剩余油分布预测方法、装置、设备及存储介质与流程

1.本技术涉及油田开发技术领域，特别涉及一种剩余油分布预测方法、装置、设备及存储介质。


背景技术：

2.剩余油分布是油田开发研究的核心问题，在明确了剩余油分布的情况下，才能明确油田开发方向，明确后期油田开发过程中如何调整钻井、生产措施等。因此，如何预测剩余油分布便成为了人们关注的焦点。
3.相关技术中，主要是通过对区块中油藏总储量、已开采量、产水量等数据进行拟合，来模拟该区块的剩余油分布。而数据拟合的精度会直接影响剩余油分布的精确度，当数据拟合的精度较低时，对剩余油分布预测的准确性也较低。


技术实现要素：

4.本技术实施例提供了一种剩余油分布预测方法、装置、设备及存储介质，可以提高对剩余油分布预测的准确性。所述技术方案如下：
5.一方面，提供了一种剩余油分布预测方法，所述方法包括：
6.显示模型确定界面，所述模型确定界面包括多个模型图标；
7.响应于对目标模型图标的触发操作，显示参数调整界面；所述参数调整界面包括初始油藏数值模型对应的多个油藏参数；
8.基于所述参数调整界面，调整至少一个油藏参数，得到目标油藏数值模型；
9.基于所述目标油藏数值模型，确定样本区块随时间间隔变化的综合含水率；
10.在所述样本区块的综合含水率达到第一预设阈值的条件下，获取所述样本区块随时间间隔变化的采油数据和含水饱和度；
11.基于所述样本区块随时间间隔变化的采油数据和含水饱和度，进行模型训练，得到剩余油分布预测模型；
12.基于所述剩余油分布预测模型，确定目标区块的剩余油分布。
13.在一种可能的实现方式中，所述基于所述目标油藏数值模型，确定样本区块随时间间隔变化的综合含水率，包括：
14.基于所述目标油藏数值模型对应的多个油藏参数，预测所述样本区块在第一时间间隔后的综合含水率；
15.若所述样本区块在第一时间间隔后的综合含水率未达到所述第一预设阈值，基于所述目标油藏数值模型对应的多个油藏参数，预测所述样本区块在第二时间间隔后的综合含水率，重复执行所述综合含水率的预测步骤，直至所述样本区块在第三时间间隔后的综合含水率达到所述第一预设阈值。
16.在另一种可能的实现方式中，所述基于所述剩余油分布预测模型，确定目标区块的剩余油分布，包括：
17.显示第一数据获取界面；
18.基于所述第一数据获取界面，获取所述目标区块的采油数据；
19.将所述目标区块的采油数据输入所述剩余油分布预测模型中，得到所述目标区块的剩余油分布。
20.在另一种可能的实现方式中，所述目标区块的剩余油分布包括所述目标区块的含油饱和度；
21.所述将所述目标区块的采油数据输入所述剩余油分布预测模型中，得到所述目标区块的剩余油分布，包括：
22.将所述目标区块的采油数据输入所述剩余油分布预测模型中，得到所述目标区块的含水饱和度；
23.将第二预设阈值与所述含水饱和度之间的差值，作为所述目标区块的含油饱和度。
24.在另一种可能的实现方式中，所述参数调整界面包括：多个参数调整选项；
25.所述基于所述参数调整界面，调整至少一个油藏参数，得到目标油藏数值模型，包括：
26.基于所述多个参数调整选项，确定所述至少一个油藏参数的调整范围和调整步长；
27.按照所述调整范围和所述调整步长，调整所述至少一个油藏参数，得到多个目标油藏数值模型。
28.在另一种可能的实现方式中，所述基于所述样本区块随时间间隔变化的采油数据和含水饱和度，进行模型训练，得到剩余油分布预测模型，包括：
29.将所述样本区块每个时间间隔的采油数据作为第一训练样本，将所述样本区块每个时间间隔的含水饱和度作为第一训练目标，基于所述第一训练样本和所述第一训练目标，进行模型训练，得到所述剩余油分布预测模型。
30.在另一种可能的实现方式中，所述基于所述样本区块随时间间隔变化的采油数据和含水饱和度，进行模型训练，得到剩余油分布预测模型，包括：
31.确定第二预设阈值与所述样本区块每个时间间隔的含水饱和度的差值，得到所述样本区块每个时间间隔的含油饱和度；
32.将所述样本区块每个时间间隔的采油数据作为第二训练样本，将所述样本区块每个时间间隔的含油饱和度作为第二训练目标，基于所述第二训练样本和所述第二训练目标，进行模型训练，得到所述剩余油分布预测模型。
33.在另一种可能的实现方式中，所述方法还包括：
34.显示第二数据获取界面；
35.基于所述第二数据获取界面，获取测试区块的历史采油数据和历史含水饱和度；
36.将所述历史采油数据输入所述剩余油分布预测模型中，得到所述测试区块的测试含水饱和度；
37.确定所述测试含水饱和度与所述历史含水饱和度之间的差值；
38.若所述差值在预设范围内，确定所述剩余油分布预测模型通过测试。
39.另一方面，提供了一种剩余油分布预测装置，所述装置包括：
40.第一显示模块，用于显示模型确定界面，所述模型确定界面包括多个模型图标；
41.第二显示模块，用于响应于对目标模型图标的触发操作，显示参数调整界面；所述参数调整界面包括初始油藏数值模型对应的多个油藏参数；
42.调整模块，用于基于所述参数调整界面，调整至少一个油藏参数，得到目标油藏数值模型；
43.第一确定模块，用于基于所述目标油藏数值模型，确定样本区块随时间间隔变化的综合含水率；
44.第一获取模块，用于在所述样本区块的综合含水率达到第一预设阈值的条件下，获取所述样本区块随时间间隔变化的采油数据和含水饱和度；
