水驱开发油藏中优势通道的预测方法、系统及装置与流程

本发明涉及勘探领域，特别涉及一种水驱开发油藏中优势通道的预测方法、系统、装置及计算机可读存储介质。

背景技术：

注水是补充油藏能量的有效方式，我国大量油藏长期处于注水开发阶段，如塔里木盆地塔中4区块东河砂岩组油藏、渤海湾盆地胜坨区块沙河街组油藏等。油藏经过长期注水开发，由于储层敏感性和微粒迁移作用，储层中会在局部形成水流优势通道，优势通道的渗透率一般是邻层的3-5倍，大量注入水在优势通道中进行无效循环，严重降低油藏开发效率。封堵水驱油藏中已经形成的优势通道对提高油藏注水开发效率十分关键，而有效封堵的前提是准确预测注水井和产油井上发育优势通道的位置。

由于优势通道是一种开发现象，故可以直接依据开发动态资料识别优势通道。对于注水井的单注层段，若其吸水强度异常大，则该层段为优势通道；对于产油井的单采层段，若其产液强度和含水率异常高，则该层段为优势通道。虽然对于单注/单采层段能够准确识别优势通道，但由于油藏实际生产中，多数注水井实施多层段合注，多数产油井实施多层段合采，而优势通道往往只出现在邻近层段中的某一较薄的深度段，故直接基于动态资料难以准确预测合注/合采井中优势通道的发育位置。

为此，需要一种更为精准的优势通道预测方法。

技术实现要素：

有鉴于此，本发明的目的在于提供一种水驱开发油藏中优势通道的预测方法、系统、装置及计算机可读存储介质，提高预测精准度。其具体方案如下：

一种水驱开发油藏中优势通道的预测方法，包括：

根据水驱开发油藏的目的层的测井数据，将所述目的层划分为多个单层；

利用所述目的层的测井数据，得到每个单层的测井数据；其中，测井数据包括自然伽马、声波时差、深电阻率、浅电阻率、孔隙度和含水饱和度；

将每个单层的测井数据输入至预设的优势通道预测模型，得到每个单层的优势通道预测结果；

其中，所述优势通道预测模型为卷积神经网络模型，以单层为约束，利用样本单层的测井数据训练而成。

可选的，所述根据水驱开发油藏的目的层的测井数据，将所述目的层划分为多个单层的过程，包括：

根据测井数据中的自然伽马、声波时差、深电阻率和浅电阻率反映的沉积物韵律性特征，将所述目的层划分为多个单层，其中，每个单层包括1到2个单砂体。

可选的，所述利用所述目的层的测井数据，得到每个单层的测井数据的过程，包括：

利用所述目的层的测井数据；

利用所述目的层的厚度和单层的数量，得到所述目的层的单层的单层平均厚度；

利用所述单层平均厚度与预设的测井数据样点数的对应关系，得到每个单层的测井数据样点数；

利用每个单层的测井数据样点数和所述目的层的测井数据，得到每个单层的测井数据。

可选的，所述将每个单层的测井数据输入至预设的优势通道预测模型的过程，包括：

将每个单层的测井数据归一化，得到归一化后的归一化测井数据；

将每个单层的归一化测井数据输入至预设的优势通道预测模型。

可选的，所述优势通道预测模型的激活函数为

损失函数为

式中，x为卷积层的输出值，m为输入数据数量，yi为卷积神经网络模型前向传播计算结果，为对应标签数据。

本发明还公开了一种水驱开发油藏中优势通道的预测系统，包括：

岩层划分模块，用于根据水驱开发油藏的目的层的测井数据，将所述目的层划分为多个单层；

测井数据获取模块，用于利用所述目的层的测井数据，得到每个单层的测井数据；其中，测井数据包括自然伽马、声波时差、深电阻率、浅电阻率、孔隙度和含水饱和度；

优势通道预测模块，用于将每个单层的测井数据输入至预设的优势通道预测模型，得到每个单层的优势通道预测结果；

其中，所述优势通道预测模型为卷积神经网络模型，以单层为约束，利用样本单层的测井数据训练而成。

可选的，所述岩层划分模块，具体用于根据测井数据中的自然伽马、声波时差、深电阻率和浅电阻率反映的沉积物韵律性特征，将所述目的层划分为多个单层，其中，每个单层包括1到2个单砂体。

