一种基于机器学习的试井解释方法及系统与流程

1.本发明涉及油气田开发技术领域，尤其涉及一种基于机器学习的试井解释方法及系统。


背景技术：

2.试井解释技术通常以渗流力学理论为基础，建立试井理论模型，在此基础上通过对油、气、水井测试信息的研究，确定反映测试井与地层的各种物理参数、生产能力之间的联系，以及油、气、水层之间的连通关系和井与井之间的连通关系，试井解释是油气藏评价的重要手段。
3.目前，在试井解释的执行过程中，一般通过解析法和数值法对建立的理论模型进行求解，进而得到压力曲线，其中，前者的解析解试井方法，是基于对渗流方程进行解析求解的基础上形成的常规试井方法。特别是在80年代bourdet图版问世以来，结合bourdet典型曲线与greengarden典型曲线对油气藏特性参数及井筒存储系数进行分析的图版拟合方法，显示了其强劲的实力；其中，所述油气藏特性参数包括饱和度、渗透率、原始地层压力等参数。由于常规图版拟合方法较简单易行，对硬件设备的要求不高，解释周期较短，所以长期以来，这种试井方法一直是分析试井问题的主要方法，在试井领域中占据着主导地位。但是解析解试井方法存在如下不足：通过解析解得到的结果是宏观的，是整个试井工程内的一个平均值，它不能揭示油气藏内含油饱和度分布剖面，且对于形状复杂、地质多变的非均质油气藏以及多相流等试井问题，利用以解析法为基础的常规试井分析方法，无法达到工程上所要求的精度，因此，解析解试井方法的理论模型无法满足存在上述情况的油气藏的开发需要。
4.关于后者的数值解试井方法，由puchyr首次提出数值试井解释模型，通过油藏数值模拟器获得压力解决方法，近些年数值试井的研究也得到了重视和发展。数值试井理论研究范围广，其试井数学模型更加符合油气藏的实际开发情况和渗流特征，数值试井理论以黑油模型为基础，采用voronoi网格剖分技术，建立对应的地质模型和流量模型，基于此研究注采井组或流动单元的油气藏渗流问题。相比常规试井方法，数值试井方法分析成果更加丰富，应用面更宽，数值试井能更好地解决多相流、邻井影响及复杂边界等问题，除了能够提供常规试井解释所能提供的成果外，它还用于确定井组或流动单元的压力和饱和度分布情况，为注采结构的调整或注采动态调配提供科学依据。由此可见，数值试井方法的应用，实现了试井测试、资料分析及成果应用从单井到井组(整体)的转变。
5.但是需要说明的是，数值解试井方法在投入使用时也存在不足之处，数值试井作为一个完整的体系，其首要问题是要有一套合适的网格，此网格需满足既能描述开关井后压力响应的细微变化，又要能兼顾较高的计算效率的条件。目前的多数数值试井理论和软件都是基于二维或三维的复杂网格实现划分，其在建立数值试井解释模型的过程中，存在以下不足：
①
把井眼作为网格块时，采用多边形来近似代替真实的井筒，这样使得井眼网格块和实际井筒之间存在一定的偏差；
②
由于试井问题对解的精度要求很高，在井眼附近，压
力梯度变化很大，要想精确地逼近这个压力分布，网格必须要高度细化，基于此，若用一个与井眼相差不大的网格块去模拟网格，容易使得近井地带的网格划分过密，这势必会大大降低数值试井解释模型的求解速度，同时其求解的稳定性也难以满足数值试井的要求。由此可见，数值试井方法目前处在攻关研究阶段，虽取得了一定的成果，但总的来说还不成熟，实用性不强，须进一步进行优化研究。
6.综上所述，现有的试井解释方法都是以图版拟合为基础，通过反演的方式反求地层参数，在这个过程中，对于图版的选择需要依靠解释人员的经验作为重要指导，而且对于多相流等复杂油气藏问题，现有试井解释方法也存在局限性，主要表现为：解析解无法处理复杂性较高的问题(如两相渗流问题)，数值解中数值计算问题复杂，可调参数远多于解析模型数量，拟合工作量大，模型求解效率低下，单次求解耗费时间长，等待结果时间长，仅依靠人力解释费时耗力，上述技术问题导致数值试井技术多年来未能很好的推进，同时，现有的试井解释技术，其解释结果受解释人员主观性影响较大，专业性较强的专家经验不能充分利用，试井分析结果的精确度不能很好地满足油气藏开发的要求。


技术实现要素：

7.为解决上述问题，本发明提供了一种基于机器学习的试井参数解释方法，在一个实施例中，所述方法包括：
8.步骤s1、采用机器学习方法识别试井当前的模式，构建与试井模式对应的试井物理模型，并基于所述试井物理模型获取试井初始时刻在不同影响因素下的气藏参数，形成初始参数集合，所述气藏参数包括试井物理模型的静态参数和动态参数；
9.步骤s2、以执行解释的时间为依据，结合所述初始参数集合获取试井第一时刻的样本数据集合；
