CN114320266B - 一种基于支持向量机的致密油藏常规井产量预测方法 - Google Patents
一种基于支持向量机的致密油藏常规井产量预测方法 Download PDFInfo
- Publication number
- CN114320266B CN114320266B CN202111360449.5A CN202111360449A CN114320266B CN 114320266 B CN114320266 B CN 114320266B CN 202111360449 A CN202111360449 A CN 202111360449A CN 114320266 B CN114320266 B CN 114320266B
- Authority
- CN
- China
- Prior art keywords
- yield
- influence
- reservoir
- support vector
- vector machine
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 39
- 238000012706 support-vector machine Methods 0.000 title claims abstract description 17
- 230000004927 fusion Effects 0.000 claims abstract description 8
- 238000012549 training Methods 0.000 claims abstract description 6
- KJONHKAYOJNZEC-UHFFFAOYSA-N nitrazepam Chemical compound C12=CC([N+](=O)[O-])=CC=C2NC(=O)CN=C1C1=CC=CC=C1 KJONHKAYOJNZEC-UHFFFAOYSA-N 0.000 claims abstract description 5
- 238000012216 screening Methods 0.000 claims abstract description 4
- 238000004519 manufacturing process Methods 0.000 claims description 10
- 238000013507 mapping Methods 0.000 claims description 7
- 239000004576 sand Substances 0.000 claims description 7
- NAWXUBYGYWOOIX-SFHVURJKSA-N (2s)-2-[[4-[2-(2,4-diaminoquinazolin-6-yl)ethyl]benzoyl]amino]-4-methylidenepentanedioic acid Chemical compound C1=CC2=NC(N)=NC(N)=C2C=C1CCC1=CC=C(C(=O)N[C@@H](CC(=C)C(O)=O)C(O)=O)C=C1 NAWXUBYGYWOOIX-SFHVURJKSA-N 0.000 claims description 5
- 239000007788 liquid Substances 0.000 claims description 4
- 238000004364 calculation method Methods 0.000 claims description 3
- 238000006073 displacement reaction Methods 0.000 claims description 3
- 238000005457 optimization Methods 0.000 claims description 3
- 230000035699 permeability Effects 0.000 claims description 3
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 3
- 230000009977 dual effect Effects 0.000 claims description 2
- 238000004422 calculation algorithm Methods 0.000 abstract description 3
- 239000003129 oil well Substances 0.000 description 4
