油井的油水关系模式的判断方法及装置与流程

本发明涉及油藏的开采领域，尤其涉及一种油井的油水关系模式的判断方法及装置。

背景技术：

缝洞型碳酸盐岩油藏的储集空间类型主要为大型洞穴、次生溶蚀孔洞和高角度裂缝，裂缝与溶洞分布不均匀且储层非均质性严重，既有部分封存水，又有十分活跃的边底水，同时由于裂缝是储集空间又是主要的流体流动通道，这导致实际生产过程中经常出现油井暴性水淹、油井停喷、产量递降、压水锥无效、产水特征复杂等难题。为此，综合多种动静态资料，分类评价缝洞储集体类型及油水关系模式，开展控水措施研究，对于提高该类油藏采收率具有重要指导意义。

现有技术中对缝洞型碳酸盐岩油藏油水关系模式的评估主要侧重于分析边底水窜进机理、产水类型评价以及临界产量、水锥突破时间、临界水锥高度预测，技术手段包括室内实验研究、数学理论推导、生产动态分析以及数值模拟等。然而，对于异常复杂的缝洞介质结构，绝大多数实验研究都不能有效地描述实际油藏条件的水淹特征；同时，如何确定合理的室内实验尺度，准确描述油藏中的复杂流动规律仍是一个技术难题。另一方面，由于缝洞型油藏中同时存在渗流、自由流、管流等多种流动形式，流动机理异常复杂，这使得现有的达西渗流理论和商业模拟软件均不能准确描述此类介质中的耦合流动特征。因此，基于室内实验、数值模拟或数学理论推导得到的研究认识是否具有现场应用价值尚有待于验证。目前，缝洞型碳酸盐岩油藏油水关系模式半定量化划分与识别的方法，仍是一大亟待解决的技术难题。

技术实现要素：

为了克服室内实验研究、数学理论推导、生产动态分析以及数值模拟等传统技术手段，对缝洞型碳酸盐油藏油水关系模式的划分与识别的困难，本发明的提供了一种油井的油水关系模式的判断方法，包括以下步骤：

S100，获取油井的历史生产动态资料，并建立油井所处的储集体评价指标体系；

S200，根据所述的储集体评价指标体系，建立神经网络模型；

S300，对所述的神经网络模型进行训练得到稳定模型；

S400，将待判断油井的生产动态资料应用于所述的稳定模型，得到所述待判断油井的油水关系模式。

为了解决上述问题，相应地，本发明的还提供了一种油井的油水关系模式的判断装置，包括：

体系建立模块，用于获取油井的历史生产动态资料，并建立油井所处的储集体评价指标体系；

模型建立模块，用于根据所述的储集体评价指标体系，建立神经网络模型；

模型训练模块，用于对所述的神经网络模型进行训练得到稳定模型；

模型运算模块，用于将待判断油井的生产动态资料应用于所述的稳定模型，得到所述待判断油井的油水关系模式。

本发明的有益效果在于，本发明通过基于遗传神经网络半定量化划分方法，评价结果可靠性强，能够为不同类型油水关系模式对应油井见水风险预警分阶段控制和剩余油挖潜对策的指定提供理论依据。其中，综合钻测井响应、地震反射特征及开发动态评价的多参数约束，采用遗传算法弥补了传统神经网络收敛速度慢、易陷入局部最优解等缺点，半定量化划分与识别了缝洞型碳酸盐岩油藏中的油水关系模式，在认识其生产动态响应特征的基础上，提出了有针对性剩余油挖潜对策，改善了油藏开发效果，提高了油藏开发效益。

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一简单地介绍，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性的前提下，还可以根据这些附图获得其他的附图。

图1为本发明实施例的油井的油水关系模式的判断方法的流程图。

图2为图1所示的油井的油水关系模式的判断方法的具体流程图。

图3为本发明实施例的油井的油水关系模式的判断装置的结构示意图。

图4A为油井的油水关系模式的判断装置的体系建立模块的具体结构示意图；图4B为油井的油水关系模式的判断装置的模型建立模块的具体结构示意图；图4C为油井的油水关系模式的判断装置的遗传运算模块的结构示意图。