10.步骤s3、将试井第一时刻的样本数据集合输入试井物理模型对应的数值模拟器，获取试井第二时刻的预测数据集合；
11.步骤s4、获取试井第二时刻的压力导数观测数据，根据试井第二时刻的预测数据集合和压力导数观测数据基于机器学习方法进行数据拟合处理，获取试井第二时刻更新后的预测数据集合，判断其分布范围是否满足试井的参数解释要求，若不满足，则将所述更新后的预测数据集合输入所述数值模拟器，并将所述数值模拟器的输出重新作为试井第二时刻的预测数据集合，执行步骤s4，直至得到分布范围满足试井的参数解释要求的更新后的预测数据集合，则将其作为参数解释结果；
12.其中，第一时刻与第二时刻之间的时间间隔根据解释需求设定。
13.一个实施例中，在所述步骤s1中，利用均匀分布的拉丁超立方抽样方法获取试井初始时刻在不同影响因素下的气藏参数集合。
14.一个实施例中，在步骤s2中，若第一时刻为初始时刻，根据构建的数值模拟模型以及所述初始参数集合计算试井对应的压力数据集合和压力导数数据集合，进而将所述初始参数集合和压力导数集合作为试井第一时刻的样本数据集合；若第一时刻不是初始时刻，将对应试井上一时刻的参数解释结果集合作为样本数据集合。
15.优选地，利用数值模拟技术，构建与试井物理模型对应的数值模拟模型，基于构建的数值模拟模型计算试井不同影响因素下气藏参数对应的压力数据，进而根据所述压力数
据计算试井对应的压力导数数据。
16.一个实施例中，按照下述操作根据试井的压力数据计算对应的压力导数：
17.通过以下公式确定试井的压力数据对应的拟压力
[0018][0019]
利用差分法代替微分，基于拟压力计算压力导数；
[0020]
式中，p为压力，μ为气体的粘度，z为气体的偏差系数，p0为任意选取的参考压力点。
[0021]
一个实施例中，在步骤s3中，根据下式获取试井第二时刻的预测数据集合：
[0022]ypr
＝g[y]+vw；
[0023]
式中，y
pr
为试井第二时刻的预测数据集合，g为油气藏数值模拟器，y为试井第一时刻的样本数据集合，vw为过程噪声。
[0024]
一个实施例中，在步骤s4中，通过以下操作基于机器学习方法进行数据拟合处理，获取试井第二时刻更新后的预测数据集合：
[0025]
确定集合卡尔曼滤波算法的增益矩阵；
[0026]
将得到的预测数据集合，以及获取的试井第二时刻的压力导数观测数据同时作为集合卡尔曼滤波算法的输入，基于确定的增益矩阵执行数据同化计算，将计算得到的数据集合作为试井第二时刻更新后的预测数据集合。
[0027]
进一步地，按照下式计算试井第二时刻更新后的预测数据集合
[0028][0029]
其中，为试井第二时刻第j个样本对应的预测数据向量，ke为集合卡尔曼滤波算法的增益矩阵，dj为试井第二时刻第j个样本的压力导数观测数据，h为状态向量与状态向量中的待解释数据关联起来的矩阵算子。
[0030]
一个实施例中，在获取试井第二时刻的压力导数观测数据的过程中，通过下式对第二时刻采集的试井实际压力导数观测数据进行处理：
[0031]dj
＝d
obs
+vj[0032]
式中，dj为试井第二时刻第j个样本的压力导数观测数据，d
obs
为第二时刻采集的第j个样本对应的压力导数实际观测数据，vj为添加的扰动向量。
[0033]
一个实施例中，在步骤s1中，利用随机森林机器学习方法识别试井的模式，进而基于识得的模式构建与试井模式匹配的试井物理模型。
[0034]
基于上述任意一个或多个实施例的其他方面，本发明还提供一种基于机器学习的试井参数解释系统，该系统执行如上述任意一个或多个实施例中所述的方法。
[0035]
与最接近的现有技术相比，本发明还具有如下有益效果：
[0036]
本发明提供的一种基于机器学习的试井参数解释方法及系统，其以试井当前的模式为依据构建对应的物理模型，一方面确保了采集的样本数据是与试井当前的模式相匹配的，同时保障了物理模型对应的数值计算模型和数值模拟器相对于试井的适用性，相当程
度上保障了中间数据的可靠性和参数解释结果的精确性。进一步地，本发明实施例采用数值模拟器和集合卡尔曼滤波算法进行数据的自动预测和同化拟合，在保障精确度的基础上提升了试井参数解释的效率，投入应用时，能够实现复杂油气藏多相流试井的参数解释，为进行试井产能预测和指定试井施工方案提供可靠指导，有助于油气藏的开采和产能优化。
[0037]
本发明的其它特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本发明而了解。本发明的目的和其他优点可通过在说明书、权利要求书以及附图中所特别指出的结构来实现和获得。
