要素：

7.本发明的目的是提供一种通过学习不同断块形状、井网形状条件下水驱开发剩余油变化特征，建立不同时刻的剩余油分布形态预测模型的基于生成对抗神经网络的断块油藏剩余油预测方法。
8.本发明的目的可通过如下技术措施来实现：基于生成对抗神经网络的断块油藏剩余油预测方法，该基于生成对抗神经网络的断块油藏剩余油预测方法包括：
9.步骤1，设计及建立断块油藏基础数值模拟模型；
10.步骤2，建立不同形状断块油藏模型；
11.步骤3，建立不同形式井网模型；
12.步骤4，进行模拟计算及结果提取；
13.步骤5，进行模型训练及剩余油预测。
14.本发明的目的还可通过如下技术措施来实现：
15.在步骤1中，根据断块油藏地质及开发动态资料，进行断块油藏开发特征分析，划分出不同类型的断块，设计油藏数值模拟基础参数，该基础数值模型为规则四边形，规则网格模型。
16.在步骤1中，设计的油藏数值模拟基础参数包括面积、储量、厚度、层数、孔隙度、渗透率、相渗曲线、注采量、模拟时间。
17.在步骤2中，在步骤1建立的基础模型上，设置若干边界控制点，随机改变控制点的位置，按照顺序将控制点连接成任意多边形，计算并判断多边形的面积是否符合要求，要求面积不小于原模型面积的1/2或长宽达到一定比例，以符合某类断块油藏特征。
18.在步骤2中，根据边界点生成结果，将数值模型文件修改为相应的形状，即多边形之外为无效区，多边形之内为有效区，从而实现不同断块油藏形状模型的建立。
19.在步骤3中，在步骤2生成的模型基础上，设计不同的油井数、水井数，随机生成油井、水井的坐标位置，计算任意两口井之间的距离，判断是否满足井距要求，并判断井点是否落在有效网格范围内，从而实现不同井网形式模型建立。
20.在步骤4中，对批量随机生成的模型进行计算，从模拟结果中提取模型日产油量、日产水量这些开发指标及含油饱和度场数据，并将模型及结果数据转化为机器学习算法需要的格式。
21.在步骤4中，机器学习输入数据为油藏矩阵[r]和注采井网矩阵[q]，油藏矩阵包含断块形状、油藏物性参数，即无效网格为-1，有效网格为渗透率值；注采井网矩阵包含井位置及不用时间的累积注采量，注水井所在网格为负值，采油井所在网格为正值，无效网格为0；输出数据为饱和度矩阵[so]，无效网格为-1，有效网格为对应含油饱和度值。
[0022]
在步骤5中，构建考虑时间序列的生成对抗神经网络模型，该模型是在常规生成对抗网络模型基础上对生成器进行改进，其特征为初始以油藏矩阵[r]及t1时刻的注采矩阵[q1]作为初始输入，经过若干层卷积后进入rnn单元获得矩阵[m1]，对[m1]矩阵进行若干层反卷积获得t1时刻的含油饱和度矩阵[so1]，同时将[m1]矩阵数据传递给下一个rnn单元。
[0023]
在步骤5中，模型建立后，将样本集合划分为训练集和测试集，反复优化模型结构及参数设置，直到满足精度要求；将达到一定精度的训练模型进行发布，实现不同类型断块油藏剩余油的预测。
[0024]
本发明中的基于生成对抗神经网络的断块油藏剩余油预测方法，通过机器学习算法建立不同类型断块油藏剩余油的定量评价模型，有效弥补常规方法建模难、预测慢的缺陷。本发明能够快速、准确地预测不同类型断块油藏开发过程中不同时刻的剩余油分布，对断块油藏的剩余油挖潜具有重要指导意义。该基于生成对抗神经网络的断块油藏剩余油预测方法采用数值模拟建立各种断块油藏典型地质模型，计算获得剩余油分布样本库，通过生成对抗神经网络预测地质条件、注采量、生产时间等因素与剩余油的关系，该方法具有预测速度快、效率高的特点。
附图说明
[0025]
图1为本发明的基于生成对抗神经网络的断块油藏剩余油预测方法的一具体实施例的流程图；
[0026]
图2为本发明的一具体实施例中断块形状及井网模型随机生成示意图；
[0027]
图3为本发明的一具体实施例中四边形边界五口井模型生成结果的示意图；
[0028]
图4为本发明的一具体实施例中输入输出数据处理方法的示意图；
[0029]
图5为本发明的一具体实施例中考虑时间效应的生成对抗神经网络生成器结构图；
[0030]
图6为本发明的一具体实施例中三角形边界三口井模型生成结果的示意图；
[0031]
图7为本发明的一具体实施例中四边形边界四口井模型生成结果的示意图。
具体实施方式
[0032]
应该指出，以下详细说明都是示例性的，旨在对本发明提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本发明所属技术领域的普通技术人员通常理解的相同含义。
[0033]
需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本发明的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作和/或它们的组合。