45.训练模块，用于基于所述样本区块随时间间隔变化的采油数据和含水饱和度，进行模型训练，得到剩余油分布预测模型；
46.第二确定模块，用于基于所述剩余油分布预测模型，确定目标区块的剩余油分布。
47.在一种可能的实现方式中，所述第一确定模块，用于基于所述目标油藏数值模型对应的多个油藏参数，预测所述样本区块在第一时间间隔后的综合含水率；若所述样本区块在第一时间间隔后的综合含水率未达到所述第一预设阈值，基于所述目标油藏数值模型对应的多个油藏参数，预测所述样本区块在第二时间间隔后的综合含水率，重复执行所述综合含水率的预测步骤，直至所述样本区块在第三时间间隔后的综合含水率达到所述第一预设阈值。
48.在另一种可能的实现方式中，所述第二确定模块，用于显示第一数据获取界面；基于所述第一数据获取界面，获取所述目标区块的采油数据；将所述目标区块的采油数据输入所述剩余油分布预测模型中，得到所述目标区块的剩余油分布。
49.在另一种可能的实现方式中，所述目标区块的剩余油分布包括所述目标区块的含油饱和度；
50.所述第二确定模块，用于将所述目标区块的采油数据输入所述剩余油分布预测模型中，得到所述目标区块的含水饱和度；将第二预设阈值与所述含水饱和度之间的差值，作为所述目标区块的含油饱和度。
51.在另一种可能的实现方式中，所述参数调整界面包括：多个参数调整选项；
52.所述调整模块，用于基于所述多个参数调整选项，确定所述至少一个油藏参数的调整范围和调整步长；按照所述调整范围和所述调整步长，调整所述至少一个油藏参数，得到多个目标油藏数值模型。
53.在另一种可能的实现方式中，所述训练模块，用于将所述样本区块每个时间间隔的采油数据作为第一训练样本，将所述样本区块每个时间间隔的含水饱和度作为第一训练目标，基于所述第一训练样本和所述第一训练目标，进行模型训练，得到所述剩余油分布预测模型。
54.在另一种可能的实现方式中，所述训练模块，用于确定第二预设阈值与所述样本区块每个时间间隔的含水饱和度的差值，得到所述样本区块每个时间间隔的含油饱和度；将所述样本区块每个时间间隔的采油数据作为第二训练样本，将所述样本区块每个时间间隔的含油饱和度作为第二训练目标，基于所述第二训练样本和所述第二训练目标，进行模型训练，得到所述剩余油分布预测模型。
55.在另一种可能的实现方式中，所述装置还包括：
56.第三显示模块，用于显示第二数据获取界面；
57.第二获取模块，用于基于所述第二数据获取界面，获取测试区块的历史采油数据和历史含水饱和度；
58.第三确定模块，用于将所述历史采油数据输入所述剩余油分布预测模型中，得到所述测试区块的测试含水饱和度；
59.第四确定模块，用于确定所述测试含水饱和度与所述历史含水饱和度之间的差值；
60.第五确定模块，用于若所述差值在预设范围内，确定所述剩余油分布预测模型通过测试。
61.另一方面，提供了一种电子设备，所述电子设备包括处理器和存储器，所述存储器中存储有至少一条程序代码，所述至少一条程序代码由所述处理器加载并执行，以实现上述任一项所述的剩余油分布预测方法。
62.另一方面，提供了一种计算机可读存储介质，所述计算机可读存储介质中存储有至少一条程序代码，所述至少一条程序代码由处理器加载并执行，以实现上述任一项所述的剩余油分布预测方法。
63.另一方面，提供了一种计算机程序产品，所述计算机程序产品中存储有至少一条程序代码，所述至少一条程序代码由处理器加载并执行，以实现上述任一项所述的剩余油分布预测方法。
64.本技术实施例提供了一种剩余油分布预测方法，该方法通过油藏数值模型确定样本区块的综合含水率，根据样本区块的综合含水率，确定样本区块随时间间隔变化的采油数据和含水饱和度，然后进行模型训练，得到剩余油分布预测模型，通过该剩余油分布预测模型来预测目标区块的剩余油分布。由于该剩余油分布预测模型是迭代训练得到的，因此，通过该剩余油分布预测模型可以准确预测剩余油分布，从而提高剩余油分布预测的准确性。
65.应当理解的是，以上的一般描述和后文的细节描述仅是示例性的，并不能限制本公开。
附图说明
66.图1是本技术实施例提供的一种剩余油分布预测方法的实施环境的示意图；
67.图2是本技术实施例提供的一种通过模型训练得到剩余油分布预测模型的流程图；
68.图3是本技术实施例提供的一种云平台的架构示意图；
69.图4是本技术实施例提供的一种基于云平台，通过模型训练得到剩余油分布预测模型的示意图；
70.图5是本技术实施例提供的一种通过长短期神经网络进行模型训练，得到剩余油分布预测模型的示意图；
71.图6是本技术实施例提供的一种剩余油分布预测方法的流程图；
72.图7是本技术实施例提供的一种剩余油分布预测装置的结构示意图；
73.图8是本技术实施例提供的一种终端的结构框图；
74.图9是本技术实施例提供的一种服务器的结构框图。
具体实施方式
75.为使本技术的技术方案和优点更加清楚，下面对本技术实施方式作进一步地详细描述。
76.本技术的说明书和权利要求书及所述附图中的术语“第一”、“第二”、“第三”和“第四”等是用于区别不同对象，而不是用于描述特定顺序。此外，术语“包括”和“具有”以及它们的任意变形，意图在于覆盖不排他的包含。例如包含了一系列步骤或单元的过程、方法、系统、产品或设备没有限定于已列出的步骤或单元，而是可选地还包括没有列出的步骤或单元，或可选地还包括对于这些过程、方法、产品或设备固有的其他步骤或单元。