附图说明
[0038]
附图用来提供对本发明的进一步理解，并且构成说明书的一部分，与本发明的实施例共同用于解释本发明，并不构成对本发明的限制。在附图中：
[0039]
图1是本发明实施例中基于机器学习的试井参数解释方法的流程示意图；
[0040]
图2是本发明实施例中基于机器学习的试井参数解释方法的执行流程图；
[0041]
图3是本发明实施例中基于机器学习的试井参数解释方法的试井压力数据曲线示意图；
[0042]
图4是本发明实施例中基于机器学习的试井参数解释方法的试井压力导数曲线示意图；
[0043]
图5是本发明实施例中基于机器学习的试井参数解释方法的预测及拟合试井参数的执行原理图；
[0044]
图6是本发明实施例中提供的边水单重介质模型拟合处理前的参数分布示意图；
[0045]
图7是本发明实施例中提供的边水单重介质模型拟合处理后的参数分布示意图；
[0046]
图8是本发明实施例提供的基于机器学习的试井参数解释系统的结构示意图。
具体实施方式
[0047]
以下将结合附图及实施例来详细说明本发明的实施方式，借此本发明的实施人员可以充分理解本发明如何应用技术手段来解决技术问题，并达成技术效果的实现过程并依据上述实现过程具体实施本发明。需要说明的是，只要不构成冲突，本发明中的各个实施例以及各实施例的各个特征可以相互结合，所形成的技术方案均在本发明的保护范围之内。
[0048]
同时，在以下说明中，出于解释的目的而阐述了许多具体细节，以提供对本发明实施例的彻底理解。然而，对本领域的技术人员来说显而易见的是，本发明可以不用这里的具体细节或者所描述的特定方式来实施。
[0049]
另外，在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行，并且，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。
[0050]
试井解释技术通常以渗流力学理论为基础，建立试井理论模型，在此基础上通过对油、气、水井测试信息(p-t、q-t、q-p)的研究，确定反映测试井与地层的各种物理参数、生产能力之间的联系，以及油、气、水层之间的连通关系和井与井之间的连通关系，试井解释是油气藏评价的重要手段。
[0051]
目前，在试井解释的执行过程中，一般通过解析法和数值法对建立的理论模型进
行求解，进而得到压力曲线，其中，前者的解析解试井方法，是基于对渗流方程进行解析求解的基础上形成的常规试井方法。特别是在80年代bourdet图版问世以来，结合bourdet典型曲线与greengarden典型曲线对油气藏特性参数及井筒存储系数进行分析的图版拟合方法，显示了其强劲的实力；其中，所述油气藏特性参数包括饱和度、渗透率、原始地层压力等参数。由于常规图版拟合方法较简单易行，对硬件设备的要求不高，解释周期较短，所以长期以来，这种试井方法一直是分析试井问题的主要方法，在试井领域中占据着主导地位。但是解析解试井方法存在如下不足：通过解析解得到的结果是宏观的，是整个试井工程内的一个平均值，它不能揭示油气藏内含油饱和度分布剖面，且对于形状复杂、地质多变的非均质油气藏以及多相流等试井问题，利用以解析法为基础的常规试井分析方法，无法达到工程上所要求的精度，因此，解析解试井方法的理论模型无法满足存在上述情况的油气藏的开发需要。
[0052]
关于后者的数值解试井方法，由puchyr首次提出数值试井解释模型，通过油藏数值模拟器获得压力解决方法，近些年数值试井的研究也得到了重视和发展。数值试井理论研究范围广，其试井数学模型更加符合油气藏的实际开发情况和渗流特征，数值试井理论以黑油模型为基础，采用voronoi网格剖分技术，建立对应的地质模型和流量模型，基于此研究注采井组或流动单元的油气藏渗流问题。相比常规试井方法，数值试井方法分析成果更加丰富，应用面更宽，数值试井能更好地解决多相流、邻井影响及复杂边界等问题，除了能够提供常规试井解释所能提供的成果外，它还能够确定井组或流动单元的压力和饱和度分布情况，为注采结构的调整或注采动态调配提供科学依据。由此可见，数值试井方法的应用，实现了试井测试、资料分析及成果应用从单井到井组(整体)的转变。
[0053]
但是需要说明的是，数值解试井方法在投入使用时也存在不足之处，数值试井作为一个完整的体系，其首要问题是要有一套合适的网格，此网格需满足既能描述开关井后压力响应的细微变化，又要能兼顾较高的计算效率的条件。目前的多数数值试井理论和软件都是基于二维或三维的复杂网格实现划分，其在建立数值试井解释模型的过程中，存在以下不足：