[0034]
本发明的基于生成对抗神经网络的断块油藏剩余油预测方法包括了以下步骤：
[0035]
步骤1，断块油藏基础数值模拟模型设计及建立。
[0036]
根据断块油藏地质及开发动态资料，进行断块油藏开发特征分析，划分出不同类型的断块，设计油藏数值模拟基础参数，包括面积、储量、厚度、层数、孔隙度、渗透率、相渗曲线、注采量、模拟时间等。该基础数值模型通常为规则四边形，规则网格模型。
[0037]
步骤2，不同形状断块油藏模型生成。
[0038]
在步骤1建立的基础模型上，设置若干边界控制点(b1、b2...)，随机改变控制点的位置，按照顺序将控制点连接成任意多边形，计算并判断多边形的面积是否符合要求，通常要求面积不小于原模型面积的1/2或长宽达到一定比例。以符合某类断块油藏特征。根据边界点生成结果，将数值模型文件修改为相应的形状，即多边形之外为无效区，多边形之内为有效区，从而实现不同断块油藏形状模型的建立。
[0039]
步骤3，不同形式井网模型生成。
[0040]
在步骤3生成的模型基础上，设计不同的油井数(p1、p2...)、水井数(i1、i2...)，随机生成油井、水井的坐标位置，计算任意两口井之间的距离，判断是否满足井距要求，并判断井点是否落在有效网格范围内，修改相应数值模拟文件，从而实现不同井网形式模型建立。
[0041]
步骤4，模拟计算及结果提取。
[0042]
对批量随机生成的模型进行计算，从模拟结果中提取模型日产油量、日产水量等开发指标及含油饱和度场数据，并将模型及结果数据转化为机器学习算法需要的格式。机器学习输入数据为油藏矩阵[r]和注采井网矩阵[q]，油藏矩阵包含断块形状、油藏物性参
数，即无效网格为-1，有效网格为渗透率值；注采井网矩阵包含井位置及不用时间的累积注采量，注水井所在网格为负值，采油井所在网格为正值，无效网格为0；输出数据为饱和度矩阵[so]，无效网格为-1，有效网格为对应含油饱和度值。
[0043]
步骤5，模型训练及剩余油预测。
[0044]
构建考虑时间序列的生成对抗神经网络模型，该模型是在常规生成对抗网络模型基础上对生成器进行改进，其特征为初始以油藏矩阵[r]及t1时刻的注采矩阵[q1]作为初始输入，经过若干层卷积(conv)后进入rnn单元获得矩阵[m1]，对[m1]矩阵进行若干层反卷积(up-conv)获得t1时刻的含油饱和度矩阵[so1]，同时将[m1]矩阵数据传递给下一个rnn单元。
[0045]
模型建立后，将样本集合划分为训练集和测试集，反复优化模型结构及参数设置，直到满足精度要求。将达到一定精度的训练模型进行发布，实现不同类型断块油藏剩余油的预测。
[0046]
实施例1：
[0047]
在应用本发明的具体实施例1中，如图1所示，图1为本发明的基于生成对抗神经网络的断块油藏剩余油预测方法的流程图。
[0048]
步骤101，断块油藏基础数值模拟模型设计及建立，该模型为正方形均质模型，网格数量50
×
50
×
1，尺寸20(m)
×
20(m)
×
5(m)，其它参数均采用典型中高渗透断块油藏特征参数。
[0049]
步骤102，不同形状断块油藏模型生成，采用4个控制点(b1-b4)随机生成4边形模型(图2)，生成后计算油藏有效区域的面积，当面积大于0.5km2时满足要求，否则继续生成，直到生成100组不同的断块边界形状模型为止。根据保存结果对模型文件的有效网格进行修改，边界线之外区域为死网格，边界线之内区域为活网格。
[0050]
步骤103，不同形式井网模型生成。循环读取步骤102生成的模型，有效网格范围内随机生成不同井位，例如2口注水井3口采油井模型(图3),任意改变井的位置和油水井类型，计算任意两口井之间的距离，当井距均大于150m时为合格的井网模型，循环生成直到每个形状断块模型生成20个井位模型，保存结果并修改数值模拟文件，共获得2000组边界及井网组合条件的断块油藏模型。
[0051]
步骤104，模拟计算及结果提取。调用数值模拟器，对2000个模型进行模拟计算，保存每个时间步下的产油、产水等开发指标及含油饱和度场数据。根据模型参数及模拟结果，整理形成输入数据矩阵和输出数据矩阵(图4)，从而完成断块油藏剩余油预测样本数据集合建立完成。
[0052]
步骤105，模型训练及剩余油预测
[0053]
构建考虑时间序列的生成对抗神经网络模型(图5)，该模型是在常规生成对抗网络模型基础上对生成器进行改进，其特征为初始以油藏矩阵[r]及t1时刻的注采矩阵[q1]作为初始输入，经过若干层卷积(conv)后进入rnn单元获得矩阵[m1]，对[m1]矩阵进行若干层反卷积(up-conv)获得t1时刻的含油饱和度矩阵[so1]，同时将[m1]矩阵数据传递给下一个rnn单元，从而实现对饱和度结果随时间变化规律的预测。
