一种基于数据驱动的侧钻井井位优选方法及装置

1.本发明涉及石油开采智能选井的技术领域，尤其涉及一种基于数据驱动的侧钻井井位优选方法及装置。


背景技术：

2.目前，多个油田已进入高含水开发后期，特高含水油藏往往存在流线固定、主流线低效水循环现象严重的问题，通过侧钻井、注采调配改变油藏流线分布，是这类油藏改善开发效果、提高采收率的重要方法之一。
3.侧钻井井位方案的设计难度较大，一方面需要综合考虑油田开发动静态各种因素的影响，各因素间影响规律复杂；另一方面，现有油藏工程理论仍难以准确描述地下动态，加上油藏认识不确定性、专家经验水平波动影响。油田信息化发展迅速，结合大数据和人工智能技术，建立一种侧钻井井位优选方法指导侧钻井方案设计，可有效降低侧钻井井位方案的设计难度，进而更好的提升油田侧钻井的生产效益。


技术实现要素：

4.本部分的目的在于概述本发明的实施例的一些方面以及简要介绍一些较佳实施例。在本部分以及本技术的说明书摘要和发明名称中可能会做些简化或省略以避免使本部分、说明书摘要和发明名称的目的模糊，而这种简化或省略不能用于限制本发明的范围。
5.鉴于上述现有存在的问题，提出了本发明。
6.因此，本发明提供了一种基于数据驱动的侧钻井井位优选方法及装置解决传统的侧钻井选井方法多依赖油田专家根据经验及相关数据进行选井设计，设计侧钻井的井位方案难度大，工作量庞杂且主观性强的问题。
7.为解决上述技术问题，本发明提供如下技术方案：
8.第一方面，本发明实施例提供了一种基于数据驱动的侧钻井井位优选方法，包括：
9.根据专家经验和油藏工程理论确定指标体系，根据所述指标体系构建样本集并对所述样本集数据整理清洗并进行预处理；
10.对所述预处理后的数据进行深度学习训练得到适用于选井原则的神经网络模型，基于所述适用于选井原则的神经网络模型构建侧钻井井位效果智能预测模型；根据所述侧钻井井位效果智能预测模型的预测结果构建新井指标参数优化数学模型，对侧钻井新井指标数据进行迭代，生成最优侧钻井变流线方案。
11.作为本发明所述的基于数据驱动的侧钻井井位优选方法的一种优选方案，其中：所述指标体系包括：原始地质参数指标、侧钻新井指标和开发效果指标三个一级指标；
12.所述原始地质参数指标包括：剩余可采储量、单井控制面积、采出程度、综合含水率、地层压力五个二级指标；
13.所述侧钻新井指标包括：靶点位置、靶点、老井点的距离三个二级指标；
14.所述开发效果指标包括：平均产油量一个二级指标。
15.作为本发明所述的基于数据驱动的侧钻井井位优选方法的一种优选方案，其中：根据所述指标体系构建样本集，对所述样本集数据整理清洗并进行预处理，包括：
16.样本集为侧钻井的动态和静态数据；
17.数据整理清洗包括：数据缺失值的分析处理、异常值的分析、一致性分析；
18.所述数据缺失值的分析处理包括：删除缺失值所在的记录，均值替换和插补对缺失值的处理；
19.所述异常值的分析包括：删除含有异常值的记录，插补把异常值视为缺失值；
20.所述一致性分析包括：当数据出现不一致性时，对数据进行清洗和集成操作，去除冗余数据、统一变量名、统一数据的计量单位，并使用最新的数据消除不一致性。
21.对所述样本数据进行归一化预处理，表示为：
[0022][0023]
其中，xn为归一化的结果，x为要归一化的数据，x
min
为每列中的最小值组成的行向量，x
max
为每列中的最大值组成的行向量。
[0024]
作为本发明所述的基于数据驱动的侧钻井井位优选方法的一种优选方案，其中：
[0025]
对所述预处理后的数据进行深度学习训练得到适用于选井原则的神经网络模型，包括：
[0026]
构建bp神经网络包括：输入层、隐含层和输出层；根据搭建的bp神经网络架构，从样本集中随机选取70％的数据构建的训练集带入bp神经网络模型中进行训练建立适用于选井原则的神经网络模型，并用剩余的30％的样本集作为验证集，对训练好的预测模型进行效果验证。
[0027]
作为本发明所述的基于数据驱动的侧钻井井位优选方法的一种优选方案，其中：所述输入层数据包括：剩余可采储量、单井控制面积、采出程度、综合含水率、地层压力、靶点位置、靶点、老井点；
[0028]
所述输出层数据包括：开发效果指标。
[0029]
作为本发明所述的基于数据驱动的侧钻井井位优选方法的一种优选方案，其中：根据训练结果构建侧钻井井位效果智能预测模型，包括：
[0030]
当训练效果较好时，则成功搭建了智能预测模型；
[0031]
当验证效果不佳时，则对bp神经网络架构进行调优直至满足条件。
[0032]
作为本发明所述的基于数据驱动的侧钻井井位优选方法的一种优选方案，其中：根据所述侧钻井井位效果智能预测模型的预测结果构建新井指标参数优化数学模型，包括：
[0033]
以侧钻后开发效果指标为目标函数，采用自适应协方差矩阵优化cma-es算法对侧钻井新井指标数据进行优化，
[0034]
自适应协方差矩阵优化cma-es算法，表示为：
[0035][0036]m(g)
+σ
(g)
n(0,c
(g)
)～n(m
(g)
,(σ
(g)
)2c
(g)
)
[0037]
其中，～为左右服从正态分布，n(0,c
(g)
)为协方差矩阵c
(g)
的正态分布，为第g+1代的第k个后代；m
(g)
为第g代搜索分布的均值，σ
(g)
为第g代的步长，c
(g)
为第g代的协方差矩阵，λ为抽样数量。
[0038]
作为本发明所述的基于数据驱动的侧钻井井位优选方法的一种优选方案，其中：对侧钻井新井指标数据进行迭代，生成最优侧钻井变流线方案，包括：输入优化变量参数包括：靶点位置、靶点与老井点的距离；
[0039]
设置各个优化变量参数的初始值、上下限、步长；
[0040]
初始化cma-es算法相关参数：种群数目、迭代次数、边界约束；
[0041]
若满足条件则输出最优参数；否则继续计算，当平均产油量值最大时，得到预测的最优新井参数，生成最优侧钻井变流线方案。
[0042]
作为本发明所述的基于数据驱动的侧钻井井位优选方法的一种优选方案，其中：所述靶点位置，表示为：
[0043][0044]
其中，d1为靶点位置即侧钻靶点在目的层的位置即侧钻靶点距顶部的占目的层厚度的比例，d1为侧钻靶点的垂直深度，d2为侧钻目的层顶部的深度，d3为侧钻目的层底深；
[0045]
所述靶点与老井点的距离，表示为：
[0046][0047]
其中，d2为靶点与老井点的距离，x1为靶点的横坐标，y1为靶点的纵坐标，x2为老井点的横坐标，y2为老井点的横坐标。
[0048]
第二方面，本发明实施例提供了一种基于数据驱动的侧钻井井位优选装置，包括：
[0049]
数据预处理模块，用于根据专家经验和油藏工程理论确定指标体系，根据所述指标体系构建样本集并对所述样本集数据整理清洗并进行预处理；
[0050]
训练预测模块，用于对所述预处理后的数据进行深度学习训练得到适用于选井原则的神经网络模型，基于所述适用于选井原则的神经网络模型构建侧钻井井位效果智能预测模型；
[0051]
数据优化模块，用于根据所述侧钻井井位效果智能预模型的预测结果构建新井指标参数优化数学模型，对侧钻井新井指标数据进行迭代，生成最优侧钻井变流线方案。
[0052]
与现有技术相比，本发明的有益效果：本发明将侧钻井井位效果预测模型和智能优化算法相结合，通过不断寻优获得最佳新井参数得到最优侧钻井变流线方案，油田侧钻井方案准确性高、可靠性和客观性强，提高了油田开采效率和生产效益。
附图说明
[0053]
为了更清楚地说明本发明实施例的技术方案，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性的前提下，还可以根据这些附图获得其它的附图。其中：
[0054]
图1为本发明一个实施例所述的一种基于数据驱动的侧钻井井位优选方法及装置的整体流程图；
[0055]
图2为本发明一个实施例所述的一种基于数据驱动的侧钻井井位优选方法及装置的优化数量为2时的性能对比图；
[0056]
图3为本发明一个实施例所述的一种基于数据驱动的侧钻井井位优选方法及装置的优化数量为10时的性能对比图；
[0057]
图4为本发明一个实施例所述的一种基于数据驱动的侧钻井井位优选方法及装置的优化数量为30时的性能对比图；
[0058]
图5为本发明一个实施例所述的一种基于数据驱动的侧钻井井位优选方法及装置的预测效果图。
具体实施方式
[0059]
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合说明书附图对本发明的具体实施方式做详细的说明，显然所描述的实施例是本发明的一部分实施例，而不是全部实施例。基于本发明中的实施例，本领域普通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，都应当属于本发明的保护的范围。
[0060]
在下面的描述中阐述了很多具体细节以便于充分理解本发明，但是本发明还可以采用其他不同于在此描述的其它方式来实施，本领域技术人员可以在不违背本发明内涵的情况下做类似推广，因此本发明不受下面公开的具体实施例的限制。
[0061]
其次，此处所称的“一个实施例”或“实施例”是指可包含于本发明至少一个实现方式中的特定特征、结构或特性。在本说明书中不同地方出现的“在一个实施例中”并非均指同一个实施例，也不是单独的或选择性的与其他实施例互相排斥的实施例。
[0062]
本发明结合示意图进行详细描述，在详述本发明实施例时，为便于说明，表示器件结构的剖面图会不依一般比例作局部放大，而且所述示意图只是示例，其在此不应限制本发明保护的范围。此外，在实际制作中应包含长度、宽度及深度的三维空间尺寸。
[0063]
同时在本发明的描述中，需要说明的是，术语中的“上、下、内和外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。此外，术语“第一、第二或第三”仅用于描述目的，而不能理解为指示或暗示相对重要性。
[0064]
本发明中除非另有明确的规定和限定，术语“安装、相连、连接”应做广义理解，例如：可以是固定连接、可拆卸连接或一体式连接；同样可以是机械连接、电连接或直接连接，也可以通过中间媒介间接相连，也可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本发明中的具体含义。
[0065]
实施例1
[0066]
参照图1，为本发明的一个实施例，该实施例提供了一种基于数据驱动的侧钻井井位优选方法，包括：
[0067]
s1:根据专家经验和油藏工程理论确定指标体系，根据指标体系构建样本集并对样本集数据整理清洗并进行预处理；
[0068]
更进一步的，指标体系包括：原始地质参数指标、侧钻新井指标和开发效果指标三个一级指标；
[0069]
原始地质参数指标包括：剩余可采储量、单井控制面积、采出程度、综合含水率、地层压力五个二级指标；
[0070]
侧钻新井指标包括：靶点位置、靶点、老井点的距离三个二级指标；
[0071]
开发效果指标包括：平均产油量一个二级指标。
[0072]
应说明的是，平均产油量，表示为：
[0073][0074]
其中，为平均产油量(t/mon)，q为侧钻井投入生产t月后累积产油量(t),t为侧钻井投入生产后的时间(mon)，可固定一个时间段，累积产油量q以及生产时间t可从侧钻井生产动态数据表获取。
[0075]
更进一步的，根据指标体系构建样本集，对样本集数据整理清洗并进行预处理，包括：
[0076]
样本集为侧钻井的动态和静态数据；
[0077]
数据整理清洗包括：数据缺失值的分析处理、异常值的分析、一致性分析；
[0078]
数据缺失值的分析处理包括：删除缺失值所在的记录，均值替换和插补对缺失值的处理；
[0079]
异常值的分析包括：删除含有异常值的记录，插补把异常值视为缺失值；
[0080]
一致性分析包括：当数据出现不一致性时，对数据进行清洗和集成操作，去除冗余数据、统一变量名、统一数据的计量单位，并使用最新的数据消除不一致性。
[0081]
对样本数据进行归一化预处理，表示为：
[0082][0083]
其中，xn为归一化的结果，x为要归一化的数据，x
min
为每列中的最小值组成的行向量，x
max
为每列中的最大值组成的行向量。
[0084]
应说明的是，需要获取的数据目前主要存储在侧钻井新井设计书、开发数据库、油藏数值模拟数据体数据源头中，其中具体包括侧钻井动态和静态的数据。
[0085]
还应说明的是，使用缺失值的处理方法进行处理，利用现有数据对异常值进行替换或插补；不处理时，直接在含有异常值的数据集上进行数据分析，对数据进行预处理，将整理得到的样本数据都限制在[0,1]之间。
[0086]
s2:对预处理后的数据进行深度学习训练得到适用于选井原则的神经网络模型，基于适用于选井原则的神经网络模型构建侧钻井井位效果智能预测模型；
[0087]
更进一步的，对预处理后的数据进行深度学习训练得到适用于选井原则的神经网络模型，包括：
[0088]
构建bp神经网络包括：输入层、隐含层和输出层；根据搭建的bp神经网络架构，从样本集中随机选取70％的数据构建的训练集带入bp神经网络模型中进行训练建立适用于选井原则的神经网络模型，并用剩余的30％的样本集作为验证集，对训练好的预测模型进
行效果验证。
[0089]
更进一步的，输入层数据包括：剩余可采储量、单井控制面积、采出程度、综合含水率、地层压力、靶点位置、靶点、老井点；
[0090]
输出层数据包括：开发效果指标。
[0091]
更进一步的，根据训练结果构建侧钻井井位效果智能预测模型，包括：
[0092]
当训练效果较好时，则成功搭建了智能预测模型；
[0093]
当验证效果不佳时，则对bp神经网络架构进行调优直至满足条件。