77.需要说明的是，本技术所涉及的信息(包括但不限于用户设备信息、用户个人信息等)、数据(包括但不限于用于分析的数据、存储的数据、展示的数据等)以及信号，均为经用户授权或者经过各方充分授权的，且相关数据的收集、使用和处理需要遵守相关国家和地区的相关法律法规和标准。例如，本技术中涉及到的采油数据、含水饱和度、含油饱和度以及油藏参数等都是在充分授权的情况下获取的。
78.图1是本技术实施例提供的一种剩余油分布预测方法的实施环境的示意图。参见图1，该实施环境包括：电子设备，该电子设备可以提供为终端101，也可以提供为终端101和服务器102。若电子设备提供为终端101和服务器102，终端101和服务器102之间可以通过无线或有线网络连接。在本技术实施例中，仅以电子设备提供为终端101和服务器102为例进行说明。
79.若电子设备提供为终端101和服务器102，则由服务器102进行模型训练，得到剩余油分布预测模型，然后基于剩余油分布预测模型，确定目标区块的剩余油分布。服务器102向终端101发送目标区块的剩余油分布，终端101显示目标区块的剩余油分布。
80.其中，终端101为手机、平板电脑、pc(personal computer，个人计算机)设备、智能语音交互设备和车载终端等设备中的至少一种。服务器102可以为一台服务器、由多台服务器组成的服务器集群、云服务器、云计算平台和虚拟化中心中的至少一种。
81.图2是本技术实施例提供的一种通过模型训练得到剩余油分布预测模型的流程图，由电子设备执行，参见图2，该方法包括：
82.步骤201：电子设备显示模型确定界面。
83.本步骤中，电子设备可以通过云平台来显示模型确定界面。其中，电子设备可以通过登录目标应用程序的方式登录云平台，正如以下第一种实现方式。电子设备也可以通过登录目标网址的方式登录云平台，正如以下第二种实现方式。
84.第一种实现方式，电子设备上安装目标应用程序，响应于电子设备登录目标应用程序，电子设备显示目标应用程序的主界面。电子设备从该主界面跳转到模型显示界面。
85.第二种实现方式，电子设备上安装浏览器，电子设备可以获取浏览器中输入的目标网址信息，基于该目标网址信息，显示目标网站的主界面，然后从该主界面跳转到模型显示界面。
86.上述两种实现方式中，该主界面包括多个版块，电子设备可以从多个版块中确定
剩余油分布版块，响应于对剩余油分布版块的触发操作，电子设备登录剩余油分布预测平台，显示剩余油分布界面。剩余油分布界面包括模型确定选项，响应于对模型确定选项的触发操作，电子设备从剩余油分布界面跳转到模型确定界面，模型确定界面包括多个模型图标，该多个模型图标为共享模型对应的模型图标。
87.接下来介绍一下云平台。参见图3，该云平台包括：数据平台、技术平台、共享模型、人工智能平台和剩余油分布预测平台。其中，数据平台包括：数据采集系统、数据传输系统、数据存储和管理系统。
88.数据采集系统的介绍：数据采集系统主要用于采集数据，包括自动采集和人工采集两种方式，采集的数据主要为井筒作业和油气生产这两种现场的数据，这些数据涉及的业务为工程技术和开发生产两类业务。
89.数据传输系统的介绍：数据传输系统包括无线传输和光传输两种方式。在本技术实施例中，电子设备可以通过无线传输或光传输的方式获取数据。
90.数据存储管理系统的介绍：数据存储管理系统包括数据处理框架、数据存储系统和数据分析系统。其中，数据处理框架主要用于对数据进行处理，该数据包括历史数据和实时数据。
91.数据存储系统用于存储处理后的数据。数据存储系统中存储的数据类型包括结构化数据、非结构化数据和实时数据。其中，结构化数据是指能够用数据或统一的结构加以表示的数据，例如，数字或符号。非结构化数据是指无法用数字或统一的结构表示的数据，例如，图像、声音等。实时数据是指在某事发生过程、发展过程中的同一时间所得信息的载体，用于表示客观事物未经加工的原始素材。
92.数据分析系统具有高速检索、联合查询和分析等功能。这些功能主要是在数据处理、存储后根据动态库、业务库和专业库中的数据，通过分析层的组织加工后，提供各类数据服务能力，高效的支撑各类应用。分析层具备独立的物理存储结构，由高速索引、分析库、领域知识库和模型库构成，并通过统一数据服务地图，对外提供数据服务发布。
93.技术平台的介绍：技术平台包括：数据中台、业务中台和技术中台。数据中台是在数字化转型过程中，对各业务单元业务与数据的沉淀，构建包括数据技术、数据处理、数据运营等数据建设、管理、使用体系，实现数据赋能，是新型信息化应用框架体系的核心。业务中台是后台的延伸，可以实现资源或能力的极度共享。技术中台主要提供各种通用服务，例如，图标组件、消息中心等。
94.共享模型的介绍：共享模型包括地质模型、井筒模型、裂缝模型、应力模型、经济模型、管网模型和初始油藏数值模型等。这些模型均为训练完成的模型，可以直接调用。
95.人工智能平台的介绍：人工智能平台包括大数据分析技术和人工智能专业算法。其中，人工智能专业算法包含分类算法、聚类算法、贝叶斯算法、回归算法、关联算法、综合评价、时间序列、文本挖掘、集成学习、协同过滤、自动学习、深度学习、特征工程等。
96.剩余油分布预测平台的介绍：剩余油分布预测平台主要用于确定剩余油的分布情况，通过剩余油分布来明确油田开发方向，以及油田开发过程中如何调整钻井、生产措施等。
97.在本技术实施例中，除剩余油分布预测平台外，云平台还可以包括其他平台，例如，钻井参数确定平台，电子设备可以通过钻井参数确定平台来确定钻井参数。