[0054]
设置模型训练批次50,学习率0.001，调用gpu集群进行训练，反复优化模型结构及参数，直到训练集精度达到90％以上，测试集合精度85％以上。将训练完成模型进行部署，
给定断块形状、物性场、井网形状、每个时间步的注采量，即可生成对应剩余油分布结果。
[0055]
实施例2：
[0056]
在应用本发明的具体实施例2中，通过以下步骤开展剩余油预测。
[0057]
步骤101，断块油藏基础数值模拟模型设计及建立，该模型为正方形均质模型，网格数量100
×
100
×
1，尺寸10(m)
×
10(m)
×
1(m)。
[0058]
步骤102，不同形状断块油藏模型生成，采用3个控制点(b1-b3)随机生成三角形模型(图6)，根据保存结果对模型文件的有效网格进行修改，边界线之外区域为死网格，边界线之内区域为活网格。
[0059]
步骤103，不同形式井网模型生成。循环读取步骤102生成的模型，有效网格范围内随机生成不同井位，保存结果并修改数值模拟文件，共获得3000组边界及井网组合条件的断块油藏模型。
[0060]
步骤104，模拟计算及结果提取。调用数值模拟器，对3000个模型进行模拟计算，保存每个时间步下的产油、产水等开发指标及含油饱和度场数据。根据模型参数及模拟结果，整理形成输入数据矩阵和输出数据矩阵(图4)，从而完成断块油藏剩余油预测样本数据集合建立完成。
[0061]
步骤105，模型训练及剩余油预测
[0062]
构建考虑时间序列的生成对抗神经网络模型(图5)，该模型是在常规生成对抗网络模型基础上对生成器进行改进，其特征为初始以油藏矩阵[r]及t1时刻的注采矩阵[q1]作为初始输入，经过若干层卷积(conv)后进入rnn单元获得矩阵[m1]，对[m1]矩阵进行若干层反卷积(up-conv)获得t1时刻的含油饱和度矩阵[so1]，同时将[m1]矩阵数据传递给下一个rnn单元，从而实现对饱和度结果随时间变化规律的预测。
[0063]
设置模型训练批次2000,学习率0.001，调用gpu集群进行训练，反复优化模型结构及参数，直到训练集精度达到85％以上，测试集合精度80％以上。将训练完成模型进行部署，给定断块形状、物性场、井网形状、每个时间步的注采量，即可生成对应剩余油分布结果。
[0064]
实施例3：
[0065]
在应用本发明的具体实施例3中，通过以下步骤开展剩余油预测。
[0066]
步骤101，断块油藏基础数值模拟模型设计及建立，该模型为正方形均质模型，网格数量120
×
120
×
1，尺寸5(m)
×
5(m)
×
2(m)。
[0067]
步骤102，不同形状断块油藏模型生成，采用4个控制点(b1-b4)随机生成三角形模型(图7)，根据保存结果对模型文件的有效网格进行修改，边界线之外区域为死网格，边界线之内区域为活网格。
[0068]
步骤103，不同形式井网模型生成。循环读取步骤102生成的模型，有效网格范围内随机生成不同井位，保存结果并修改数值模拟文件，共获得5000组边界及井网组合条件的断块油藏模型。
[0069]
步骤104，模拟计算及结果提取。调用数值模拟器，对5000个模型进行模拟计算，保存每个时间步下的产油、产水等开发指标及含油饱和度场数据。根据模型参数及模拟结果，整理形成输入数据矩阵和输出数据矩阵(图4)，从而完成断块油藏剩余油预测样本数据集合建立完成。
[0070]
步骤105，模型训练及剩余油预测
[0071]
构建考虑时间序列的生成对抗神经网络模型(图5)，该模型是在常规生成对抗网络模型基础上对生成器进行改进，其特征为初始以油藏矩阵[r]及t1时刻的注采矩阵[q1]作为初始输入，经过若干层卷积(conv)后进入rnn单元获得矩阵[m1]，对[m1]矩阵进行若干层反卷积(up-conv)获得t1时刻的含油饱和度矩阵[so1]，同时将[m1]矩阵数据传递给下一个rnn单元，从而实现对饱和度结果随时间变化规律的预测。
[0072]
设置模型训练批次1000,学习率0.1，调用gpu集群进行训练，反复优化模型结构及参数，直到训练集精度达到85％以上，测试集合精度80％以上。将训练完成模型进行部署，给定断块形状、物性场、井网形状、每个时间步的注采量，即可生成对应剩余油分布结果。
[0073]
最后应说明的是：以上所述仅为本发明的优选实施例而已，并不用于限制本发明，尽管参照前述实施例对本发明进行了详细的说明，对于本领域技术人员来说，其依然可以对前述实施例记载的技术方案进行修改，或者对其中部分技术特征进行等同替换。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
[0074]
除说明书所述的技术特征外，均为本专业技术人员的已知技术。