CN115204064B - 一种页岩油开采中注气吞吐参数优化方法及*** - Google Patents
一种页岩油开采中注气吞吐参数优化方法及*** Download PDFInfo
- Publication number
- CN115204064B CN115204064B CN202211133564.3A CN202211133564A CN115204064B CN 115204064 B CN115204064 B CN 115204064B CN 202211133564 A CN202211133564 A CN 202211133564A CN 115204064 B CN115204064 B CN 115204064B
- Authority
- CN
- China
- Prior art keywords
- process parameter
- sample set
- objective function
- offspring
- child
- 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 417
- 238000005457 optimization Methods 0.000 title claims abstract description 98
- 239000003079 shale oil Substances 0.000 title claims abstract description 65
- 238000002347 injection Methods 0.000 title claims abstract description 54
- 239000007924 injection Substances 0.000 title claims abstract description 54
- 238000012549 training Methods 0.000 claims abstract description 27
- 238000004422 calculation algorithm Methods 0.000 claims description 53
- 238000004088 simulation Methods 0.000 claims description 43
- 238000004519 manufacturing process Methods 0.000 claims description 15
- 238000011084 recovery Methods 0.000 claims description 10
- 238000012935 Averaging Methods 0.000 claims description 5
- 238000003066 decision tree Methods 0.000 claims description 5
- 238000012706 support-vector machine Methods 0.000 claims description 5
- 238000013528 artificial neural network Methods 0.000 claims description 4
- 238000005516 engineering process Methods 0.000 claims description 4
- 239000000126 substance Substances 0.000 claims description 4
- 230000000694 effects Effects 0.000 abstract description 7
- 230000006870 function Effects 0.000 description 102
- 238000011161 development Methods 0.000 description 11
- 239000003921 oil Substances 0.000 description 8
- 239000000243 solution Substances 0.000 description 7
- 238000005070 sampling Methods 0.000 description 6
- 238000003860 storage Methods 0.000 description 5
- 238000004364 calculation method Methods 0.000 description 4
- 239000010779 crude oil Substances 0.000 description 3
- 238000000605 extraction Methods 0.000 description 3
- 230000009191 jumping Effects 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 238000004891 communication Methods 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000015654 memory Effects 0.000 description 2
- 239000002245 particle Substances 0.000 description 2
- 238000010276 construction Methods 0.000 description 1
- 238000005553 drilling Methods 0.000 description 1
- 230000002068 genetic effect Effects 0.000 description 1
- 238000013386 optimize process Methods 0.000 description 1
- 239000011148 porous material Substances 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000001902 propagating effect Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000012163 sequencing technique Methods 0.000 description 1
- 238000002791 soaking Methods 0.000 description 1
Images
Classifications
-
- 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
- G06N3/00—Computing arrangements based on biological models
- G06N3/12—Computing arrangements based on biological models using genetic models
- G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
-
- 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
- G06Q50/02—Agriculture; Fishing; Forestry; Mining
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/06—Multi-objective optimisation, e.g. Pareto optimisation using simulated annealing [SA], ant colony algorithms or genetic algorithms [GA]
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- General Physics & Mathematics (AREA)
- Biophysics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Business, Economics & Management (AREA)
- Artificial Intelligence (AREA)
- Software Systems (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Mathematical Physics (AREA)
- Physiology (AREA)
- Molecular Biology (AREA)
- Data Mining & Analysis (AREA)
- Computational Linguistics (AREA)
- Biomedical Technology (AREA)
- Genetics & Genomics (AREA)
- Agronomy & Crop Science (AREA)
- Animal Husbandry (AREA)
- Marine Sciences & Fisheries (AREA)
- Mining & Mineral Resources (AREA)
- Computing Systems (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提出了一种页岩油开采中注气吞吐参数优化方法及***,属于页岩油开采手段优化技术领域,包括:构建优化样本集;利用优化样本集分别对预先建立的多个回归预测模型进行训练,得到训练好的多个回归预测模型;在优化样本集中选取初始种群;并迭代更新初始种群,得到目标种群;过程中构建子代预估样本集;判断是否达到优化结束条件;若是则将目标种群中目标函数值最大的子代工艺参数组作为最优工艺参数组;否则根据子代预估样本集对优化样本集进行更新,重新训练多个回归预测模型。本发明在工艺参数的取值范围内生成若干组工艺参数并得到对应的目标函数值,构建优化样本集,有效避免可获取数据量不足,导致的对模型训练效果欠佳的问题。
Description
技术领域
本发明涉及页岩油开采手段优化技术领域,特别是涉及一种页岩油开采中注气吞吐参数优化方法及***。
背景技术
实现页岩油藏等非常规油气资源的高效开发是确保原油市场供需平衡、保障国家能源安全的重要举措。但受限于页岩油藏复杂的孔隙结构和渗流特征,原油的一次采收率极低,需要开展有效的提高采收率措施。CO2吞吐开发是提高页岩油藏采收率的有效手段,确定合理的措施实施时机以及注气速率等吞吐工艺参数是保障CO2吞吐措施经济性、有效性的前提,同时也是保障页岩油藏采收率提高的前提。
然而现有的页岩油藏注气吞吐工艺参数优化方法多是以人工通过数值模拟的方法,分析一组工艺参数所能达到的经济效益,但是这种方法难以得到全局最优结果。随着回归预测算法的普及,现有技术中也出现了通过回归预测模型预估工艺参数与经济效益之间的关系,但是在这种方法中对回归预测模型的训练需要获取大量的训练数据,否则回归预测模型的精确性无法保障,从而无法保障对注气吞吐工艺参数的优化效果。
发明内容
本发明的目的是提供一种页岩油开采中注气吞吐参数优化方法及***,提高了对工艺参数组的目标函数值预测的精确程度,从而保障了最优工艺参数组选取的可靠性。
为实现上述目的,本发明提供了如下方案:
一种页岩油开采中注气吞吐参数优化方法,用于对注气吞吐工艺的各工艺参数进行优化,包括以下步骤:
构建优化样本集;所述优化样本集包括若干个工艺参数组和工艺参数组对应的目标函数值;
在所述优化样本集中选取目标函数值最大的若干个工艺参数组和对应的目标函数值,作为进化算法的初始种群;
以工艺参数组作为输入,以所述工艺参数组对应的目标函数值作为目标输出,分别对预先建立的多个回归预测模型进行训练,得到训练好的多个回归预测模型;多个所述回归预测模型的结构互不相同;
利用进化算法和训练好的多个回归预测模型迭代更新所述初始种群,得到目标种群;
根据迭代更新所述初始种群过程中生成的所有的中间种群的子代工艺参数组和子代工艺参数组对应的预估目标函数值构建子代预估样本集;
判断是否达到优化结束条件;若是,则将所述目标种群中目标函数值最大的子代工艺参数组作为目标页岩油井的最优工艺参数组;
否则,根据所述子代预估样本集重新确定初始种群,并对所述优化样本集进行更新,跳转至步骤“以工艺参数组作为输入,以所述工艺参数组对应的目标函数值作为目标输出,分别对预先建立的多个回归预测模型进行训练,得到训练好的多个回归预测模型”。
可选地,所述构建优化样本集,具体包括:
根据各工艺参数的约束条件,随机生成若干个工艺参数组;
针对任一工艺参数组,利用目标页岩油井的数值模拟模型根据所述工艺参数组进行数值模拟,得到所述工艺参数组对应的目标函数值;各工艺参数组和工艺参数组对应的目标函数值构成优化样本集。
可选地,所述利用进化算法和训练好的多个回归预测模型迭代更新所述初始种群,得到目标种群,具体包括:
对所述初始种群中的各工艺参数组进行交叉变异操作,得到中间种群;所述中间种群中包括初始种群各工艺参数组对应的子代工艺参数组;
利用训练好的多个回归预测模型,确定各子代工艺参数组的预估目标函数值;
对比各工艺参数组的目标函数值和对应的子代工艺参数组的预估目标函数值,更新所述初始种群中的工艺参数组;
判断是否达到迭代结束条件,若否,则跳转至步骤“对所述初始种群中的各工艺参数组进行交叉变异操作,得到中间种群;所述中间种群中包括初始种群各工艺参数组对应的子代工艺参数组”。
可选地,所述利用训练好的多个回归预测模型,确定各子代工艺参数组的预估目标函数值,具体包括:
将子代工艺参数组分别输入到训练好的多个参数优化模型中,得到所述子代工艺参数组的多个目标函数值;
将所述子代工艺参数组的多个目标函数值求均值,得到所述子代工艺参数组对应的预估目标函数值。
可选地,所述根据所述子代预估样本集重新确定初始种群,并对所述优化样本集进行更新,具体包括:
针对任一子代工艺参数组,计算所述子代工艺参数组的不确定性指数;所述不确定性指数为所述子代工艺参数组的多个目标函数值之间的方差;
针对任一子代工艺参数组,计算所述子代工艺参数组的距离指数;所述距离指数为所述子代工艺参数组与所述子代预估样本集中其他子代工艺参数组之间的欧氏距离的平均值;
根据各子代工艺参数组的不确定性指数将各子代工艺参数组降序排序,选取前p 1的子代工艺参数组作为第一样本集;
在所述子代预估样本集中去除第一样本集,根据各子代工艺参数组的目标函数值进行降序排序,选取前p 2的子代工艺参数组作为第二样本集;
在所述子代预估样本集中去除第一样本集和第二样本集,根据各子代工艺参数组的距离指数进行降序排序,选取前p 3的子代工艺参数组作为第三样本集;
将所述第一样本集、所述第二样本集和所述第三样本集合并,得到合并样本集;
利用目标页岩油井的数值模拟模型对所述合并样本集中各子代工艺参数组进行数值模拟,得到各子代工艺参数组对应的目标函数值;
将合并样本集各子代工艺参数组和对应的目标函数值作为新的初始种群,并加入到所述优化样本集中。
可选地,根据下式计算所述子代工艺参数组的不确定性指数:
可选地,根据下式计算所述子代工艺参数组的距离指数:
其中,dist(x)为所述子代工艺参数组的距离指数,n为所述子代预估样本集中子代工艺参数组的数量,D表示工艺参数组中工艺参数的个数,x j 为所述子代工艺参数组第j个工艺参数的值,x i,j 为第i个所述子代工艺参数组第j个工艺参数的值。
可选地,所述工艺参数组对应的目标函数值为,按照所述工艺参数组实施注气吞吐工艺时,所述目标页岩油井的累产油量或经济净现值。
可选地,所述回归预测模型为深度神经网络、集成决策树和支持向量机中的任意一种。
对应于前述的页岩油开采中注气吞吐参数优化方法,本发明还提供了一种页岩油开采中注气吞吐参数优化***,用于对注气吞吐工艺的各工艺参数进行优化,注气吞吐参数优化***包括:
优化样本集构建模块,用于构建优化样本集;所述优化样本集包括若干个工艺参数组和工艺参数组对应的目标函数值;
初始种群确定模块,用于在所述优化样本集中选取目标函数值最大的若干个工艺参数组和对应的目标函数值,作为进化算法的初始种群;
多模型训练模块,用于以工艺参数组作为输入,以所述工艺参数组对应的目标函数值作为目标输出,分别对预先建立的多个回归预测模型进行训练,得到训练好的多个回归预测模型;多个所述回归预测模型的结构互不相同;
种群迭代进化模块,用于利用进化算法和训练好的多个回归预测模型迭代更新所述初始种群,得到目标种群;
子代预估样本集构建模块,用于将在迭代更新初始种群过程中所有的中间种群的子代工艺参数组和子代工艺参数组对应的预估目标函数值,作为子代预估样本集;
第一判断模块,用于判断是否达到优化结束条件,得到第一判断结果;
优化样本集更新模块,用于在所述第一判断结果为否时,根据所述子代预估样本集重新确定初始种群,并对所述优化样本集进行更新,调用所述多模型训练模块;
最优工艺参数确定模块,用于在所述第一判断结果为是时,将所述目标种群中目标函数值最大的工艺参数组作为目标页岩油井的最优工艺参数组。
根据本发明提供的具体实施例,本发明公开了以下技术效果:
本发明提供的一种页岩油开采中注气吞吐参数优化方法及***,注气吞吐参数优化方法包括:构建优化样本集;以工艺参数组作为输入,以工艺参数组对应的目标函数值作为目标输出,分别对预先建立的多个回归预测模型进行训练,得到训练好的多个回归预测模型;在优化样本集中选取目标函数值最大的若干个工艺参数组和对应的目标函数值,作为进化算法的初始种群;利用进化算法和训练好的多个回归预测模型迭代更新初始种群,得到目标种群;根据迭代更新初始种群过程中所有的中间种群的子代工艺参数组和子代工艺参数组对应的预估目标函数值构建子代预估样本集;判断是否达到优化结束条件;若是,则将目标种群中目标函数值最大的子代工艺参数组作为目标页岩油井的最优工艺参数组;否则,根据子代预估样本集对优化样本集进行更新,重新训练多个回归预测模型。本发明在工艺参数的取值范围内生成若干组工艺参数,通过数值模拟得到对应的目标函数值,构建优化样本集,有效避免可获取数据量不足,导致的对模型训练效果欠佳的问题。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明实施例1提供的一种页岩油开采中注气吞吐参数优化方法的流程图;
图2为本发明实施例1提供的方法中数值模拟模型的平面示意图;
图3为本发明实施例1提供的方法中经济净现值随数值模拟次数的迭代曲线图;
图4为本发明实施例1提供的方法中优化方案与传统优化方案生产动态曲线对比图;
图5为本发明实施例1提供的方法中优化方案与传统优化方案采出程度曲线对比图;
图6为本发明实施例2提供的一种页岩油开采中注气吞吐参数优化***的结构示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
目前常用的工艺参数优化方法包括如下三种:
(1)结合数值模拟、物理模拟实验等方法,分析不同工艺参数取不同值时的油藏开发效果从而进行方案优选(CN202011244646.6)。这种方法只能够对所选择的方案进行简单的对比选择,无法找到全局最优的开发方案,效果较差。
(2)以经济净现值等指标作为优化目标函数,通过数值模拟计算目标函数的值,调用遗传算法等优化算法对工艺参数进行优化,这种方法能够获得较好的优化解,但优化算法运行过程中需要进行多次重复的油藏数值模拟,所需要的时间及计算资源多,算法效率低。
(3)采用油藏数值模拟方法生成样本并构建代理模型,调用优化算法并通过代理模型计算目标函数值,以优化得到最优工艺参数,这种方法相比较于直接调用数值模拟能够一定程度上节省计算资源,但建立的代理模型的精确性会影响优化结果的可靠性,而这种方法提高代理模型精度一般只能通过增加数值模拟生成样本的数量来实现,会增加计算资源的消耗,降低算法效率。因此,提出一种能够确保回归预测模型精确性并提高计算效率的页岩油井注气吞吐工艺参数优化方法具有重要意义。
本发明的目的是提供一种页岩油开采中注气吞吐参数优化方法及***,提高了对工艺参数组的目标函数值预测的精确程度,从而保障了最优工艺参数组选取的可靠性。
为使本发明的上述目的、特征和优点能够更加明显易懂,下面结合附图和具体实施方式对本发明作进一步详细的说明。
实施例1:
本实施例提供了一种页岩油开采中注气吞吐参数优化方法,如图1所示的流程图,该注气吞吐参数优化方法包括以下步骤:
S1、构建优化样本集;所述优化样本集包括若干个工艺参数组和工艺参数组对应的目标函数值;所述工艺参数组对应的目标函数值为,按照所述工艺参数组实施注气吞吐工艺时,所述目标页岩油井的累产油量或经济净现值。步骤S1具体包括:
S11、根据各工艺参数的约束条件,随机生成若干个工艺参数组。
S12、针对任一工艺参数组,利用目标页岩油井的数值模拟模型根据所述工艺参数组进行数值模拟,得到所述工艺参数组对应的目标函数值;各工艺参数组和工艺参数组对应的目标函数值构成优化样本集。
S2、确定进化算法的初始种群;在所述优化样本集中选取目标函数值最大的若干个工艺参数组和对应的目标函数值,作为进化算法的初始种群。
S3、对多个回归预测模型进行训练;以工艺参数组作为输入,以所述工艺参数组对应的目标函数值作为目标输出,分别对预先建立的多个回归预测模型进行训练,得到训练好的多个回归预测模型;多个所述回归预测模型的结构互不相同;所述回归预测模型为深度神经网络、集成决策树和支持向量机中的任意一种。
S4、利用进化算法和训练好的多个回归预测模型迭代更新所述初始种群,得到目标种群;具体包括:
S41、对所述初始种群中的各工艺参数组进行交叉变异操作,得到中间种群;所述中间种群中包括初始种群各工艺参数组对应的子代工艺参数组。
S42、利用训练好的多个回归预测模型,确定各子代工艺参数组的预估目标函数值;具体包括:
S421、将子代工艺参数组分别输入到训练好的多个参数优化模型中,得到所述子代工艺参数组的多个目标函数值。
S422、将所述子代工艺参数组的多个目标函数值求均值,得到所述子代工艺参数组对应的预估目标函数值。
S43、对比各工艺参数组的目标函数值和对应的子代工艺参数组的预估目标函数值,更新所述初始种群中的工艺参数组;根据差分进化算法的要求,将父代的工艺参数组和子代工艺参数组进行比较,将二者目标函数值高的工艺参数组作为新的父代工艺参数组。
S44、判断是否达到迭代结束条件,若否,则跳转至步骤“对所述初始种群中的各工艺参数组进行交叉变异操作,得到中间种群;所述中间种群中包括初始种群各工艺参数组对应的子代工艺参数组”。本实施例中选用差分进化算法,在其他的实施方式中,还可以采用粒子群算法等其他基于种群的群智能优化算法,迭代结束条件相应的可以为达到预设最大迭代步数等。
S5、构建子代预估样本集;根据迭代更新所述初始种群过程中生成的所有的中间种群的子代工艺参数组和子代工艺参数组对应的预估目标函数值构建子代预估样本集。
S6、判断是否达到优化结束条件,若是,则执行步骤S7,否则执行步骤S8。优化结束条件可以为进行的数值模拟次数达到预设最大数值模拟次数或回归预测模型达到预设最低精度等。
S7、确定最优工艺参数组;将所述目标种群中目标函数值最大的子代工艺参数组作为目标页岩油井的最优工艺参数组。
S8、根据所述子代预估样本集重新确定初始种群,并对所述优化样本集进行更新,跳转至步骤S3。步骤S8具体包括:
在步骤S81之前,先设置不同样本更新策略选择的样本集的数量p 1,p 2,p 3,其中p 1,p 2,p 3相加等于初始种群的规模大小。
S81、针对任一子代工艺参数组,计算所述子代工艺参数组的不确定性指数;所述不确定性指数为所述子代工艺参数组的多个目标函数值之间的方差;本实施例中,根据下式计算所述子代工艺参数组的不确定性指数:
S82、针对任一子代工艺参数组,计算所述子代工艺参数组的距离指数;所述距离指数为所述子代工艺参数组与所述子代预估样本集中其他子代工艺参数组之间的欧氏距离的平均值;本实施例中,根据下式计算所述子代工艺参数组的距离指数:
其中,dist(x)为所述子代工艺参数组的距离指数,n为所述子代预估样本集中子代工艺参数组的数量,D表示工艺参数组中工艺参数的个数,x j 为所述子代工艺参数组第j个工艺参数的值,x i,j 为第i个所述子代工艺参数组第j个工艺参数的值。
S83、根据各子代工艺参数组的不确定性指数将各子代工艺参数组降序排序,选取前p 1个的子代工艺参数组作为第一样本集。
S84、在所述子代预估样本集中去除第一样本集,根据各子代工艺参数组的目标函数值进行降序排序,选取前p 2个的子代工艺参数组作为第二样本集。
S85、在所述子代预估样本集中去除第一样本集和第二样本集,根据各子代工艺参数组的距离指数进行降序排序,选取前p 3个的子代工艺参数组作为第三样本集。
S86、将所述第一样本集、所述第二样本集和所述第三样本集合并,得到合并样本集。
S87、利用目标页岩油井的数值模拟模型对所述合并样本集中各子代工艺参数组进行数值模拟,得到各子代工艺参数组对应的目标函数值。
S88、将合并样本集各子代工艺参数组和对应的目标函数值作为新的初始种群,并加入到所述优化样本集中。
下面结合一个具体的例子来对本发明实施例1提供的页岩油开采中注气吞吐参数优化方法进行说明,在进行对页岩油开采中注气吞吐参数进行优化之前,需要根据待优化的目标页岩油井的页岩油地质、工程资料及生产开发数据,建立目标页岩油井注气吞吐开发数值模拟模型;具体的,对于页岩油地质、工程资料及开发数据的获取,可以从目标井地质勘探资料、测井曲线等资料中获取,具体的获取方式可以根据实际情况确定。本例中,建立数值模拟模型的基础参数如表1所示,模型平面示意图如图2所示。
表1 数值模拟模型基础参数
在建立目标页岩油井注气吞吐开发数值模拟模型之后,确定工艺参数组的目标函数、工艺参数以及工艺参数的约束条件,选择基础优化算法并设置基础优化算法控制参数以及优化方法迭代停止条件;
具体的,所述目标函数可以为按照工艺参数组实施注气吞吐开发时的累产油量或经济净现值其中之一;本例中,以目标页岩油井的经济净现值为优化目标函数,以最大化经济净现值作为优化目标,经济净现值的具体计算公式如下式所示:
式中u表示优化变量向量;N t 表示总的时间步数,n表示当前时间步数;t n 表示当前生产时间距开始投产相差的时间,单位为月;b为年利率;oilprice为油价,单位为元,为当前生产时间内原油产量,单位为m3;为操作成本,单位为元/方;、分别为注入的购置CO2与回收处理CO2的成本,单位为元/吨;FC、C well 、C fracture_k 分别为固定成本、钻完井成本以及压裂单条裂缝成本,单位为元;n f 为压裂缝数量。
工艺参数可以为实施注气吞吐时机、吞吐周期数、单周期注气时间、注气速率、单周期焖井时间以及单周期生产时间其中之一或任意组合;工艺参数的约束条件包括所述工艺参数取值的上下限以及其余约束条件,其中,其余约束条件可以包括注气时井口压力不大于注气压缩机所能提供的最大压力,或以经济净现值为优化目标函数时累产油量不低于预设最低产量等。
本例中选取的工艺参数组如表2所示,选取的约束条件分别包括每个工艺参数的上下限,同样如表2所示,以及特殊约束为井底压力不超过85MPa;
表2 工艺参数组及约束条件
具体的,所述基础优化算法可以为差分进化算法、粒子群算法等基于种群的群智能优化算法;算法控制参数为所选择的基础优化算法对应的控制参数,例如当基础优化算法选择为差分进化算法时,基础优化算法控制参数包括种群规模、变异因子、交叉概率以及最大迭代步数等;本例中选取差分进化算法作为基础优化算法,具体的优化算法控制参数如表3所示。
表3 优化算法控制参数
优化方法的迭代停止条件可以为达到预设最大数值模拟次数或回归预测模型达到预设最低精度等。
前述的S1构建优化样本集,具体到本例中为:基于所述目标页岩油井的注气吞吐开发数值模拟模型,采样生成包括若干个工艺参数组的优化样本集,并确定基础优化算法的初始种群;
具体的,采样生成包括若干个工艺参数组的优化样本集可以包括:根据工艺参数的约束条件确定每个工艺参数的取值上下限;利用蒙特卡洛或拉丁超立方体采样方法在每个工艺参数的取值上下限内进行随机采样,形成一组工艺参数组,并按照预设次数重复进行随机采样;利用所述目标页岩油井的注气吞吐开发数值模拟模型根据各工艺参数组进行数值模拟,获取每个工艺参数组对应的目标函数值,所有工艺参数组与对应目标函数值共同构成优化样本集。
本例中共累计采样150次,生成了150组工艺参数组,并利用数值模拟模型分别对各工艺参数组进行数值模拟确定其对应的目标函数值,构成了优化样本集;随后选取目标函数值最大的25组样本作为基础优化算法的初始种群;
前述的步骤S2确定进化算法的初始种群,具体到本例中初始种群的确定步骤可以包括:根据所述优化样本集,按照各工艺参数组目标函数值的大小进行排序;根据所述设置的种群规模大小,自优化样本集中选择出对应数量的目标函数最大的样本,作为初始种群。
前述的步骤S3对多个回归预测模型进行训练;在训练之前,首先应当基于所述优化样本集,预先建立回归预测模型组;
具体的,设置回归预测模型的数量m,所述回归预测模型组为m个回归预测模型构成的模型组,其中每个回归预测模型均可以为深度神经网络、集成决策树、支持向量机等任意回归预测模型,且每个模型的结构均不相同;m为大于等于3的正整数,可以任意设置;本例中,回归预测模型组由3个不同的回归预测模型构成,分别包括深度置信网络模型,集成决策树模型以及回归支持向量机模型;利用优化样本集中各工艺参数组的值作为特征输入,以其对应的目标函数值作为标签输出,分别对各回归预测模型进行训练,组成目标页岩油井注气吞吐工艺的回归预测模型组。
分别选择每个回归预测模型具体采用的算法;利用优化样本集中的工艺参数组作为输入的特征数据,每个工艺参数组对应的目标函数值作为目标输出的标签数据,对每个回归预测模型分别进行训练;各个训练后的回归预测模型组成所述回归预测模型组。
前述步骤S4利用进化算法和训练好的多个回归预测模型迭代更新所述初始种群,得到目标种群。具体到本例中,利用所述目标页岩油井的回归预测模型组以及初始种群,调用基础优化算法进行优化求解,并记录优化迭代中每一代中间种群的工艺参数组及对应的目标函数值,获得本次优化得到的目标种群以及子代预估样本集;具体步骤可以细分为:
利用所述基础优化算法,根据所述初始种群,计算获取初始种群中每个工艺参数组对应的子代工艺参数组;
利用所述回归预测模型组中m个回归预测模型预测每个子代工艺参数组的m个估计目标函数值并进行平均,作为每个子代工艺参数组的预估目标函数值;
依次对比每个工艺参数组的目标函数值与其对应子代工艺参数组的预估目标函数值,选择更优的个体作为下一代个体替换当前种群;
判断是否满足基础优化算法的最大迭代步数,若满足则选择优化的最后一代目标种群作为本次优化结果输出,若不满足则根据当前的中间种群计算获取下一代种群,继续迭代;
在本例中,在执行上述计算每个子代工艺参数组的预估目标函数值步骤的过程中,同时完成前述S5构建子代预估样本集的步骤:将所有子代工艺参数组的m个估计目标函数值与预估目标函数值记录至子代预估样本集中。
如前述的步骤S6,判断当前是否满足优化方法迭代停止条件,如果满足则根据所述本次优化结果的目标种群确定目标页岩油井目标函数最优时的工艺参数,否则根据所述子代预估样本集,利用多重样本更新策略对所述优化样本集进行更新,并确定新的优化算法初始种群,并重新训练回归预测模型组;具体的,所述多重样本更新策略包括主动学习策略、最优个体策略以及最远距离个体策略。
上述根据所述子代预估样本集,利用多重样本更新策略对所述优化样本集进行更新,并确定新的优化算法初始种群的内容,也就是前述的步骤S8,具体包括:
对应于前述的步骤S81,根据所述子代预估样本集,分别计算每个子代工艺参数组m个估计目标函数值之间的方差,作为每个子代工艺参数组的不确定性指数;本实施例中,根据下式计算所述子代工艺参数组的不确定性指数:
对应于前述的步骤S82,根据所述子代预估样本集,分别计算每个子代工艺参数组与其余子代工艺参数组的各工艺参数之间的欧式距离并进行平均,作为每个子代工艺参数组的距离指数;本实施例中,根据下式计算所述子代工艺参数组的距离指数:
其中,dist(x)为所述子代工艺参数组的距离指数,n为所述子代预估样本集中子代工艺参数组的数量,D表示工艺参数组中工艺参数的个数,x j 为所述子代工艺参数组第j个工艺参数的值,x i,j 为第i个所述子代工艺参数组第j个工艺参数的值。
对应于前述的步骤S83~S88:
根据各子代工艺参数组的不确定性指数将各子代工艺参数组降序排序,选取前p 1个的子代工艺参数组作为第一样本集;
在所述子代预估样本集中去除第一样本集,根据各子代工艺参数组的目标函数值进行降序排序,选取前p 2个的子代工艺参数组作为第二样本集;
在所述子代预估样本集中去除第一样本集和第二样本集,根据各子代工艺参数组的距离指数进行降序排序,选取前p 3个的子代工艺参数组作为第三样本集;
将所述第一样本集、所述第二样本集和所述第三样本集合并,得到合并样本集;
利用目标页岩油井的数值模拟模型对所述合并样本集中各子代工艺参数组进行数值模拟,得到各子代工艺参数组对应的目标函数值;
将合并样本集各子代工艺参数组和对应的目标函数值作为新的初始种群,并加入到所述优化样本集中。本例中,通过多重样本更新中的主动学***衡了优化算法优化过程中对于可能最优解的开发以及对于优化解空间中较远位置的探索,能够在不损失求解效率的前提下有效提高优化跳出局部最优解的能力,从而实现更加快速、有效的页岩油井注气吞吐工艺参数优化。
本具体实施例中共进行5次样本更新过程,每次样本更新进行25次数值模拟,另外还包括构建初始的优化样本集时所需要的数值模拟次数,整个优化流程累计进行275次数值模拟,优化过程中最优经济净现值随数值模拟次数增加的迭代曲线如图3所示,获得的最优工艺参数组如表4所示。
表4 最终确定的最优工艺参数组
将本发明实施例所提供的优化方法获得最优工艺参数组与采用传统的正交试验设计得到的优选方案进行对比,本发明实施例所提供的工艺参数优化方法得到的最优工艺参数方案下目标井生产动态与正交试验设计优选方案下目标井生产动态曲线对比图如图4所示,采出程度曲线对比图如图5所示。相比较于正交试验设计优选方案,本发明实施例所提供的工艺参数优化方法得到的最优工艺参数方案下目标井累产油量提高了49.13%,采出程度提高了3.8个百分点,经济净现值提高了35.66%。
本实施例中,在步骤S11时,工艺参数的取值范围内生成若干组工艺参数,再通过数值模拟得到对应的目标函数值,构建优化样本集,有效避免可获取数据量不足,导致的对模型训练效果欠佳的问题。
而且在步骤S3通过模拟生成得到的优化样本集对多个不同结构的回归预测模型进行训练,与现有技术中使用单独一种模型进行目标函数值预测的方法相比较,本发明能够对训练数据不同层面的特征进行分析。
同时在步骤S4的优化过程中,使用差分进化算法,对初始种群中的工艺参数组进行交叉变异,构建子代预估样本集,进而在未达到优化结束条件时,执行步骤S8的内容,通过子代预估样本集对优化样本集进行更新,并对多个回归预测模型重新进行训练,可以使参与模型训练的数据量再次得到提升,保证通过多个回归预测模型确定的预估目标函数值的精确程度,从而保障了对注气吞吐工艺参数优化的可靠。
实施例2:
如图6所示的结构示意图,对应于实施例1所提供的一种页岩油开采中注气吞吐参数优化方法,本实施例提供了一种页岩油开采中注气吞吐参数优化***,包括:
优化样本集构建模块,用于构建优化样本集;所述优化样本集包括若干个工艺参数组和工艺参数组对应的目标函数值;
初始种群确定模块,用于在所述优化样本集中选取目标函数值最大的若干个工艺参数组和对应的目标函数值,作为进化算法的初始种群;
多模型训练模块,用于以工艺参数组作为输入,以所述工艺参数组对应的目标函数值作为目标输出,分别对预先建立的多个回归预测模型进行训练,得到训练好的多个回归预测模型;多个所述回归预测模型的结构互不相同;
种群迭代进化模块,用于利用差分进化算法和训练好的多个回归预测模型迭代更新所述初始种群,得到目标种群;
子代预估样本集构建模块,用于将在迭代更新初始种群过程中所有的中间种群的子代工艺参数组和子代工艺参数组对应的预估目标函数值,作为子代预估样本集;
第一判断模块,用于判断是否达到优化结束条件,得到第一判断结果;
优化样本集更新模块,用于在所述第一判断结果为否时,根据所述子代预估样本集对所述优化样本集进行更新;并重新确定初始种群,调用所述多模型训练模块;
最优工艺参数确定模块,用于在所述第一判断结果为是时,将所述目标种群中目标函数值最大的工艺参数组作为目标页岩油井的最优工艺参数组。
技术中的程序部分可以被认为是以可执行的代码和/或相关数据的形式而存在的“产品”或“制品”,通过计算机可读的介质所参与或实现的。有形的、永久的储存介质可以包括任何计算机、处理器、或类似设备或相关的模块所用到的内存或存储器。例如,各种半导体存储器、磁带驱动器、磁盘驱动器或者类似任何能够为软件提供存储功能的设备。
所有软件或其中的一部分有时可能会通过网络进行通信,如互联网或其他通信网络。此类通信可以将软件从一个计算机设备或处理器加载到另一个。例如:从视频目标检测设备的一个服务器或主机计算机加载至一个计算机环境的硬件平台,或其他实现***的计算机环境,或与提供目标检测所需要的信息相关的类似功能的***。因此,另一种能够传递软件元素的介质也可以被用作局部设备之间的物理连接,例如光波、电波、电磁波等,通过电缆、光缆或者空气等实现传播。用来载波的物理介质如电缆、无线连接或光缆等类似设备,也可以被认为是承载软件的介质。在这里的用法除非限制了有形的“储存”介质,其他表示计算机或机器“可读介质”的术语都表示在处理器执行任何指令的过程中参与的介质。
本文中应用了具体个例,但以上描述仅是对本发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的方法及其核心思想;本领域的技术人员应该理解,上述本发明的各模块或各步骤可以用通用的计算机装置来实现,可选地,它们可以用计算装置可执行的程序代码来实现,从而,可以将它们存储在存储装置中由计算装置来执行,或者将它们分别制作成各个集成电路模块,或者将它们中的多个模块或步骤制作成单个集成电路模块来实现。本发明不限制于任何特定的硬件和软件的结合。
同时,对于本领域的一般技术人员,依据本发明的思想,在具体实施方式及应用范围上均会有改变之处。综上所述,本说明书内容不应理解为对本发明的限制。
Claims (8)
1.一种页岩油开采中注气吞吐参数优化方法,其特征在于,用于对注气吞吐工艺的各工艺参数进行优化,所述页岩油开采中注气吞吐参数优化方法包括:
构建优化样本集;所述优化样本集包括若干个工艺参数组和工艺参数组对应的目标函数值;所述工艺参数组对应的目标函数值为,按照所述工艺参数组实施注气吞吐工艺时,所述目标页岩油井的累产油量或经济净现值;
在所述优化样本集中选取目标函数值最大的若干个工艺参数组和对应的目标函数值,作为进化算法的初始种群;
以工艺参数组作为输入,以所述工艺参数组对应的目标函数值作为目标输出,分别对预先建立的多个回归预测模型进行训练,得到训练好的多个回归预测模型;多个所述回归预测模型的结构互不相同;
利用进化算法和训练好的多个回归预测模型迭代更新所述初始种群,得到目标种群;
根据迭代更新所述初始种群过程中生成的所有的中间种群的子代工艺参数组和子代工艺参数组对应的预估目标函数值构建子代预估样本集;
判断是否达到优化结束条件;若是,则将所述目标种群中目标函数值最大的子代工艺参数组作为目标页岩油井的最优工艺参数组;
否则,根据所述子代预估样本集重新确定初始种群,并对所述优化样本集进行更新;跳转至步骤“以工艺参数组作为输入,以所述工艺参数组对应的目标函数值作为目标输出,分别对预先建立的多个回归预测模型进行训练,得到训练好的多个回归预测模型”;
所述根据所述子代预估样本集重新确定初始种群,并对所述优化样本集进行更新,具体包括:
针对任一子代工艺参数组,计算所述子代工艺参数组的不确定性指数;所述不确定性指数为所述子代工艺参数组的多个目标函数值之间的方差;
针对任一子代工艺参数组,计算所述子代工艺参数组的距离指数;所述距离指数为所述子代工艺参数组与所述子代预估样本集中其他子代工艺参数组之间的欧氏距离的平均值;
根据各子代工艺参数组的不确定性指数将各子代工艺参数组降序排序,选取前p 1的子代工艺参数组作为第一样本集;
在所述子代预估样本集中去除第一样本集,根据各子代工艺参数组的目标函数值进行降序排序,选取前p 2的子代工艺参数组作为第二样本集;
在所述子代预估样本集中去除第一样本集和第二样本集,根据各子代工艺参数组的距离指数进行降序排序,选取前p 3的子代工艺参数组作为第三样本集;
将所述第一样本集、所述第二样本集和所述第三样本集合并,得到合并样本集;
利用目标页岩油井的数值模拟模型对所述合并样本集中各子代工艺参数组进行数值模拟,得到各子代工艺参数组对应的目标函数值;
将合并样本集各子代工艺参数组和对应的目标函数值作为新的初始种群,并加入到所述优化样本集中。
2.根据权利要求1所述的页岩油开采中注气吞吐参数优化方法,其特征在于,所述构建优化样本集,具体包括:
根据各工艺参数的约束条件,随机生成若干个工艺参数组;
针对任一工艺参数组,利用目标页岩油井的数值模拟模型根据所述工艺参数组进行数值模拟,得到所述工艺参数组对应的目标函数值;各工艺参数组和工艺参数组对应的目标函数值构成优化样本集。
3.根据权利要求1所述的页岩油开采中注气吞吐参数优化方法,其特征在于,所述利用进化算法和训练好的多个回归预测模型迭代更新所述初始种群,得到目标种群,具体包括:
对所述初始种群中的各工艺参数组进行交叉变异操作,得到中间种群;所述中间种群中包括初始种群各工艺参数组对应的子代工艺参数组;
利用训练好的多个回归预测模型,确定各子代工艺参数组的预估目标函数值;
对比各工艺参数组的目标函数值和对应的子代工艺参数组的预估目标函数值,更新所述初始种群中的工艺参数组;
判断是否达到迭代结束条件,若否,则跳转至步骤“对所述初始种群中的各工艺参数组进行交叉变异操作,得到中间种群;所述中间种群中包括初始种群各工艺参数组对应的子代工艺参数组”。
4.根据权利要求3所述的页岩油开采中注气吞吐参数优化方法,其特征在于,所述利用训练好的多个回归预测模型,确定各子代工艺参数组的预估目标函数值,具体包括:
将子代工艺参数组分别输入到训练好的多个参数优化模型中,得到所述子代工艺参数组的多个目标函数值;
将所述子代工艺参数组的多个目标函数值求均值,得到所述子代工艺参数组对应的预估目标函数值。
7.根据权利要求1所述的页岩油开采中注气吞吐参数优化方法,其特征在于,所述回归预测模型为深度神经网络、集成决策树和支持向量机中的任意一种。
8.一种页岩油开采中注气吞吐参数优化***,其特征在于,用于对注气吞吐工艺的各工艺参数进行优化,所述页岩油开采中注气吞吐参数优化***包括:
优化样本集构建模块,用于构建优化样本集;所述优化样本集包括若干个工艺参数组和工艺参数组对应的目标函数值;所述工艺参数组对应的目标函数值为,按照所述工艺参数组实施注气吞吐工艺时,所述目标页岩油井的累产油量或经济净现值;
初始种群确定模块,用于在所述优化样本集中选取目标函数值最大的若干个工艺参数组和对应的目标函数值,作为进化算法的初始种群;
多模型训练模块,用于以工艺参数组作为输入,以所述工艺参数组对应的目标函数值作为目标输出,分别对预先建立的多个回归预测模型进行训练,得到训练好的多个回归预测模型;多个所述回归预测模型的结构互不相同;
种群迭代进化模块,用于利用进化算法和训练好的多个回归预测模型迭代更新所述初始种群,得到目标种群;
子代预估样本集构建模块,用于将在迭代更新初始种群过程中所有的中间种群的子代工艺参数组和子代工艺参数组对应的预估目标函数值,作为子代预估样本集;
第一判断模块,用于判断是否达到优化结束条件,得到第一判断结果;
优化样本集更新模块,用于在所述第一判断结果为否时,根据所述子代预估样本集重新确定初始种群,并对所述优化样本集进行更新,调用所述多模型训练模块;
所述优化样本集更新模块具体用于:针对任一子代工艺参数组,计算所述子代工艺参数组的不确定性指数;所述不确定性指数为所述子代工艺参数组的多个目标函数值之间的方差;针对任一子代工艺参数组,计算所述子代工艺参数组的距离指数;所述距离指数为所述子代工艺参数组与所述子代预估样本集中其他子代工艺参数组之间的欧氏距离的平均值;根据各子代工艺参数组的不确定性指数将各子代工艺参数组降序排序,选取前p 1的子代工艺参数组作为第一样本集;在所述子代预估样本集中去除第一样本集,根据各子代工艺参数组的目标函数值进行降序排序,选取前p 2的子代工艺参数组作为第二样本集;在所述子代预估样本集中去除第一样本集和第二样本集,根据各子代工艺参数组的距离指数进行降序排序,选取前p 3的子代工艺参数组作为第三样本集;将所述第一样本集、所述第二样本集和所述第三样本集合并,得到合并样本集;利用目标页岩油井的数值模拟模型对所述合并样本集中各子代工艺参数组进行数值模拟,得到各子代工艺参数组对应的目标函数值;将合并样本集各子代工艺参数组和对应的目标函数值作为新的初始种群,并加入到所述优化样本集中;
最优工艺参数确定模块,用于在所述第一判断结果为是时,将所述目标种群中目标函数值最大的工艺参数组作为目标页岩油井的最优工艺参数组。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211133564.3A CN115204064B (zh) | 2022-09-19 | 2022-09-19 | 一种页岩油开采中注气吞吐参数优化方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211133564.3A CN115204064B (zh) | 2022-09-19 | 2022-09-19 | 一种页岩油开采中注气吞吐参数优化方法及*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115204064A CN115204064A (zh) | 2022-10-18 |
CN115204064B true CN115204064B (zh) | 2022-12-02 |
Family
ID=83572580
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211133564.3A Active CN115204064B (zh) | 2022-09-19 | 2022-09-19 | 一种页岩油开采中注气吞吐参数优化方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115204064B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115470910A (zh) * | 2022-10-20 | 2022-12-13 | 晞德软件(北京)有限公司 | 基于贝叶斯优化及K-center采样的自动调参方法 |
CN116401236B (zh) * | 2023-06-07 | 2023-08-18 | 瀚高基础软件股份有限公司 | 一种数据库参数自适应优化的方法及设备 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105050132A (zh) * | 2015-08-10 | 2015-11-11 | 北京邮电大学 | 小区极值吞吐量的估计方法 |
CN112379594A (zh) * | 2020-11-09 | 2021-02-19 | 武汉理工大学 | 一种数据驱动的碳纤维原液温度控制参数优化方法 |
Family Cites Families (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105303251A (zh) * | 2015-10-10 | 2016-02-03 | 中国矿业大学 | 太阳能海水淡化问题的区间支持向量机模型及优化设计 |
CN108960486B (zh) * | 2018-06-12 | 2021-10-29 | 郑州航空工业管理学院 | 基于灰支持向量回归机预测适应值的交互式集合进化方法 |
CN109325616A (zh) * | 2018-09-01 | 2019-02-12 | 哈尔滨工程大学 | 一种基于高斯过程回归和萤火虫算法相结合的细颗粒物预测与溯源方法 |
US11151175B2 (en) * | 2018-09-24 | 2021-10-19 | International Business Machines Corporation | On-demand relation extraction from text |
CN109236258B (zh) * | 2018-10-27 | 2019-07-23 | 中国地质大学(北京) | 一种基于自适应代理模型的致密油藏压裂水平井优化方法 |
CN112152267B (zh) * | 2019-06-27 | 2022-07-29 | 浙江工业大学 | 一种计及源荷不确定性的电网随机无功优化调度方法 |
CN110782366B (zh) * | 2019-10-12 | 2022-09-06 | 大连理工大学 | 一种基于情景不确定性的供水管网多目标优化调控方法 |
US11574703B2 (en) * | 2019-12-23 | 2023-02-07 | TeselaGen Biotechnology Inc. | Method, apparatus, and computer-readable medium for efficiently optimizing a phenotype with a combination of a generative and a predictive model |
CN111861774B (zh) * | 2020-06-22 | 2021-06-04 | 中国石油大学(华东) | 一种基于并行代理模型的油藏生产机器学习方法 |
CN114580256A (zh) * | 2020-12-01 | 2022-06-03 | 中国石油化工股份有限公司 | 一种基于渗流特征分区的高含水油藏井位优化方法 |
CN113610229A (zh) * | 2021-08-10 | 2021-11-05 | 白雪云 | 一种基于范数不确定性指标的主动学习方法 |
CN114519274A (zh) * | 2022-02-21 | 2022-05-20 | 中国石油大学(华东) | 一种气驱油藏注采参数分步优化方法 |
CN114595608B (zh) * | 2022-03-11 | 2023-06-27 | 中国石油大学(华东) | 一种压裂施工参数和工作制度参数优化方法及*** |
CN114759590A (zh) * | 2022-04-29 | 2022-07-15 | 武汉大学 | 一种基于数据驱动的换流站稳态无功协调策略优化方法及装置 |
CN114969953B (zh) * | 2022-07-28 | 2023-02-03 | 华中科技大学 | 基于CatBoost-NSGA-Ⅲ的盾构下穿隧道优化设计方法及设备 |
-
2022
- 2022-09-19 CN CN202211133564.3A patent/CN115204064B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105050132A (zh) * | 2015-08-10 | 2015-11-11 | 北京邮电大学 | 小区极值吞吐量的估计方法 |
CN112379594A (zh) * | 2020-11-09 | 2021-02-19 | 武汉理工大学 | 一种数据驱动的碳纤维原液温度控制参数优化方法 |
Also Published As
Publication number | Publication date |
---|---|
CN115204064A (zh) | 2022-10-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115204064B (zh) | 一种页岩油开采中注气吞吐参数优化方法及*** | |
Shi et al. | Development of subsurface geological cross-section from limited site-specific boreholes and prior geological knowledge using iterative convolution XGBoost | |
CN109611087B (zh) | 一种火山岩油藏储层参数智能预测方法及*** | |
Ozdogan et al. | Optimization of well placement under time-dependent uncertainty | |
CN109416769B (zh) | 生成用于开采油气储藏的油田开发计划(fdp)的计算机实施的方法 | |
Hutahaean et al. | On optimal selection of objective grouping for multiobjective history matching | |
CN113359212B (zh) | 一种基于深度学习的储层特征预测方法及模型 | |
CN114723095A (zh) | 缺失测井曲线预测方法及装置 | |
Raji et al. | A new approach in well placement optimization using metaheuristic algorithms | |
Alpak et al. | Biobjective optimization of well placement: algorithm, validation, and field testing | |
CN111058840A (zh) | 一种基于高阶神经网络的有机碳含量(toc)评价方法 | |
CN116665067A (zh) | 基于图神经网络的找矿靶区优选***及其方法 | |
Wang et al. | An efficient bi-objective optimization workflow using the distributed quasi-Newton method and its application to well-location optimization | |
Brown et al. | Machine learning on Crays to optimize petrophysical workflows in oil and gas exploration | |
Du et al. | Production forecasting with the interwell interference by integrating graph convolutional and long short-term memory neural network | |
Qi et al. | An evolutionary sequential transfer optimization algorithm for well placement optimization based on task characteristics | |
CN117473305A (zh) | 一种近邻信息增强的储层参数预测方法及*** | |
CN116927771A (zh) | 一种预测页岩储层总有机碳数据的方法、装置、设备及介质 | |
Hamdi et al. | Gaussian process for uncertainty quantification of reservoir models | |
Manasipov et al. | Physics informed machine learning for production forecast | |
CN112749082B (zh) | 一种基于de-th算法的测试用例生成方法及*** | |
Juda et al. | An attempt to boost posterior population expansion using fast machine learning algorithms | |
Mahjour et al. | Two-stage scenario reduction process for an efficient robust optimization | |
CN112906760A (zh) | 一种水平井压裂段分段方法、***、设备及存储介质 | |
CN112907698A (zh) | 一种动态融合时序与非时序特征的测井曲线生成方法 |
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 |