一种基于机器学习的底水锥进定量描述方法及工具与流程

1.本发明涉及底水油藏开采技术领域，具体的说是一种基于机器学习的底水锥进定量描述方法及工具。


背景技术：

2.目前国内主要通过油藏工程方法和回归拟合经验公式的方法来实现对底水锥进水锥形态的定量描述，其中油藏工程方法建立的理论公式过于理想化、考虑因素较少难以综合考虑实际油田的复杂情况，而回归拟合经验公式的方法通过敏感性分析先确定了影响底水锥进的主要因素，并通过建立不同油藏参数水平下的油藏数值模拟模型，根据油藏剖面饱和度场来统计不同高度下的水锥半径，从而拟合出主要影响因素与水锥半径之间的经验公式，该方法考虑了更多的影响因素，但针对不同的区块需要拟合出不同的公式，实际使用起来较为繁琐。
3.国内底水油藏储量丰富，大多依靠边底水驱动开采，但由于底水油藏的开发受底水锥进的影响导致油井见水早，并过早进入高含水开发阶段，导致剩余油在井间富集，常规水驱采收率低，因此需要采取新的开发技术实现对底水油藏的高效开采，但采用新技术需要对油藏目前的剩余油分布有一定的认识，而底水油藏的剩余油分布主要受底水锥进的影响，因此，准确描述水锥形态及其演变规律是定量表征底水油藏剩余油分布的关键。