- 238000011161 development Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000012886 linear function Methods 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 238000007637 random forest analysis Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及一种基于支持向量机的致密油藏常规井产量预测方法,包括如下步骤:收集影响储层产量的影响因素,将影响因素记为A,分别计算得到上述影响因素的皮尔森相关系数X;筛选大于0.1时对应的影响因素A,采用哈达玛积的形式将影响因素A与皮尔森相关系数X进行组合,得到融合因素α;利用支持向量机回归法,以α作为输入变量,以储层产量y为输出变量,代入公式计算得到产量预测结果。通过对产量影响参数分析,利用影响权重筛选出主要影响因子,将权重与影响参数组合成融合参数,带入支持向量机算法,选用高斯核函数,进行数据训练,得到产量预测模型。在后续预测中可直接应用该模型,通过影响参数输入,来得到对应的产量预测结果。
Description
技术领域
本发明涉及致密油藏常规井开发技术领域,尤其涉及一种基于支持向量机致密油藏常规井产量预测方法。
背景技术
由于工艺技术尚不成熟,处于开发前期阶段的致密油藏的油井产量规律尚未有成熟的理论,无法判断出工程参数是否与油井地质参数相匹配。常规井的产量预测方法主要为经验统计方法,准确率较低,只能做定性判别,不能给出定量的表征,且不同地质背景、不同开发模式的油井产量模型也不同。
目前,针对致密油藏常规井的产量预测主要有以下几种方法,第一种是通过随机森林算法进行了产量预测,并指出总砂量和总液量是影响油井产量的主要因素,但是所采用的影响因素较少,精度有待提高;第二种是结合地质、完井和压裂参数建立了神经网络预测下的产量图版,但是不具有地区普适性;第三种是通过灰色关联的方法,利用线性回归实现了致密油藏水平井产量的预测,但并不适用于常规井预测。以上几种方法在致密油藏常规井的产量预测中适用性不够、精度较低。
发明内容
本发明旨在针对上述问题,提出一种基于支持向量机致密油藏常规井产量预测方法,以解决现有技术中致密油藏常规产量预测精度的不足问题。
本发明的技术方案在于:
一种基于支持向量机的致密油藏常规井产量预测方法,其特征在于:包括如下步骤:
步骤1:收集影响储层产量的影响因素:地质参数和工程参数;
其中,地质参数包括油层厚度、含油饱和度、孔隙度、渗透率及地区稳定含水率;
工程参数包括平均砂比、工作排量、总砂量、总液量及破裂压力;
将上述影响因素记为A={a1,a2,…,ai};
并分别计算得到上述影响因素的皮尔森相关系数
步骤2:筛选大于0.1时对应的影响因素A,采用哈达玛积的形式将影响因素A与皮尔森相关系数X进行组合,得到融合因素α;
步骤3:利用支持向量机回归法,以α作为输入变量,以储层产量y为输出变量,代入公式(10)
其中:以{(x1,y1),…,(xi,yi)},xi∈R,Yi∈R,i=1,2,…,n来表示预测模型的对应关系;
式中:ai为第i个样本对应的拉格朗日算子;
ai *为样本的最优拉格朗日算子;
exp(-γ||x-xi||2)为映射函数;
xi为第i个特征向量;
γ为高斯核函数扰动参数;
b为运算偏差,b∈R;
yi为第i组输入变量对应的标记;
K(x,xi)为核函数;
C为惩罚系数;
ξ为松弛变量;
n为样本最大数量;
计算得到储层产量预测模型y=f(α),进而得到产量预测结果。
其中,公式(10)的具体推导过程为:
结合储层产量及其影响因素建立模型;
以{(x1,y1),…,(xi,yi)},xi∈R,Yi∈R,i=1,2,…,n来表示模型的对应关系;其中,φ为映射函数,将影响因素x映射到高维空间,训练集的非线性关系在高维空间将变换成线性关系,据此建立储层产量预测函数;储层产量预测函数f(x)的具体形式为:
f(x)=ω·φ(x)+b (1)
式中:ω为加权向量;
求解最优分类超平面,即寻找最优的ω和b,使得分类间隔最大;
在求解最优分类超平面的过程中,为了解决预测过程的过拟合问题,这里引入软边界增加模型适应性,即增加松弛变量ξ,可以保证模型预测过程中奇异值的影响,即便出现异常值,也依然具有适应性。惩罚系数C,其中ξ规定了回归函数与输出之间的误差,C控制着对训练误差较大数据样本的惩罚,公式(1)转化成如下优化问题:
公式(2)的约束条件表示为:
公式(2)的最小化是一个凸二次优化问题,拉格朗日函数可以解决约束下的极值问题,进而将上述目标函数转换为拉格朗日函数并利用Wolfe对偶定理,转化后求解的形式为:
上述方程的约束条件为:
对于非线性问题来说,无法用线性函数表示,平面已无法解决问题,此时就要而采用核函数K(x,xi),将数据映射到高维空间,进而将非线性问题转化为线性问题,推导出非线性回归函数的表达式如下:
b的计算方法如下:
在非线性SVM中,引入核函数可以将数据映射到高维空间,进而将非线性问题转化为线性问题。具体地,构造一个核函数K(x,y),将输入空间映射到特征空间地映射φ(x),对任意输入空间中的x,y,有:
K(x,y)=φ(x)·φ(y) (8)
一般核函数有多项式核函数,线性核函数,高斯核函数等不同种类,选择不同的核函数,产生的支持向量机也会不同;在本文中采用高斯RBF核函数,其表达式为:
K(x,y)=exp(-γ||x-y||2) (9)
最终得到非线性回归的表达式:
此公式与公式(1)对应;整个训练过程借助matlab软件,求解出最佳参数。
优选地,所述皮尔森相关系数的计算过程为:
优选地,所述采用哈达玛积的形式将影响因素A与皮尔森相关系数X进行组合的具体过程为:
α=A*X。
本发明的技术效果在于:
通过对产量影响参数分析,利用影响权重筛选出主要影响因子,将权重与影响参数组合成融合参数,带入支持向量机算法,选用高斯核函数,进行数据训练,得到产量预测模型。在后续预测中可直接应用该模型,通过影响参数输入,来得到对应的产量预测结果。
附图说明
图1为某研究区各参数与产油量的皮尔森相关性。
图2为模型预测结果图。
具体实施方式
一种基于支持向量机的致密油藏常规井产量预测方法,包括如下步骤:
步骤1:收集影响储层产量的影响因素:地质参数和工程参数;
其中,地质参数包括油层厚度、含油饱和度、孔隙度、渗透率及地区稳定含水率;
工程参数包括平均砂比、工作排量、总砂量、总液量及破裂压力;
将上述影响因素记为A={a1,a2,…,ai};
并分别计算得到上述影响因素的皮尔森相关系数具体过程为:
步骤2:筛选大于0.1对应的影响因素A,采用哈达玛积的形式将影响因素A与皮尔森相关系数X进行组合,得到融合参数α;
具体过程为:
α=A*X
步骤3:利用支持向量机回归法,以α作为输入变量,以储层产量y为输出变量,代入公式(10)
其中:以{(x1,y1),…,(xi,yi)},xi∈R,Yi∈R,i=1,2,…,n来表示预测模型的对应关系;
式中:ai为第i个样本对应的拉格朗日算子;
ai *为样本的最优拉格朗日算子;
exp(-γ||x-xi||2)为映射函数;
xi为第i个特征向量;
y为高斯核函数扰动参数;
b为运算偏差,b∈R;
yi为第i组输入变量对应的标记;
K(x,xi)为核函数;
C为惩罚系数;
ξ为松弛变量;
n为样本最大数量;
计算得到储层产量预测模型y=f(α),进而得到产量预测结果。
利用本发明提供的预测方法,得到储层产量y的预测结果,如图2所示;预测值与实际值相差较小,综合预测准确率为93.22%,准确率高,效果较好。
为对预测模型进行验证,选取研究区内的其他5口井进行预测模拟,预测结果如表1所示;
表1产量预测结果
最高准确率可达到95.08%,最低准确率为88.65%,综合准确率为91.83%,整体准确率较高,证明预测模型在研究区应用的准确性较高。
Claims (3)
1.一种基于支持向量机的致密油藏常规井产量预测方法,其特征在于:包括如下步骤:
步骤1:收集影响储层产量的影响因素:地质参数和工程参数;
其中,地质参数包括油层厚度、含油饱和度、孔隙度、渗透率及地区稳定含水率;
工程参数包括平均砂比、工作排量、总砂量、总液量及破裂压力;
将上述影响因素记为A={a1,a2,…,ai};
并分别计算得到上述影响因素的皮尔森相关系数
步骤2:筛选大于0.1时对应的影响因素A,采用哈达玛积的形式将影响因素A与皮尔森相关系数X进行组合,得到融合因素α;
步骤3:利用支持向量机回归法,以α作为输入变量,以储层产量y为输出变量,代入公式(10)
其中:以{(x1,y1),…,(xi,yi)},xi∈R,Yi∈R,i=1,2,…,n来表示预测模型的对应关系;
式中:ai为第i个样本对应的拉格朗日算子;
ai *为样本的最优拉格朗日算子;
exp(-γ‖x-xi‖2)为映射函数;
xi为第i个特征向量;
γ为高斯核函数扰动参数;
b为运算偏差,b∈R;
yi为第i组输入变量对应的标记;
K(x,xi)为核函数;
C为惩罚系数;
ξ为松弛变量;
n为样本最大数量;
计算得到储层产量预测模型y=f(α),进而得到产量预测结果;
其中,所述公式(10)的具体推导过程为:
结合储层产量及其影响因素建立模型;
以{(x1,y1),…,(xi,yi)},xi∈R,Yi∈R,i=1,2,…,n来表示模型的对应关系;其中,φ为映射函数,将影响因素x映射到高维空间,训练集的非线性关系在高维空间将变换成线性关系,据此建立储层产量预测函数;储层产量预测函数f(x)的具体形式为:
f(x)=ω·φ(x)+b (1)
式中:ω为加权向量;
求解最优分类超平面,即寻找最优的ω和b;
公式(1)转化成如下优化问题:
式中:ξ为松弛变量;
ξ*为下线松弛变量;
公式(2)的约束条件为:
式中:ξi为第i组对应的松弛变量;
ξi *为第i组对应的下线松弛变量;
将公式(1)转换为拉格朗日函数并利用Wolfe对偶定理,转化后求解的形式为:
上述方程的约束条件为:
式中:aj为第j个标签对应的拉格朗日算子;
aj *为标签的最优拉格朗日算子;
xj为第j个标签;
将非线性问题转化为线性问题,推导出非线性回归函数的表达式如下:
式中:K(x,xi)为核函数;
其中:
核函数K(x,y)将输入空间映射到特征空间地映射φ(x),对任意输入空间中的x,y,有
K(x,y)=φ(x)·φ(y) (8)
核函数采用高斯核函数
K(x,y)=exp(-γ‖x-y‖2) (9)
最终得到:
2.根据权利要求1所述基于支持向量机的致密油藏常规井产量预测方法,其特征在于:所述皮尔森相关系数的计算过程为:
3.根据权利要求1所述基于支持向量机的致密油藏常规井产量预测方法,其特征在于:所述采用哈达玛积的形式将影响因素A与皮尔森相关系数X进行组合的具体过程为:
α=A*X。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111360449.5A CN114320266B (zh) | 2021-11-17 | 2021-11-17 | 一种基于支持向量机的致密油藏常规井产量预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111360449.5A CN114320266B (zh) | 2021-11-17 | 2021-11-17 | 一种基于支持向量机的致密油藏常规井产量预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114320266A CN114320266A (zh) | 2022-04-12 |
CN114320266B true CN114320266B (zh) | 2023-11-28 |
Family
ID=81045964
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111360449.5A Active CN114320266B (zh) | 2021-11-17 | 2021-11-17 | 一种基于支持向量机的致密油藏常规井产量预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114320266B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114818076B (zh) * | 2022-05-09 | 2022-12-20 | 东北石油大学 | 一种基于机器学习的断层封闭烃柱高度评价方法 |
Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105488583A (zh) * | 2015-11-23 | 2016-04-13 | 中国石油天然气股份有限公司 | 预测致密油待评价区域可采储量的方法及装置 |
CN107590550A (zh) * | 2017-07-26 | 2018-01-16 | 长江大学 | 有关超低渗透储层油田产能评价及预测的方法 |
CN108446797A (zh) * | 2018-03-06 | 2018-08-24 | 西南石油大学 | 一种致密油藏水平井体积压裂初期产能预测方法 |
CN109882163A (zh) * | 2019-03-27 | 2019-06-14 | 中国石油大学(华东) | 一种用于致密油藏压裂水平井的产能预测方法 |
CN110992200A (zh) * | 2019-12-11 | 2020-04-10 | 长江大学 | 基于随机森林的页岩气井分段压裂效果评价和产量预测方法 |
KR20200056910A (ko) * | 2019-09-26 | 2020-05-25 | 한국지질자원연구원 | 딥러닝을 이용한 셰일가스 생산량 예측모델 생성 방법 |
CN112069737A (zh) * | 2020-09-14 | 2020-12-11 | 中国石油大学(华东) | 一种低渗透油藏co2混相驱受效油井气窜时间预测方法及装置 |
CN112308269A (zh) * | 2019-07-30 | 2021-02-02 | 中国石油化工股份有限公司 | 用于低渗透油气藏的产能预测方法及装置 |
CN112392478A (zh) * | 2020-12-15 | 2021-02-23 | 西南石油大学 | 一种快速预测低渗致密油藏经济可采储量的方法 |
CN112561144A (zh) * | 2020-12-07 | 2021-03-26 | 西安石油大学 | 一种致密油压裂水平井产能主控因素评判与产能预测方法 |
CN113283180A (zh) * | 2021-06-28 | 2021-08-20 | 中国石油大学(华东) | 基于K-means与SVR组合的致密油藏水平井压裂产能预测方法与应用 |
CN113445989A (zh) * | 2021-07-12 | 2021-09-28 | 长江大学 | 致密油藏压裂水平井的产能预测方法、介质、终端和装置 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
RU2015135357A (ru) * | 2013-03-25 | 2017-05-03 | Лэндмарк Графикс Корпорейшн | Система, способ и компьютерный программный продукт для прогнозирования производительности скважины |
-
2021
- 2021-11-17 CN CN202111360449.5A patent/CN114320266B/zh active Active
Patent Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105488583A (zh) * | 2015-11-23 | 2016-04-13 | 中国石油天然气股份有限公司 | 预测致密油待评价区域可采储量的方法及装置 |