98.步骤202：响应于对目标模型图标的触发操作，电子设备显示参数调整界面。
99.电子设备从多个模型图标中确定目标模型图标，响应于对目标模型图标的触发操作，电子设备显示参数调整界面，该参数调整界面包括初始油藏数值模型对应的多个油藏参数和多个参数调整选项。其中，一个油藏参数对应一个参数调整选项。
100.其中，电子设备可以直接显示多个油藏参数，也可以分类显示多个油藏参数。例如，参见表1，电子设备将多个油藏参数分为三类，分别为储层物性参数、流体参数和油藏开采控制参数。
101.表1
[0102][0103]
步骤203：电子设备基于参数调整界面，调整至少一个油藏参数，得到目标油藏数值模型。
[0104]
本步骤中，电子设备基于多个参数调整选项，确定至少一个油藏参数的调整范围和调整步长；按照调整范围和调整步长，调整至少一个油藏参数，得到多个目标油藏数值模型。
[0105]
该实现方式中，电子设备从多个油藏参数中确定至少一个油藏参数，对于至少一个油藏参数中的每个油藏参数，响应于对该油藏参数对应的参数调整选项的触发操作，电子设备确定该油藏参数的调整范围和调整步长。参数调整界面还包括调整选项，在确定至少一个油藏参数中每个油藏参数的调整范围和调整步长的条件下，响应于对调整选项的触发操作，电子设备按照至少一个油藏参数中每个油藏参数的调整范围和调整步长，调整至少一个油藏参数，得到多个目标油藏数值模型。
[0106]
例如，至少一个油藏参数为瞬时注采速度，电子设备确定瞬时注采速度的调整范围和调整步长，例如，瞬时注采速度的调整范围为x～y，调整步长为z，则电子设备在该调整范围内按照该调整步长，调整瞬时注采速度，得到多个目标油藏数值模型。例如，电子设备在初始油藏数值模型的基础上，通过调整瞬时注采速度，得到100个目标油藏数值模型。
[0107]
另外，当至少一个油藏参数包括多个油藏参数时，这多个油藏参数可以为同一类油藏参数，也可以为不同类油藏参数，对此不作具体限定。
[0108]
步骤204：电子设备基于目标油藏数值模型，确定样本区块随时间间隔变化的综合含水率。
[0109]
若目标油藏数值模型为多个，则对于每个目标油藏数值模型，电子设备基于该目标油藏数值模型对应的多个油藏参数，预测样本区块在第一时间间隔后的综合含水率；若样本区块在第一时间间隔后的综合含水率未达到第一预设阈值，基于目标油藏数值模型对应的多个油藏参数，预测样本区块在第二时间间隔后的综合含水率，重复执行综合含水率的预测步骤，直至样本区块在第三时间间隔后的综合含水率达到第一预设阈值。
[0110]
该实现方式中，电子设备可以基于目标油藏数值模型对应的多个油藏参数，通过历史拟合来预测样本区块在第一时间间隔后的综合含水率，然后确定该样本区块在第一时间间隔后的综合含水率是否达到第一预设阈值。若样本区块在第一时间间隔后的综合含水率未达到第一预设阈值，则再次进行历史拟合，通过历史拟合来预测样本区块在第二时间间隔后的综合含水率，然后确定样本区块在第二时间间隔后的综合含水率是否达到第一预设阈值。若样本区块在第二时间间隔后的综合含水率仍未达到第一预设阈值，则重复执行综合含水率的预测步骤，直至样本区块在第三时间间隔后的综合含水率达到第一预设阈值。
[0111]
其中，第一预设阈值可以根据需要进行设置并更改，对此不作具体限定。例如，第一预设阈值为99.5％。
[0112]
步骤205：电子设备在样本区块的综合含水率达到第一预设阈值的条件下，获取样本区块随时间间隔变化的采油数据和含水饱和度。
[0113]
在一种可能的实现方式中，电子设备在确定样本区块在第三时间间隔后的综合含水率达到第一预设阈值后，获取样本区块从第一时间间隔至第三时间间隔之间的每个时间间隔内对应的采油数据和含水饱和度。
[0114]
例如，第一时间间隔为1个月，第二时间间隔为2个月，第三时间间隔为5个月，则电子设备获取样本区块1个月后的采油数据和含水饱和度、2个月后的采油数据和含水饱和度、3个月后的采油数据和含水饱和度、4个月后的采油数据和含水饱和度以及5个月后的采油数据和含水饱和度。
[0115]
在另一种可能的实现方式中，电子设备每确定一次综合含水率，电子设备就获取该次时间间隔对应的采油数据和含水饱和度。
[0116]
例如，第一时间间隔为1个月，电子设备确定样本区块1个月后的综合含水率，在确定该综合含水率的同时，还获取样本区块1个月后的采油数据和含水饱和度。第二时间间隔为2个月，电子设备确定样本区块2个月后的综合含水率，在确定该综合含水率的同时，还获取样本区块2个月后的采油数据和含水饱和度。
[0117]
需要说明的一点是，电子设备获取样本区块随时间间隔变化的采油数据和含水饱和度后，可以将这些数据存储到样本数据库中，在进行模型训练时，直接从样本数据库中获取数据。
[0118]
步骤206：电子设备基于样本区块随时间间隔变化的采油数据和含水饱和度，进行模型训练，得到剩余油分布预测模型。
[0119]
在一种可能的实现方式中，电子设备将含水饱和度作为训练目标进行模型训练。该过程可以为：电子设备将样本区块每个时间间隔的采油数据作为第一训练样本，将样本区块每个时间间隔的含水饱和度作为第一训练目标，基于第一训练样本和第一训练目标，进行模型训练，得到剩余油分布预测模型。
[0120]