①
把井眼作为网格块时，采用多边形来近似代替真实的井筒，这样使得井眼网格块和实际井筒之间存在一定的偏差；
②
由于试井问题对解的精度要求很高，在井眼附近，压力梯度变化很大，要想精确地逼近这个压力分布，网格必须要高度细化，基于此，若用一个与井眼相差不大的网格块去模拟网格，容易使得近井地带的网格划分过密，这势必会大大降低数值试井解释模型的求解速度，同时其求解的稳定性也难以满足数值试井的要求。由此可见，数值试井方法目前处在攻关研究阶段，虽取得了一定的成果，但总的来说还不成熟，实用性不强，须进一步进行优化研究。
[0054]
综上所述，现有的试井解释方法都是以图版拟合为基础，通过反演的方式反求地层参数，在这个过程中，对于图版的选择需要依靠解释人员的经验作为重要指导，而且对于多相流等复杂油气藏问题，现有试井解释方法也存在局限性，主要表现为：解析解无法处理复杂性较高的问题(如两相渗流问题)，数值解中数值计算问题复杂，可调参数远多于解析模型数量，拟合工作量大，模型求解效率低下，单次求解耗费时间长，等待结果时间长，仅依靠人力解释费时耗力，上述技术问题导致数值试井技术多年来未能很好的推进，同时，现有的试井解释技术，其解释结果受解释人员主观性影响较大，专业性较强的专家经验不能充分利用，试井分析结果的精确度不能很好地满足油气藏开发的要求。
[0055]
机器学习是一门人工智能的科学，该领域的主要研究对象是人工智能，特别是如何在经验学习中改善具体算法的性能，基于机器学习的试井解释方法可以实现试井参数的自动解释，大幅度解放人力，提高工作效率，极具发展潜力。
[0056]
为解决上述问题，本发明提供一种基于机器学习的试井参数解释方法及系统，本发明的目的在于利用机器学习的方法，提高气井参数的解释精度。本发明在构建与气井模式匹配的物理模型的基础上，通过集合卡尔曼滤波(enkf)方法，对试井数据进行自动拟合，反演估计气井的气藏参数，有助于对气井的产水和产气动态进行有效的预测，为后续的气藏生产施工方案及治水措施的制定提供有效的依据。
[0057]
接下来基于附图详细描述根据本发明实施例的方法的详细流程，附图的流程图中示出的步骤可以在包含诸如一组计算机可执行指令的计算机系统中执行。虽然在流程图中示出了各步骤的逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。
[0058]
实施例一
[0059]
图1示出了本发明实施例一提供的基于机器学习的试井参数解释方法的流程示意图，参照图1可知，该方法包括如下步骤。
[0060]
步骤s110、采用机器学习方法识别试井当前的模式，构建与试井模式对应的试井物理模型，并基于所述试井物理模型获取试井初始时刻在不同影响因素下的气藏参数，形成初始参数集合，所述气藏参数包括试井物理模型的静态参数和动态参数。
[0061]
其中，在一个可选的实施例中，利用随机森林机器学习方法识别试井的模式，进而基于识得的模式构建与试井模式匹配的试井物理模型。需要指出的是，在本发明的其它实施例中，还可以采用其他合理的方式来识别试井当前的模式，本发明对此不予限定。
[0062]
实际应用中，由领域内经验丰富的专家策划与试井相关的气藏参数，能够避免解释结果受解释人员主观性影响的缺陷，充分利用专业性较强的专家经验，为准确解释试井参数奠定基础。具体的，在一个实施例中，所述气藏参数可以包括：气藏模型的静态参数和气藏模型的动态参数，其中，静态参数通常不随时间变化或相对变化较小，例如物理模型每个网格点处的渗透率、水体体积倍数、孔隙度、气水界面的深度等参数；动态参数则包括气藏随时间不断变化的参数，例如物理模型每个网格点处的压力和饱和度等。
[0063]
本发明实施例中通过试井对应的物理模型获取解释参数所需的样本数据集合，为了保障试井参数解释的精确度，本发明实施例基于试井的实时动态模式构建匹配的物理模型，作为解释试井参数的基础，从根本上保障了源数据的可靠性，且本发明实施例采用随机森林机器学习方法识别试井当前的模式，在保障精确度的同时，提升了识别效率，有助于试井参数解释工作的高效开展。图2示出了本发明实施例中基于机器学习的试井参数解释方法的执行流程图，如图2所示，本发明在构建了与实时模式匹配的试井物理模型的基础上，基于该物理模型采集试井的若干气藏参数样本数据，表征试井不同影响因素下的气藏参数状态，用于形成预测及拟合的样本数据集合。因此，本发明实施例包括以下步骤：
[0064]
