CN114810008A - 一种油田分层注水量预测方法 - Google Patents

Abstract

本发明属于油气田开发技术领域，具体涉及一种油田分层注水量预测方法。通过建立卷积神经网络预测模型，依据注水井数据以及影响配注量的主要因素，将处理后的样本数据输入到预测模型中，从而预测油田分层注水量，包括以下步骤：搜集注水井和采油井测井的历史数据，油藏储层参数和流体物性数据，对获取的数据进行分析和处理，并对这些数据进行归一化处理，将其分为训练组和测试组，建立卷积神经网络配注量预测模型，将训练组数据放入到模型中进行迭代训练，其中主要影响因素作为输入，注水量作为输出，使用训练过的模型预测油田分层注水量，并计算该方法的精确度。本发明可快速确定合理层段的注水量方案，预测油田分层注水量，提高油田的采收率。

Description

一种油田分层注水量预测方法

技术领域

本发明属于油气田开发技术领域，提出一种基于卷积神经网络(CNN)的油田分层注水量预测方法，适用于提高油田油藏采收率。

背景技术

随着石油资源的不断开采，地层能量被不断消耗，在油田的开采过程中，水驱采油技术作为一种可以稳定油层压力，实现高产稳产的方法被广泛应用。但是由于油田的油藏储层具有非均质性和吸液量不均一的特点，造成油田开采效果较差。为了使油田注水效果最佳，注水量的预测成为油田开采研究中的关键问题之一，准确预测油田生产井每一层段的注水量，可以显著提高油田的开采效率。

目前，油田注水井各层段的注水量的计算方法主要包括注采比法、有效厚度法、吸水剖面系数法以及劈分系数法等，但是由于影响分层吸水量的因素有很多，地层参数之间相互影响且映射关系存在非线性和不确定性，加上一些预测方法存在局限性和难操作性等原因，造成现有的计算方法和计算模型不能准确或高效地预测分层段配水量，从而影响开采效率。

卷积神经网络(CNN)是一类包含卷积计算且具有深度结构的前馈神经网络，是深度学习的代表算法之一，它的结构类似于多层感知器，由于其本身具有的特性，可以使数据在学习过程中不仅可以尽可能高的保持原有特征，使其转化为抽象特征，而且降低了网络的复杂度，提高了预测效率。它能够准确提取连续和非连续数据间特征向量，然后把这些特征向量重新排列作为输入数据，将其应用到油田分层注水量的预测中，可以有效和准确的确定层段注水量。

发明内容

为了克服现有技术存在的缺陷，本发明提出了一种油田分层注水量预测方法，通过建立卷积神经网络预测模型，依据注水井数据以及影响配注量的主要因素，在进行数据处理后确定分层注水的层段注水量，以此来提高油藏的采收率。

一种油田分层注水量预测方法，包括如下步骤：

S1：搜集注水井的数据资料，注水井和采油井测井的历史数据，油藏储层参数和流体物性数据；

S2：对获取的数据进行分析整理，确定影响分层注水层段预测量的主要因素，并对这些数据进行预处理，包括缺失数据的补充和样本数据的归一化处理。当将影响因素同时输入到预测模型中时，由于输入的每个物理量的含义不同，量纲不同，参数的数值差异性可能会比较大，会直接影响预测结果的精确度，因此，为了保证预测模型的结果，在数据输入模型前要进行归一化处理，公式如下：

式中，x_n'为归一化后的数据，x_n为历史数据，x_max和x_min分别为历史数据中的最大值和最小值。

进行归一化之后的数据都在0至1之间，我们的预测结果要得到有量纲的预测数据，所以在输出最终结果前要进行反归一化处理，公式如下：

式中，

为反归一化之后的预测值，x_i为反归一化前的预测值。

S3：将归一化处理过的油田注水井测井数据分为训练组和测试组，其中测试组数据用来进行模型的训练，测试组数据用来进行训练后模型的测试。

S4：建立卷积神经网络配注量预测模型，具体如下：

建立包含卷积核和特征提取层的CNN网络结构，其中x_i＝(x₁，x₂,x₃...x_n)为输入变量，是由有效厚度、渗透率、孔隙度、注入压力等主要影响因素的数据组成的列向量，卷积层中有多个特征映射，根据从输入层获得的数据，通过每一个卷积核在所有数据上的重复滑动得到多组输出数据，同一卷积核对应的权值ω和阈值b相同，将所得的多组数据经过非线性变换输出给池化层。池化层根据事先设定好的范围对数据进行聚合统计来达到降维的效果，并将数据经全连接层输出结果。