图5为M油藏的不同储集类型分布比例的示意图。

图6为M油藏的63口无水衰竭开采油井的特征属性参数交汇图。

图7为M油藏的42口已见水衰竭开采油井的特征属性参数交汇图。

图8为主成分分析后得到的主成分的特征值与累积贡献率的示意图。

图9为M油藏中42口已见水衰竭开采油井的油水关系模式判断结果示意图。

图10为不同类型已见水衰竭开采油井的生产动态特征示意图。

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，都属于本发明的保护的范围。

图1为本发明实施例的油井的油水关系模式的判断方法的流程图。如图1所示，本发明实施例的油井的油水关系模式的判断方法，包括以下步骤：

步骤S100，获取油井的历史生产动态资料，并建立油井所处的储集体评价指标体系；

步骤S200，根据所述的储集体评价指标体系，建立神经网络模型；

步骤S300，对所述的神经网络模型进行训练得到稳定模型；

步骤S400，将待判断油井的生产动态资料应用于所述的稳定模型，得到所述待判断油井的油水关系模式。

图2为图1所示的油井的油水关系模式的判断方法的具体流程图。参见图2，较佳地，作为一种可实施方式，步骤S100包括：

步骤S110，通过所述的历史生产动态资料中的开采特征，细分所述油井所处的储集体类型，所述的开采特征包括：钻井放空特征、岩心特征、测井成像特征、常规测井响应特征、地震反射特征；

步骤S120，结合所述储集体类型，对所述井所处的储集体进行评价，得到所述的储集体评价指标体系，其评价过程中使用的方法包括：生产不稳定分析、递减趋势分析、油藏能量分析。

继续参见图2，较佳地，作为一种可实施方式，步骤S200包括：

步骤S210，根据所述的储集体评价指标体系的指标参数，利用其交汇对比图划分多种所述的油水关系模式，以及与其对应的生产动态响应特征；

步骤S220，对所述的储集体评价指标体系进行主成分分析，得到多个线性无关的综合指标；

步骤S230，将多个所述的综合指标作为输入层，多种所述的油水关系模式作为输出层，构建神经网络模型，其中所述神经网络模型的隐含层包括：S型函数、正切S型函数。

同样参见图2，较佳地，作为一种可实施方式，在所述S300之前还包括以下步骤：

步骤S310，利用遗传算法优化所述神经网络的初始化的阈值与权重。

本发明提供的油井的油水关系模式的判断方法，通过基于遗传神经网络半定量化划分方法，评价结果可靠性强，能够为不同类型油水关系模式对应油井见水风险预警分阶段控制和剩余油挖潜对策的指定提供理论依据。在认识其生产动态响应特征的基础上，提出了有针对性剩余油挖潜对策，改善了油藏开发效果，提高了油藏开发效益。

图3为本发明实施例的油井的油水关系模式的判断装置的结构示意图。相应地，基于同一种发明构思，如图3所示，本发明的还提供了一种油井的油水关系模式的判断装置，包括：

体系建立模块100，用于获取油井的历史生产动态资料，并建立油井所处的储集体评价指标体系；

模型建立模块200，用于根据所述的储集体评价指标体系，建立神经网络模型；

模型训练模块300，用于对所述的神经网络模型进行训练得到稳定模型；

模型运算模块400，用于将待判断油井的生产动态资料应用于所述的稳定模型，得到所述待判断油井的油水关系模式。

图4A为油井的油水关系模式的判断装置的体系建立模块的具体结构示意图。参见图4A，较佳地，作为一种可实施方式，体系建立模块100包括：

分类模块110，用于通过所述的历史生产动态资料中的开采特征，细分所述油井所处的储集体类型，所述的开采特征包括：钻井放空特征、岩心特征、测井成像特征、常规测井响应特征、地震反射特征；