利用均匀分布的拉丁超立方抽样方法获取试井初始时刻在不同影响因素下的气藏参数集合，作为初始参数集合。该实施例中，采用上述抽样方法，在节省样本数量的基础上能够保障样本参数的覆盖性，同时提升样本采集的效率。需要指出的是，在本发明的其它实施例中，还可以采用其他合理的方式来进行样本参数的采集，本发明对此不予限定。
[0065]
本发明将数值模拟技术和机器学习方法相结合应用到试井解释过程中，从而实现复杂油气藏多相流试井参数解释，以克服常规试井解释方法(解析解、数值试井)难以解决的复杂问题。本发明实施例在试井模式识别的基础上，利用均匀分布的拉丁超立方抽样方法建立参数集合，进而通过数值模拟方法建立用于机器学习自动拟合的试井样本池。在执行数值模拟操作之前，需要获取数值模拟器的输入样本数据集合，本发明实施例通过以下步骤获取试井的样本数据集合：步骤s120、以执行解释的时间为依据，结合所述初始参数集合获取试井第一时刻的样本数据集合；
[0066]
该实施例中，基于已构建的试井模型，利用数值模拟技术，建立对应试井模型的数值模拟模型，并通过数值模拟器进行数值计算，得到不同影响因素的试井压力正演计算结果，进而依据试井的压力数据进行运算，为后边的自动拟合建立不同参数集合的试井曲线数据集。其中，通过数值计算得到的试井压力数据曲线示意图，如图3所示，图3中，横坐标表示时间，纵坐标表示不同影响因素下气藏参数对应的试井压力。
[0067]
结合实际应用，对于首次解释的试井，其检测时刻为初始时刻，即试井的第一时刻为初始时刻，其作为样本数据的压力导数数据是未知的，需要根据采集的气藏参数计算获取，因此，有以下步骤：当第一时刻为初始时刻时，根据所述初始参数集合和构建的数值模拟模型计算试井对应的压力数据集合和压力导数数据集合，进而将所述初始参数集合和压力导数集合作为试井第一时刻的样本数据集合。
[0068]
其中，利用数值模拟技术，构建试井物理模型对应的数值模拟模型，基于构建的数值模拟模型计算试井不同影响因素下气藏参数对应的压力数据，进而根据所述压力数据计算试井对应的压力导数数据。该步骤中，通过上一步得到的数值模拟计算结果的压力数据，利用气井试井压力恢复公式和压力导数计算公式，对各个模型的数值模拟数据进行运算处理，具体的，按照下述操作根据试井的压力数据计算对应的压力导数：
[0069]
通过以下公式(1)确定试井的压力数据对应的拟压力
[0070][0071]
式中，p为压力，μ为气体的粘度，z为气体的偏差系数，p0为任意选取的参考压力点，通常取p0＝0.1mpa。
[0072]
进而利用差分法代替微分，基于拟压力计算压力导数，即先用差分法计算压力的左导数和右导数，然后再进行加权平均，从而得到压力的导数：
[0073][0074][0075]
式中，为时间为ti时的拟压力；在时间间隔δt＝t
i-t
i-1
不均匀时，这种方法可起到匀整化即光滑化的作用。
[0076]
实际应用时，通过上述步骤处理后，可以得到试井不同影响因素下气藏参数对应的压力导数曲线，如下表1所示。
[0077]
表1训练集样本压力及压力导数数据表
[0078][0079][0080]
相应地，将不同影响因素下气藏参数对应的压力导数采用曲线示意图显示，如图4所示，具体地，图4中，横坐标表示时间，纵坐标表示不同影响因素下气藏参数对应的压力导数。
[0081]
另外的，当第一时刻不是初始时刻时，将对应试井上一时刻的参数解释结果集合作为样本数据集合。
[0082]
进一步地，图5示出了本发明实施例基于机器学习的试井参数解释方法中预测及拟合试井参数的执行原理图，如图5所示，本发明实施例通过数值模拟器计算试井的预测数据集合，在这之前，需要对后续拟合处理时需要用到的参数进行定义，一般地，用状态向量y定义参数集合，状态向量包括所有不确定的气藏参数及生产数据。实际应用时具体可包括：
①
气藏模型的静态参数，通常不随时间变化或相对变化较小，例如物理模型每个网格点处的渗透率、水体体积倍数、孔隙度、气水界面的深度等参数；
②
气藏模型的动态参数，包括气藏随时间不断变化的参数，例如物理模型每个网格点处的压力和饱和度等；
③
待解释试井数据，观测数据对应的数值模拟计算数据，包括压力导数数据等。基于此，一个状态向量可表示为：
[0083][0084]
式中，表示状态向量在n时刻的第j个集合成员，其中ms为n
ms
维静态参数向量，md为n
md
维动态参数向量，d为nd维待解释的试井压力导数数据向量。状态向量y的维数为ny＝n
ms
+n
md
+nd。
[0085]
状态向量集合的表达式为：
[0086][0087]
式中，ne为集合成员的个数。