CN107590550A (zh) * | 2017-07-26 | 2018-01-16 | 长江大学 | 有关超低渗透储层油田产能评价及预测的方法 |
CN108446797A (zh) * | 2018-03-06 | 2018-08-24 | 西南石油大学 | 一种致密油藏水平井体积压裂初期产能预测方法 |
CN109882163A (zh) * | 2019-03-27 | 2019-06-14 | 中国石油大学(华东) | 一种用于致密油藏压裂水平井的产能预测方法 |
CN112308269A (zh) * | 2019-07-30 | 2021-02-02 | 中国石油化工股份有限公司 | 用于低渗透油气藏的产能预测方法及装置 |
KR20200056910A (ko) * | 2019-09-26 | 2020-05-25 | 한국지질자원연구원 | 딥러닝을 이용한 셰일가스 생산량 예측모델 생성 방법 |
CN110992200A (zh) * | 2019-12-11 | 2020-04-10 | 长江大学 | 基于随机森林的页岩气井分段压裂效果评价和产量预测方法 |
CN112069737A (zh) * | 2020-09-14 | 2020-12-11 | 中国石油大学(华东) | 一种低渗透油藏co2混相驱受效油井气窜时间预测方法及装置 |
CN112561144A (zh) * | 2020-12-07 | 2021-03-26 | 西安石油大学 | 一种致密油压裂水平井产能主控因素评判与产能预测方法 |
CN112392478A (zh) * | 2020-12-15 | 2021-02-23 | 西南石油大学 | 一种快速预测低渗致密油藏经济可采储量的方法 |
CN113283180A (zh) * | 2021-06-28 | 2021-08-20 | 中国石油大学(华东) | 基于K-means与SVR组合的致密油藏水平井压裂产能预测方法与应用 |
CN113445989A (zh) * | 2021-07-12 | 2021-09-28 | 长江大学 | 致密油藏压裂水平井的产能预测方法、介质、终端和装置 |
Also Published As
Publication number | Publication date |
---|---|
CN114320266A (zh) | 2022-04-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110400006B (zh) | 基于深度学习算法的油井产量预测方法 | |
CN111985610B (zh) | 一种基于时序数据的抽油机井泵效预测***和方法 | |
CN102930539B (zh) | 基于动态图匹配的目标跟踪方法 | |
CN111126658A (zh) | 一种基于深度学习的煤矿瓦斯预测方法 | |
CN114320266B (zh) | 一种基于支持向量机的致密油藏常规井产量预测方法 | |
CN106217128A (zh) | 基于大数据挖掘的变工况下刀具磨损状态预测方法 | |
CN112360411A (zh) | 基于图神经网络的局部井网注水开发优化方法 | |
CN111723949A (zh) | 基于选择性集成学习的孔隙度预测方法 | |
CN117389236A (zh) | 一种环氧丙烷生产过程优化方法及*** | |
CN113297740A (zh) | 一种水平井凝胶调剖参数优化方法 | |
CN115564136A (zh) | 一种地热历史拟合和产能预测方法 | |
CN110400606A (zh) | 一种基于foa-lssvm模型预测高含硫天然气中元素硫溶解度的方法 | |
CN110245398B (zh) | 空气预热器转子热变形量的软测量深度学习方法 | |
CN112049629B (zh) | 一种基于甲型水驱特征曲线的缝洞型油藏采收率预测方法 | |
CN102621953A (zh) | 一种橡胶硬度的在线自动质量监控和预测模型更新的方法 | |
CN108256688B (zh) | 改进萤火虫算法优化grnn的蒸汽驱开发效果预测方法 | |
CN116861224B (zh) | 基于间歇过程软测量建模方法的间歇过程软测量建模*** | |
CN109960146A (zh) | 提高软测量仪表模型预测精度的方法 | |
CN115907236B (zh) | 基于改进决策树的井下复杂情况预测方法 | |
CN111681719A (zh) | 基于fa-lssvm模型预测高含硫气藏中硫溶解度的方法 | |
CN108415372B (zh) | 精密机床热误差补偿方法 | |
CN116579095A (zh) | 一种基于多目标交互的co2回注策略优化评价方法 | |
CN110515354A (zh) | 一种基于智能化技术的复杂曲面数字化闭环精密加工方法 | |
CN111027220B (zh) | 一种提升油田注采匹配程度的方法 | |
CN114169594A (zh) | 一种基于LSTM-LightGBM变权组合模型的瓦斯浓度预测方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |