本发明涉及油气田勘探开发领域,特别是关于一种目标油气田开发动态曲线预测方法及系统。
背景技术:
1、目标油气田是指进行开发方案编制的待开发油气田。在开发方案编制中,采收率一直作为评价一个油气田开发效果的重要参数。目前,针对目标油气田采收率的预测方法主要包括油气田类比研究方法和基于机器学习的预测方法,其中,油气田类比研究方法是分析与目标油气田相似的已开发油气田,以它们的油藏类型、储层物性和流体性质为基础,通过多元回归拟合出油藏参数(例如渗透率、粘度、孔隙度和井网密度等)与采收率之间的经验公式,来预测目标油气田采收率。相对于传统的油气田类比研究方法,基于机器学习的预测方法减少了人工成本和人为因素干扰,能够更加高效的实现目标油气田采收率预测。
2、但是这两类方法均存在一个问题,即油气田开发往往会经历衰竭开采和方案措施调整两个阶段,而现有的采收率预测方法却很难反映出这两个阶段的开发动态。相对于采收率,油气田开发曲线(例如产油和含水率曲线)却能很好的体现出不同阶段的开发动态。因此,急需建立一种目标油气田开发动态曲线预测方法,以提供及时、合理的开发和调整策略,对实现油气田高效开发至关重要。
技术实现思路
1、针对上述问题,本发明的目的是提供一种目标油气田开发动态曲线预测方法及系统,能够提供及时、合理的开发和调整策略。
2、为实现上述目的,本发明采取以下技术方案:第一方面,提供一种目标油气田开发动态曲线预测方法,包括:
3、获取目标油气田的地质油藏参数和方案措施调整参数;
4、采用预先构建的衰竭开采阶段开发动态机器学习系统模型和方案措施调整阶段开发动态机器学习系统模型,根据目标油气田的地质油藏参数和方案措施调整参数,得到目标油气田的开发动态预测信任区间。
5、进一步地,所述衰竭开采阶段开发动态机器学习系统模型和方案措施调整阶段开发动态机器学习系统模型的构建过程为:
6、根据类比油气田的地质油藏参数、方案措施调整参数和开发动态数据,搭建数据库;
7、采用时间序列分解算法,对类比油气田的开发动态数据进行划分,根据划分的趋势项,将类比油气田的开发动态数据阶段划分为衰竭开采阶段和若干方案措施调整阶段;
8、对衰竭开采阶段和每一方案措施调整阶段均进行递减曲线分析,获取对应的开发动态特征参数值,获取对应的开发动态特征参数值,同时更新数据库;
9、基于类比油气田的地质油藏参数、方案措施调整参数、衰竭开采阶段的开发动态特征参数值和方案措施调整阶段的开发动态特征参数值,建立衰竭开采阶段开发动态机器学习预测模型和方案措施调整阶段动态机器学习预测模型;
10、基于更新后的数据库,根据训练好的衰竭开采阶段开发动态机器学习预测模型和方案措施调整阶段动态机器学习预测模型,分别构建衰竭开采阶段开发动态机器学习系统模型和方案措施调整阶段开发动态机器学习系统模型。
11、进一步地,所述采用时间序列分解算法,对类比油气田的开发动态数据进行划分,根据划分的趋势项,将类比油气田的开发动态数据阶段划分为衰竭开采阶段和若干方案措施调整阶段,包括:
12、采用时间序列分解算法,将类比油气田的开发动态数据中的日产油数据划分为趋势项、周期项和波动项;
13、基于划分的趋势项,采用卷积算法对趋势项曲线进行光滑处理;
14、对光滑处理后的趋势项曲线进行差分,得到差分曲线;
15、根据差分曲线,对类比油气田的开发动态数据阶段进行划分。
16、进一步地,所述根据差分曲线,对类比油气田的开发动态数据阶段进行划分,包括:
17、通过差分曲线判断油田现场开发过程的产油增加阶段和产油递减阶段;
18、基于判断的产油增加阶段和产油递减阶段,通过阶段时间间距参数对开发动态数据阶段划分进行粗化;
19、通过阶段内产油方差参数对开发动态数据阶段划分进行再一次粗化,将开发动态数据阶段划分为衰竭开采阶段和若干方案措施调整阶段。
20、进一步地,所述对衰竭开采阶段和每一方案措施调整阶段均进行递减曲线分析,获取对应的开发动态特征参数值,获取对应的开发动态特征参数值,同时更新数据库,包括:
21、采用arps递减曲线,对每一阶段进行递减曲线历史拟合,得到对应的开发动态特征参数值;
22、将得到的开发动态特征参数值输入至搭建的数据库内,完成数据库的更新。
23、进一步地,所述基于类比油气田的地质油藏参数、方案措施调整参数、衰竭开采阶段的开发动态特征参数值和方案措施调整阶段的开发动态特征参数值,建立衰竭开采阶段开发动态机器学习预测模型和方案措施调整阶段动态机器学习预测模型,包括:
24、基于类比油气田的地质油藏参数和衰竭开采阶段的开发动态特征参数值,建立衰竭开采阶段开发动态机器学习预测模型并进行训练,其中,衰竭开采阶段开发动态机器学习预测模型的输入参数为地质油藏参数,衰竭开采阶段开发动态机器学习预测模型的预测参数为对应的开发动态特征参数值;
25、基于类比油气田的地质油藏参数、方案措施调整参数和方案措施调整阶段的开发动态特征参数值,建立方案措施调整阶段动态机器学习预测模型并进行训练,其中,方案措施调整阶段动态机器学习预测模型的输入参数为地质油藏参数和方案措施调整参数,方案措施调整阶段动态机器学习预测模型的预测参数为方案措施调整阶段对应的开发动态特征参数值。
26、进一步地,所述采用预先构建的衰竭开采阶段开发动态机器学习系统模型和方案措施调整阶段开发动态机器学习系统模型,根据目标油气田的地质油藏参数和方案措施调整参数,得到目标油气田的开发动态预测信任区间,包括:
27、将目标油气田的地质油藏参数输入至构建的衰竭开采阶段开发动态机器学习系统模型中,得到衰竭开采阶段的开发动态预测信任区间;
28、将目标油气田的地质油藏参数和方案措施调整参数输入至构建的方案措施调整阶段开发动态机器学习系统模型中,得到方案措施调整阶段的开发动态预测信任区间;
29、根据衰竭开采阶段的开发动态预测信任区间和方案措施调整阶段的开发动态预测信任区间,得到目标油气田的开发动态预测信任区间。
30、第二方面,提供一种目标油气田开发动态曲线预测系统,包括:
31、数据获取模块,用于获取目标油气田的地质油藏参数和方案措施调整参数;
32、信任区间确定模块,用于采用预先构建的衰竭开采阶段开发动态机器学习系统模型和方案措施调整阶段开发动态机器学习系统模型,根据目标油气田的地质油藏参数和方案措施调整参数,得到目标油气田的开发动态预测信任区间。
33、第三方面,提供一种处理设备,包括计算机程序指令,其中,所述计算机程序指令被处理设备执行时用于实现上述目标油气田开发动态曲线预测方法对应的步骤。
34、第四方面,提供一种计算机可读存储介质,所述计算机可读存储介质上存储有计算机程序指令,其中,所述计算机程序指令被处理器执行时用于实现上述目标油气田开发动态曲线预测方法对应的步骤。
35、本发明由于采取以上技术方案,其具有以下优点:
36、1、本发明通过时间序列分解法、卷积算法和自定义筛选参数法实现了开发动态阶段的自动划分,与传统的人工划分相比,在一定程度上避免了主观因素,同时节约更多劳动成本。
37、2、本发明提出了阶段预测概念,将油田开发动态划分为衰竭开采阶段和若干方案措施调整阶段,相对于传统的采收率预测方法,对不同阶段的开发效果进行预测,能够为油田提供及时、合理的开发和调整策略。
38、3、本发明在定量预测开发动态曲线时,构建了机器学习模型,与常规类比法相比,参考的历史数据更全,得到的预测更准,同时具有更强的客观性。
39、4、本发明采用系统模型方法,通过信任区间来表征最后的预测,相对于于传统的单一预测值,更能定量的反映出模型预测的波动区间值。
40、综上所述,本发明可以广泛应用于油气田勘探开发领域中。