CN114861984A - 用于预测高含co2凝析气藏油环体积的方法及处理器 - Google Patents
用于预测高含co2凝析气藏油环体积的方法及处理器 Download PDFInfo
- Publication number
- CN114861984A CN114861984A CN202210375387.3A CN202210375387A CN114861984A CN 114861984 A CN114861984 A CN 114861984A CN 202210375387 A CN202210375387 A CN 202210375387A CN 114861984 A CN114861984 A CN 114861984A
- Authority
- CN
- China
- Prior art keywords
- volume
- prediction model
- oil ring
- target
- determining
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 89
- 230000006870 function Effects 0.000 claims description 92
- 238000012549 training Methods 0.000 claims description 47
- 238000011156 evaluation Methods 0.000 claims description 39
- 230000015572 biosynthetic process Effects 0.000 claims description 29
- 238000005065 mining Methods 0.000 claims description 16
- 230000008569 process Effects 0.000 abstract description 12
- 239000003921 oil Substances 0.000 description 206
- 238000010586 diagram Methods 0.000 description 21
- 238000012706 support-vector machine Methods 0.000 description 15
- 238000004088 simulation Methods 0.000 description 13
- 238000003860 storage Methods 0.000 description 13
- 238000004590 computer program Methods 0.000 description 11
- 230000000694 effects Effects 0.000 description 6
- 238000012545 processing Methods 0.000 description 6
- 238000010219 correlation analysis Methods 0.000 description 5
- 238000001514 detection method Methods 0.000 description 5
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 3
- 229910052799 carbon Inorganic materials 0.000 description 3
- 230000008859 change Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000004519 manufacturing process Methods 0.000 description 3
- 239000004215 Carbon black (E152) Substances 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000012937 correction Methods 0.000 description 2
- 239000010779 crude oil Substances 0.000 description 2
- 229930195733 hydrocarbon Natural products 0.000 description 2
- 150000002430 hydrocarbons Chemical class 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 1
- 230000035425 carbon utilization Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 238000005553 drilling Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 239000000047 product Substances 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 239000013589 supplement Substances 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
- G06N20/10—Machine learning using kernel methods, e.g. support vector machines [SVM]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/26—Government or public services
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/10—Numerical modelling
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/14—Force analysis or force optimisation, e.g. static or dynamic forces
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/70—Combining sequestration of CO2 and exploitation of hydrocarbons by injecting CO2 or carbonated water in oil wells
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Tourism & Hospitality (AREA)
- Software Systems (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Artificial Intelligence (AREA)
- General Business, Economics & Management (AREA)
- General Engineering & Computer Science (AREA)
- Marketing (AREA)
- Development Economics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Health & Medical Sciences (AREA)
- Educational Administration (AREA)
- General Health & Medical Sciences (AREA)
- Quality & Reliability (AREA)
- Data Mining & Analysis (AREA)
- Entrepreneurship & Innovation (AREA)
- Game Theory and Decision Science (AREA)
- Primary Health Care (AREA)
- Computing Systems (AREA)
- Operations Research (AREA)
- Mathematical Physics (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请实施例提供一种用于预测高含CO2凝析气藏油环体积的方法、装置及处理器。方法包括:建立油环体积预测数据库;确定每个影响参数与对应的油环体积之间的参数关联度;将参数关联度大于预设参数关联度的影响参数确定为主控参数;将主控参数对应的参数值输入至油环的体积预测模型,以得到体积预测模型输出的预测体积;根据预测体积确定出体积预测模型的目标核函数,以得到目标体积预测模型;将待预测的高含CO2凝析气藏的主控参数输入至目标体积预测模型,以得到目标体积预测模型输出的针对油环体积的预测值。通过上述技术方案能提高预测准确性,预测过程简便快捷,大幅度缩减预测时间。
Description
技术领域
本申请涉及数据处理领域,具体地涉及一种用于预测高含CO2凝析气藏油环体积的方法、装置及处理器。
背景技术
凝析气藏能够同时产出凝析气与凝析油而具有较高经济价值。其中,高含CO2凝析气藏具有较好的碳负效应,能够大幅度补充清洁能源,是未来实现零排放的碳捕获、碳利用和碳存储技术的重要组成部分。且,凝析气藏油环体积是凝析气藏评价和开发的重要依据。因此,明确影响凝析气藏油环体积的主要因素对准确预测凝析气藏油环体积的大小具有重要意义。
与常规气藏相比,高含CO2凝析气藏属于海上深水气藏。高含CO2凝析气藏中的CO2可溶解于原油,能够对原油中的某些组分进行萃取。同时,高含CO2凝析气藏在开发过程中会产生反凝析现象。因此,通过大规模钻探难以准确预测高含CO2凝析气藏的油环体积。目前,一般采用常规的理论公式、物理模拟以及数值模拟等方法预测高含CO2凝析气藏的油环体积。但采用这些方法进行预测,过程较为繁琐,需要的时间成本较高,预测的准确性较低。
发明内容
本申请实施例的目的是提供一种用于预测高含CO2凝析气藏油环体积的方法、装置及处理器。
为了实现上述目的,本申请第一方面提供一种用于预测高含CO2凝析气藏油环体积的法,包括:
建立油环体积预测数据库,油环体积预测数据库中包含多个对高含CO2凝析气藏油环体积存在影响的影响参数;
确定每个影响参数与对应的油环体积之间的参数关联度;
将参数关联度大于预设参数关联度的影响参数确定为主控参数;
将主控参数对应的参数值输入至油环的体积预测模型,以得到体积预测模型输出的预测体积;
根据预测体积确定出体积预测模型的目标核函数,以得到目标体积预测模型;
将待预测的高含CO2凝析气藏的主控参数输入至目标体积预测模型,以得到目标体积预测模型输出的针对油环体积的预测值。
在本申请的实施例中,体积预测模型的数量有多个,且每个体积预测模型使用不同的核函数,根据预测体积确定出体积预测模型的目标核函数,以得到目标体积预测模型包括:将主控参数划分为训练集和预测集;针对每个体积预测模型,分别将训练集中的主控参数和预测集中的主控参数输入至体积预测模型;获取体积预测模型根据预测集中的主控参数输出的预测体积;确定每个主控参数的实际体积与对应的预测体积之间的体积误差值;将体积误差值的均值最小的体积预测模型确定为目标体积预测模型,将目标体积预测模型所使用的核函数确定为目标核函数。
在本申请的实施例中,评价指标包括平均相对误差、均方相对误差、平均绝对误差以及可决系数中的至少一者,根据预测体积确定出体积预测模型的目标核函数,以得到目标体积预测模型还包括:根据每个体积误差值确定每个评价指标的指标值;确定每个评价指标的指标值的均值;确定每个体积预测模型包括的全部评价指标的指标总均值,指标总均值是根据每个评价指标的指标值的均值确定的;将最小的指标总均值所对应的体积预测模型确定为目标体积预测模型,将目标体积预测模型所使用的核函数确定为目标核函数。
在本申请的实施例中,将待预测的高含CO2凝析气藏的主控参数输入至目标体积预测模型,以得到目标体积预测模型输出的针对油环体积的预测值之后包括:根据预设的状态方程和主控参数确定针对高含CO2凝析气藏油环的模拟体积;确定模拟体积与实际体积之间的第一误差值以及针对油环体积的预测值和实际体积之间的第二误差值;根据第一误差值和第二误差值确定目标体积预测模型的训练完成度。
在本申请的实施例中,根据第一误差值和第二误差值确定目标体积预测模型的训练完成度包括:在第一误差值大于第二误差值的情况下,确定目标体积预测模型的训练完成度为第一完成度;在第一误差值小于或等于第二误差值,且第二误差值小于或等于预设误差的情况下,确定目标体积预测模型的训练完成度为第二完成度;在第一误差值小于或等于第二误差值,且第二误差值大于预设误差的情况下,确定目标体积预测模型的训练完成度为第三完成度。
在本申请的实施例中,方法还包括:根据目标体积预测模型输出的针对油环体积的预测值确定针对待预测的高含CO2凝析气藏的目标开采方式;将针对待预测的高含CO2凝析气藏的开采方式切换至目标开采方式;其中,目标开采方式包括以下开采方式中的任一种:只开采气藏不开采油藏、先开采油藏后开采气藏、先开采气藏后开采油藏以及同时开采油藏与气藏。
在本申请的实施例中,影响参数包括高含CO2凝析气藏油环的地层参数、汽油比参数以及气体组分参数中的至少一者,其中,地层参数包括地层温度参数和地层压力参数。
本申请第二方面提供一种用于预测高含CO2凝析气藏油环体积的装置,包括:
数据库建立模块,用于建立油环体积预测数据库,油环体积预测数据库中包含多个对高含CO2凝析气藏油环体积存在影响的影响参数;
主控参数确定模块,用于确定每个影响参数与对应的油环体积之间的参数关联度,将参数关联度大于预设参数关联度的影响参数确定为主控参数;
预测模型确定模块,用于将主控参数对应的参数值输入至油环的体积预测模型,以得到体积预测模型输出的预测体积,根据预测体积确定出体积预测模型的目标核函数,以得到目标体积预测模型;
油环体积预测模块,用于将待预测的高含CO2凝析气藏的主控参数输入至目标体积预测模型,以得到目标体积预测模型输出的针对油环体积的预测值。
在本申请的实施例中,装置还包括:开采类型确定模块,用于根据目标体积预测模型输出的针对油环体积的预测值确定针对待预测的高含CO2凝析气藏的目标开采方式,将针对待预测的高含CO2凝析气藏的开采方式切换至目标开采方式。
本申请第三方面提供一种处理器,被配置成执行上述的用于预测高含CO2凝析气藏油环体积的方法。
通过上述技术方案,将影响高含CO2凝析气藏油环体积的主控参数输入体积预测模型以对体积预测模型进行训练,并通过确定目标核函数以得到与其对应的目标体积预测模型,通过目标体积预测模型对待预测高含CO2凝析气藏油环体积进行预测,能够提高油环体积的预测准确性。且,预测过程简便快捷,能够大幅度缩减油环体积的预测时间。
本申请实施例的其它特征和优点将在随后的具体实施方式部分予以详细说明。
附图说明
附图是用来提供对本申请实施例的进一步理解,并且构成说明书的一部分,与下面的具体实施方式一起用于解释本申请实施例,但并不构成对本申请实施例的限制。在附图中:
图1示意性示出了根据本申请实施例的用于预测高含CO2凝析气藏油环体积的方法的流程示意图;
图2示意性示出了根据本申请实施例的用于预测高含CO2凝析气藏油环体积的方法的参数关联度的示意图;
图3示意性示出了根据本申请实施例的用于预测高含CO2凝析气藏油环体积的方法的使用线性SVM的体积预测模型的预测结果示意图;
图4示意性示出了根据本申请实施例的用于预测高含CO2凝析气藏油环体积的方法的使用二次SVM的体积预测模型的预测结果示意图;
图5示意性示出了根据本申请实施例的用于预测高含CO2凝析气藏油环体积的方法的使用三次SVM的体积预测模型的预测结果示意图;
图6示意性示出了根据本申请实施例的用于预测高含CO2凝析气藏油环体积的方法的使用高斯SVM的体积预测模型的预测结果示意图;
图7示意性示出了根据本申请一实施例的用于预测高含CO2凝析气藏油环体积的装置的结构框图;
图8示意性示出了根据本申请另一实施例的用于预测高含CO2凝析气藏油环体积的装置的结构框图;
图9示意性示出了根据本申请实施例的计算机设备的内部结构图。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚,下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,应当理解的是,此处所描述的具体实施方式仅用于说明和解释本申请实施例,并不用于限制本申请实施例。基于本申请中的实施例,本领域普通技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例,都属于本申请保护的范围。
图1示意性示出了根据本申请实施例的用于预测高含CO2凝析气藏油环体积的方法的流程示意图。如图1所示,在本申请一实施例中,提供了一种用于预测高含CO2凝析气藏油环体积的方法,包括以下步骤:
步骤101,建立油环体积预测数据库,油环体积预测数据库中包含多个对高含CO2凝析气藏油环体积存在影响的影响参数。
步骤102,确定每个影响参数与对应的油环体积之间的参数关联度。
步骤103,将参数关联度大于预设参数关联度的影响参数确定为主控参数。
步骤104,将主控参数对应的参数值输入至油环的体积预测模型,以得到体积预测模型输出的预测体积。
步骤105,根据预测体积确定出体积预测模型的目标核函数,以得到目标体积预测模型。
步骤106,将待预测的高含CO2凝析气藏的主控参数输入至目标体积预测模型,以得到目标体积预测模型输出的针对油环体积的预测值。
高含CO2凝析气藏是一类特殊的油气藏类型。对高含CO2凝析气藏油环体积存在影响的影响参数可以包括地层参数、汽油比参数以及气体组分参数等。其中,地层参数可以包括温度T和压力P等。气体组分参数可以指包括CO2、N2、CH4、IC4、NC4、IC5、NC5、C6、C7~C13以及C14+等。
通过多个对高含CO2凝析气藏油环体积存在影响的影响参数,处理器可以建立油环体积预测数据库。建立的油环体积预测数据库可以如表1所示。油环体积预测数据库中的每个影响参数都可以包含与其对应的参数值。每个参数值都可以包含与影响参数对应的单位。
表1油环体积预测数据库
在建立油环体积预测数据库后,处理器可以确定每个影响参数与对应的油环体积之间的参数关联度。其中,与每个影响参数对应的油环体积可以通过数值模拟的方式确定。与每个影响参数对应的油环体积可以指的是高含CO2凝析气藏油环的模拟体积。
其中,数值模拟可以以PVTsim软件为载体,通过模拟状态方程预测高含CO2凝析气藏的油环体积。模拟状态方程可以指的是PR-P状态方程。PR-P状态方程可以表示为:其中,p指的是平衡压力,R指的是气体通用常数,气体通用常数可以是0.008314MPa·m3/(kmol·K),T指的是温度,V指的是体积比容,a(T)指的是温度函数;b和c指的是修正系数。
如表2所示,采用不同的状态方程进行数值模拟可以得到与状态方程对应的模拟体积。在相同主控参数下,通过PR-P状态方程确定的模拟体积和通过物理模拟确定的实际体积之间的平均误差值较小。即,通过PR-P状态方程确定的模拟体积与实际体积最为接近。因此,在确定参数关联度时,可以以通过数值模拟方式得到的模拟体积作为灰色关联分析的主序列。其中,平均误差值=(实际体积—模拟体积)/实际体积。
表2模拟体积与实际体积之间的平均误差值
处理器可以通过灰色关联分析法确定每个影响参数与对应的油环体积之间的参数关联度。灰色关联分析法是一种根据影响参数之间的相似度或者差异程度来衡量影响参数之间的关联程度的方法。通过将油环体积作为灰色关联的主序列,将多个对高含CO2凝析气藏油环体积存在影响的影响参数按照顺序进行排列,以分析出关联分析的主序列与多个影响参数之间的关系。
若以与每个影响参数对应的油环体积为灰色关联的主序列,则可以确定与每个影响参数对应的油环体积之间的参数关联度的大小。如图2所示,气顶组分可以指的是气体组分参数。地层条件可以指的是地层参数。油气转换可以指的是油气比参数。其中,气体组分参数中的CO2、C1(CH4)以及C14+,地层参数中的T和P以及油气比参数中的GOR与其对应的油环体积之间的参数关联度较大。
在确定每个影响参数与对应的油环体积之间的参数关联度的情况下,处理器可以将参数关联度大于预设参数关联度的影响参数确定为主控参数。其中,预设参数关联度可以是0.6。例如,如图2所示,主控参数可以是气体组分参数中的CO2、C14+和C1(CH4),地层参数中的T和P以及油气比参数中的GOR。
为了能够更加准确地确定影响高含CO2凝析气藏油环体积的主控参数,还可以综合考虑每个影响参数对应的参数值。其中,每个影响参数对应的参数值可以指的是每个影响参数在高含CO2凝析气藏中对应的含量。例如,如图2所示,气体组分参数C14+的参数值较小,即其在高含CO2凝析气藏中的含量较小,因此,可以将气体组分参数中的CO2和C1(CH4),地层参数中的T和P以及油气比参数中的GOR作为影响高含CO2凝析气藏油环体积的主控参数。
油环的体积预测模型可以指的是支持向量机。处理器可以将主控参数对应的参数值输入至油环的体积预测模型,以得到体积预测模型输出的预测体积。预测体积可以指的是体积预测模型输出的预测预测结果。然后,处理器可以根据预测体积确定出体积预测模型的目标核函数,以得到目标体积预测模型。在确定目标体积预测模型的情况下,处理器可以将待预测的高含CO2凝析气藏的主控参数输入至目标体积预测模型,以得到目标体积预测模型输出的针对油环体积的预测值。针对油环体积的预测值可以指的是目标体积预测模型输出的预测结果。
通过上述技术方案,将影响高含CO2凝析气藏油环体积的主控参数输入体积预测模型以对体积预测模型进行训练,并通过确定目标核函数以得到与其对应的目标体积预测模型,通过目标体积预测模型对待预测高含CO2凝析气藏油环体积进行预测,能够提高油环体积的预测准确性。且,预测过程简便快捷,能够大幅度缩减油环体积的预测时间。
在一个实施例中,体积预测模型的数量有多个,且每个体积预测模型使用不同的核函数,根据预测体积确定出体积预测模型的目标核函数,以得到目标体积预测模型包括:将主控参数划分为训练集和预测集;针对每个体积预测模型,分别将训练集中的主控参数和预测集中的主控参数输入至体积预测模型;获取体积预测模型根据预测集中的主控参数输出的预测体积;确定每个主控参数的实际体积与对应的预测体积之间的体积误差值;将体积误差值的均值最小的体积预测模型确定为目标体积预测模型,将目标体积预测模型所使用的核函数确定为目标核函数。
体积预测模型的数量可以包括多个。每个体积预测模型可以使用不同的核函数。其中,核函数可以指的是线性核函数、二次核函数、三次核函数以及高斯核函数等。为了对体积预测模型进行训练,处理器可以将主控参数划分为训练集和预测集。针对每个体积预测预测模型,处理器可以分别将训练集中的主控参数输入至体积预测模型,以对体积预测模型进行训练。处理器可以将预测集中的主控参数输入至体积预测模型,以通过训练后的体积预测模型确定与预测集中的主控参数对应的预测体积。
处理器可以获取体积预测模型根据预测集中的主控参数输出的预测体积。然后,处理器可以确定每个主控参数的实际体积与对应的预测体积之间的体积误差值。其中,每个主控参数的实际体积可以通过物理模拟的方式确定。具体地,可以通过将CO2充注到CO2充注实验装置中,以观测CO2在充注过程中高含CO2凝析气藏的油-气相变化以及高含CO2凝析气藏的油环体积的变化,从而通过高精度测量仪准确测量出高含CO2凝析气藏油环的实际体积。对应的预测体积指的是在相同主控参数下,通过体积预测模型输出的预测体积。
在确定每个主控参数的实际体积与预测体积之后,处理器可以确定每个主控参数的实际体积与对应的预测体积之间的体积误差值。然后,处理器可以求取所有主控参数的体积误差值的均值。处理器可以确定最小的体积误差值的均值,并将体积误差值的均值最小的体积预测模型确定为目标体积预测模型。处理器可以将目标体积预测模型所对应的核函数确定为目标核函数。
如图3-6所示,为使用不同核函数的体积预测模型的预测结果。其中,体积预测模型使用的核函数可以指包括线性SVM(线性核函数)、二次SVM(二次核函数)、三次SVM(三次核函数)以及高斯SVM(高斯核函数)。预测油环体积可以指的是针对不同核函数的体积预测模型所输出的预测体积。实际油环体积可以指的是通过物理模拟方式得到的实际体积。
图3-6中的预测油环体积和实际油环体积之间的体积误差值可以通过45°线直观看出。每个主控参数可以包括预测油环体积和实际油环体积。每个主控参数对应的预测油环体积和实际油环体积可以通过数据点进行表示。若预测油环体积和实际油环体积之间的体积误差值越小,其所对应的数据点越靠近45°线。因此,通过数据点的分布可以判断出体积预测模型的预测准确度。如图3-6所示,使用三次SVM(三次核函数)的体积预测模型的预测准确度较高。
在一个实施例中,评价指标包括平均相对误差、均方相对误差、平均绝对误差以及可决系数中的至少一者,根据预测体积确定出体积预测模型的目标核函数,以得到目标体积预测模型还包括:根据每个体积误差值确定每个评价指标的指标值;确定每个评价指标的指标值的均值;确定每个体积预测模型包括的全部评价指标的指标总均值,指标总均值是根据每个评价指标的指标值的均值确定的;将最小的指标总均值所对应的体积预测模型确定为目标体积预测模型,将目标体积预测模型所使用的核函数确定为目标核函数。
在确定每个主控参数的实际体积与对应的预测体积之间的体积误差值的情况下,处理器可以根据每个体积误差值确定每个评价指标的指标值。其中,评价指标可以包括平均相对误差、均方相对误差、平均绝对误差以及可决系数中的至少一者。然后,处理器可以确定出每个评价指标的指标值的均值。
以评价指标为均方相对误差为例,评价指标的指标值的均值计算公式可以为其中,MSE可以指的是在评价指标为均方相对误差时的指标值的均值。可以指的是体积误差值,可以指的是指标值,n可以指的是体积误差值的数量。因此,根据每个体积误差值可以确定出与每个评价指标的指标值,并根据多个指标值可以确定对应的指标值的均值。
处理器可以确定每个体积预测模型包括的全部评价指标的指标总均值。其中,指标总均值可以根据每个评价指标的指标值的均值确定。处理器可以将最小的指标总均值所对应的体积预测模型确定为目标体积预测模型,并将目标体积预测模型所使用的核函数确定为目标核函数。
若体积预测模型使用的核函数包括线性SVM(线性核函数)、二次SVM(二次核函数)、三次SVM(三次核函数)以及高斯SVM(高斯核函数),则使用不同核函数的体积预测模型所对应的全部评价指标的指标总均值如表3所示。其中,MRE与指的是在评价指标为平均相对误差时的指标值的均值,MSE可以指的是在评价指标为均方误差时的指标值的均值,R-Squared可以指的是在评价指标为可决系数时的指标值的均值,MAE可以指的是在评价指标为平均绝对误差时的指标值的均值。在表3中,采用三次核函数的体积预测模型所对应的指标总均值最小,因此,可以将三次核函数确定为目标核函数,可以将采用三次核函数的体积预测模型作为目标体积预测模型。
表3使用不同核函数的体积预测模型的指标总均值
核函数 | MRE | MSE | R-Squared | MAE | 指标总均值 |
线性核函数 | 1.018 | 0.280 | 1.036 | 1.005 | 0.835 |
二次核函数 | 1.093 | 0.350 | 1.195 | 1.093 | 0.933 |
三次核函数 | 0.775 | 0.320 | 0.601 | 0.638 | 0.584 |
高斯核函数 | 1.100 | 0.370 | 1.209 | 1.100 | 0.945 |
在一个实施例中,将待预测的高含CO2凝析气藏的主控参数输入至目标体积预测模型,以得到目标体积预测模型输出的针对油环体积的预测值之后包括:根据预设的状态方程和主控参数确定针对高含CO2凝析气藏油环的模拟体积;确定模拟体积与实际体积之间的第一误差值以及针对油环体积的预测值和实际体积之间的第二误差值;根据第一误差值和第二误差值确定目标体积预测模型的训练完成度。
处理器可以根据预设的状态方程和主控参数确定针对高含CO2凝析气藏油环的模拟体积。其中,预设的状态方程可以指的是PR-P状态方程。PR-P状态方程可以表示为:其中,p指的是平衡压力,R指的是气体通用常数,气体通用常数可以是0.008314MPa·m3/(kmol·K),T指的是温度,V指的是体积比容,a(T)指的是温度函数;b和c指的是修正系数。
处理器可以确定模拟体积与实际体积之间的第一误差值以及针对油环体积的预测值和实际体积之间的第二误差值。其中,针对油环体积的预测值可以指的是通过目标体积检测模型输出的预测结果。实际体积可以通过物理模拟的方式确定。在确定第一误差值和第二误差值的情况下,处理器可以根据第一误差值和第二误差值确定目标体积预测模型的训练完成度。其中,训练完成度可以指的是目标体积预测模型的训练效果。
在一个实施例中,根据第一误差值和第二误差值确定目标体积预测模型的训练完成度包括:在第一误差值大于第二误差值的情况下,确定目标体积预测模型的训练完成度为第一完成度;在第一误差值小于或等于第二误差值,且第二误差值小于或等于预设误差的情况下,确定目标体积预测模型的训练完成度为第二完成度;在第一误差值小于或等于第二误差值,且第二误差值大于预设误差的情况下,确定目标体积预测模型的训练完成度为第三完成度。
若第一误差值大于第二误差值,则可以表示通过目标体积检测模型输出的针对油环体积的预测值与实际体积之间的误差较小,目标检测模型的训练效果较好。此时,处理器可以确定目标体积预测模型的训练完成度为第一完成度。即,第一完成度可以指的是针对油环体积的预测值与实际体积之间的误差较小时所对应的目标体积预测模型的训练效果。
若第一误差值小于或等于第二误差值,而第二误差值小于或等于预设误差,则可以表示通过目标体积检测模型输出的针对油环体积的预测值与实际体积之间的误差较大,但针对油环体积的预测值能够满足工程需要。此时,处理器可以确定目标体积预测模型的训练完成度为第二完成度。即,第二完成度可以指的是针对油环体积的预测值与实际体积误差大,但针对油环体积的预测值能够满足工程需要时所对应的目标体积预测模型的训练效果。其中,预设误差可以是10%。
若第一误差值小于或等于第二误差值,且第二误差值大于预设误差的情况下,则可以表示通过目标体积检测模型输出的针对油环体积的预测值与实际体积之间的误差较大,且针对油环体积的预测值可能无法满足工程需要。此时,处理器可以确定目标体积预测模型的训练完成度为第三完成度。即,第三完成度可以指的是第一误差值小于或等于第二误差值,且针对油环体积的预测值可能无法满足工程需要时所对应的目标体积预测模型的训练效果。其中,预设误差可以是10%。
如表4所示,为通过目标体积预测模型对A、B以及C三地的高含CO2凝析气藏的油环体积进行预测得到的针对油环体积的预测值,以及通过物理模拟方式确定的实际体积。针对油环体积的预测值与实际体积之间的误差分别为8.52%、5.95%、8.75%,均小于10%。因此,目标体积预测模型能够满足工程需要。
表4高含CO2凝析气藏的油环体积预测结果
在一个实施例中,方法还包括:根据目标体积预测模型输出的针对油环体积的预测值确定针对待预测的高含CO2凝析气藏的目标开采方式;将针对待预测的高含CO2凝析气藏的开采方式切换至目标开采方式;其中,目标开采方式包括以下开采方式中的任一种:只开采气藏不开采油藏、先开采油藏后开采气藏、先开采气藏后开采油藏以及同时开采油藏与气藏。
根据不同的高含CO2凝析气藏的油环体积可以预先设置对应的目标开采方式。其中,目标开采方式可以包括只开采气藏不开采油藏、先开采油藏后开采气藏、先开采气藏后开采油藏以及同时开采油藏与气藏中的任意一种。在确定目标体积预测模型输出的针对油环体积的预测值之后,处理器可以根据针对油环体积的预测值确定针对待预测的高含CO2凝析气藏的目标开采方式。然后,处理器可以将针对待预测的高含CO2凝析气藏的开采方式切换至目标开采方式。
在一个实施例中,在根据目标开采方式对待预测的高含CO2凝析气藏进行开采的过程中,若对待预测的高含CO2凝析气藏存在主要影响的汽油比参数存在异常,则可以通过报警器或者显示设备发出异常开采报警提示,以使开采人员根据提示内容调整开采方式。其中,报警器可以使声光报警器。显示设备可以显示界面弹窗、警报短信以及警报邮件等。
在一个实施例中,影响参数包括高含CO2凝析气藏油环的地层参数、汽油比参数以及气体组分参数中的至少一者,其中,地层参数包括地层温度参数和地层压力参数。
其中,地层参数可以包括温度T和压力P等。气体组分参数可以指包括CO2、N2、CH4、IC4、NC4、IC5、NC5、C6、C7~C13以及C14+等。通过多个影响高含CO2凝析气藏油环体积的影响参数,处理器可以建立油环体积预测数据库。
通过上述技术方案,将影响高含CO2凝析气藏油环体积的主控参数输入体积预测模型以对体积预测模型进行训练,并通过确定目标核函数以得到与其对应的目标体积预测模型,通过目标体积预测模型对待预测高含CO2凝析气藏油环体积进行预测,能够提高油环体积的预测准确性。且,预测过程简便快捷,能够大幅度缩减油环体积的预测时间。
图1为一个实施例中用于预测高含CO2凝析气藏油环体积的方法的流程示意图。应该理解的是,虽然图1的流程图中的各个步骤按照箭头的指示依次显示,但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明,这些步骤的执行并没有严格的顺序限制,这些步骤可以以其它的顺序执行。而且,图1中的至少一部分步骤可以包括多个子步骤或者多个阶段,这些子步骤或者阶段并不必然是在同一时刻执行完成,而是可以在不同的时刻执行,这些子步骤或者阶段的执行顺序也不必然是依次进行,而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
在一个实施例中,如图7所示,提供了一种用于预测高含CO2凝析气藏油环体积的装置,包括数据库建立模块、主控参数确定模块、预测模型确定模块以及油环体积预测模块,其中:
数据库建立模块701,用于建立油环体积预测数据库,油环体积预测数据库中包含多个对高含CO2凝析气藏油环体积存在影响的影响参数。
主控参数确定模块702,用于确定每个影响参数与对应的油环体积之间的参数关联度,将参数关联度大于预设参数关联度的影响参数确定为主控参数。
预测模型确定模块703,用于将主控参数对应的参数值输入至油环的体积预测模型,以得到体积预测模型输出的预测体积,根据预测体积确定出体积预测模型的目标核函数,以得到目标体积预测模型。
油环体积预测模块704,用于将待预测的高含CO2凝析气藏的主控参数输入至目标体积预测模型,以得到目标体积预测模型输出的针对油环体积的预测值。
影响高含CO2凝析气藏油环体积的影响参数可以包括地层参数、汽油比参数以及气体组分参数等。其中,地层参数可以包括温度T和压力P等。气体组分参数可以指包括CO2、N2、CH4、IC4、NC4、IC5、NC5、C6、C7~C13以及C14+等。通过多个影响高含CO2凝析气藏油环体积的影响参数,数据库建立模块701可以建立油环体积预测数据库。
在建立油环体积预测数据库后,主控参数确定模块702可以确定每个影响参数与对应的油环体积之间的参数关联度。其中,与每个影响参数对应的油环体积可以通过数值模拟的方式确定。与每个影响参数对应的油环体积可以指的是高含CO2凝析气藏油环的模拟体积。主控参数确定模块702可以通过灰色关联分析法确定每个影响参数与对应的油环体积之间的参数关联度。在确定与每个影响参数对应的油环体积之间的参数关联度之后,主控参数确定模块702可以将参数关联度大于预设参数关联度的影响参数确定为主控参数。
预测模型确定模块703可以将主控参数对应的参数值输入至油环的体积预测模型,以得到体积预测模型输出的预测体积。预测体积可以指的是体积预测模型输出的预测预测结果。然后,预测模型确定模块703可以根据预测体积确定出体积预测模型的目标核函数,以得到目标体积预测模型。
在确定目标体积预测模型的情况下,油环体积预测模块704可以将待预测的高含CO2凝析气藏的主控参数输入至目标体积预测模型,以得到目标体积预测模型输出的针对油环体积的预测值。针对油环体积的预测值可以指的是目标体积预测模型输出的预测结果。
在一个实施例中,如图8所示,用于预测高含CO2凝析气藏油环体积的装置还包括开采类型确定模块705,用于根据目标体积预测模型输出的针对油环体积的预测值确定针对待预测的高含CO2凝析气藏的目标开采方式,将针对待预测的高含CO2凝析气藏的开采方式切换至目标开采方式。
开采类型确定模块705可以根据目标体积预测模型输出的针对油环体积的预测值确定针对待预测的高含CO2凝析气藏的目标开采方式,将针对待预测的高含CO2凝析气藏的开采方式切换至目标开采方式。根据不同的高含CO2凝析气藏的油环体积可以预先设置对应的目标开采方式。其中,目标开采方式可以包括只开采气藏不开采油藏、先开采油藏后开采气藏、先开采气藏后开采油藏以及同时开采油藏与气藏中的任意一种。
通过上述技术方案,能够提高油环体积的预测准确性。且,预测过程简便快捷,能够大幅度缩减油环体积的预测时间。
用于预测高含CO2凝析气藏油环体积的装置包括处理器和存储器,上述数据库建立模块、主控参数确定模块、预测模型确定模块、油环体积预测模块和开采类型确定模块等均作为程序单元存储在存储器中,由处理器执行存储在存储器中的上述程序模块中实现相应的功能。
处理器中包含内核,由内核去存储器中调取相应的程序单元。内核可以设置一个或以上,通过调整内核参数来实现对用于预测高含CO2凝析气藏油环体积的方法。
存储器可能包括计算机可读介质中的非永久性存储器,随机存取存储器(RAM)和/或非易失性内存等形式,如只读存储器(ROM)或闪存(flash RAM),存储器包括至少一个存储芯片。
本申请实施例提供了一种存储介质,其上存储有程序,该程序被处理器执行时实现上述用于预测高含CO2凝析气藏油环体积的方法。
本申请实施例提供了一种处理器,处理器用于运行程序,其中,程序运行时执行上述用于预测高含CO2凝析气藏油环体积的方法。
在一个实施例中,提供了一种计算机设备,该计算机设备可以是服务器,其内部结构图可以如图9所示。该计算机设备包括通过***总线连接的处理器A01、网络接口A02、存储器(图中未示出)和数据库(图中未示出)。其中,该计算机设备的处理器A01用于提供计算和控制能力。该计算机设备的存储器包括内存储器A03和非易失性存储介质A04。该非易失性存储介质A04存储有操作***B01、计算机程序B02和数据库(图中未示出)。该内存储器A03为非易失性存储介质A04中的操作***B01和计算机程序B02的运行提供环境。该计算机设备的数据库用于存储影响参数等数据。该计算机设备的网络接口A02用于与外部的终端通过网络连接通信。该计算机程序B02被处理器A01执行时以实现一种用于预测高含CO2凝析气藏油环体积的方法。
本领域技术人员可以理解,图9中示出的结构,仅仅是与本申请方案相关的部分结构的框图,并不构成对本申请方案所应用于其上的计算机设备的限定,具体的计算机设备可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
本申请实施例提供了一种设备,设备包括处理器、存储器及存储在存储器上并可在处理器上运行的程序,处理器执行程序时实现以下步骤:建立油环体积预测数据库,油环体积预测数据库中包含多个对高含CO2凝析气藏油环体积存在影响的影响参数;确定每个影响参数与对应的油环体积之间的参数关联度;将参数关联度大于预设参数关联度的影响参数确定为主控参数;将主控参数对应的参数值输入至油环的体积预测模型,以得到体积预测模型输出的预测体积;根据预测体积确定出体积预测模型的目标核函数,以得到目标体积预测模型;将待预测的高含CO2凝析气藏的主控参数输入至目标体积预测模型,以得到目标体积预测模型输出的针对油环体积的预测值。
在一个实施例中,体积预测模型的数量有多个,且每个体积预测模型使用不同的核函数,根据预测体积确定出体积预测模型的目标核函数,以得到目标体积预测模型包括:将主控参数划分为训练集和预测集;针对每个体积预测模型,分别将训练集中的主控参数和预测集中的主控参数输入至体积预测模型;获取体积预测模型根据预测集中的主控参数输出的预测体积;确定每个主控参数的实际体积与对应的预测体积之间的体积误差值;将体积误差值的均值最小的体积预测模型确定为目标体积预测模型,将目标体积预测模型所使用的核函数确定为目标核函数。
在一个实施例中,评价指标包括平均相对误差、均方相对误差、平均绝对误差以及可决系数中的至少一者,根据预测体积确定出体积预测模型的目标核函数,以得到目标体积预测模型还包括:根据每个体积误差值确定每个评价指标的指标值;确定每个评价指标的指标值的均值;确定每个体积预测模型包括的全部评价指标的指标总均值,指标总均值是根据每个评价指标的指标值的均值确定的;将最小的指标总均值所对应的体积预测模型确定为目标体积预测模型,将目标体积预测模型所使用的核函数确定为目标核函数。
在一个实施例中,将待预测的高含CO2凝析气藏的主控参数输入至目标体积预测模型,以得到目标体积预测模型输出的针对油环体积的预测值之后包括:根据预设的状态方程和主控参数确定针对高含CO2凝析气藏油环的模拟体积;确定模拟体积与实际体积之间的第一误差值以及针对油环体积的预测值和实际体积之间的第二误差值;根据第一误差值和第二误差值确定目标体积预测模型的训练完成度。
在一个实施例中,根据第一误差值和第二误差值确定目标体积预测模型的训练完成度包括:在第一误差值大于第二误差值的情况下,确定目标体积预测模型的训练完成度为第一完成度;在第一误差值小于或等于第二误差值,且第二误差值小于或等于预设误差的情况下,确定目标体积预测模型的训练完成度为第二完成度;在第一误差值小于或等于第二误差值,且第二误差值大于预设误差的情况下,确定目标体积预测模型的训练完成度为第三完成度。
在一个实施例中,方法还包括:根据目标体积预测模型输出的针对油环体积的预测值确定针对待预测的高含CO2凝析气藏的目标开采方式;将针对待预测的高含CO2凝析气藏的开采方式切换至目标开采方式;其中,目标开采方式包括以下开采方式中的任一种:只开采气藏不开采油藏、先开采油藏后开采气藏、先开采气藏后开采油藏以及同时开采油藏与气藏。
在一个实施例中,影响参数包括高含CO2凝析气藏油环的地层参数、汽油比参数以及气体组分参数中的至少一者,其中,地层参数包括地层温度参数和地层压力参数。
本申请还提供了一种计算机程序产品,当在数据处理设备上执行时,适于执行初始化有如下方法步骤的程序:建立油环体积预测数据库,油环体积预测数据库中包含多个对高含CO2凝析气藏油环体积存在影响的影响参数;确定每个影响参数与对应的油环体积之间的参数关联度;将参数关联度大于预设参数关联度的影响参数确定为主控参数;将主控参数对应的参数值输入至油环的体积预测模型,以得到体积预测模型输出的预测体积;根据预测体积确定出体积预测模型的目标核函数,以得到目标体积预测模型;将待预测的高含CO2凝析气藏的主控参数输入至目标体积预测模型,以得到目标体积预测模型输出的针对油环体积的预测值。
在一个实施例中,体积预测模型的数量有多个,且每个体积预测模型使用不同的核函数,根据预测体积确定出体积预测模型的目标核函数,以得到目标体积预测模型包括:将主控参数划分为训练集和预测集;针对每个体积预测模型,分别将训练集中的主控参数和预测集中的主控参数输入至体积预测模型;获取体积预测模型根据预测集中的主控参数输出的预测体积;确定每个主控参数的实际体积与对应的预测体积之间的体积误差值;将体积误差值的均值最小的体积预测模型确定为目标体积预测模型,将目标体积预测模型所使用的核函数确定为目标核函数。
在一个实施例中,评价指标包括平均相对误差、均方相对误差、平均绝对误差以及可决系数中的至少一者,根据预测体积确定出体积预测模型的目标核函数,以得到目标体积预测模型还包括:根据每个体积误差值确定每个评价指标的指标值;确定每个评价指标的指标值的均值;确定每个体积预测模型包括的全部评价指标的指标总均值,指标总均值是根据每个评价指标的指标值的均值确定的;将最小的指标总均值所对应的体积预测模型确定为目标体积预测模型,将目标体积预测模型所使用的核函数确定为目标核函数。