当输入信号为x_i＝(i＝1,2,3,...n)时，卷积层的计算公式为：

式中，

是第l层第i个节点的输出；

是第l-1层第j个节点输出；r为卷积核的滑动步长；j的取值范围为i到k表示其为稀疏链接；

为

对应的权值；

为

对应的阈值。

f是sigmoid函数，可以用下列公式表示：

池化层的表达式为：

式中，h(～)表示求平均值函数。

全连接层的表达式为：

y＝f(I^l),I^l＝W^l-1x^l-1+b^l (6)

式中，W^l-1是第l-1层到第l层的权重值；b^l是阈值；y是输出数据。

在第L层中：

z^l＝W^lx^l+b^l (7)

在尾部为全连接层的CNN的情况下，含有P个训练样本的CNN网络，将t时刻的输出误差函数定义为：

式中，Y_p(t)为网络输出期望值，在模型中为实际输入值；y_p(t)为网络输出值，即最后预测的结果。所有训练样本的误差总和就是整个训练集的误差，反向传播过程中第n个样本的损失函数如式所示：

确定好损失函数后，需要定义反向传播过程中的误差，即定义每个神经元的残差值δ，经过链式法则可以得到：

由式z^l＝W^lx^l+b^l可知

所以可得第L层的残差值公式为：δ^l＝(W^l+1)^Tδ^l+1.*f(z^l)在式子中，符号*代表每个元素都进行分别相乘的运算

输出神经元残差值如式所示：

δ^nl＝f(z^l)(yⁿ-tⁿ) (11)

最后通过每个神经元的残差更新整个网络模型的权值和阈值，即如式所示：

S5：在MATLAB软件中创建和训练卷积神经网络模型，用训练组的样本数据进行预测模型的训练，其中模型的输入层为影响注水量的主要影响因素，输出层为分层配注量，训练完成后将测试组样本数据放到模型中预测油田分层注水量，并计算此模型方法的准确性；

进一步地，S2中所述的对样本数据进行归一化处理，使原始样本数据处理后都在0至1之间，有利于模型的训练和测试，提高预测结果的精准度。

进一步地，S4中所述，卷积层会根据从输入层获得的数据，通过卷积核的重复滑动得到多组输出数据，然后数据经过非线性变换输出给池化层；池化层会对数据进行聚合统计来达到降维的效果，并将数据通过全连接层输出结果。

进一步地，S5中所述卷积神经网络模型在MATLA软件中创建和训练，在训练组样本数据进行迭代训练后，输入的测试组数据得出的预测结果与实际结果的误差较小，该模型可以有效提高预测精度和预测速度。

如上所述，本发明提供的一种基于卷积神经网络的油田分层注水量预测方法，具有如下效果：

1、该方法通过搭建卷积神经网络模型，使输入的样本数据在训练过程中不仅可以尽可能高的保持原有特征，使其转化为抽象特征，而且降低了网络的复杂度，提高了预测效率。

2、该方法能够准确提取连续和非连续数据间特征向量，然后把这些特征向量重新排列作为输入数据，将其应用到油田分层注水量的预测中，可以有效和准确的确定层段注水量。

附图说明

图1是本发明方法的预测模型算法流程图；

图2是本发明方法在卷积神经网络模型中的训练迭代过程；

图3是本发明方法在卷积神经网络模型训练中迭代后生成的训练集绘图；

图4是本发明方法在卷积神经网络模型中训练迭代后生成的测试集绘图；

具体实施方式

以下通过特定的具体实例说明本发明的实施方式，本领域技术人员可由本说明书所揭露的内容轻易地了解本发明的其他优点与功效。本发明还可以通过另外不同的具体实施方式加以实施或应用，本说明书中的各项细节也可以基于不同观点与应用，在没有背离本发明的精神下进行各种修饰或改变。需说明的是，在不冲突的情况下，以下实施例及实施例中的特征可以相互组合。

需要说明的是，以下实施例中所提供的图示仅以示意方式说明本发明的基本构想，遂图示中仅显示与本发明中有关的组件而非按照实际实施时的组件数目、形状及尺寸绘制，其实际实施时各组件的型态、数量及比例可为一种随意的改变，且其组件布局型态也可能更为复杂。

