一种优势渗流通道确定方法、装置、设备及存储介质

本发明涉及石油开发，特别涉及一种优势渗流通道确定方法、装置、设备及存储介质。

背景技术：

1、优势渗流通道的准确表征是油田开发过程中的重要环节。优势渗流通道是油田在长时间注水开发过程中，由于储层非均质性及注入剂冲刷的影响，形成的渗流通道。优势渗流通道会增加注水开发中的无效循环风险，影响剩余油的采出程度。优势渗流通道的表征通常通过对生产数据与物性参数的分析模拟来实现，但单独的通过其中一种数据进行分析总结难以系统的对优势渗流通道进行准确表征，两类数据的结合分析又难以挖掘到其中非线性的内在规律。深度学习模型的网络组成使之具有稳健的学习能力，通过多层的神经网络结构可以学习到数据的多层次特征信息，通过反向传播算法可以更新并优化模型的参数，通过激活函数可以帮助模型学习复杂的非线性关系。深度学习方法可以用来解决各类非线性的复杂任务，且取得了良好效果。优势渗流通道的智能表征方法是油气田开发领域与人工智能领域交叉的研究方法。该方法通过使用生产数据与物性参数，以油气田开发领域的专业知识为背景，通过人工智能领域的深度学习、数据挖掘等方法，挖掘生产数据与物性参数中蕴藏的优势渗流通道信息，进而对优势渗流通道进行准确表征。但由于优势渗流通道同时受生产数据与物性参数的影响，且注水初期主要受物性参数的影响，注水后期受生产数据的影响程度逐渐增大，所以不考虑注水时长，只是把生产数据与物性数据一次性放入深度学习模型中训练，会混淆不同参数对优势渗流通道的表征能力，从而降低模型表征能力的普适性与鲁棒性。因此，如何提高优势渗流通道的表征能力是需要解决的。

技术实现思路

1、有鉴于此，本发明的目的在于提供一种优势渗流通道确定方法、装置、设备及存储介质，能够综合考虑不同注水时期优势渗流通道的影响因素，学习不同阶段影响因素的表征模型，从而实现对优势渗流通道的准确表征。其具体方案如下：

2、第一方面，本技术公开了一种优势渗流通道确定方法，包括：

3、获取目标油田区域的物性参数和注水初期生产数据，并根据所述物性参数和所述注水初期生产数据生成第一数据集；其中，所述物性参数包括油井与水井的井间距离、地层的有效厚度和地层的渗透率；所述注水初期生产数据包括初期注水量数据和产液量变化数据；

4、基于所述第一数据集和第一预设神经网络模型构建静态优势渗流通道表征模型，并获取注水后期生产数据，然后利用所述静态优势渗流通道表征模型和所述注水后期生产数据生成第二数据集；

5、基于所述第二数据集和第二预设神经网络模型构建动态优势渗流通道表征模型，并基于所述静态优势渗流通道表征模型和所述动态优势渗流通道表征模型确定综合优势渗流通道表征模型；

6、基于所述综合优势渗流通道表征模型获取所述目标油田区域中各油田井点的井产液量定量值，并基于所述井产液量定量值确定所述目标油田区域的优势渗流通道，然后在预设可视化界面上对所述优势渗流通道进行表征。

7、可选的，所述获取目标油田区域的物性参数和注水初期生产数据，并根据所述物性参数和所述注水初期生产数据生成第一数据集，包括：

8、获取物性参数、初期注水量数据和产液量变化数据并进行标准化处理以得到标准物性参数、标准初期注水量数据和标准产液量变化数据；

9、将所述标准物性参数、所述标准初期注水量数据和所述标准产液量变化数据基于第一预设数据集格式进行整理以得到第一数据集。

10、可选的，所述基于所述第一数据集和第一预设神经网络模型构建静态优势渗流通道表征模型，包括：

11、基于所述第一数据集和第一预设学习率对第一预设神经网络模型进行迭代训练，并基于均方差损失函数得到所述第一预设神经网络模型训练过程中的第一损失函数值；

12、基于所述第一损失函数值，在迭代训练过程中对所述第一预设神经网络模型的模型参数进行调整以得到静态优势渗流通道表征模型。

13、可选的，所述获取注水后期生产数据，然后利用所述静态优势渗流通道表征模型和所述注水后期生产数据生成第二数据集，包括：

14、获取注水后期生产数据，并将所述注水后期生产数据中的注入水量数据和所述物性参数中的油水井间距离数据、有效厚度数据和渗透率数据输入至所述静态优势渗流通道表征模型中以得到静态产水量变化预测值；

15、将所述静态产水量变化预测值和所述注水后期生产数据中的产水变化量值基于第二预设数据集格式进行整理以得到第二数据集。

16、可选的，所述基于所述第二数据集和第二预设神经网络模型构建动态优势渗流通道表征模型，包括：

17、基于所述第二数据集和第二预设学习率对第二预设神经网络模型进行迭代训练，并基于均方差损失函数得到所述第二预设神经网络模型训练过程中的第二损失函数值；

18、基于所述第二损失函数值，在迭代训练过程中对所述第二预设神经网络模型的模型参数进行调整以得到动态优势渗流通道表征模型。

19、可选的，所述基于所述井产液量定量值确定所述目标油田区域的优势渗流通道，包括：

20、利用预设邻接差值算法和所述井产液量定量值确定所述目标油田区域中各处对应的油田产液量定量值；

21、基于所述井产液量定量和所述油田产液量定量值确定所述目标油田区域的优势渗流通道。

22、可选的，所述利用预设邻接差值算法和所述井产液量定量值确定所述目标油田区域中各处对应的油田产液量定量值，包括：

23、对所述目标油田区域进行网格化划分，以得到所述目标油田区域对应的网格图；

24、确定所述网格图中未知点与所述目标油田区域各油田井点对应的欧氏距离；

25、将所述欧氏距离最小的油田井点确定为所述未知点对应的目标井点，并基于所述目标井点对应的井产液量定量值确定所述未知点对应的井产液量定量值，以得到所述目标油田区域中各处对应的油田产液量定量值。

26、第二方面，本技术公开了一种优势渗流通道确定装置，包括：

27、第一数据集确定模块，用于获取目标油田区域的物性参数和注水初期生产数据，并根据所述物性参数和所述注水初期生产数据生成第一数据集；其中，所述物性参数包括油井与水井的井间距离、地层的有效厚度和地层的渗透率；所述注水初期生产数据包括初期注水量数据和产液量变化数据；

28、第二数据集确定模块，用于基于所述第一数据集和第一预设神经网络模型构建静态优势渗流通道表征模型，并获取注水后期生产数据，然后利用所述静态优势渗流通道表征模型和所述注水后期生产数据生成第二数据集；

29、综合模型生成模块，用于基于所述第二数据集和第二预设神经网络模型构建动态优势渗流通道表征模型，并基于所述静态优势渗流通道表征模型和所述动态优势渗流通道表征模型确定综合优势渗流通道表征模型；

30、优势渗流通道确定模块，用于基于所述综合优势渗流通道表征模型获取所述目标油田区域中各油田井点的井产液量定量值，并基于所述井产液量定量值确定所述目标油田区域的优势渗流通道，然后在预设可视化界面上对所述优势渗流通道进行表征。

31、第三方面，本技术公开了一种电子设备，包括：

32、存储器，用于保存计算机程序；

33、处理器，用于执行所述计算机程序以实现前述的优势渗流通道确定方法。

34、第四方面，本技术公开了一种计算机可读存储介质，用于保存计算机程序，所述计算机程序被处理器执行时实现前述的优势渗流通道确定方法。

35、可见，本技术中，获取目标油田区域的物性参数和注水初期生产数据，并根据所述物性参数和所述注水初期生产数据生成第一数据集；基于所述第一数据集和第一预设神经网络模型构建静态优势渗流通道表征模型，并获取注水后期生产数据，然后利用所述静态优势渗流通道表征模型和所述注水后期生产数据生成第二数据集；基于所述第二数据集和第二预设神经网络模型构建动态优势渗流通道表征模型，并基于所述静态优势渗流通道表征模型和所述动态优势渗流通道表征模型确定综合优势渗流通道表征模型；基于所述综合优势渗流通道表征模型获取所述目标油田区域中各油田井点的井产液量定量值，并基于所述井产液量定量值确定所述目标油田区域的优势渗流通道，然后在预设可视化界面上对所述优势渗流通道进行表征。即，基于深度学习的多任务学习方法，分别学习注水初期的静态优势渗流通道表征模型，与注水后期的动态优势渗流通道表征模型，最后使用模型融合技术结合它们的结果，建综合优势渗流通道表征模型。这样一来，通过综合考虑不同注水时期优势渗流通道的影响因素，学习不同阶段影响因素的表征模型，可以实现对优势渗流通道的准确表征。