在另一种可能的实现方式中，电子设备将含油饱和度作为训练目标进行模型训练。该过程可以为：电子设备确定第二预设阈值与样本区块每个时间间隔的含水饱和度的差值，得到样本区块每个时间间隔的含油饱和度；将样本区块每个时间间隔的采油数据作为第二训练样本，将样本区块每个时间间隔的含油饱和度作为第二训练目标，基于第二训练样本和第二训练目标，进行模型训练，得到剩余油分布预测模型。参见图4，图4是基于云平台，通过模型训练得到剩余油分布预测模型的示意图。
[0121]
根据上述模型训练过程可知，训练样本和训练目标与时间序列相关，基于此，电子设备可以通过长短期神经网络(lstm)来进行模型训练。该神经网络是一种循环神经网络，包括输入层、隐藏层和输出层，非常适合处理与时间序列高度相关的问题。参见图5，图5是将含水饱和度作为训练目标，通过长短期神经网络进行模型训练，得到剩余油分布预测模型的示意图。
[0122]
其中，第二预设阈值可以根据需要进行设置并更改，对此不作具体限定。例如，第二预设阈值为1。
[0123]
在本技术实施例中，电子设备得到剩余油分布预测模型后，可以通过测试数据对该模型进行测试。若剩余油分布预测模型是以含水饱和度为训练目标得到的，则测试过程可以为：电子设备显示第二数据获取界面；基于第二数据获取界面，获取测试区块的历史采油数据和历史含水饱和度；将历史采油数据输入剩余油分布预测模型中，得到测试区块的测试含水饱和度；确定测试含水饱和度与历史含水饱和度之间的差值；若该差值在预设范围内，确定剩余油分布预测模型通过测试。
[0124]
该实现方式中，剩余油分布界面还包括测试选项，响应于对测试选项的触发操作，电子设备显示第二数据获取界面。第二数据获取界面包括测试数据获取选项，响应于对测试数据获取选项的触发操作，电子设备获取历史采油数据和历史含水饱和度，然后将历史采油数据输入剩余油分布预测模型中，得到测试含水饱和度。电子设备通过确定测试含水饱和度和历史含水饱和度之间的差值，确定剩余油分布预测模型是否通过测试。若两者之间的差值在预设范围内，确定剩余油分布预测模型通过测试，若两者之间的差值不在预设范围内，确定剩余油分布预测模型未通过测试。若剩余油分布预测模型未通过测试，电子设备重新进行模型训练，直至通过测试。
[0125]
其中，历史采油数据和历史含水饱和度可以为云平台的数据采集系统从其他系统中获取的，也可以为人工录入的，对此不作具体限定。
[0126]
相应的，若剩余油分布预测模型是以含有饱和度为训练目标得到的，则测试过程可以为：电子设备获取测试区块的历史采油数据和历史含油饱和度；将历史采油数据输入剩余油分布预测模型中；得到测试区块的测试含油饱和度；确定测试含油饱和度与历史含油饱和度之间的差值，若该差值在预设范围内，确定剩余油分布预测模型通过测试。
[0127]
在本技术实施例中，通过油藏数值模型确定样本区块的综合含水率，根据样本区块的综合含水率，确定样本区块随时间间隔变化的采油数据和含水饱和度，然后进行模型训练，得到剩余油分布预测模型。由于该剩余油分布预测模型是迭代训练得到的，因此，通过该剩余油分布预测模型可以准确预测剩余油分布，从而提高剩余油分布预测的准确性。
[0128]
并且，本技术实施例中训练样本虽然是通过油藏数值模型衍生得到的，但是在测试剩余油分布预测模型时，却是通过历史真实数据进行测试的，由此可以说明该剩余油分
布预测模型预测的准确性。
[0129]
需要说明的一点是，通过模型训练得到的剩余油分布预测模型的电子设备与确定剩余油分布的电子设备可以为同一设备，也可以为不同设备，对此不作具体限定。接下来仅以通过模型训练得到剩余油分布预测模型的电子设备与确定剩余油分布的电子设备为同一设备为例进行说明。
[0130]
图6是本技术实施例提供的一种剩余油分布预测方法的流程图，由电子设备执行，参见图6，该方法包括：
[0131]
步骤601：电子设备显示第一数据获取界面。
[0132]
剩余油分布界面还包括：预测选项，响应于对预测选项的触发操作，电子设备显示第一数据获取界面。
[0133]
步骤602：电子设备基于第一数据获取界面，获取目标区块的采油数据。
[0134]
第一数据获取界面包括预测数据获取选项，响应于对预测数据获取选项的触发操作，电子设备获取目标区块的采油数据。
[0135]
其中，目标区块的采油数据可以为云平台的数据采集系统从其他系统中获取的，也可以为人工录入数据采集系统中的，对此不作具体限定。
[0136]
步骤603：电子设备将目标区块的采油数据输入剩余油分布预测模型中，得到目标区块的剩余油分布。
[0137]
若剩余油分布预测模型是以含水饱和度为训练目标得到的，则本步骤中，电子设备将目标区块的采油数据输入剩余油分布预测模型中，得到目标区块的含水饱和度；电子设备将第二预设阈值与含水饱和度之间的差值，作为目标区块的含油饱和度，也即目标区块的剩余油分布。
[0138]
若剩余油分布预测模型是以含油饱和度为训练目标得到的，则本步骤中，电子设备将目标区块的采油数据输入剩余油分布预测模型中，直接得到目标区块的含油饱和度，也即目标区块的剩余油分布。
[0139]
在本技术实施例中，目标区块的采油数据可以为目标区块某一时刻的采油数据，可以为目标区块在一段时间范围内的采油数据，也可以为目标区块的实时采油数据。
[0140]
若目标区块的采油数据为目标区块某一时刻的采油数据，则电子设备通过剩余油分布预测模型得到的是目标区块在该时刻的剩余油分布，在显示界面上显示目标区块在该时刻的剩余油分布。