S1：搜集注水井的数据资料，注水井和采油井测井的历史数据，油藏储层参数和流体物性数据；

S2：对获取的数据进行分析整理，确定影响分层注水层段预测量的主要因素，并对这些数据进行预处理，包括缺失数据的补充和样本数据的归一化处理。当将影响因素同时输入到预测模型中时，由于输入的每个物理量的含义不同，量纲不同，参数的数值差异性可能会比较大，会直接影响预测结果的精确度，因此，为了保证预测模型的结果，在数据输入模型前要进行归一化处理，公式如下：

式中，x_n'为归一化后的数据，x_n为历史数据，x_max和x_min分别为历史数据中的最大值和最小值。

进行归一化之后的数据都在0至1之间，我们的预测结果要得到有量纲的预测数据，所以在输出最终结果前要进行反归一化处理，公式如下：

式中，

为反归一化之后的预测值，x_i为反归一化前的预测值。

S3：将归一化处理过的油田注水井测井数据分为训练组和测试组，其中测试组数据用来进行模型的训练，测试组数据用来进行训练后模型的测试。

S4：建立卷积神经网络配注量预测模型，具体如下：

建立包含卷积核和特征提取层的CNN网络结构，其中x_i＝(x₁，x₂,x₃...x_n)为输入变量，是由有效厚度、渗透率、孔隙度、注入压力等主要影响因素的数据组成的列向量，卷积层中有多个特征映射，根据从输入层获得的数据，通过每一个卷积核在所有数据上的重复滑动得到多组输出数据，同一卷积核对应的权值ω和阈值b相同，将所得的多组数据经过非线性变换输出给池化层。池化层根据事先设定好的范围对数据进行聚合统计来达到降维的效果，并将数据经全连接层输出结果。

当输入信号为x_i＝(i＝1,2,3,...n)时，卷积层的计算公式为：

式中，

是第l层第i个节点的输出；

是第l-1层第j个节点输出；r为卷积核的滑动步长；j的取值范围为i到k表示其为稀疏链接；

为

对应的权值；

为

对应的阈值。

f是sigmoid函数，可以用下列公式表示：

池化层的表达式为：

式中，h(～)表示求平均值函数。

全连接层的表达式为：

y＝f(I^l),I^l＝W^l-1x^l-1+b^l (18)

式中，W^l-1是第l-1层到第l层的权重值；b^l是阈值；y是输出数据。

在第L层中：

z^l＝W^l+x^l (19)

在尾部为全连接层的CNN的情况下，含有P个训练样本的CNN网络，将t时刻的输出误差函数定义为：

式中，Y_p(t)为网络输出期望值，在模型中为实际输入值；y_p(t)为网络输出值，即最后预测的结果。所有训练样本的误差总和就是整个训练集的误差，反向传播过程中第n个样本的损失函数如式所示：

确定好损失函数后，需要定义反向传播过程中的误差，即定义每个神经元的残差值δ，经过链式法则可以得到：

由式z^l＝W^lx^l+b^l可知

所以可得第L层的残差值公式为：δ^l＝(W^l+1)^Tδ^l+1.*f(z^l)在式子中，符号*代表每个元素都进行分别相乘的运算

输出神经元残差值如式所示：

δ^nl＝f(z^l)(yⁿ-tⁿ) (23)

最后通过每个神经元的残差更新整个网络模型的权值和阈值，即如式所示：

S5：在MATLAB软件中创建和训练卷积神经网络模型，用训练组的样本数据进行预测模型的训练，其中模型的输入层为影响注水量的主要影响因素，输出层为分层配注量，训练完成后将测试组样本数据放到模型中预测油田分层注水量，并计算此模型方法的准确性。

所述一种油田分层注水量预测方法，该方法通过建立卷积神经网络预测模型，并对样本历史数据进行数据处理，将处理过的数据作为模型的输入，在经过训练学习后，将测试集的样本数据输入到预测模型中，进而输出油田分层注水量的预测结果，从而确定分层注水的层段注水量，以此来提高油藏的采收率。

Claims (4)

1.一种油田分层注水量预测方法，其特征在于，包括如下步骤：

S1：搜集注水井的数据资料，注水井和采油井测井的历史数据，油藏储层参数和流体物性数据；

S2：对获取的数据进行分析整理，确定影响分层注水层段预测量的主要因素，并对这些数据进行预处理，包括缺失数据的补充和样本数据的归一化处理。当将影响因素同时输入到预测模型中时，由于输入的每个物理量的含义不同，量纲不同，参数的数值差异性可能会比较大，会直接影响预测结果的精确度，因此，为了保证预测模型的结果，在数据输入模型前要进行归一化处理，公式如下：