[0088]
在一个可选的实施例中，可通过数模软件根据如下步骤计算预测数据集合：
[0089]
步骤s130、将试井第一时刻的样本数据集合输入试井物理模型对应的数值模拟器，获取试井第二时刻的预测数据集合；
[0090]
具体地，在一个实施例中，依据下式的原理获取试井第二时刻的预测数据集合：
[0091]ypr
＝g[y]+vw；
ꢀꢀꢀ
(6)
[0092]
式中，y
pr
为试井第二时刻的预测数据集合，g为选用的油气藏数值模拟器，y为试井第一时刻的样本数据集合，vw为过程噪声。其中，其中，第一时刻与第二时刻的时间间隔是根据解释需求设定的；选用何种油气藏数值模拟器是根据试井的实时模式以及对应的物理模型的实际状况及参数确定的。
[0093]
因此，预测状态向量集合可以表示为
[0094][0095]
本发明实施例的模拟拟合过程包括两个递归步骤，一个是上述的模拟预测操作，另一个是分析步骤，对动态观测数据的可用性进行分析，其执行过程如以下步骤所述：
[0096]
步骤s140、获取试井第二时刻的压力导数观测数据，根据试井第二时刻的预测数据集合和压力导数观测数据基于机器学习方法进行数据拟合处理，获取试井第二时刻更新后的预测数据集合，判断其分布范围是否满足试井的参数解释要求，若不满足，则将所述更新后的预测数据集合输入所述数值模拟器，并将所述数值模拟器的输出重新作为试井第二时刻的预测数据集合，执行步骤s4，直至得到分布范围满足试井的参数解释要求的更新后的预测数据集合，则将其作为参数解释结果。
[0097]
集合卡尔曼滤波算法实际属于一种基于蒙特卡洛的卡尔曼滤波算法，与卡尔曼滤波算法不同的是集合卡尔曼滤波使用了模型参数集合，模型预测和观测值不再是线性分布的。相对于其他优化方法，集合卡尔曼滤波方法不需要计算目标函数梯度，并且该方法可以与任何油藏模拟器整合对模型参数进行调整。
[0098]
基于此，在一个实施例中，通过以下操作基于机器学习方法进行数据拟合处理，获取试井第二时刻更新后的预测数据集合：
[0099]
确定集合卡尔曼滤波算法的增益矩阵。在一个实施例中，按照以下公式确定kalman增益矩阵ke：
[0100]
[0101]
式中，为预测状态向量集合的误差协方差矩阵；cd为预测气藏数据集合的误差协方差矩阵，h为状态向量与状态向量中的待解释数据关联起来的矩阵算子。
[0102][0103][0104]
式中，为ne个预测集合成员的均值。
[0105]
实际应用中，通常定义o为零矩阵，i为单位方阵，则
[0106]
h＝[o|i]
ꢀꢀꢀ
(11)
[0107]
进一步地，将得到的预测数据集合，以及获取的试井第二时刻的压力导数观测数据同时作为集合卡尔曼滤波算法的输入，基于确定的增益矩阵执行数据同化计算，将计算得到的数据集合作为试井第二时刻更新后的预测数据集合。
[0108]
具体地，在一个实施例中，在获取试井第二时刻的压力导数观测数据的过程中，通常需要在对实际观测数据上添加随机扰动，保证观测数据集合成员的差异性，因此通过下式对第二时刻采集的试井实际压力导数观测数据进行处理：
[0109]dj
＝d
obs
+vjꢀꢀꢀ
(12)
[0110]
式中，dj为试井第二时刻第j个样本的压力导数观测数据，d
obs
为第二时刻采集的第j个样本对应的实际压力导数观测数据，vj为添加的扰动向量。
[0111]
观测数据集合d的表达式则为：
[0112][0113]
进一步地，在一个实施例中，按照下式计算试井第二时刻更新后的预测数据集合
[0114][0115]
其中，为试井第二时刻第j个样本对应的预测数据向量，ke为集合卡尔曼滤波算法的增益矩阵，dj为试井第二时刻第j个样本的压力导数观测数据，h为状态向量与状态向量中的待解释数据关联起来的矩阵算子。
[0116]
基于此，更新后的状态向量集合则如下：
[0117][0118]
为确保参数解释结果的精确性，实际应用中，在得到更新后的状态向量集合时，并不直接将其作为最终的试井参数解释结果，而是获取其中各参数的分布范围，根据各参数的分布范围与设定的范围进行对比，确定当前更新后的状态向量集合是否满足当前试井的参数解释要求，若不满足要求，则将其输入所述数值模拟器中，并将数值模拟器的输出再次作为试井第二时刻的预测数据集合，再次通过集合卡尔曼滤波算法进行自动拟合处理，进一步提升参数解释集合的可靠性。在本发明的其它实施例中，还可以采用其他合理的方式来进行试井参数解释集合精确性的验证，本发明对此不予限定。
[0119]
需要说明的是，对于方法实施例，为了简单描述，故将其都表述为一系列的动作组