可选的，所述测井数据获取模块，包括：

目的层数据获取单元，用于利用所述目的层的测井数据；

单层平均厚度获取单元，用于利用所述目的层的厚度和单层的数量，得到所述目的层的单层的单层平均厚度；

样点数获取单元，用于利用所述单层平均厚度与预设的测井数据样点数的对应关系，得到每个单层的测井数据样点数；

单层数据获取单元，用于利用每个单层的测井数据样点数和所述目的层的测井数据，得到每个单层的测井数据。

本发明还公开了一种水驱开发油藏中优势通道的预测装置，包括：

存储器，用于存储计算机程序；

处理器，用于执行所述计算机程序以实现如前述的水驱开发油藏中优势通道的预测方法。

本发明还公开了一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现如前述的水驱开发油藏中优势通道的预测方法。

本发明中，水驱开发油藏中优势通道的预测方法，包括：根据水驱开发油藏的目的层的测井数据，将目的层划分为多个单层；利用目的层的测井数据，得到每个单层的测井数据；其中，测井数据包括自然伽马、声波时差、深电阻率、浅电阻率、孔隙度和含水饱和度；将每个单层的测井数据输入至预设的优势通道预测模型，得到每个单层的优势通道预测结果；其中，优势通道预测模型为卷积神经网络模型，以单层为约束，利用样本单层的测井数据训练而成。

本发明在自然伽马、声波时差、深电阻率和浅电阻率的基础上，额外考虑了孔隙度和含水饱和度两种数据，利用这两种数据携带的储层物性和流体信息，丰富了输入数据，提高了预测结果的准确度，并且输入数据以单层为约束截取，且配合基于卷积神经网络训练而成的优势通道预测模型，能够更为快速准确的预测出水驱开发油藏中的优势通道。

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，下面将对实施例或现有技术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，还可以根据提供的附图获得其他的附图。

图1为本发明实施例公开的一种水驱开发油藏中优势通道的预测方法流程示意图；

图2为本发明实施例公开的一种水驱开发油藏中优势通道的预测结果示意图；

图3为本发明实施例公开的另一种水驱开发油藏中优势通道的预测方法流程示意图；

图4为本发明实施例公开的一种水驱开发油藏中优势通道的预测系统结构示意图。

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。

本发明实施例公开了一种水驱开发油藏中优势通道的预测方法，参见图1所示，该方法包括：

s11：根据水驱开发油藏的目的层的测井数据，将目的层划分为多个单层。

具体的，将需要预测优势通道的岩层作为目的层，利用现有技术对目的层进行测井，得到相应的测井数据和相应的测井曲线，其中，测井数据包括自然伽马、声波时差、深电阻率和浅电阻率，能够反映目的层的沉积物韵律性特征，以此为基准将目的层划分为多个单层。划分的基准可以为保证每个单层包括1到2个单砂体，这样可以确保划分的细致度，以此来提高精准度，并且也避免划分过于细致，导致计算量过大。

s12：利用目的层的测井数据，得到每个单层的测井数据。

可以理解的是，目的层的测井数据是等间距的厚度序列数据，从厚度序列中选取多个采样点每个采样点对应多种数据，一个采样点的采样数据相当于一组子测井数据，其中，测井数据包括自然伽马、声波时差、深电阻率、浅电阻率、孔隙度和含水饱和度6种数据，一个采样点对应的一组子测井数据便可以包括该采样点采集到的自然伽马、声波时差、深电阻率、浅电阻率、孔隙度和含水饱和度。

