基于神经网络敏感性分析的井间连通性判断方法及系统
本发明涉及石油工程技术领域，尤其涉及基于神经网络敏感性分析的井间连通性判断方法及系统。
背景技术：
本部分的陈述仅仅是提供了与本公开相关的背景技术信息，不必然构成在先技术。
井间连通性反演是油藏开发中的重要研究内容，它通过反演注水井与生产井的连通状况，为油田实施水动力学调整、描述剩余油分布、改善水驱开发效果及实现智能油田等提供决策依据，有助于有效改善油藏开发效率和质量、提升油田实际经济效益。
目前常用的井间连通性反演方法主要有静态分析方法和动态分析方法，静态分析方法时间成本高，实施过程复杂。动态分析方法主要利用油藏动态生产数据反演井间连通性，目前此类方法存在模型不能精确反映地下储层实际连通状况的情况。因此，如何基于油田大数据利用机器学习方法实现井间连通性的准确快速判定，对于油气田开发具有重要意义。
技术实现要素：
本公开为了解决上述问题，提出了基于神经网络敏感性分析的井间连通性判断方法及系统，实现了对井间连通状况的准确判断。
为实现上述目的，本公开采用如下技术方案：
第一方面，提出了基于神经网络敏感性分析的井间连通性判断方法，包括：
获取各注水井的日注入量；
向各注水井的日注入量中添加扰动数据，获得各注水井修正后日注入量；
将各注水井修正后日注入量输入训练好的神经网络模型中，输出各生产井的日产量；
通过各注水井修正后日注入量和各生产井的日产量，获取各注水井与各生产井之间的井间连通系数；
根据井间连通系数判断各注水井与各生产井之间的连通状况。
第二方面，提出了基于神经网络敏感性分析的井间连通性判断系统，包括：
数据获取模块，用于获取各注水井的日注入量；
数据修正模块，用于向各注水井的日注入量中添加扰动数据，获得各注水井修正后日注入量；
生产井日产量预测模块，用于将各注水井修正后日注入量输入训练好的神经网络模型中，输出各生产井的日产量；
井间连通系数确定模块，用于通过各注水井修正后日注入量和各生产井的日产量，获取各注水井与各生产井之间的井间连通系数；
井间连通状况判断模块，用于根据井间连通系数判断各注水井与各生产井之间的连通状况。
第三方面，提出了一种电子设备，包括存储器和处理器以及存储在存储器上并在处理器上运行的计算机指令，所述计算机指令被处理器运行时，完成基于神经网络敏感性分析的井间连通性判断方法所述的步骤。
第四方面，提出了一种计算机可读存储介质，用于存储计算机指令，所述计算机指令被处理器执行时，完成基于神经网络敏感性分析的井间连通性判断方法所述的步骤。
与现有技术相比，本公开的有益效果为：
1、本公开通过预测各生产井的日生产量，并基于各注水井修正后日注入量和预测的各生产井的日产量，计算了各注水井与各生产井之间的井间连通系数，实现了对井间连通状况的准确判断。
2、本公开仅通过采集各注水井的日注入量，进而对各生产井的日生产量进行预测，即可实现对井间连通状况的准确判断，操作更简单方便。
3、本公开基于神经网络敏感性分析的井间连通性判断方法简单高效，与常规连通性分析方法相比，具有经济成本低、计算速度快、表征精度高等优点，所得到的神经网络模型还可以用于生产预测，对于采取堵水调剖措施，油田现场调整注采关系以及井网优化等都具有重要的指导意义。
4、本公开通过历史生产数据，可准确反演井间连通性的演变过程及生产历史内总的连通情况，实用性强。
5、本公开训练好的神经网络模型不仅可以反演井间连通状况，还可以应用于产量预测，在保证计算精度的同时，计算方法简单、高效，克服了现有技术的不足。为制定调整开发方案，采取注采优化，堵水调剖等工艺措施都提供了重要的指导，大大节约了人力与时间成本，同时对于剩余油分布的定量描述和部署油田开发方案也具有重要指导意义。
本发明附加方面的优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本发明的实践了解到。
附图说明
构成本申请的一部分的说明书附图用来提供对本申请的进一步理解，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。
图1为本公开实施例1公开方法的流程图；
图2为本公开实施例1涉及的待研究油田区块的注采模型简图；
