本发明涉及碳酸盐岩油藏开发,具体涉及一种孔隙型碳酸盐岩油藏水平井见水特征分类与识别方法。
背景技术:
1、水平井是高效开发低渗透率油藏的关键技术。对于采用水平井注采井网开发的孔隙型碳酸盐岩油藏,随着注水井的逐渐投产和生产井的持续开发,水平井含水将不可避免地逐渐上升。不确定的地质条件、频繁调整的生产参数以及复杂的作业井史导致水平井见水特征提取困难,同时由于每口井所处的地层条件、投产时间以及生产参数各不相同,水平井之间见水特征差异明显。
2、为解决注水开发中后期油藏的见水问题,需要对水平井进行分类,明确不同见水类型的特征和主控因素,并分类施策制定并采取针对性的控水措施,从而延缓含水上升速度、稳定油井产量。当前主要利用含水率随采出程度变化关系或含水率随累计产油量的变化关系进行见水特征划分,上述方法存在以下不足:一是如果根据生产动态资料反算的储量与生产动态资料有明显矛盾、原储量估算参数需要做较大修改或工艺技术取得新突破,需要对储量进行调整,此时需要重新划分见水特征;二是各井的单井控制储量和生产参数不同,产量存在差异,导致分类结果与地质油藏认识存在偏差。
技术实现思路
1、本发明为解决现有技术的不足,目的在于提供一种孔隙型碳酸盐岩油藏水平井见水特征分类与识别方法,使用该方法可以对矿区成百上千待分析油井,进行见水特征快速分类和准确识别,指导油井高效生产开发。
2、本发明通过下述技术方案实现:
3、一种孔隙型碳酸盐岩油藏水平井见水特征分类与识别方法,包括以下步骤:
4、步骤一:获取研究区生产数据库中的油井生产动态数据,并对所述油井生产动态数据进行预处理,得到各井含水率数据;
5、步骤二:根据各井含水率数据,确定无水采油期和含水上升期的分类指标,并根据所述分类指标计算各井无水采油期和含水上升期的时长;
6、步骤三:根据各井无水采油期和含水上升期的时长,将水平井进行分类;
7、步骤四:随后判断分类结果是和地质油藏认识一致,若一致,则输出分类结果;
8、步骤五:根据各井含水率数据以及输出的分类结果,利用cnn卷积神经网络算法建立见水特征预测模型;
9、步骤六:将待测的水平井生产动态数据输入见水特征预测模型,得到识别结果。
10、更进一步的方案,所述步骤一中,对所述油井生产动态数据进行预处理,包括以下具体步骤:
11、根据日产液量和日产油量,计算每天的含水率;
12、用若干天含水率的移动平均值代替原值;
13、随后利用小波变化对含水率数据进行降噪处理。
14、更进一步的方案,所述步骤二中,确定无水采油期和含水上升期的分类指标,包括:
15、无水采油期:无水采油期含水率指标记为index1,若低于该指标表明油井处在无水采油期;无水采油期时长指标记为time1,若超过该指标则代表该井有无水采油期,否则该井没有无水采油期;
16、含水上升期:含水上升期含水率指标记为index2,若低于该指标表明油井处在含水上升期;含水上升期时长指标记为time2,若超过该指标则代表该井含水上升缓慢,否则该井含水上升快速。
17、更进一步的方案,所述步骤二中,根据所述分类指标计算各井无水采油期和含水上升期的时长,包括:
18、所述无水采油期时长为从投产到无水采油期结束所经历的时间;
19、所述含水上升期时长为从无水采油期结束到含水上升期结束所经历的时间,或在无水采油期的井中从投产到含水上升期结束所经历的时间。
20、更进一步的方案,所述分类结果包括:
21、若当前含水率≥index1,且无水采油期时长>time1时,若含水上升期时长>time2,则为无缓型;若含水上升期时长≤time2则为无快型;
22、若当前含水率≥index1,且无水采油期时长≤time1时,若含水上升期时长>time2,则为水缓型;若含水上升期时长≤time2则为水快型;
23、若当前含水率<index1,则为无水/低含水型。
24、更进一步的方案,所述步骤四还包括以下具体步骤:
25、若分类结果和地质油藏认识不一致,则在原因分析的基础上调整分类指标,并重复步骤二和步骤三;
26、若分类结果中具有无水采油期的井数与前期的地质油藏认识不一致,则修改无水采油期分类指标,所述无水采油期分类指标包括index1和time1;
27、若分类结果中含水上升缓慢或含水上升快速的井数与前期的地质油藏认识不一致,则修改含水上升期分类指标,所述水上升期分类指标包括index2和time2;
28、若分类结果和地质油藏认识相一致,则输出分类结果。
29、更进一步的方案,所述步骤五中,在建立见水特征预测模型之前,还包括以下步骤:
30、绘制各井的见水特征曲线,保存为图片并进行分类标签命名;
31、将各井的见水特征曲线图转换为灰度图像;
32、随后对灰度图像进行二值化处理;
33、二值化处理后图片数值矩阵在0~255之间,并将数值矩阵除以255进行归一化处理;
34、将见水类型共分为5类,使用one-hot编码将见水类型编码为5维向量;
35、随后利用cnn卷积神经网络算法建立见水特征预测模型。
36、更进一步的方案,所述步骤五中,所述建立见水特征预测模型,还包括以下具体步骤:
37、导入初始图片数值矩阵库,以及对应的分类标签;
38、将数据分为训练集、验证集和测试集;
39、在python中调用keras在tensorflow框架上建立cnn神经网络,使用conv2d二维卷积,卷积核大小设置为3×3,输出通道32个,激活函数使用softmax,优化器使用adam,损失函数使用交叉熵损失函数;训练集进入cnn训练,达到理想效果后输出模型。
40、本发明与现有技术相比,具有如下的优点和有益效果:
41、本发明提供的基于小波变化和图像识别的孔隙型碳酸盐岩油藏水平井见水特征分类与识别方法,通过自动调用生产数据库中的油井生产动态数据,基于小波变化等方法去除生产动态数据中的异常值和噪点,使用处理后的生产数据计算出含水率变化曲线,并批量绘制标准像素大小的含水率变化曲线图。基于地质油藏认识动态调整无水采油期和含水上升期的划分标准,根据无水采油期以及含水上升期的时长对见水类型进行分类并对含水率变化曲线图赋标签,从而建立见水特征识别初始数据集。将含水率变化曲线图转化为灰度图,并经过二值化和归一化处理形成数值化图片库,使用one-hot编码对判断标签二进制向量化。基于cnn卷积神经网络算法,结合上述数据随机划分的训练集、测试集和验证集,训练学习建立见水特征识别模型。使用该方法可以对矿区成百上千待分析油井,进行见水特征快速分类和准确识别,指导油井高效生产开发。