[0141]
若目标区块的采油数据为目标区块在一段时间范围内的采油数据，则电子设备可以得到目标区块在该时间范围内的剩余油分布。电子设备可以基于目标区块在该时间范围内的剩余油分布，确定目标区块的剩余油分布的变化趋势，在显示界面上显示该变化趋势。
[0142]
若目标区块的采油数据为目标区块的实时采油数据，则电子设备可以得到目标区块实时的剩余油分布，在显示界面上实时显示目标区块剩余油分布的动态变化。
[0143]
在本技术实施例中，电子设备基于云平台搭建一个剩余油分布预测平台，将油田生产过程中的采油数据录入到云平台上，通过剩余油分布预测模型在云平台上完成剩余油分布规律的研究，显示区块内剩余油分布的变化趋势或者实时显示剩余油分布的动态变化，这样可以为油田后期开发提供有力的技术支持，且最大程度地实现降本增效。
[0144]
本技术实施例提供了一种剩余油分布预测方法，该方法通过剩余油分布预测模型
来预测目标区块的剩余油分布。由于该剩余油分布预测模型是迭代训练得到的，因此，通过该剩余油分布预测模型可以准确预测剩余油分布，从而提高剩余油分布预测的准确性。
[0145]
图7是本技术实施例提供的一种剩余油分布预测装置的结构示意图，参见图7，该装置包括：
[0146]
第一显示模块701，用于显示模型确定界面，模型确定界面包括多个模型图标；
[0147]
第二显示模块702，用于响应于对目标模型图标的触发操作，显示参数调整界面；参数调整界面包括初始油藏数值模型对应的多个油藏参数；
[0148]
调整模块703，用于基于参数调整界面，调整至少一个油藏参数，得到目标油藏数值模型；
[0149]
第一确定模块704，用于基于目标油藏数值模型，确定样本区块随时间间隔变化的综合含水率；
[0150]
第一获取模块705，用于在样本区块的综合含水率达到第一预设阈值的条件下，获取样本区块随时间间隔变化的采油数据和含水饱和度；
[0151]
训练模块706，用于基于样本区块随时间间隔变化的采油数据和含水饱和度，进行模型训练，得到剩余油分布预测模型；
[0152]
第二确定模块707，用于基于剩余油分布预测模型，确定目标区块的剩余油分布。
[0153]
在一种可能的实现方式中，第一确定模块704，用于基于目标油藏数值模型对应的多个油藏参数，预测样本区块在第一时间间隔后的综合含水率；若样本区块在第一时间间隔后的综合含水率未达到第一预设阈值，基于目标油藏数值模型对应的多个油藏参数，预测样本区块在第二时间间隔后的综合含水率，重复执行综合含水率的预测步骤，直至样本区块在第三时间间隔后的综合含水率达到第一预设阈值。
[0154]
在另一种可能的实现方式中，第二确定模块707，用于显示第一数据获取界面；基于第一数据获取界面，获取目标区块的采油数据；将目标区块的采油数据输入剩余油分布预测模型中，得到目标区块的剩余油分布。
[0155]
在另一种可能的实现方式中，目标区块的剩余油分布包括目标区块的含油饱和度；
[0156]
第二确定模块707，用于将目标区块的采油数据输入剩余油分布预测模型中，得到目标区块的含水饱和度；将第二预设阈值与含水饱和度之间的差值，作为目标区块的含油饱和度。
[0157]
在另一种可能的实现方式中，参数调整界面包括：多个参数调整选项；
[0158]
调整模块703，用于基于多个参数调整选项，确定至少一个油藏参数的调整范围和调整步长；按照调整范围和调整步长，调整至少一个油藏参数，得到多个目标油藏数值模型。
[0159]
在另一种可能的实现方式中，训练模块706，用于将样本区块每个时间间隔的采油数据作为第一训练样本，将样本区块每个时间间隔的含水饱和度作为第一训练目标，基于第一训练样本和第一训练目标，进行模型训练，得到剩余油分布预测模型。
[0160]
在另一种可能的实现方式中，训练模块706，用于确定第二预设阈值与样本区块每个时间间隔的含水饱和度的差值，得到样本区块每个时间间隔的含油饱和度；将样本区块每个时间间隔的采油数据作为第二训练样本，将样本区块每个时间间隔的含油饱和度作为
第二训练目标，基于第二训练样本和第二训练目标，进行模型训练，得到剩余油分布预测模型。
[0161]
在另一种可能的实现方式中，装置还包括：
[0162]
第三显示模块，用于显示第二数据获取界面；
[0163]
第二获取模块，用于基于第二数据获取界面，获取测试区块的历史采油数据和历史含水饱和度；
[0164]
第三确定模块，用于将历史采油数据输入剩余油分布预测模型中，得到测试区块的测试含水饱和度；
[0165]
第四确定模块，用于确定测试含水饱和度与历史含水饱和度之间的差值；
[0166]
第五确定模块，用于若差值在预设范围内，确定剩余油分布预测模型通过测试。
[0167]
本技术实施例提供了一种剩余油分布预测装置，该装置通过油藏数值模型确定样本区块的综合含水率，根据样本区块的综合含水率，确定样本区块随时间间隔变化的采油数据和含水饱和度，然后进行模型训练，得到剩余油分布预测模型，通过该剩余油分布预测模型来预测目标区块的剩余油分布。由于该剩余油分布预测模型是迭代训练得到的，因此，通过该剩余油分布预测模型可以准确预测剩余油分布，从而提高剩余油分布预测的准确性。
[0168]
若电子设备提供为终端，或者电子设备提供为终端和服务器，该终端的结构框图可以参考图8。该终端800可以是便携式移动终端，比如：智能手机、平板电脑、mp3播放器(moving picture experts group audio layer iii，动态影像专家压缩标准音频层面3)、mp4(moving picture experts group audio layer iv，动态影像专家压缩标准音频层面4)播放器、笔记本电脑或台式电脑。终端800还可能被称为用户设备、便携式终端、膝上型终端、台式终端等其他名称。
[0169]
通常，终端800包括有：处理器801和存储器802。
[0170]
处理器801可以包括一个或多个处理核心，比如4核心处理器、8核心处理器等。处理器801可以采用dsp(digital signal processing，数字信号处理)、fpga(field－programmable gate array，现场可编程门阵列)、pla(programmable logic array，可编程逻辑阵列)中的至少一种硬件形式来实现。处理器801也可以包括主处理器和协处理器，主处理器是用于对在唤醒状态下的数据进行处理的处理器，也称cpu(central processing unit，中央处理器)；协处理器是用于对在待机状态下的数据进行处理的低功耗处理器。在一些实施例中，处理器801可以集成有gpu(graphics processing unit，图像处理器)，gpu用于负责显示屏所需要显示的内容的渲染和绘制。一些实施例中，处理器801还可以包括ai(artificial intelligence，人工智能)处理器，该ai处理器用于处理有关机器学习的计算操作。
[0171]
存储器802可以包括一个或多个计算机可读存储介质，该计算机可读存储介质可以是非暂态的。存储器802还可包括高速随机存取存储器，以及非易失性存储器，比如一个或多个磁盘存储设备、闪存存储设备。在一些实施例中，存储器802中的非暂态的计算机可读存储介质用于存储至少一条程序代码，该至少一条程序代码用于被处理器801所执行以实现本技术中方法实施例提供的剩余油分布预测方法中终端所执行的操作。
[0172]
在一些实施例中，终端800还可选包括有：外围设备接口803和至少一个外围设备。
处理器801、存储器802和外围设备接口803之间可以通过总线或信号线相连。各个外围设备可以通过总线、信号线或电路板与外围设备接口803相连。具体地，外围设备包括：射频电路804、显示屏805、摄像头组件806、音频电路807和电源808中的至少一种。
[0173]
外围设备接口803可被用于将i/o(input/output，输入/输出)相关的至少一个外围设备连接到处理器801和存储器802。在一些实施例中，处理器801、存储器802和外围设备接口803被集成在同一芯片或电路板上；在一些其他实施例中，处理器801、存储器802和外围设备接口803中的任意一个或两个可以在单独的芯片或电路板上实现，本实施例对此不加以限定。
[0174]
射频电路804用于接收和发射rf(radio frequency，射频)信号，也称电磁信号。射频电路804通过电磁信号与通信网络以及其他通信设备进行通信。射频电路804将电信号转换为电磁信号进行发送，或者，将接收到的电磁信号转换为电信号。可选地，射频电路804包括：天线系统、rf收发器、一个或多个放大器、调谐器、振荡器、数字信号处理器、编解码芯片组、用户身份模块卡等等。射频电路804可以通过至少一种无线通信协议来与其它终端进行通信。该无线通信协议包括但不限于：万维网、城域网、内联网、各代移动通信网络(2g、3g、4g及5g)、无线局域网和/或wifi(wireless fidelity，无线保真)网络。在一些实施例中，射频电路804还可以包括nfc(near field communication，近距离无线通信)有关的电路，本技术对此不加以限定。
[0175]
显示屏805用于显示ui(user interface，用户界面)。该ui可以包括图形、文本、图标、视频及其它们的任意组合。当显示屏805是触摸显示屏时，显示屏805还具有采集在显示屏805的表面或表面上方的触摸信号的能力。该触摸信号可以作为控制信号输入至处理器801进行处理。此时，显示屏805还可以用于提供虚拟按钮和/或虚拟键盘，也称软按钮和/或软键盘。在一些实施例中，显示屏805可以为一个，设置在终端800的前面板；在另一些实施例中，显示屏805可以为至少两个，分别设置在终端800的不同表面或呈折叠设计；在另一些实施例中，显示屏805可以是柔性显示屏，设置在终端800的弯曲表面上或折叠面上。甚至，显示屏805还可以设置成非矩形的不规则图形，也即异形屏。显示屏805可以采用lcd(liquid crystal display，液晶显示屏)、oled(organic light-emitting diode，有机发光二极管)等材质制备。
[0176]
摄像头组件806用于采集图像或视频。可选地，摄像头组件806包括前置摄像头和后置摄像头。通常，前置摄像头设置在终端的前面板，后置摄像头设置在终端的背面。在一些实施例中，后置摄像头为至少两个，分别为主摄像头、景深摄像头、广角摄像头、长焦摄像头中的任意一种，以实现主摄像头和景深摄像头融合实现背景虚化功能、主摄像头和广角摄像头融合实现全景拍摄以及vr(virtual reality，虚拟现实)拍摄功能或者其它融合拍摄功能。在一些实施例中，摄像头组件806还可以包括闪光灯。闪光灯可以是单色温闪光灯，也可以是双色温闪光灯。双色温闪光灯是指暖光闪光灯和冷光闪光灯的组合，可以用于不同色温下的光线补偿。
[0177]
音频电路807可以包括麦克风和扬声器。麦克风用于采集用户及环境的声波，并将声波转换为电信号输入至处理器801进行处理，或者输入至射频电路804以实现语音通信。出于立体声采集或降噪的目的，麦克风可以为多个，分别设置在终端800的不同部位。麦克风还可以是阵列麦克风或全向采集型麦克风。扬声器则用于将来自处理器801或射频电路
804的电信号转换为声波。扬声器可以是传统的薄膜扬声器，也可以是压电陶瓷扬声器。当扬声器是压电陶瓷扬声器时，不仅可以将电信号转换为人类可听见的声波，也可以将电信号转换为人类听不见的声波以进行测距等用途。在一些实施例中，音频电路807还可以包括耳机插孔。
[0178]
电源808用于为终端800中的各个组件进行供电。电源808可以是交流电、直流电、一次性电池或可充电电池。当电源808包括可充电电池时，该可充电电池可以是有线充电电池或无线充电电池。有线充电电池是通过有线线路充电的电池，无线充电电池是通过无线线圈充电的电池。该可充电电池还可以用于支持快充技术。
[0179]
在一些实施例中，终端800还包括有一个或多个传感器809。该一个或多个传感器809包括但不限于：加速度传感器810、陀螺仪传感器811、压力传感器812、光学传感器813以及接近传感器814。
[0180]
加速度传感器810可以检测以终端800建立的坐标系的三个坐标轴上的加速度大小。比如，加速度传感器810可以用于检测重力加速度在三个坐标轴上的分量。处理器801可以基于加速度传感器810采集的重力加速度信号，控制显示屏805以横向视图或纵向视图进行用户界面的显示。加速度传感器810还可以用于游戏或者用户的运动数据的采集。
[0181]
陀螺仪传感器811可以检测终端800的机体方向及转动角度，陀螺仪传感器811可以与加速度传感器810协同采集用户对终端800的3d动作。处理器801基于陀螺仪传感器811采集的数据，可以实现如下功能：动作感应(比如基于用户的倾斜操作来改变ui)、拍摄时的图像稳定、游戏控制以及惯性导航。
[0182]
压力传感器812可以设置在终端800的侧边框和/或显示屏805的下层。当压力传感器812设置在终端800的侧边框时，可以检测用户对终端800的握持信号，由处理器801基于压力传感器812采集的握持信号进行左右手识别或快捷操作。当压力传感器812设置在显示屏805的下层时，由处理器801基于用户对显示屏805的压力操作，实现对ui界面上的可操作性控件进行控制。可操作性控件包括按钮控件、滚动条控件、图标控件、菜单控件中的至少一种。
[0183]
光学传感器813用于采集环境光强度。在一个实施例中，处理器801可以基于光学传感器813采集的环境光强度，控制显示屏805的显示亮度。具体地，当环境光强度较高时，调高显示屏805的显示亮度；当环境光强度较低时，调低显示屏805的显示亮度。在另一个实施例中，处理器801还可以基于光学传感器813采集的环境光强度，动态调整摄像头组件806的拍摄参数。
[0184]
接近传感器814，也称距离传感器，通常设置在终端800的前面板。接近传感器814用于采集用户与终端800的正面之间的距离。在一个实施例中，当接近传感器814检测到用户与终端800的正面之间的距离逐渐变小时，由处理器801控制显示屏805从亮屏状态切换为息屏状态；当接近传感器814检测到用户与终端800的正面之间的距离逐渐变大时，由处理器801控制显示屏805从息屏状态切换为亮屏状态。
[0185]
本领域技术人员可以理解，图8中示出的结构并不构成对终端800的限定，可以包括比图示更多或更少的组件，或者组合某些组件，或者采用不同的组件布置。
[0186]
若电子设备提供为服务器，其中，服务器的结构框图可以参见图9，该服务器900可因配置或性能不同而产生比较大的差异，可以包括处理器(central processing units，
cpu)901和存储器902，其中，该存储器902中存储有至少一条程序代码，该至少一条程序代码由该处理器901加载并执行以实现上述剩余油分布预测方法中服务器所执行的操作。当然，该服务器900还可以具有有线或无线网络接口、键盘以及输入输出接口等部件，以便进行输入输出，该服务器900还可以包括其他用于实现设备功能的部件，在此不做赘述。
[0187]
在示例性实施例中，还提供了一种计算机可读存储介质，该计算机可读介质存储有至少一条程序代码，该至少一条程序代码由处理器加载并执行，以实现上述实施例中的剩余油分布预测方法。
[0188]
在示例性实施例中，还提供了一种计算机程序产品，该计算机程序产品存储有至少一条程序代码，该至少一条程序代码由处理器加载并执行，以实现上述实施例中的剩余油分布预测方法。
[0189]
本领域普通技术人员可以理解实现上述实施例的全部或部分步骤可以通过硬件来完成，也可以通过程序来指令相关的硬件完成，该程序可以存储于一种计算机可读存储介质中，上述提到的存储介质可以是只读存储器，磁盘或光盘等。
[0190]
以上所述仅是为了便于本领域的技术人员理解本技术的技术方案，并不用以限制本技术。凡在本技术的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本技术的保护范围之内。