图3为本公开实施例1公开的神经网络模型的结构图；
图4为本公开实施例1公开的生产井对注入井的敏感性对比图；
图5为本公开实施例1公开的连通性评价热图；
图6为本公开实施例1公开的注采连通图。
具体实施方式：
下面结合附图与实施例对本公开作进一步说明。
应该指出，以下详细说明都是例示性的，旨在对本申请提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本申请所属技术领域的普通技术人员通常理解的相同含义。
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申请的示例性实施方式。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、器件、组件和/或它们的组合。
在本公开中，术语如“上”、“下”、“左”、“右”、“前”、“后”、“竖直”、“水平”、“侧”、“底”等指示的方位或位置关系为基于附图所示的方位或位置关系，只是为了便于叙述本公开各部件或元件结构关系而确定的关系词，并非特指本公开中任一部件或元件，不能理解为对本公开的限制。
本公开中，术语如“固接”、“相连”、“连接”等应做广义理解，表示可以是固定连接，也可以是一体地连接或可拆卸连接；可以是直接相连，也可以通过中间媒介间接相连。对于本领域的相关科研或技术人员，可以根据具体情况确定上述术语在本公开中的具体含义，不能理解为对本公开的限制。
实施例1
为了实现对井间连通性的准确判断，在该实施例中公开了基于神经网络敏感性分析的井间连通性判断方法，包括：
获取各注水井的日注入量；
向各注水井的日注入量中添加扰动数据，获得各注水井修正后日注入量；
将各注水井修正后日注入量输入训练好的神经网络模型中，输出各生产井的日产量；
通过各注水井修正后日注入量和各生产井的日产量，获取各注水井与各生产井之间的井间连通系数；
根据井间连通系数判断各注水井与各生产井之间的连通状况。
进一步的，通过各注水井与各生产井之间的井间连通系数，绘制连通性评价热图和注采连通图。
进一步的，神经网络模型以注水井的日注入量为输入，以生产井的日产量为输出，该神经网络模型输入节点数量与注水井数量相同，输出节点数量与生产井数量相同。
进一步的，获取注水井与生产井的实际生产数据；
对实际生产数据进行标准化处理，获取标准化处理后数据；
通过标准化处理后数据对神经网络模型进行训练，获得训练好的神经网络模型。
进一步的，通过标准化处理后数据构建训练神经网络模型用的标准样本集；
将标准样本集进行训练集、验证集和测试集划分；
通过训练集、验证集和测试集，对神经网络模型进行训练，获得训练好的神经网络模型。
进一步的，对标准样本集按照6:2:2的比例划分训练集、验证集和测试集；
或，
对标准样本集采用7:1:2的比例划分训练集、验证集和测试集；
或，
采用十折交叉验证将标准样本集划分为训练集、验证集和测试集。
进一步的，以生产井的实际日产量与神经网络预测值的平均误差平方和作为神经网络模型训练的目标函数。
进一步的，对神经网络模型进行训练前，通过优化算法确定了神经网络模型的初始最优权重值。
结合图1-6对本实施例公开的基于神经网络敏感性分析的井间连通性判断方法进行详细说明，
通过某待研究油田区块为例，对本实施例基于神经网络敏感性分析的井间连通性判断方法进行详细说明。
某待研究油田区块地层平均有效厚为3.6m，以网格长度及宽度均为24m，共100×100×1＝10000个网格，建立了如图2所示的五注四采辫状河沉积相模型，油藏中仅模拟油水两相流动，且油井均定压生产。五口注水井分别命名为inj1，inj2，inj3，inj4，inj5；四口生产井分别命名为pro1，pro2，pro3，pro4。
如图1所示，基于神经网络敏感性分析的井间连通性判断方法，包括：
s1：获取神经网络模型的训练数据，训练数据构成训练样本集，将训练样本集划分为训练集、验证集和测试集，将训练集、验证集和测试集用于对构建的神经网络模型进行训练。
在具体实施时，获取神经网络模型的训练数据，将训练数据形成训练集、验证集和测试集的过程包括：
s11：采集待分析油田各个注水井与生产井的生产数据，包括：inj1，inj2，inj3，inj4，inj5五口注水井的日注入量(单位：m3/d)，构成初始的注入数据样本，记作i＝{i1,i2,i3,i4,i5}；pro1，pro2，pro3，pro4四口生产井的日产量(单位：m3/d)，记作p＝{p1,p2,p3,p4}，构成初始的产液数据样本。
s12：对于采集的注水井的日注入量i，以及生产井的日产量p所构成的初始注采数据进行零-均值规范化(z-score)处理，也称标准差标准化，经过标准化处理后的数据的均值为0，标准差为1。进行标准化处理的公式为：
其中，μi为各注水井日注入量i的均值，σi为各注水井日注入量i的标准差；μp为各生产井日产量p的均值，σp为各生产井日产量p的标准差；
将标准化处理后数据构建训练神经网络模型用的标准样本集
s13：将标准样本集划分为训练集、验证集和测试集。
在具体实施时：
标准样本集
当标准样本集
s2：构建神经网络模型，包括：
s21：搭建神经网络。
在具体实施时，搭建的神经网络如图3所示，以注水井的日注入量为输入，以生产井的日产量为输出。输入层和输出层节点个数分别由注入井和生产井数量决定。如在某待研究油田区块场景中，构建的神经网络包含5个输入节点和4个输出节点，输入向量和输出向量分别表示为：
s22：构建神经网络训练用的目标函数。
在具体实施时，基于生产井的实际日产量
式中，j表示样本点的个数，j表示第j个样本点，e表示神经网络的误差，
s23：在区间[-1,1]上随机初始化神经网络权值和偏置，通过adam优化算法确定神经网络模型的初始最优权重值和偏置。
s3：通过训练集
s31：选定一个候选隐层节点个数，使用训练集
s32：求出验证集
s33：更换隐层节点个数，重复利用训练集与验证集上的交叉验证，确定验证精度最高的网络模型为最终的神经网络模型。
s34：基于s33获得的最终的神经网络模型，利用测试集数据
s4：获取各注水井的日注入量，向各注水井的日注入量中添加扰动数据，获得各注水井修正后日注入量；将各注水井修正后日注入量输入训练好的神经网络模型中，输出各生产井的日产量，具体包括：
s41：获取各注水井的日注入量。
s42：向各注水井的日注入量中添加扰动数据，获得各注水井修正后日注入量。
在具体实施时，扰动数据的生成采用高斯随机噪声的方法，利用高斯扰动在第m口注入井数据上添加扰动δi＝(0,…,0,δim,0,…,0)5×j，其中δim＝δim1，δim2,…,δimj,…,δimj)1×j，j为样本数量，生成修正后日注入量数据
s43：将各注水井修正后日注入量输入训练好的神经网络模型中，输出各生产井的日产量。
向各注水井的日注入量中添加扰动数据的目的是得到扰动情况下各生产井的日产量，将添加扰动后的各生产井的日产量与未添加扰动时的各生产井的日产量进行比较，从而判断注水井与生产井的连通性。
如果添加扰动后，获得的生产井的日产量变化不大，则当前生产井与被扰动注入井的连通关系不强；反之，如果添加扰动后，获得的当前生产井的日产量变化很大，则说明当前生产井与被扰动注入井的关系密切，连通性强。
如图4所示，original-output1是生产井1在没有向注水井的日注入量中添加扰动时的日产量，noise-1-output1是向注水井的日注入量中添加10％高斯扰动后，获得的生产井1的日产量，noise-2-output2是向注水井的日注入量中添加20％高斯扰动后，获得的生产井1的日产量。
在具体实施时，将修正后日注入量数据
s5：通过各注水井修正后日注入量和各生产井的日产量，获取各注水井与各生产井之间的井间连通系数。
在具体实施时，分析和计算各生产井对于注水井i的敏感性度量，得到的敏感性系数作为注水井i与各生产井之间的井间连通系数ci,j，井间连通系数ci,j的计算公式如下：
其中e表示期望。
通过各注水井与各生产井之间的井间连通系数判断各注水井与各生产井之间的连通状况。
s6：通过各注水井与各生产井之间的井间连通系数，绘制连通性评价热图和注采连通图，如图5、图6所示。图5中色块颜色越深，对应的井间连通系数越大，表示对应注采井的连通关系越强。图6中箭头越粗，对应的井间连通系数越大，表示两口井之间的连通性越强。