式中，x_n'为归一化后的数据，x_n为历史数据，x_max和x_min分别为历史数据中的最大值和最小值。

进行归一化之后的数据都在0至1之间，我们的预测结果要得到有量纲的预测数据，所以在输出最终结果前要进行反归一化处理，公式如下：

式中，

为反归一化之后的预测值，x_i为反归一化前的预测值。

S3：将归一化处理过的油田注水井测井数据分为训练组和测试组，其中测试组数据用来进行模型的训练，测试组数据用来进行训练后模型的测试。

S4：建立卷积神经网络配注量预测模型，具体如下：

建立包含卷积核和特征提取层的CNN网络结构，其中x_i＝(x₁，x₂,x₃...x_n)为输入变量，是由有效厚度、渗透率、孔隙度、注入压力等主要影响因素的数据组成的列向量，卷积层中有多个特征映射，根据从输入层获得的数据，通过每一个卷积核在所有数据上的重复滑动得到多组输出数据，同一卷积核对应的权值ω和阈值b相同，将所得的多组数据经过非线性变换输出给池化层。池化层根据事先设定好的范围对数据进行聚合统计来达到降维的效果，并将数据经全连接层输出结果。

当输入信号为x_i＝(i＝1,2,3,...n)时，卷积层的计算公式为：

式中，

是第l层第i个节点的输出；

是第l-1层第j个节点输出；r为卷积核的滑动步长；j的取值范围为i到k表示其为稀疏链接；

为

对应的权值；

为

对应的阈值。

f是sigmoid函数，可以用下列公式表示：

池化层的表达式为：

式中，h(～)表示求平均值函数。

全连接层的表达式为：

y＝f(I^l),I^l＝W^l-1x^l-1+b^l (6)

式中，W^l-1是第l-1层到第l层的权重值；b^l是阈值；y是输出数据。

在第L层中：

z^l＝W^lx^l+b^l (7)

在尾部为全连接层的CNN的情况下，含有P个训练样本的CNN网络，将t时刻的输出误差函数定义为：

式中，Y_p(t)为网络输出期望值，在模型中为实际输入值；y_p(t)为网络输出值，即最后预测的结果。所有训练样本的误差总和就是整个训练集的误差，反向传播过程中第n个样本的损失函数如式所示：

确定好损失函数后，需要定义反向传播过程中的误差，即定义每个神经元的残差值δ，经过链式法则可以得到：

由式z^l＝W^lx^l+b^l可知

所以可得第L层的残差值公式为：δ^l＝(W^l+1)^Tδ^l+1.*f(z^l)

在式子中，符号.*代表每个元素都进行分别相乘的运算

输出神经元残差值如式所示：

δ^nl＝f(z^l)(yⁿ-tⁿ) (11)

最后通过每个神经元的残差更新整个网络模型的权值和阈值，即如式所示：

S5：用训练组的样本数据进行预测模型的训练，其中模型的输入层为影响注水量的主要影响因素，输出层为分层配注量，训练完成后将测试组样本数据放到模型中预测油田分层注水量，并计算此模型方法的准确性。

2.根据权利要求1所述的一种油田分层注水量预测方法，其特征在于：卷积神经网络是一种具有深度学习能力的前馈神经网络，它不仅可以较好的解决预测精度过低的问题，而且具有相邻两层神经元之间采用稀疏连接且同一层神经元之间共享权值，并在空间内对样本进行池化操作的特性，所以它可以使数据在学习过程中不仅可以尽可能高的保持原有特征，使其转化为抽象特征，而且降低网络的复杂度、提高了预测效率。

3.根据权利要求1所述的一种油田分层注水量预测方法，其特征在于：在CNN的一个卷积层中，通常包含若干个特征平面，同一特征平面的神经元共享一套权值和阈值。共享权值减少了网络自由参数的个数，降低了过拟合的风险。卷积核在全部输入数据上滑动，即可提取数据的一组特征值，每层卷积网络可有多个卷积核，便可学习数据的不同特征，得到多组不同的输出数据，保证对信息的充分利用。

4.根据权利要求1所述的一种油田分层注水量预测方法，其特征在于：在对样本数据进行处理时，需要根据历史数据找出影响注水量的主要因素，在对这些数据进行缺失数据补充和归一化处理后，可以有效解决输入数据间的单位问题和数值差异过大的问题，有效提高了模型的学习速度和稳定性，同时将处理后的数据分为训练组和测试组，其中70％数据组为训练组，30％数据组为测试组，经过训练后的模型的预测精度会更高。

Images