其中，自然伽马、声波时差、深电阻率和浅电阻率可以直接通过测量得到，根据岩心井同一深度的岩心孔隙度数据和声波时差测井数据做相关分析，利用得到的相关关系，可以将声波时差曲线转化为孔隙度曲线，计算出孔隙度。基于电阻率曲线数据，依据阿尔奇公式，可以计算出含水饱和度曲线，得到含水饱和度。

具体的，由于每个单层的厚度不一定一致，因此，可以设定每个单层取固定数量的采样点，确保每个单层的采样点数量一致，以便后续优势通道预测模型能够准确预测每个单层的预测结果。

s13：将每个单层的测井数据输入至预设的优势通道预测模型，得到每个单层的优势通道预测结果。

具体的，每个单层的测井数据对应多个采样点的6种数据，假设样点数为n，每个单层便对应一个n*6的二维数据，因此，在输入优势通道预测模型前，需要进行归一化，得到归一化后的归一化测井数据，再将每个单层的归一化测井数据输入至预设的优势通道预测模型，从而得到每个单层的优势通道预测结果，参见图2所示，可见，优势通道曲线中，在第一单层和第三单层处有两个凸起，表明第一单层和第三单层中与曲线突出部分相应的深度存在优势通道，其中，gr表示自然伽马曲线，ac表示声波时差曲线，rt和rxo分别表示深、浅电阻率曲线。

具体的，每个单层的优势通道预测结果能够显示该单层中是否存在优势通道。

其中，优势通道预测模型为卷积神经网络模型，以单层为约束，利用样本单层的测井数据训练而成。

具体的，优势通道预测模型在训练时会基于生产动态资料，对训练用的目的层进行优势通道识别：依据注水井和产油井的生产动态数据识别优势通道，对于注水井，可以将吸水强度大于20m³/(d·m)的层段划分为优势通道；对于产油井，将产液强度大于20m³/(d·m)且含水率大于95％的层段划分为优势通道。基于优势通道的识别，生成其判别曲线，优势通道位置赋值为1，目的层的其它位置赋值为0；再利用训练用的目的层的样本单层的测井数据作为训练数据进行训练，可以将发育优势通道的井中截取数据作为训练和检验数据，在这些数据中区分发育优势通道和不发育优势通道层段的数据，分别在这两类中随机选取80％的数据组成训练集，其对应的优势通道判别曲线数据为训练标签；两类数据中余下的数据组成检测集，通过训练集和检测集的训练，调整卷积核数量和大小、池化方式、全连接层神经元个数等参数，直至训练的模型在检测集上的正确率大于95％，最终得到优势通道预测模型。

可见，本发明实施例中在自然伽马、声波时差、深电阻率和浅电阻率的基础上，额外考虑了孔隙度和含水饱和度两种数据，利用这两种数据携带的储层物性和流体信息，丰富了输入数据，提高了预测结果的准确度，并且输入数据以单层为约束截取，且配合基于卷积神经网络训练而成的优势通道预测模型，能够更为快速准确的预测出水驱开发油藏中的优势通道。