[0094]
s3:根据侧钻井井位效果智能预测模型的预测结果构建新井指标参数优化数学模型，对侧钻井新井指标数据进行迭代，生成最优侧钻井变流线方案；
[0095]
更进一步的，根据侧钻井井位效果智能预测模型的预测结果构建新井指标参数优化数学模型，包括：
[0096]
以侧钻后开发效果指标为目标函数，采用自适应协方差矩阵优化cma-es算法对侧钻井新井指标数据进行优化，
[0097]
自适应协方差矩阵优化cma-es算法，表示为：
[0098][0099]m(g)
+σ
(g)
n(0,c
(g)
)～n(m
(g)
,(σ
(g)
)2c
(g)
)
[0100]
其中，～为左右服从正态分布，n(0,c
(g)
)为协方差矩阵c
(g)
的正态分布，为第g+1代的第k个后代；m
(g)
为第g代搜索分布的均值，σ
(g)
为第g代的步长，c
(g)
为第g代的协方差矩阵，λ为抽样数量。
[0101]
更进一步的，对侧钻井新井指标数据进行迭代，生成最优侧钻井变流线方案，包括：输入优化变量参数包括：靶点位置、靶点与老井点的距离；
[0102]
设置各个优化变量参数的初始值、上下限、步长；
[0103]
初始化cma-es算法相关参数：种群数目、迭代次数、边界约束；
[0104]
若满足条件则输出最优参数；否则继续计算，当平均产油量值最大时，得到预测的最优新井参数，生成最优侧钻井变流线方案。
[0105]
更进一步的，靶点位置，表示为：
[0106][0107]
其中，d1为靶点位置即侧钻靶点在目的层的位置即侧钻靶点距顶部的占目的层厚度的比例，d1为侧钻靶点的垂直深度，d2为侧钻目的层顶部的深度，d3为侧钻目的层底深；
[0108]
靶点与老井点的距离，表示为：
[0109][0110]
其中，d2为靶点与老井点的距离，x1为靶点的横坐标，y1为靶点的纵坐标，x2为老井点的横坐标，y2为老井点的横坐标。
[0111]
上述为本实施例的一种基于数据驱动的侧钻井井位优选方法的示意性方案。需要说明的是，该基于数据驱动的侧钻井井位优选装置的技术方案与上述的基于数据驱动的侧
钻井井位优选方法的技术方案属于同一构思，本实施例中基于数据驱动的侧钻井井位优选装置的技术方案未详细描述的细节内容，均可以参见上述基于数据驱动的侧钻井井位优选方法的技术方案的描述。
[0112]
本实施例中基于数据驱动的侧钻井井位优选装置，包括：
[0113]
数据预处理模块，用于根据专家经验和油藏工程理论确定指标体系，根据指标体系构建样本集并对样本集数据整理清洗并进行预处理；
[0114]
训练预测模块，用于对预处理后的数据进行深度学习训练得到适用于选井原则的神经网络模型，基于适用于选井原则的神经网络模型构建侧钻井井位效果智能预测模型；
[0115]
数据优化模块，用于根据侧钻井井位效果智能预模型的预测结果构建新井指标参数优化数学模型，对侧钻井新井指标数据进行迭代，生成最优侧钻井变流线方案。
[0116]
实施例2
[0117]
参照图2～5，为本发明的一个实施例，通过对比实验进行科学论证，验证有益效果。
[0118]
搭建bp神经网络架构对预处理后的数据进行训练，其中，数据输入层的神经元个数为7，激励函数为“relu”；隐层神经元个数为10，激励函数为“relu”；输出层神经元个数为1，激励函数为“linear”；优化器为“adam”，迭代次数2000，bath值为200，损失函数为均方误差“mse”。从样本集中随机选取70％的数据构建的训练集带入bp神经网络模型中进行训练，并用剩余的30％的样本集作为验证集，对训练好的预测模型进行效果验证进一步迭代优化数据。预测数据如表1所示：
[0119]
表1预测数据
[0120][0121]
[0122]
通过图2、3、4可以看出，在不同的优化变量下进行优化求解，cma-es优化算法相较于广义模式搜索gps、粒子群算法pso、多级协调搜索算法mcs寻优性能更优，结合图5所示，通过搭建bp神经网络对样本集进行学习训练，构建开发效果预测模型，显示预测效果较好，以侧钻后开效果指标为目标函数进一步优化，以平均产油量最大为最优新井参数，并以cma-es优化算法寻优，生成最优侧钻井变流线方案。本发明通过结合大数据和人工智能技术，利用侧钻井井位效果预测模型和智能优化算法，自动生成最优侧钻井变流线方案，极大的提高了油田的生产效益。
[0123]
应说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或者等同替换，而不脱离本发明技术方案的精神和范围，其均应涵盖在本发明的权利要求范围当中。