通过获取各注水井的日注入量，并向各注水井的日注入量中添加扰动数据，获得各注水井修正后日注入量，根据已经训练好的神经网络模型，对生产井的日产量进行预测，进而通过预测的生产井的日产量和各注水井修正后日注入量获得注水井与生产井间的敏感性系数，作为注入井与生产井间连通性的评价指标，其结果如表一所示：
表1井间连通性定量评价结果
由敏感性分析得到的连通性分析结果如图5所示，其中色块颜色越深，对应的连通性数值越大，表示对应注采井的连通关系越强。在该示例中，通过图2的渗透率场分布可以看出，i1-p1位于主要高渗通道上(1000md)，i5位于右下部分的高渗通道中，p2、p3、p4分别位于三个不同的高渗通道中，即i5-p2、i5-p3和i5-p4位于次要高渗通道上,其余注采井之间的渗透率(50md)均远远低于辫状高渗通道。因此，图5中的i1-p1与i5-p2、i5-p3和i5-p4准确反映了四对注采井之间的强连通关系，并且其余弱连通井组的连通性分析结果均很小，符合渗透率场分布。通过图6，可以更加准确直观地表示出此示例中的注采连通情况，其中箭头越粗，表示连通性越强。通过以上两个连通性分析结果图，说明基于神经网络的敏感性分析可以准确的反演注采井之间的连通性，具有较高的可信性。
本实施例公开的基于神经网络敏感性分析的井间连通性判断方法简单高效，与常规连通性分析方法相比，具有经济成本低、计算速度快、表征精度高等优点，所得到的神经网络模型还可以用于生产预测，对于采取堵水调剖措施，油田现场调整注采关系以及井网优化等都具有重要的指导意义；通过历史生产数据，可准确反演井间连通性的演变过程及生产历史内总的连通情况，实用性强；训练好的神经网络模型不仅可以反演井间连通状况，还可以应用于产量预测，在保证计算精度的同时，计算方法简单、高效，克服了现有技术的不足。为制定调整开发方案，采取注采优化，堵水调剖等工艺措施都提供了重要的指导，大大节约了人力与时间成本，同时对于剩余油分布的定量描述和部署油田开发方案也具有重要指导意义。
本公开通过预测各生产井的日生产量，并基于各注水井修正后日注入量和预测的各生产井的日产量，计算了各注水井与各生产井之间的井间连通系数，该井间连通系数能够对井间连通状况进行准确判断。
本公开仅通过采集各注水井的日注入量，进而对各生产井的日生产量进行预测，即可实现对井间连通状况的准确判断，操作更简单方便。
实施例2
在该实施例中，公开了基于神经网络敏感性分析的井间连通性判断系统，包括：
数据获取模块，用于获取各注水井的日注入量；
数据修正模块，用于向各注水井的日注入量中添加扰动数据，获得各注水井修正后日注入量；
生产井日产量预测模块，用于将各注水井修正后日注入量输入训练好的神经网络模型中，输出各生产井的日产量；
井间连通系数确定模块，用于通过各注水井修正后日注入量和各生产井的日产量，获取各注水井与各生产井之间的井间连通系数；
井间连通状况判断模块，用于根据井间连通系数判断各注水井与各生产井之间的连通状况。
实施例3
在该实施例中，公开了一种电子设备，包括存储器和处理器以及存储在存储器上并在处理器上运行的计算机指令，所述计算机指令被处理器运行时，完成实施例1公开的基于神经网络敏感性分析的井间连通性判断方法所述的步骤。
实施例4
在该实施例中，公开了一种计算机可读存储介质，用于存储计算机指令，所述计算机指令被处理器执行时，完成实施例1公开的基于神经网络敏感性分析的井间连通性判断方法所述的步骤。
以上仅为本申请的优选实施例而已，并不用于限制本申请，对于本领域的技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本申请的保护范围之内。
本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、cd-rom、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
最后应当说明的是：以上实施例仅用以说明本发明的技术方案而非对其限制，尽管参照上述实施例对本发明进行了详细的说明，所属领域的普通技术人员应当理解：依然可以对本发明的具体实施方式进行修改或者等同替换，而未脱离本发明精神和范围的任何修改或者等同替换，其均应涵盖在本发明的权利要求保护范围之内。
- 还没有人留言评论。精彩留言会获得点赞！