本发明实施例公开了一种具体的方法，相对于上一实施例，本实施例对技术方案作了进一步的说明和优化。参见图3所示，具体的：

s21：根据水驱开发油藏的目的层的测井数据，将目的层划分为多个单层；

s22：利用目的层的厚度和单层的数量，得到目的层的单层的单层平均厚度；

s23：利用单层平均厚度与预设的测井数据样点数的对应关系，得到每个单层的测井数据样点数。

具体的，利用目的层的厚度和单层的数量，求得目的层的单层的单层平均厚度，根据预设的单层厚度与测井数据样点数的对应关系，得到每个单层的测井数据样点数。

s24：利用每个单层的测井数据样点数和目的层的测井数据，得到每个单层的测井数据。

具体的，可以利用每个单层的测井数据样点数和每个单层的厚度，并通过目的层的测井数据插值，得到每个单层的测井数据。

需要说明的是，参见图2所示，目的层的测井数据是连续的曲线，因此，可以获取目的层中任意深度的测井数据。

s25：将每个单层的测井数据输入至预设的优势通道预测模型，得到每个单层的优势通道预测结果。

其中，优势通道预测模型的激活函数可以为

损失函数可以为

式中，x为卷积层的输出值，m为输入数据数量，yi为卷积神经网络模型前向传播计算结果，为对应标签数据。

具体的，激活函数具体为修正线性单元函数，损失函数为均方误差函数。

具体的，优势通道预测模型的卷积核数量可以为3，卷积核大小为4*4，池化方式为均值池化，全连接层神经元个数为15个。

相应的，本发明实施例还公开了一种水驱开发油藏中优势通道的预测系统，参见图4所示，包括：

岩层划分模块11，用于根据水驱开发油藏的目的层的测井数据，将目的层划分为多个单层；

测井数据获取模块12，用于利用目的层的测井数据，得到每个单层的测井数据；其中，测井数据包括自然伽马、声波时差、深电阻率、浅电阻率、孔隙度和含水饱和度；

优势通道预测模块13，用于将每个单层的测井数据输入至预设的优势通道预测模型，得到每个单层的优势通道预测结果；

其中，优势通道预测模型为卷积神经网络模型，以单层为约束，利用样本单层的测井数据训练而成。

可见，本发明实施例中在自然伽马、声波时差、深电阻率和浅电阻率的基础上，额外考虑了孔隙度和含水饱和度两种数据，利用这两种数据携带的储层物性和流体信息，丰富了输入数据，提高了预测结果的准确度，并且输入数据以单层为约束截取，且配合基于卷积神经网络训练而成的优势通道预测模型，能够更为快速准确的预测出水驱开发油藏中的优势通道。

具体的，岩层划分模块11，可以具体用于根据测井数据中的自然伽马、声波时差、深电阻率和浅电阻率反映的沉积物韵律性特征，将目的层划分为多个单层，其中，每个单层包括1到2个单砂体。

具体的，测井数据获取模块12，可以包括目的层数据获取单元、单层平均厚度获取单元、样点数获取单元和单层数据获取单元；

目的层数据获取单元，用于利用目的层的测井数据；

单层平均厚度获取单元，用于利用目的层的厚度和单层的数量，得到目的层的单层的单层平均厚度；

样点数获取单元，用于利用单层平均厚度与预设的测井数据样点数的对应关系，得到每个单层的测井数据样点数；

单层数据获取单元，用于利用每个单层的测井数据样点数和目的层的测井数据，得到每个单层的测井数据。

具体的，优势通道预测模块13，包括归一化单元和优势通道预测单元；

归一化单元，用于将每个单层的测井数据归一化，得到归一化后的归一化测井数据；

优势通道预测单元，用于将每个单层的归一化测井数据输入至预设的优势通道预测模型，得到每个单层的优势通道预测结果。

其中，优势通道预测模型的激活函数为

损失函数为

式中，x为卷积层的输出值，m为输入数据数量，yi为卷积神经网络模型前向传播计算结果，为对应标签数据。

本发明实施例还公开了一种水驱开发油藏中优势通道的预测装置，包括：

存储器，用于存储计算机程序；

处理器，用于执行计算机程序以实现如前述的水驱开发油藏中优势通道的预测方法。

本发明实施例还公开了一种计算机可读存储介质，计算机可读存储介质上存储有计算机程序，计算机程序被处理器执行时实现如前述的水驱开发油藏中优势通道的预测方法。

最后，还需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，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、物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、物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，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。

专业人员还可以进一步意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、计算机软件或者二者的结合来实现，为了清楚地说明硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。

以上对本发明所提供的技术内容进行了详细介绍，本文中应用了具体个例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；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。