在一个实施例中,将待预测的高含CO2凝析气藏的主控参数输入至目标体积预测模型,以得到目标体积预测模型输出的针对油环体积的预测值之后包括:根据预设的状态方程和主控参数确定针对高含CO2凝析气藏油环的模拟体积;确定模拟体积与实际体积之间的第一误差值以及针对油环体积的预测值和实际体积之间的第二误差值;根据第一误差值和第二误差值确定目标体积预测模型的训练完成度。
在一个实施例中,根据第一误差值和第二误差值确定目标体积预测模型的训练完成度包括:在第一误差值大于第二误差值的情况下,确定目标体积预测模型的训练完成度为第一完成度;在第一误差值小于或等于第二误差值,且第二误差值小于或等于预设误差的情况下,确定目标体积预测模型的训练完成度为第二完成度;在第一误差值小于或等于第二误差值,且第二误差值大于预设误差的情况下,确定目标体积预测模型的训练完成度为第三完成度。
在一个实施例中,方法还包括:根据目标体积预测模型输出的针对油环体积的预测值确定针对待预测的高含CO2凝析气藏的目标开采方式;将针对待预测的高含CO2凝析气藏的开采方式切换至目标开采方式;其中,目标开采方式包括以下开采方式中的任一种:只开采气藏不开采油藏、先开采油藏后开采气藏、先开采气藏后开采油藏以及同时开采油藏与气藏。
在一个实施例中,影响参数包括高含CO2凝析气藏油环的地层参数、汽油比参数以及气体组分参数中的至少一者,其中,地层参数包括地层温度参数和地层压力参数。
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、***、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(***)、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。
在一个典型的配置中,计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。
存储器可能包括计算机可读介质中的非永久性存储器,随机存取存储器(RAM)和/或非易失性内存等形式,如只读存储器(ROM)或闪存(flash RAM)。存储器是计算机可读介质的示例。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括,但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带,磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质,可用于存储可以被计算设备访问的信息。按照本文中的界定,计算机可读介质不包括暂存电脑可读媒体(transitory media),如调制的数据信号和载波。
还需要说明的是,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括要素的过程、方法、商品或者设备中还存在另外的相同要素。
以上仅为本申请的实施例而已,并不用于限制本申请。对于本领域技术人员来说,本申请可以有各种更改和变化。凡在本申请的精神和原理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权利要求范围之内。
Claims (10)
1.一种用于预测高含CO2凝析气藏油环体积的方法,其特征在于,所述方法包括:
建立油环体积预测数据库,所述油环体积预测数据库中包含多个对高含CO2凝析气藏油环体积存在影响的影响参数;
确定每个影响参数与对应的油环体积之间的参数关联度;
将所述参数关联度大于预设参数关联度的影响参数确定为主控参数;
将所述主控参数对应的参数值输入至油环的体积预测模型,以得到所述体积预测模型输出的预测体积;
根据所述预测体积确定出所述体积预测模型的目标核函数,以得到目标体积预测模型;
将待预测的高含CO2凝析气藏的主控参数输入至所述目标体积预测模型,以得到所述目标体积预测模型输出的针对油环体积的预测值。
2.根据权利要求1所述的用于预测高含CO2凝析气藏油环体积的方法,其特征在于,所述体积预测模型的数量有多个,且每个体积预测模型使用不同的核函数,所述根据所述预测体积确定出所述体积预测模型的目标核函数,以得到目标体积预测模型包括:
将所述主控参数划分为训练集和预测集;
针对每个体积预测模型,分别将所述训练集中的主控参数和所述预测集中的主控参数输入至所述体积预测模型;
获取所述体积预测模型根据所述预测集中的主控参数输出的预测体积;
确定每个主控参数的实际体积与对应的预测体积之间的体积误差值;
将所述体积误差值的均值最小的体积预测模型确定为目标体积预测模型,将所述目标体积预测模型所使用的核函数确定为目标核函数。
3.根据权利要求2所述的用于预测高含CO2凝析气藏油环体积的方法,其特征在于,评价指标包括平均相对误差、均方相对误差、平均绝对误差以及可决系数中的至少一者,所述根据所述预测体积确定出所述体积预测模型的目标核函数,以得到目标体积预测模型还包括:
根据每个体积误差值确定每个评价指标的指标值;
确定每个评价指标的指标值的均值;
确定每个体积预测模型包括的全部评价指标的指标总均值,所述指标总均值是根据每个评价指标的指标值的均值确定的;
将最小的指标总均值所对应的体积预测模型确定为目标体积预测模型,将所述目标体积预测模型所使用的核函数确定为目标核函数。
4.根据权利要求1所述的用于预测高含CO2凝析气藏油环体积的方法,其特征在于,所述将待预测的高含CO2凝析气藏的主控参数输入至目标体积预测模型,以得到所述目标体积预测模型输出的针对油环体积的预测值之后包括:
根据预设的状态方程和所述主控参数确定针对所述高含CO2凝析气藏油环的模拟体积;
确定所述模拟体积与所述实际体积之间的第一误差值以及针对油环体积的预测值和实际体积之间的第二误差值;
根据所述第一误差值和所述第二误差值确定所述目标体积预测模型的训练完成度。
5.根据权利要求4所述的用于预测高含CO2凝析气藏油环体积的方法,其特征在于,所述根据所述第一误差值和所述第二误差值确定所述目标体积预测模型的训练完成度包括:
在所述第一误差值大于所述第二误差值的情况下,确定所述目标体积预测模型的训练完成度为第一完成度;
在所述第一误差值小于或等于所述第二误差值,且所述第二误差值小于或等于预设误差的情况下,确定所述目标体积预测模型的训练完成度为第二完成度;
在所述第一误差值小于或等于所述第二误差值,且所述第二误差值大于预设误差的情况下,确定所述目标体积预测模型的训练完成度为第三完成度。
6.根据权利要求1所述的用于预测高含CO2凝析气藏油环体积的方法,其特征在于,所述方法还包括:
根据所述目标体积预测模型输出的针对油环体积的预测值确定针对待预测的高含CO2凝析气藏的目标开采方式;
将针对待预测的高含CO2凝析气藏的开采方式切换至所述目标开采方式;
其中,所述目标开采方式包括以下开采方式中的任一种:只开采气藏不开采油藏、先开采油藏后开采气藏、先开采气藏后开采油藏以及同时开采油藏与气藏。
7.根据权利要求1所述的用于预测高含CO2凝析气藏油环体积的方法,其特征在于,所述影响参数包括所述高含CO2凝析气藏油环的地层参数、汽油比参数以及气体组分参数中的至少一者,其中,所述地层参数包括地层温度参数和地层压力参数。
8.一种用于预测高含CO2凝析气藏油环体积的装置,其特征在于,所述装置包括:
数据库建立模块,用于建立油环体积预测数据库,所述油环体积预测数据库中包含多个对高含CO2凝析气藏油环体积存在影响的影响参数;
主控参数确定模块,用于确定每个影响参数与对应的油环体积之间的参数关联度,将所述参数关联度大于预设参数关联度的影响参数确定为主控参数;
预测模型确定模块,用于将所述主控参数对应的参数值输入至油环的体积预测模型,以得到所述体积预测模型输出的预测体积,根据所述预测体积确定出所述体积预测模型的目标核函数,以得到目标体积预测模型;
油环体积预测模块,用于将待预测的高含CO2凝析气藏的主控参数输入至目标体积预测模型,以得到所述目标体积预测模型输出的针对油环体积的预测值。
9.根据权利要求8所述的用于预测高含CO2凝析气藏油环体积的装置,其特征在于,所述装置还包括:
开采类型确定模块,用于根据所述目标体积预测模型输出的针对油环体积的预测值确定针对待预测的高含CO2凝析气藏的目标开采方式,将针对待预测的高含CO2凝析气藏的开采方式切换至所述目标开采方式。
10.一种处理器,其特征在于,被配置成执行根据权利要求1至7中任意一项所述的用于预测高含CO2凝析气藏油环体积的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210375387.3A CN114861984A (zh) | 2022-04-11 | 2022-04-11 | 用于预测高含co2凝析气藏油环体积的方法及处理器 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210375387.3A CN114861984A (zh) | 2022-04-11 | 2022-04-11 | 用于预测高含co2凝析气藏油环体积的方法及处理器 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114861984A true CN114861984A (zh) | 2022-08-05 |
Family
ID=82629922
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210375387.3A Pending CN114861984A (zh) | 2022-04-11 | 2022-04-11 | 用于预测高含co2凝析气藏油环体积的方法及处理器 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114861984A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116383573A (zh) * | 2023-03-20 | 2023-07-04 | 中海石油(中国)有限公司海南分公司 | 一种基于多区相变传质渗流耦合的凝析气产能评价方法 |
-
2022
- 2022-04-11 CN CN202210375387.3A patent/CN114861984A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116383573A (zh) * | 2023-03-20 | 2023-07-04 | 中海石油(中国)有限公司海南分公司 | 一种基于多区相变传质渗流耦合的凝析气产能评价方法 |
CN116383573B (zh) * | 2023-03-20 | 2023-10-10 | 中海石油(中国)有限公司海南分公司 | 一种基于多区相变传质渗流耦合的凝析气产能评价方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Mu et al. | Hourly and daily urban water demand predictions using a long short-term memory based model | |
Robbins et al. | Mean shift testing in correlated data | |
CN114492211B (zh) | 一种基于自回归网络模型的剩余油分布预测方法 | |
Rauschenbach | Modeling, control, and optimization of water systems | |
CN103197663A (zh) | 一种故障预测方法及*** | |
CN114861984A (zh) | 用于预测高含co2凝析气藏油环体积的方法及处理器 | |
CN114609994A (zh) | 基于多粒度正则化重平衡增量学习的故障诊断方法及装置 | |
CN109696216A (zh) | 流量信号的补偿方法、装置、存储介质、处理器和*** | |
Wang et al. | An Improved Grey Prediction Model Based on Matrix Representations of the Optimized Initial Value. | |
Xu et al. | A novel ensemble model using artificial neural network for predicting wave-induced forces on coastal bridge decks | |
CN113537614A (zh) | 电网工程造价预测模型的构建方法、***、设备及介质 | |
CN109977131A (zh) | 一种房型匹配*** | |
CN106126567A (zh) | 基于可信数据推荐服务的方法 | |
CN113808015A (zh) | 输电线路区域气象参数的空间插值方法、装置及设备 | |
CN113705074A (zh) | 一种化工事故风险预测方法及装置 | |
CN116051118A (zh) | 行为时序模型的分析方法及装置 | |
CN116108645A (zh) | 基于元宇宙的工程数字孪生方法 | |
Gryzlov et al. | Artificial intelligence and data analytics for virtual flow metering | |
CN113642029B (zh) | 一种度量数据样本与模型决策边界相关性的方法及*** | |
CN115170304A (zh) | 风险特征描述的提取方法和装置 | |
CN113780356A (zh) | 基于集成学习模型的水质预测方法及*** | |
CN114021445A (zh) | 一种基于随机森林模型的海洋涡旋混合非局地性预测方法 | |
Vila et al. | Optimal designs based on exact confidence regions for parameter estimation of a nonlinear regression model | |
CN104156418A (zh) | 一种基于知识重用的演化聚类方法 | |
CN111680889B (zh) | 一种基于交叉熵的海上石油泄漏源定位方法及装置 |
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 |