合，但是本领域技术人员应该知悉，本发明实施例并不受所描述的动作顺序的限制，因为依据本发明实施例，某些步骤可以采用其他顺序或者同时进行。其次，本领域技术人员也应该知悉，说明书中所描述的实施例均属于优选实施例，所涉及的动作并不一定是本发明实施例所必须的。
[0120]
在水驱油气藏的开发中，由于边底水的侵入而造成的试井出水，不仅会增加油气藏的开发开采难度，而且会造成产能的损失，降低试井采收率，基于水侵试井及时解释试井参数制定合理的治水方案或开发方案，能够有效地控制试井的损失。本发明实施例提供的试井解释方法，适用于气井的试井参数解释，特别是对于水侵气井试井的参数解释，通过本发明可以对气藏的水体特征和参数进行解释。
[0121]
本发明实施例中提供的方案本发明将数值模拟技术和机器学习方法相结合，在机器学习方法(随机森林)识别试井模式的基础上，利用均匀分布的拉丁超立方抽样方法建立样本参数集合，通过数值模拟方法建立拟合试井曲线样本池，利用机器学习方法(集合卡尔曼滤波enkf方法)，对实测试井数据进行自动拟合，反演估计试井的气藏及参数，将该方案在试井解释工程中应用时，能够解决常规试井解释方法(解析解、数值试井)精确度不足以及实用性不强的问题，很好地实现复杂油气藏多相流试井参数解释，有助于试井的产能预测及施工、治水方案的策划。
[0122]
实施例二
[0123]
本发明实施例通过利用python编写enkf(集合卡尔曼滤波)反演程序，对水侵气藏典型模型以及国内某水侵气藏实际模型进行自动解释研究。
[0124]
其中，根据试井的水侵模式构建对应的水侵气藏典型模型后，包括以下步骤：
[0125]
步骤一：初始集合生成
[0126]
参与反演的参数包含基质渗透率、水体体积倍数2个因素。利用均匀分布的拉丁超立方抽样方法通过python编程生成2种因素的60种组合方式，各个因素参数范围如下表2所示。由此，在水侵气藏模型基础上构建60个初始先验模型。
[0127]
表2反演参数
[0128][0129]
步骤二：参数更新分析
[0130]
图6和图7分别展示了拟合前后试井模型的参数分布情况，enkf拟合前后的模型压力导数曲线如图6(a)和图7(a)所示，其中虚线l1表示实际模型对应的压力导数曲线，虚线l2表示模拟结果，模型参数频率水体倍数分布如图6(b)、图7(b)所示，渗透率分布如图6(c)、图7(c)所示，图中直方图p1为猜测范围集合模型的属性值在相应范围内的频数，直线p2为参考模型属性值，可参照表2中的信息。
[0131]
(1)更新前
[0132]
enkf拟合前压力导数曲线如图6(a)所示,模型参数频率分布如图6(b)和图6(c)所示，图中直方图p1为60个集合模型的属性值在相应范围内的频数，直线p2为表2中参考模型属性值，可以看出，拟合前60组初始集合模型的参数值均匀分布。
[0133]
(2)更新后
[0134]
经过enkf更新一次后的60组模型的水体体积倍数值集中分布在4.0-5.0，基质渗透率值集中在30-31md。由此可知，更新后的模型参数属性值向参考油藏中对应的属性值收敛，大大增加了模型参数估计精度，更新后的模型参数范围收缩显著减少了模拟估计误差。
[0135]
解释结果如下表3所示，利用集合卡尔曼滤波参数反演方法，对水侵气藏模型进行参数反演。历史拟合结果表明，经过enkf更新后的模型历史拟合效果显著提高，降低了模型预测的不确定性。同时，更新后模型参数的估计精度得到提升。
[0136]
表3边水单重介质模型解释结果
[0137] 预测值准确值水体倍数4-55渗透率/md30-3130.3
[0138]
实施例三
[0139]
基于本发明上述任意一个或多个实施例的其他方面，本发明还提供一种基于机器学习的试井参数解释系统，该系统执行上述任意一个或多个实施例中所述的方法或步骤。图8示出了本发明实施例中基于机器学习的试井参数解释系统的结构示意图，如图8所示，该系统包括：
[0140]
初始参数获取模块81，其配置为采用机器学习方法识别试井当前的模式，构建与试井模式对应的试井物理模型，并基于所述试井物理模型获取试井初始时刻在不同影响因素下的气藏参数，形成初始参数集合，所述气藏参数包括试井物理模型的静态参数和动态参数。
[0141]
样本集合生成模块83，其配置为以执行解释的时间为依据，结合所述初始参数集合获取试井第一时刻的样本数据集合。
[0142]
数据预测模块85，其配置为将试井第一时刻的样本数据集合输入试井物理模型对应的数值模拟器，获取试井第二时刻的预测数据集合。
[0143]