评价模块120，用于结合所述储集体类型，对所述井所处的储集体进行评价，得到所述的储集体评价指标体系，其评价过程中使用的方法包括：生产不稳定分析、递减趋势分析、油藏能量分析。

图4B为油井的油水关系模式的判断装置的模型建立模块的具体结构示意图，参见图4B，较佳地，作为一种可实施方式，模型建立模块200包括：

综合指标生成模块210，用于对所述的储集体评价指标体系进行主成分分析，得到多个线性无关的综合指标；

关系模式生成模块220，用于根据所述的储集体评价指标体系的指标参数，利用其交汇对比图划分多种所述的油水关系模式，以及与其对应的生产动态响应特征；

构建模块230，用于将多个所述的综合指标作为输入层，多种所述的油水关系模式作为输出层，构建神经网络模型，其中所述神经网络模型的隐含层包括：S型函数、正切S型函数。

图4C为油井的油水关系模式的判断装置的遗传运算模块的结构示意图，参见图4C，较佳地，作为一种可实施方式，还包括：

遗传运算模块310，用于利用遗传算法优化所述神经网络的初始化的阈值与权重。

本发明提供的油井的油水关系模式的判断装置，通过基于遗传神经网络半定量化划分方法，评价结果可靠性强，能够为不同类型油水关系模式对应油井见水风险预警分阶段控制和剩余油挖潜对策的指定提供理论依据。在认识其生产动态响应特征的基础上，提出了有针对性剩余油挖潜对策，改善了油藏开发效果，提高了油藏开发效益。

为了对上述本发明提供的油井的油水关系模式的判断方法与装置进行更为清楚的解释，下面结合一个具体的实施例来进行说明，然而值得注意的是该实施例仅是为了更好地说明本发明，并不构成对本发明不当的限定。

某油田的M缝洞型碳酸盐岩油藏(以下简称M油藏)主要有效储集空间包括大型洞穴、次生溶蚀孔洞和裂缝等，储层主要发育在A、B及C的台缘带。M油藏属于未饱和油藏，地饱压差大(35～66MPa)，地层原油为低粘度、低硫、中含胶质-沥青质、高含蜡的轻质原油，密度介于0.82～1.10g/cm³，体积系数介于1.04～1.66，平均地层压力73.3MPa，平均地层温度154.4℃，为正常温度-压力系统。油藏自开发以来，该区油井产量递减很快，含水率上升加快，控水治理难度加大，采收率受到严重影响。

结合图2，在步骤S110中，通过历史生产动态资料中的开采特征，细分所述油井所处的储集体类型，所述的开采特征包括：钻井放空特征、岩心特征、测井成像特征、常规测井响应特征、地震反射特征。

通过历史生产动态资料中的开采特征，如钻井放空、岩心观察、成像测井、常规测井响应以及地震反射特征分析，可将某油田的储集体分为3种：洞穴型储集体、裂缝-孔洞型储集体、裂缝型储集体，其中对应的开采特征如下：

对于未充填或半充填的洞穴型储集体，钻井会发生钻时快速下降、钻具放空、泥浆漏失及溢流等现象，岩心观测的洞径一般大于20mm，在成像测井图像上可看到明显较大面积的暗色或黑色斑块，常规测井曲线上会表现出井径明显扩大、电阻率及密度降低，深、浅侧向差异增大，中子及声波时差增大等特征，储层孔渗性较好。洞穴型储集体的地震反射特征为“强串珠群”、单“串珠”、次为杂乱和片状反射。

