CN115239001A - 井底流压的确定方法、装置、电子设备和介质 - Google Patents
井底流压的确定方法、装置、电子设备和介质 Download PDFInfo
- Publication number
- CN115239001A CN115239001A CN202210903691.0A CN202210903691A CN115239001A CN 115239001 A CN115239001 A CN 115239001A CN 202210903691 A CN202210903691 A CN 202210903691A CN 115239001 A CN115239001 A CN 115239001A
- Authority
- CN
- China
- Prior art keywords
- model
- bottom hole
- sample
- data
- production
- 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 49
- 238000004519 manufacturing process Methods 0.000 claims abstract description 148
- 230000003068 static effect Effects 0.000 claims abstract description 62
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 60
- 238000004590 computer program Methods 0.000 claims description 17
- 230000015654 memory Effects 0.000 claims description 12
- 238000013527 convolutional neural network Methods 0.000 claims description 6
- 238000004088 simulation Methods 0.000 claims description 6
- 230000007246 mechanism Effects 0.000 claims description 5
- 238000004364 calculation method Methods 0.000 claims description 4
- 238000005259 measurement Methods 0.000 claims description 4
- 238000012417 linear regression Methods 0.000 claims description 3
- 230000007787 long-term memory Effects 0.000 claims description 3
- 238000007637 random forest analysis Methods 0.000 claims description 3
- 230000006403 short-term memory Effects 0.000 claims description 3
- 238000012706 support-vector machine Methods 0.000 claims description 3
- 238000004891 communication Methods 0.000 description 8
- 238000012545 processing Methods 0.000 description 7
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 6
- 238000010586 diagram Methods 0.000 description 4
- 238000010801 machine learning Methods 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 230000003993 interaction Effects 0.000 description 3
- 238000013507 mapping Methods 0.000 description 3
- 238000013178 mathematical model Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 230000015572 biosynthetic process Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 239000000047 product Substances 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000001174 ascending effect Effects 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 239000011521 glass Substances 0.000 description 1
- 230000005484 gravity Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 239000013589 supplement Substances 0.000 description 1
- 238000012546 transfer Methods 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Software Systems (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- General Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Tourism & Hospitality (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Quality & Reliability (AREA)
- Medical Informatics (AREA)
- Development Economics (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Entrepreneurship & Innovation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Molecular Biology (AREA)
- Game Theory and Decision Science (AREA)
- Biomedical Technology (AREA)
- Operations Research (AREA)
- Agronomy & Crop Science (AREA)
- Animal Husbandry (AREA)
- Marine Sciences & Fisheries (AREA)
- Mining & Mineral Resources (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种井底流压的确定方法、装置、电子设备和介质。所述方法包括:确定目标地区内各生产井之间的空间特征,以及样本生产数据和样本井底流压之间的关系;基于时空动态预测算法,根据所述空间特征和所述样本生产数据和样本井底流压之间的关系得到时空模型;基于静态预测算法和时序预测算法,根据所述样本生产数据和样本井底流压之间的关系得到静态模型和时序模型;基于所述时空模型、静态模型和时序模型,根据目标地区内待预测生产井的生产数据确定井底流压。本技术方案引入空间特征和时间特征,使预测的井底流压更加准确。
Description
技术领域
本发明涉及油田开发技术领域,尤其涉及一种井底流压的确定方法、装置、电子设备和介质。
背景技术
生产气井钻井完成后,工程师会在井底布置压力传感器对井底流压进行长期测量监控。在经年累月的生产过程中,部分传感器会由于地质条件或工程质量等原因失灵而无法继续测量。位于井底的传感器在气井投产以后无法进行置换或重新布置,因此,通过生产气井的其余生产数据与监测数据,对井底流压进行虚拟计量,对气井产能与气藏状态评估起到关键的分析辅助作用。
随着机器学习的兴起,通过机器学习建立井口的油、气、水三相流量、压力和温度与井底压力对应的机器学习模型,该方法的缺点是纯粹由数据出发,机器学习的样本仅仅是由实际的生产数据,学习样本相对较少,泛化性能一般,所以能够进行准确的井底流压的确定十分重要。
发明内容
本发明提供了一种井底流压的确定方法、装置、电子设备和介质,以解决实际井底流压与预测的井底流压存在的较大误差,以及模拟中有效数据少的问题,实现了对井底流压的准确预测。
根据本发明的一方面,提供了一种井底流压的确定方法,该方法包括:
确定目标地区内各生产井之间的空间特征,以及样本生产数据和样本井底流压之间的关系;
基于时空动态预测算法,根据所述空间特征和所述样本生产数据和样本井底流压之间的关系得到时空模型;
基于静态预测算法和时序预测算法,根据所述样本生产数据和样本井底流压之间的关系得到静态模型和时序模型;
基于所述时空模型、静态模型和时序模型,根据目标地区内待预测生产井的生产数据确定井底流压。
根据本发明的另一方面,提供了一种井底流压的确定装置,该装置包括:
信息确定模块,用于确定目标地区内各生产井之间的空间特征,以及样本生产数据和样本井底流压之间的关系;
第一模型建立模块,用于基于时空动态预测算法,根据所述空间特征和所述样本生产数据和样本井底流压之间的关系得到时空模型;
第二模型建立模块,用于基于静态预测算法和时序预测算法,根据所述样本生产数据和样本井底流压之间的关系得到静态模型和时序模型;
井底流压确定模块,用于基于所述时空模型、静态模型和时序模型,根据目标地区内待预测生产井的生产数据确定井底流压。
根据本发明的另一方面,提供了一种电子设备,所述电子设备包括:至少一个处理器;以及
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的计算机程序,所述计算机程序被所述至少一个处理器执行,以使所述至少一个处理器能够执行本发明任一实施例所述的井底流压的确定方法。
根据本发明的另一方面,提供了一种计算机可读存储介质,所述计算机可读存储介质存储有计算机指令,所述计算机指令用于使处理器执行时实现本发明任一实施例所述的井底流压的确定方法。
本发明实施例的技术方案,通过确定目标地区内各生产井之间的空间特征,以及样本生产数据和样本井底流压之间的关系;基于时空动态预测算法,根据空间特征和样本生产数据和样本井底流压之间的关系得到时空模型;基于静态预测算法和时序预测算法,根据样本生产数据和样本井底流压之间的关系得到静态模型和时序模型;基于时空模型、静态模型和时序模型,根据目标地区内待预测生产井的生产数据确定井底流压。解决了实际井底流压与预测的井底流压存在的较大误差,以及模拟中有效数据少的问题,实现了对井底流压的准确预测。
应当理解,本部分所描述的内容并非旨在标识本发明的实施例的关键或重要特征,也不用于限制本发明的范围。本发明的其它特征将通过以下的说明书而变得容易理解。
附图说明
为了更清楚地说明本发明实施例中的技术方案,下面将对实施例描述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是根据本发明实施例一提供的一种井底流压的确定方法的流程图;
图2是根据本发明实施例二提供的一种井底流压的确定方法的流程图;
图3是根据本发明实施例三提供的一种井底流压的确定装置的结构示意图;
图4是实现本发明实施例的井底流压的确定方法的电子设备的结构示意图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案,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的实施例,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,都应当属于本发明保护的范围。
需要说明的是,本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”和“目标”等是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外,术语“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、***、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
实施例一
图1为根据本发明实施例一提供的一种井底流压的确定方法的流程图,本实施例可适用于根据不同地区不同井的物理特性和井底流压的表现,对井底流压进行准确预测的情况,该方法可以由井底流压的确定装置来执行,该井底流压的确定装置可以采用硬件和/或软件的形式实现,该井底流压的确定装置可配置于井底流压的确定方法的电子设备中。如图1所示,该方法包括:
S110、确定目标地区内各生产井之间的空间特征,以及样本生产数据和样本井底流压之间的关系。
其中,空间特征用于对生产井之间的空间位置进行描述。样本生产数据和样本井底流压之间的关系是预先通过各种手段获取到的各生产井在生产时的各种状态数据以及对应的井底流压。生产数据是指生产井在进行油或气开发时产生的各种状态数据等,示例性的,生产数据可以包括不同油、气或水的产量,或者井口温度等。
可选的,所述各生产井之间的空间特征包括如下至少一种:生产井的坐标、测量深度、距离、连通性以及层位特征。
其中,连通性可以是不同井直接由于距离等影响因素引起的连接关系,可以说当两个井之间距离越近,连通性越强,反之连通性会变弱。层位特征可以是指井内不同高度位置地质层的特性。
可选的,所述样本生产数据和样本井底流压之间的关系包括模拟生产数据和模拟井底流压之间的关系以及历史生产数据和历史井底流压之间的关系;其中,所述模拟井底流压是根据预先确定的机理模型对模拟生产数据进行模拟计算得到。
其中,机理模型可以是在一定的假设下,根据主要因素相互作用的机理,对它们之间的平衡关系的数学描述,例如,根据不同生产井的不同油、气和水产量等工况,建立起来的这些工况与井底流压之间关系的数学模型,或者可以对井底流压结果有影响的数学模型,最后根据这些模型获得模拟井底流压。模拟生产数据可以是与实际生产环境存在较强联系的数据,例如,根据实际环境的生产数据,设定的不同生产井的油产量、水产量、气产量、生产时间数据以及井的动态工程数据和生产层位的油藏描述数据等数据信息。其中,动态工程数据可以是井口温度、井口流压和进口温度等数据。历史生产数据可以是实际不同生产井的历史油产量、水产量、气产量数据、生产时间数据、历史动态工程数据以及历史生产层位的油藏描述数据等实际的历史数据信息。历史井底流压可以是历史实际的井底流压数据以及历史模拟的井底流压数据。
具体的,获取到上述所有数据信息后,进行数据的清洗和整理,进行关系数据库建模。关系数据库搭建主要基于关系型数据库设计的三范式,将原始数据进行梳理,消除重复列,使表与表之间只依赖主键,并消除表之间的传递依赖。以此确保算法在运行过程中可以更加清晰的理解原始数据,并保证后续准确的查询和生成算法需要的数据以及对应的结构。此外,对含有异常值的数据进行筛选去除和插值补充,对数据进行标准化处理以消除不同数据之间数量级和量纲的差异。这样可以充分得到大量的有效数据,减小样本数据少,泛化性单一的问题,提高实际生产中应用的鲁棒性和迁移性。
S120、基于时空动态预测算法,根据所述空间特征和所述样本生产数据和样本井底流压之间的关系得到时空模型。
其中,时空动态预测算法是指考虑时间空间特征对结果产生影响的预测算法。
具体的,获取与建立时空模型有关的空间特征,例如生产井的坐标、测量深度、距离、连通性以及层位特征等空间特性,同时,获取样本生产数据和样本井底流压之间的关系,将空间特征和样本生产数据和样本井底流压之间的关系输入到时空动态预测算法中进行训练,获得可以进行井底流压预测的时空模型,通过时空模型建立空间特征、样本生产数据和样本井底流压之间的特征映射关系。可选的,所述时空动态预测算法包括时空图卷积神经网络。
S130、基于静态预测算法和时序预测算法,根据所述样本生产数据和样本井底流压之间的关系得到静态模型和时序模型。
其中,静态预测算法是指传统的根据静态参数对结果进行预测的算法,时序预测算法是指考虑时间变化对结果产生影响的预测算法。
可选的,所述静态预测算法包括如下至少一种:线性回归、随机森林、支持向量机、贝叶斯岭回归和梯度集合回归;所述时序预测算法包括如下至少一种:长短期记忆网络和卷积神经网络。
在一个可行的实施例中,生产数据至少包括产量数据、动态工程数据和生产时间数据;
相应的,基于静态预测算法和时序预测算法,根据所述样本生产数据和样本井底流压之间的关系得到静态模型和时序模型,包括:
基于静态预测算法,根据所述产量数据和动态工程数据得到静态模型;
基于时序预测算法,根据所述产量数据、动态工程数据以及所述生产时间数据得到时序模型。
其中,产量数据可以是不同生产井每天的油产量、水产量和气产量等数据。动态工程数据是指随着时间动态发生变化的工程参数。
具体的,获取与形成静态模型有关的产量数据和动态工程数据,通过静态预测算法训练获取的数据,以获得可以进行井底流压预测的静态模型;再获取与形成时序模型有关的产量数据、动态工程数据以及生产时间数据,通过时序预测算法训练获取的数据,以获得可以进行井底流压预测的时序模型。通过静态模型建立样本生产数据和样本井底流压之间的特征映射关系,通过时序模型建立时间数据、样本生产数据和样本井底流压之间的特征映射关系。
本技术方案,通过获取样本生产数据和样本井底流压之间的关系,基于静态预测算法和时序预测算法,获得了可以进行井底流压预测的静态模型和时序模型,实现了对不同井井底流压预测的准确性。
S140、基于所述时空模型、静态模型和时序模型,根据目标地区内待预测生产井的生产数据确定井底流压。
具体的,采用训练好的时空模型、静态模型和时序模型分别对不同井的井底流压进行预测,将预测结果进行分析处理,获得最终的井底流压预测值,减小井底流压预测的误差,实现了井底流压预测的准确性。
本发明实施例的技术方案,通过确定目标地区内各生产井之间的空间特征,以及样本生产数据和样本井底流压之间的关系;基于时空动态预测算法,根据空间特征和样本生产数据和样本井底流压之间的关系得到时空模型;基于静态预测算法和时序预测算法,根据样本生产数据和样本井底流压之间的关系得到静态模型和时序模型;基于时空模型、静态模型和时序模型,根据目标地区内待预测生产井的生产数据确定井底流压。解决了实际井底流压与预测的井底流压存在的较大误差,以及模拟中有效数据少的问题,实现了对井底流压的准确预测。
实施例二
图2为根据本发明实施例二提供的一种井底流压的确定方法的流程图,本实施例时对上述实施例中S140后续步骤进行详细描述。如图2所示,该方法包括:
S210、根据各模型确定的井底流压和实际井底流压确定各模型的权重信息;其中,所述实际井底流压为预先根据目标生产数据进行确定。
其中,权重信息可以是指各模型确定的井底流压相对于实际井底流压的重要程度,其不同于一般的比重,体现的不仅仅是各模型确定的井底流压所占的百分比,强调的是各模型的相对重要程度,倾向于贡献度或重要性。
例如,若时空模型、静态模型和时序模型分别预测的井底流压与实际井底流压进行比较,确定时空模型、静态模型和时序模型分别预测的井底流压与实际井底流压的差值,差值越大,说明模型预测的井底流压与实际井底流压差距较大,按照差值将各模型进行升序排列为静态模型、时空模型和时序模型,则可以确定静态模型的权重信息最大,依次是时空模型和时序模型的权重信息,这样根据计算就能获得准确的各个模型对应的权重信息,且权重信息越高,模型预测的井底流压越准确。
S220、基于所述权重信息,根据所述时空模型、静态模型和时序模型得到集合模型。
具体的,依据时空模型、静态模型和时序模型的权重信息,将时空模型、静态模型和时序模型结合形成集合模型,避免了因为单一模型的误差,导致井底流压预测的不准确,实现了对时空模型、静态模型和时序模型的有效融合。
S230、根据所述集合模型对所述待预测生产井的井底流压进行确定。
具体的,利用集合模型对待预测生产井的井底流压进行预测,使预测结果更加准确,此外,若待预测生产井产生了新的数据,则需要对集合模型进行实时更新。
在一个可行的实施例中,在根据所述集合模型对所述待预测生产井的井底流压进行确定之后,所述方法还包括:
根据确定的井底流压以及新增生产数据和新增井底流压之间的关系对所述权重信息进行更新。
具体的,当目标地区内的生产井出现了新增生产数据,根据新增生产数据和新增井底流压之间的关系对时空模型、静态模型和时序模型的权重信息进行更新,再将更新的时空模型、静态模型和时序模型进行结合,产生新的集合模型,对待预测生产井的井底流压进行确定,进一步保证了模型的可靠性。
本技术方案,通过确定的井底流压以及新增生产数据和新增井底流压之间的关系对权重信息进行更新,进而获得更加准确的集合模型,确保了有效模型的输出,实现了对待预测生产井不同时间段或不同情况等的准确预测。
实施例三
图3为根据本发明实施例三提供的一种井底流压的确定装置的结构示意图。如图3所示,该装置包括:
信息确定模块310,用于确定目标地区内各生产井之间的空间特征,以及样本生产数据和样本井底流压之间的关系。
第一模型建立模块320,用于基于时空动态预测算法,根据所述空间特征和所述样本生产数据和样本井底流压之间的关系得到时空模型。
第二模型建立模块330,用于基于静态预测算法和时序预测算法,根据所述样本生产数据和样本井底流压之间的关系得到静态模型和时序模型。
井底流压确定模块340,用于基于所述时空模型、静态模型和时序模型,根据目标地区内待预测生产井的生产数据确定井底流压。
可选的,井底流压确定模块,具体用于:
根据各模型确定的井底流压和实际井底流压确定各模型的权重信息;其中,所述实际井底流压为预先根据目标生产数据进行确定;
基于所述权重信息,根据所述时空模型、静态模型和时序模型得到集合模型;
根据所述集合模型对所述待预测生产井的井底流压进行确定。
可选的,井底流压确定模块还包含更新单元,具体用于:
根据确定的井底流压以及新增生产数据和新增井底流压之间的关系对所述权重信息进行更新。
可选的,所述样本生产数据和样本井底流压之间的关系包括模拟生产数据和模拟井底流压之间的关系以及历史生产数据和历史井底流压之间的关系;其中,所述模拟井底流压是根据预先确定的机理模型对模拟生产数据进行模拟计算得到。
其中,生产数据至少包括产量数据、动态工程数据和生产时间数据;
相应的,第二模型建立模块,具体用于:
基于静态预测算法,根据所述产量数据和动态工程数据得到静态模型;
基于时序预测算法,根据所述产量数据、动态工程数据以及所述生产时间数据得到时序模型。
可选的,所述静态预测算法包括如下至少一种:线性回归、随机森林、支持向量机、贝叶斯岭回归和梯度集合回归;所述时序预测算法包括如下至少一种:长短期记忆网络和卷积神经网络;所述时空动态预测算法包括时空图卷积神经网络。
其中,所述各生产井之间的空间特征包括如下至少一种:生产井的坐标、测量深度、距离、连通性以及层位特征。
本发明实施例所提供的井底流压的确定装置可执行本发明任意实施例所提供的井底流压的确定方法,具备执行方法相应的功能模块和有益效果。
本申请技术方案中对数据的获取、存储、使用、处理等均符合国家法律法规的相关规定,且不违背公序良俗。
实施例四
根据本公开的实施例,本公开还提供了一种电子设备、一种可读存储介质和一种计算机程序产品。
图4示出了可以用来实现本发明实施例的井底流压的确定方法的电子设备的结构示意图。电子设备旨在表示各种形式的数字计算机,诸如,膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置,诸如,个人数字处理、蜂窝电话、智能电话、可穿戴设备(如头盔、眼镜、手表等)和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例,并且不意在限制本文中描述的和/或者要求的本发明的实现。
如图4所示,电子设备10包括至少一个处理器11,以及与至少一个处理器11通信连接的存储器,如只读存储器(ROM)12、随机访问存储器(RAM)13等,其中,存储器存储有可被至少一个处理器执行的计算机程序,处理器11可以根据存储在只读存储器(ROM)12中的计算机程序或者从存储单元18加载到随机访问存储器(RAM)13中的计算机程序,来执行各种适当的动作和处理。在RAM 13中,还可存储电子设备10操作所需的各种程序和数据。处理器11、ROM 12以及RAM 13通过总线14彼此相连。输入/输出(I/O)接口15也连接至总线14。
电子设备10中的多个部件连接至I/O接口15,包括:输入单元16,例如键盘、鼠标等;输出单元17,例如各种类型的显示器、扬声器等;存储单元18,例如磁盘、光盘等;以及通信单元19,例如网卡、调制解调器、无线通信收发机等。通信单元19允许电子设备10通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。
处理器11可以是各种具有处理和计算能力的通用和/或专用处理组件。处理器11的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的处理器、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。处理器11执行上文所描述的各个方法和处理,例如井底流压的确定方法。
在一些实施例中,井底流压的确定方法可被实现为计算机程序,其被有形地包含于计算机可读存储介质,例如存储单元18。在一些实施例中,计算机程序的部分或者全部可以经由ROM 12和/或通信单元19而被载入和/或安装到电子设备10上。当计算机程序加载到RAM 13并由处理器11执行时,可以执行上文描述的井底流压的确定方法的一个或多个步骤。备选地,在其他实施例中,处理器11可以通过其他任何适当的方式(例如,借助于固件)而被配置为执行井底流压的确定方法。
本文中以上描述的***和技术的各种实施方式可以在数字电子电路***、集成电路***、现场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上***的***(SOC)、复杂可编程逻辑设备(CPLD)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括:实施在一个或者多个计算机程序中,该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程***上执行和/或解释,该可编程处理器可以是专用或者通用可编程处理器,可以从存储***、至少一个输入装置、和至少一个输出装置接收数据和指令,并且将数据和指令传输至该存储***、该至少一个输入装置、和该至少一个输出装置。
用于实施本发明的方法的计算机程序可以采用一个或多个编程语言的任何组合来编写。这些计算机程序可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器,使得计算机程序当由处理器执行时使流程图和/或框图中所规定的功能/操作被实施。计算机程序可以完全在机器上执行、部分地在机器上执行,作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
在本发明的上下文中,计算机可读存储介质可以是有形的介质,其可以包含或存储以供指令执行***、装置或设备使用或与指令执行***、装置或设备结合地使用的计算机程序。计算机可读存储介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体***、装置或设备,或者上述内容的任何合适组合。备选地,计算机可读存储介质可以是机器可读信号介质。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
为了提供与用户的交互,可以在电子设备上实施此处描述的***和技术,该电子设备具有:用于向用户显示信息的显示装置(例如,CRT(阴极射线管)或者LCD(液晶显示器)监视器);以及键盘和指向装置(例如,鼠标或者轨迹球),用户可以通过该键盘和该指向装置来将输入提供给电子设备。其它种类的装置还可以用于提供与用户的交互;例如,提供给用户的反馈可以是任何形式的传感反馈(例如,视觉反馈、听觉反馈、或者触觉反馈);并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
可以将此处描述的***和技术实施在包括后台部件的计算***(例如,作为数据服务器)、或者包括中间件部件的计算***(例如,应用服务器)、或者包括前端部件的计算***(例如,具有图形用户界面或者网络浏览器的用户计算机,用户可以通过该图形用户界面或者该网络浏览器来与此处描述的***和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算***中。可以通过任何形式或者介质的数字数据通信(例如,通信网络)来将***的部件相互连接。通信网络的示例包括:局域网(LAN)、广域网(WAN)、区块链网络和互联网。
计算***可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器,又称为云计算服务器或云主机,是云计算服务体系中的一项主机产品,以解决了传统物理主机与VPS服务中,存在的管理难度大,业务扩展性弱的缺陷。
应该理解,可以使用上面所示的各种形式的流程,重新排序、增加或删除步骤。例如,本发明中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行,只要能够实现本发明的技术方案所期望的结果,本文在此不进行限制。
上述具体实施方式,并不构成对本发明保护范围的限制。本领域技术人员应该明白的是,根据设计要求和其他因素,可以进行各种修改、组合、子组合和替代。任何在本发明的精神和原则之内所作的修改、等同替换和改进等,均应包含在本发明保护范围之内。
Claims (10)
1.一种井底流压的确定方法,其特征在于,包括:
确定目标地区内各生产井之间的空间特征,以及样本生产数据和样本井底流压之间的关系;
基于时空动态预测算法,根据所述空间特征和所述样本生产数据和样本井底流压之间的关系得到时空模型;
基于静态预测算法和时序预测算法,根据所述样本生产数据和样本井底流压之间的关系得到静态模型和时序模型;
基于所述时空模型、静态模型和时序模型,根据目标地区内待预测生产井的生产数据确定井底流压。
2.根据权利要求1所述的方法,其特征在于,在基于所述时空模型、静态模型和时序模型,根据目标地区内待预测生产井的目标生产数据确定井底流压之后,所述方法还包括:
根据各模型确定的井底流压和实际井底流压确定各模型的权重信息;其中,所述实际井底流压为预先根据目标生产数据进行确定;
基于所述权重信息,根据所述时空模型、静态模型和时序模型得到集合模型;
根据所述集合模型对所述待预测生产井的井底流压进行确定。
3.根据权利要求2所述的方法,其特征在于,在根据所述集合模型对所述待预测生产井的井底流压进行确定之后,所述方法还包括:
根据确定的井底流压以及新增生产数据和新增井底流压之间的关系对所述权重信息进行更新。
4.根据权利要求1所述的方法,其特征在于,所述样本生产数据和样本井底流压之间的关系包括模拟生产数据和模拟井底流压之间的关系以及历史生产数据和历史井底流压之间的关系;其中,所述模拟井底流压是根据预先确定的机理模型对模拟生产数据进行模拟计算得到。
5.根据权利要求1所述的方法,其特征在于,生产数据至少包括产量数据、动态工程数据和生产时间数据;
相应的,基于静态预测算法和时序预测算法,根据所述样本生产数据和样本井底流压之间的关系得到静态模型和时序模型,包括:
基于静态预测算法,根据所述产量数据和动态工程数据得到静态模型;
基于时序预测算法,根据所述产量数据、动态工程数据以及所述生产时间数据得到时序模型。
6.根据权利要求5所述的方法,其特征在于,所述静态预测算法包括如下至少一种:线性回归、随机森林、支持向量机、贝叶斯岭回归和梯度集合回归;所述时序预测算法包括如下至少一种:长短期记忆网络和卷积神经网络;所述时空动态预测算法包括时空图卷积神经网络。
7.根据权利要求1所述的方法,其特征在于,所述各生产井之间的空间特征包括如下至少一种:生产井的坐标、测量深度、距离、连通性以及层位特征。
8.一种井底流压的确定装置,其特征在于,包括:
信息确定模块,用于确定目标地区内各生产井之间的空间特征,以及样本生产数据和样本井底流压之间的关系;
第一模型建立模块,用于基于时空动态预测算法,根据所述空间特征和所述样本生产数据和样本井底流压之间的关系得到时空模型;
第二模型建立模块,用于基于静态预测算法和时序预测算法,根据所述样本生产数据和样本井底流压之间的关系得到静态模型和时序模型;
井底流压确定模块,用于基于所述时空模型、静态模型和时序模型,根据目标地区内待预测生产井的生产数据确定井底流压。
9.一种电子设备,其特征在于,所述电子设备包括:
至少一个处理器;以及
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的计算机程序,所述计算机程序被所述至少一个处理器执行,以使所述至少一个处理器能够执行权利要求1-7中任一项所述的井底流压的确定方法。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质存储有计算机指令,所述计算机指令用于使处理器执行时实现权利要求1-7中任一项所述的井底流压的确定方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210903691.0A CN115239001A (zh) | 2022-07-28 | 2022-07-28 | 井底流压的确定方法、装置、电子设备和介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210903691.0A CN115239001A (zh) | 2022-07-28 | 2022-07-28 | 井底流压的确定方法、装置、电子设备和介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115239001A true CN115239001A (zh) | 2022-10-25 |
Family
ID=83677288
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210903691.0A Pending CN115239001A (zh) | 2022-07-28 | 2022-07-28 | 井底流压的确定方法、装置、电子设备和介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115239001A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117684947A (zh) * | 2022-12-14 | 2024-03-12 | 中国科学院沈阳自动化研究所 | 一种基于深度学习的油井井底流压软测量方法 |
-
2022
- 2022-07-28 CN CN202210903691.0A patent/CN115239001A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117684947A (zh) * | 2022-12-14 | 2024-03-12 | 中国科学院沈阳自动化研究所 | 一种基于深度学习的油井井底流压软测量方法 |
CN117684947B (zh) * | 2022-12-14 | 2024-05-07 | 中国科学院沈阳自动化研究所 | 一种基于深度学习的油井井底流压软测量方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CA2640727C (en) | Methods, systems, and computer-readable media for real-time oil and gas field production optimization using a proxy simulator | |
RU2573746C2 (ru) | Система и способы для прогнозирования поведения скважины | |
AU2007211291A1 (en) | Methods, systems, and computer-readable media for fast updating of oil and gas field production models with physical and proxy simulators | |
CA3059937A1 (en) | User credit evaluation method and device, electronic device, storage medium | |
US20180052903A1 (en) | Transforming historical well production data for predictive modeling | |
CN115239001A (zh) | 井底流压的确定方法、装置、电子设备和介质 | |
CN116009495A (zh) | 基于数字孪生的资源模型建立方法、装置、设备和介质 | |
CN115203340A (zh) | 一种伴随关系确定方法、装置、设备和存储介质 | |
CN110879575B (zh) | 灵敏度分析的计算机实现方法及灵敏度分析*** | |
CN115394442A (zh) | 一种发育评估方法、装置、设备及介质 | |
CN116401281A (zh) | 一种sql查询时间预测方法、装置、设备及介质 | |
CN116647377A (zh) | 一种网站巡检方法、装置、电子设备及存储介质 | |
CN114692987A (zh) | 一种时序数据分析方法、装置、设备及存储介质 | |
CN118057390A (zh) | 油藏数值模拟拟合精度的确定方法、装置、设备及介质 | |
CN116881776A (zh) | 一种储层类型确定方法、装置、设备及介质 | |
CN116738517B (zh) | 一种储层预测方法、装置、电子设备及介质 | |
CN116757096B (zh) | 深薄致密砂岩气藏开发井型确定方法、装置、设备及介质 | |
CN116201524A (zh) | 断块型圈闭体积校正系数确定方法、装置、设备及介质 | |
CN115829160B (zh) | 一种时序异常预测方法、装置、设备及存储介质 | |
CN118407752A (zh) | 试油井段的含水率确定方法、装置、电子设备及存储介质 | |
CN118426055A (zh) | 基于支持向量机的孔隙度反演方法、装置、设备及介质 | |
CN116201539A (zh) | 背斜型圈闭体积校正系数确定方法、装置、设备及介质 | |
CN117908109A (zh) | 一种盐岩地层速度的确定方法、装置、设备及介质 | |
US20240183255A1 (en) | Temperature profile prediction in oil and gas industry utilizing machine learning model | |
CN117709179A (zh) | 一种油藏地质模型优化方法、装置、电子设备及存储介质 |
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 |