自动拟合模块87，其配置为获取试井第二时刻的压力导数观测数据，根据试井第二时刻的预测数据集合和压力导数观测数据基于机器学习方法进行数据拟合处理，获取试井第二时刻更新后的预测数据集合，判断其分布范围是否满足试井的参数解释要求，若不满足，则将所述更新后的预测数据集合输入所述数值模拟器，并将所述数值模拟器的输出重新作为试井第二时刻的预测数据集合，执行步骤s4，直至得到分布范围满足试井的参数解释要求的更新后的预测数据集合，则将其作为参数解释结果；
[0144]
其中，第一时刻与第二时刻的时间间隔根据解释需求设定。
[0145]
在一个实施例中，所述初始参数获取模块81进一步配置为：利用均匀分布的拉丁超立方抽样方法获取试井初始时刻在不同影响因素下的气藏参数集合。
[0146]
在一个可选的实施例中，所述初始参数获取模块81还配置为：
[0147]
利用随机森林机器学习方法识别试井的模式，进而基于识得的模式构建与试井模式匹配的试井物理模型。
[0148]
在一个实施例中，样本集合生成模块83执行以下操作：
[0149]
当第一时刻为初始时刻时，根据所述初始参数集合和构建的数值模拟模型计算试井对应的压力数据集合和压力导数数据集合，进而将所述初始参数集合和压力导数集合作
为试井第一时刻的样本数据集合；当第一时刻不是初始时刻时，将对应试井上一时刻的参数解释结果集合作为样本数据集合。
[0150]
在一个实施例中，所述样本集合生成模块83还配置为：利用数值模拟技术，构建试井物理模型对应的数值模拟模型，基于构建的数值模拟模型计算试井不同影响因素下气藏参数对应的压力数据，进而根据所述压力数据计算试井对应的压力导数数据。
[0151]
进一步地，按照下述操作根据试井的压力数据计算对应的压力导数：
[0152]
通过以下公式确定试井的压力数据对应的拟压力
[0153][0154]
进而利用差分法代替微分，基于拟压力计算压力导数；
[0155]
式中，p为压力，μ为气体的粘度，z为气体的偏差系数，p0为任意选取的参考压力点。
[0156]
在一个实施例中，所述数据预测模块85根据下式获取试井第二时刻的预测数据集合：
[0157]ypr
＝g[y]+vw；
[0158]
式中，y
pr
为试井第二时刻的预测数据集合，g为油气藏数值模拟器，y为试井第一时刻的样本数据集合，vw为过程噪声。
[0159]
在一个实施例中，所述自动拟合模块87，通过以下操作基于机器学习方法进行数据拟合处理，获取试井第二时刻更新后的预测数据集合：
[0160]
确定集合卡尔曼滤波算法的增益矩阵；
[0161]
将得到的预测数据集合，以及获取的试井第二时刻的压力导数观测数据同时作为集合卡尔曼滤波算法的输入，基于确定的增益矩阵执行数据同化计算，将计算得到的数据集合作为试井第二时刻更新后的预测数据集合。
[0162]
进一步地，按照下式计算试井第二时刻更新后的预测数据集合
[0163][0164]
其中，为试井第二时刻第j个样本对应的预测数据向量，ke为集合卡尔曼滤波算法的增益矩阵，dj为试井第二时刻第j个样本的压力导数观测数据，h为状态向量与状态向量中的待解释数据关联起来的矩阵算子。
[0165]
在一个实施例中，所述自动拟合模块87在获取试井第二时刻的压力导数观测数据的过程中，通过下式对第二时刻采集的试井实际压力导数观测数据进行处理：
[0166]dj
＝d
obs
+vj[0167]
式中，dj为试井第二时刻第j个样本的压力导数观测数据，d
obs
为第二时刻采集的第j个样本对应的实际压力导数观测数据，vj为添加的扰动向量。
[0168]
本发明实施例提供的基于机器学习的试井参数解释系统中，各个模块或单元结构可以根据实际应用的需求独立运行或组合运行，以实现相应的技术效果。
[0169]
应该理解的是，本发明所公开的实施例不限于这里所公开的特定结构、处理步骤
或材料，而应当延伸到相关领域的普通技术人员所理解的这些特征的等同替代。还应当理解的是，在此使用的术语仅用于描述特定实施例的目的，而不意味着限制。
[0170]
说明书中提到的“一实施例”意指结合实施例描述的特定特征、结构或特征包括在本发明的至少一个实施例中。因此，说明书通篇各个地方出现的短语“一实施例”并不一定均指同一个实施例。
[0171]
虽然本发明所揭露的实施方式如上，但所述的内容只是为了便于理解本发明而采用的实施方式，并非用以限定本发明。任何本发明所属技术领域内的技术人员，在不脱离本发明所揭露的精神和范围的前提下，可以在实施的形式上及细节上作任何的修改与变化，但本发明的专利保护范围，仍须以所附的权利要求书所界定的范围为准。