对于以次生溶蚀孔洞为储集空间的裂缝-孔洞型储集体，裂缝兼具渗滤性和储集性，主要起沟通孔洞的作用。裂缝的存在也可能导致泥浆滤失，但无钻具放空现象。成像测井图像上可明显看出裂缝沟通孔洞，或孔洞沿裂缝发育的特征，其中高角度构造裂缝呈现为正弦曲线形态，溶蚀孔洞则一般表现为暗色高导斑点或板块，与碳酸盐岩围岩亮色高阻带形成鲜明的反差。岩心观测的孔洞径一般在0.01-20mm之间，常规测井曲线则表现为：双侧向电阻率小幅减小，深、浅侧向电阻率呈较明显“负差异”，中子数值略微增大，井径发生稍微扩径现象。裂缝-孔洞型储集体的地震反射特征为“片状”反射、次为杂乱反射、单串珠。

对于裂缝型储集体，主要包括构造缝、成岩缝以及叠合成因缝等，兼具渗滤性和储集性，实际油藏开发中该类储集体产能很低，不是主要的增储上产对象。地震反射上常表现为弱反射、杂乱反射，发育较少。

图5为M油藏的不同储集类型分布比例的示意图，由该图可以看出，基于钻测井响应与地震反射特征分析得到的不同储集类型分布比例。该M油藏储集类型以洞穴型储层为主(64％)，裂缝-孔洞型储层相对较少(36％)。在本实施例中，结合待判断油井所处的位置，可以确定油井所处的储集体类型。确定储集体类型后，进入下一步骤S120。

结合图2，在步骤S120中，结合所述储集体类型，对所述井所处的储集体进行评价，得到所述的储集体评价指标体系，其评价过程中使用的方法包括：生产不稳定分析、递减趋势分析、油藏能量分析。

在本实施例中，采用Arps经验模型的递减趋势分析对井所处储集体进行评价，评价后的得到评价指标体系，该体系中的指标参数主要包括：动态地质储量、水体能量；递减类型、衰竭开采时间、初期日产油量、累积产油量、递减类型、初期递减率、末期递减率、预测可采储量；含水变化类型、单位油压降下的累积产液量、无因次弹性产量比N_pr、每采出1％地质储量的平均地层压降D_pr、水体补充时刻、水体补充时刻累积产油量、见水时刻以及见水时刻累积产油量等。其中，本领域技术人员可以综合考虑具体情况采用生产不稳定分析、递减趋势分析、油藏能量分析等分析手段的一种或几种，在此本发明不做限定。

在本实施例中，Arps经验模型的递减趋势分析，其表达式为：

式中，n为递减指数；D_i为初始递减率；Q_i为初期日产油量；Q为日产油量；Np为累积产油量；t为衰竭开采时间。

评价N_pr、D_pr的表达式为：

$N_{pr}=\frac{N_p{B}_o}{{\mathrm{NB}}_{oi}{C}_t(p_i-\stackrel{\‾}{p})}---\left(4\right)$

$D_{pr}=\frac{N(p_i-\stackrel{\‾}{p})}{100\×N_p}=\frac{\mathrm{\Δ}p}{R}---\left(5\right)$

式中，N_p为累积产油量，m³；N为地面条件下油的原始储量，m³；B_oi为原始油藏条件的原油体积系数，m³/m³；B_o为目前油藏条件的原油体积系数，m³/m³；C_t为综合压缩系数，MPa^-1；p_i为原始油藏压力，MPa；p为平均地层压力，MPa；Δp为压降值，MPa；R为采出程度。

结合图2，在步骤S210中，根据所述的储集体评价指标体系的指标参数，利用其交汇对比图划分多种所述的油水关系模式，以及与其对应的生产动态响应特征。

根据步骤S120所确定的储集体评价指标体系，通过特征属性参数交汇对比图，确定不同储集体类型与生产动态响应特征的对应关系，包括：动态地质储量—衰竭开采时间交汇图、预测可采储量—衰竭开采时间交汇图、累积产油量—衰竭开采时间交汇图、初期递减率—衰竭开采时间交汇图以及末期递减率—衰竭开采时间交汇图等。

图6为M油藏的63口无水衰竭开采油井的特征属性参数交汇图。如图6所示，在本实施例中，根据M缝洞型油藏63口无水衰竭开采油井的生产动态资料，应用特征属性参数交汇图法，将油井的油水关系模式划分聚并为4个大类，其中4种油水关系模式的生产特征分别对应于大型缝洞连通储集体、洞穴型储集体、裂缝-孔洞型储集体以及裂缝型储集体。其中4种油水关系模式的划分方法如下：

对处于“大型缝洞连通储集体”的I类衰竭开采油井，其衰竭开采时间大于800d，动态地质储量高于80.0×10⁴m³，预测可采储量高于10.0×10⁴m³，累积产油量高于6.0×10⁴m³，初期递减率D_i和末期递减率D_e均小于10％，总体上符合高产+稳产特征；

对处于“洞穴型储集体”的II类衰竭开采油井，其衰竭开采时间介于400-800d之间，动态地质储量介于15.0-100.0×10⁴m³，预测可采储量介于5.0-10.0×10⁴m³，累积产油量介于1.0-4.0×10⁴m³，初期递减率D_i小于30％、末期递减率D_e小于10％，总体上符合缓慢递减特征，结合Arps递减分析，第II类衰竭开采油井可细分为II-1、II-2和II-3三个亚类，分别为低产+稳产型(D_i<10％)、双曲缓慢递减型(10％<D_i<30％且D_i>D_e)和指数缓慢递减型(10％<D_i<30％且D_i＝D_e)；

对处于“裂缝-孔洞型储集体”的III类衰竭开采油井，其衰竭开采时间介于100-400d，动态地质储量介于3.0-15.0×10⁴m³，预测可采储量介于1.0-5.0×10⁴m³，累积产油量介于0.3-1.0×10⁴m³，初期递减率D_i介于30％-70％、末期递减率D_e小于40％，总体上符合快速递减特征。结合Arps递减分析，则第III类衰竭开采油井可细分为III-1和III-2两个亚类，分别为双曲快速递减型(30％<D_i<70％且D_i>D_e)和指数快速递减型(30％<D_i<70％且D_i＝D_e)；

对处于“裂缝型储集体”的IV类衰竭开采油井，其衰竭开采时间小于100d，动态地质储量低于3.0×10⁴m³，预测可采储量低于1.0×10⁴m³，累积产油量低于0.3×10⁴m³，初期递减率D_i大于70％，总体上符合暴性递减特征。结合Arps递减趋势分析，则第IV类衰竭开采油井可细分为IV-1和IV-2两个亚类，对应于双曲暴性递减型(D_i>70％且D_i>D_e)和指数暴性递减型(D_i>70％且D_i＝D_e)。

图7为M油藏的42口已见水衰竭开采油井的特征属性参数交汇图。可以看出，对于不同油水关系模式类型的已见水油井，其水体能量大小、单位油压降累积产液量、水体补充时刻累积产油量、见水时刻累积产油量以及动态地质储量这5个生产动态指标明显不同。根据M缝洞型油藏42口已见水衰竭开采油井的生产动态资料，应用特征属性参数交汇图法，将油井的油水关系模式划分聚并为4个大类，其中4种油水关系模式的生产特征分别对应于强底水缝洞连通单元、较强底水缝洞储集体、封闭弱底水裂缝-孔洞储集体以及水体受高阻层遮挡的裂缝-孔洞储集体。

结合图2，在步骤S220中，对所述的储集体评价指标体系进行主成分分析，得到多个线性无关的综合指标；

表1

本实施例中，主成分分析是根据累积方差贡献率大于85％的原则选取主成分个数，将储集体评价指标体系中的原始变量线性组合为多个线性无关的综合指标。包括如下步骤：①计算协方差矩阵；②求取协方差矩阵的特征值和对应的单位特征向量，选取前m个较大的特征值，也就是前m个主成分对应的方差，相应的单位特征向量表示主成分关于原变量的系数；③计算主成分的方差贡献率和累积方差贡献率，当累积方差贡献率大于85％以上时，所对应的m即为要抽取的主成分个数；④计算主成分载荷以及得分系数，其中主成分载荷客观反映了主成分与原变量之间的相互关联程度，得分系数计算的权重值取为每个主成分的方差贡献率。图8为主成分分析后得到的主成分的特征值与累积贡献率的示意图，表1为含水变化特征各主成分因子对原始评价指标的载荷状况。结合图8与表1可以看出，主成分1中占比较大的是见水时刻累积产油量、单位油压降累积产液量、动态地质储量、水体能量、见水时刻以及水体补充时刻累积产油量；无因次弹性产油比在主成分2中占据绝对的影响地位；水体补充时刻和每采出1％地质储量的平均压降在主成分3中作用最明显。对于第4主成分，水体补充时刻累积产油量影响较大，其余各个原始指标的载荷分布相对均匀。总之，前4项的累积贡献率大于85％，采用前4个主成分，综合体现了衰竭开采的含水变化特征。

结合图2，在步骤S230中，将多个所述的综合指标作为输入层，多种所述的油水关系模式作为输出层，构建神经网络模型，其中所述神经网络模型的隐含层包括：S型函数、正切S型函数。本实施例中，隐含层采用对数S型激活函数。

结合图2，在步骤S310中，利用遗传算法优化所述神经网络的初始化的阈值与权重。首先在对输入数据进行归一化处理基础上，利用遗传算法自适应优化调整神经网络的初始的阈值和权重，以减少试验次数并提高神经网络的精度。本实施例中，遗传算法包括如下步骤：①初始化种群P，包括交叉规模、交叉概率P_c、突变概率P_m以及权值初始化；②计算每一个个体的评价函数，并将其排序，依据适应度选择网络个体，以交叉概率P_c进行交叉操作，产生新个体；③利用变异概率P_m突变产生个体G_j的新个体G_j’；④将新个体插入到种群P中，并计算新个体的评价函数；⑤判断算法是否结束。如果找到了满意的个体或者已达到最大的迭代次数则结束，否则重复上述过程；⑥算法结束后，将最终群体中的最优个体通过解码操作，得到优化后的神经网络的初始的阈值和权重。

结合图2，在步骤S300中，对所述的神经网络模型进行训练得到稳定模型；根据输入和输出层数量，对神经网络结构进行训练，直至符合预先设定的误差或最大迭代次数。本实施例中，预设的最大训练步数为2000，收敛误差界值为1.0e-5，最小训练速率为0.8，动量常数为0.9，并采用带动量项的梯度下降算法作为训练算法。

结合图2，在步骤S400中，将待判断油井的生产动态资料应用于所述的稳定模型，得到所述待判断油井的油水关系模式。本实施例中，待判断的油井为42口已见水衰竭开采油井，在其生产动态资料中，提取得到每个油井的综合指标。将该些综合指标应用于步骤S300中得到的稳定模型，得出待判断的42口已见水衰竭开采油井中每个油井的油水关系模式。具体的油水关系模式的判断结果与生产动态特征分别对应于如图9、图10。将油水关系模式分类识别结果应用于现场实际，指导油井措施见水风险预警分阶段控制和剩余油挖潜对策的指定。

本发明的油井的油水关系模式的判断方法及装置的有益效果在于，本发明通过基于遗传神经网络半定量化划分方法，评价结果可靠性强，能够为不同类型油水关系模式对应油井见水风险预警分阶段控制和剩余油挖潜对策的指定提供理论依据。其中，综合钻测井响应、地震反射特征及开发动态评价的多参数约束，采用遗传算法弥补了传统神经网络收敛速度慢、易陷入局部最优解等缺点，半定量化划分与识别了缝洞型碳酸盐岩油藏中的油水关系模式，在认识其生产动态响应特征的基础上，提出了有针对性剩余油挖潜对策，改善了油藏开发效果，提高了油藏开发效益。

以上所述的具体实施例，对本发明的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上所述仅为本发明的具体实施例而已，并不用于限定本发明的保护范围，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。