技术实现要素：

4.本发明针对目前技术发展的需求和不足之处，提供一种基于机器学习的底水锥进定量描述方法及工具。
5.首先，本发明提供一种基于机器学习的底水锥进定量描述方法，解决上述技术问题采用的技术方案如下：
6.一种基于机器学习的底水锥进定量描述方法，包括如下步骤：
7.s1、确定影响直井底水锥进的主控因素：纵向与水平方向的渗透率比值、夹层信息、油层厚度、韵律性，以及油水粘度比；
8.s2、基于主控因素设计样本组合方案，根据样本组合方案构建数值模拟样本库；
9.s3、以主控因素和距离油水界面的高度作为输入，以不同高度的水锥半径作为输出，构建机器学习样本库；
10.s4、结合tensorflow深度学习框架来搭建基于lstm-cnn的机器学习模型，其中，lstm用于提取纵向与水平方向的渗透率比值、油层厚度、距离油水界面的高度、以及油水粘度比，cnn用于提取直井周围纵向与水平方向的夹层信息和韵律性；
11.s5、将机器学习样本库随机划分为训练集和测试集，并进行归一化；利用训练集训练基于lstm-cnn的机器学习模型，利用测试集对基于lstm-cnn的机器学习模型进行测试和评估。
12.可选的，执行步骤s1，获取影响直井底水锥进的地质因素、开发因素、原油物性，其
中，地质因素包括纵向与水平方向渗透率的比值、夹层、韵律、油层厚度，开发因素包括产液速度、油层打开程度、井距、井型，原油物性包括油水粘度比；
13.针对上述多个因素，多个因素取多水平建立底水油藏数值模拟概念模型来进行单因素分析，在单因素分析过程中仅改变某个因素的数值，该因素所属组合方案的剩余因素保持不变；提取出底水油藏数值模拟概念模型的运行结果，以相同含水率下的采出程度差值作为评价标准，差值越大则该因素对底水锥进的影响越大，对多个因素影响程度进行排序，确定影响底水锥进的主控因素为纵向与水平方向的渗透率比值、夹层信息、油层厚度、韵律性，以及油水粘度比。
14.进一步可选的，执行步骤s3，从数值模拟结果中提出直井附近的剖面含油饱和度场，以饱和度x为界限，根据含油饱和度场提取出直井不同高度下的水锥半径，以不同高度的水锥半径作为输出。
15.优选的，饱和度x的取值范围在0.3-0.7之间。
16.可选的，执行步骤s5，将机器学习样本库按照7:3的比例随机划分为训练集和测试集。
17.可选的，执行步骤s5，利用测试集对基于lstm-cnn的机器学习模型进行测试和评估，以皮尔逊相关系数作为评估指标来评估机器学习模型的好坏，当皮尔逊相关系数越接近1时机器学习模型效果越好，最后选择一个评估结果最好的机器学习模型；
18.其中，皮尔逊相关系数的具体计算方式如下：
[0019][0020]
式中，yi为水锥半径的真实值，无因次；yi为机器学习模型的预测值，无因次；y为真实值的平均值，无因次。
[0021]
其次，本发明提供一种基于机器学习的底水锥进定量描述工具，解决上述技术问题采用的技术方案如下：
[0022]
一种基于机器学习的底水锥进定量描述工具，其包括：
[0023]
因素确定模块，用于确定影响直井底水锥进的主控因素：纵向与水平方向的渗透率比值、夹层信息、油层厚度、韵律性，以及油水粘度比；
[0024]
构建模块一，用于基于主控因素设计样本组合方案，根据样本组合方案构建数值模拟样本库；
[0025]
构建模块二，用于以主控因素和距离油水界面的高度作为输入，以不同高度的水锥半径作为输出，构建机器学习样本库；
[0026]
数据处理模块，用于将机器学习样本库随机划分为训练集和测试集，并进行归一化；
[0027]
模型搭建模块，用于结合tensorflow深度学习框架来搭建基于lstm-cnn的机器学习模型，其中，lstm用于提取纵向与水平方向的渗透率比值、油层厚度、距离油水界面的高度、以及油水粘度比，cnn用于提取直井周围纵向与水平方向的夹层信息和韵律性；
[0028]
训练模块，用于获取训练集数据，训练基于lstm-cnn的机器学习模型；
[0029]
测试模块，用于获取测试集数据，对基于lstm-cnn的机器学习模型进行测试和评
估。
[0030]
可选的，所涉及因素确定模块执行如下操作确定影响直井底水锥进的主控因素：
[0031]
获取影响直井底水锥进的地质因素、开发因素、原油物性，其中，地质因素包括纵向与水平方向渗透率的比值、夹层、韵律、油层厚度，开发因素包括产液速度、油层打开程度、井距、井型，原油物性包括油水粘度比；
[0032]
针对上述多个因素，多个因素取多水平建立底水油藏数值模拟概念模型来进行单因素分析，在单因素分析过程中仅改变某个因素的数值，该因素所属组合方案的剩余因素保持不变；提取出底水油藏数值模拟概念模型的运行结果，以相同含水率下的采出程度差值作为评价标准，差值越大则该因素对底水锥进的影响越大，对多个因素影响程度进行排序，确定影响底水锥进的主控因素为纵向与水平方向的渗透率比值、夹层信息、油层厚度、韵律性，以及油水粘度比。
[0033]
可选的，所涉及构建模块二执行如下操作后以不同高度的水锥半径作为输出：
[0034]
从数值模拟结果中提出直井附近的剖面含油饱和度场，以饱和度x为界限，根据含油饱和度场提取出直井不同高度下的水锥半径，以不同高度的水锥半径作为输出。
[0035]
可选的，所涉及数据处理模块将机器学习样本库按照7:3的比例随机划分为训练集和测试集；
[0036]
所涉及测试模块获取测试集数据后，对基于lstm-cnn的机器学习模型进行测试和评估，这一过程中，以皮尔逊相关系数作为评估指标来评估机器学习模型的好坏，当皮尔逊相关系数越接近1时机器学习模型效果越好，最后选择一个评估结果最好的机器学习模型；
[0037]
其中，皮尔逊相关系数的具体计算方式如下：
[0038]
式中，yi为水锥半径的真实值，无因次；yi为机器学习模型的预测值，无因次；y为真实值的平均值，无因次。
[0039]
本发明的一种基于机器学习的底水锥进定量描述方法及工具，与现有技术相比具有的有益效果是：
[0040]
(1)本发明应用于底水油藏的开发，通过构建能综合考虑不同类型因素且多元化的机器学习样本库，能够更好的贴近油田实际情况，通过该机器学习样本库训练得到的机器学习模型能够更好的实现对水锥形态的定量描述，进而指导底水油藏挖潜剩余油；
[0041]
(2)本发明具备泛化性能强等特性，当训练的数据足够多且足够多元化，一个机器学习模型就能实现不同特征的底水油藏的水锥定量描述。
附图说明
[0042]
附图1是本发明实施例一的方法流程图；
[0043]
附图2是本发明实施例二的模块连接框图；
[0044]
附图3是本发明根据含油饱和度场提取直井不同高度下的水锥半径的示意图。
具体实施方式
[0045]
为使本发明的技术方案、解决的技术问题和技术效果更加清楚明白，以下结合具
体实施例，对本发明的技术方案进行清楚、完整的描述。
[0046]
实施例一：
[0047]
结合附图1，本实施例提出一种基于机器学习的底水锥进定量描述方法，包括如下步骤：
[0048]
s1、确定影响直井底水锥进的主控因素：纵向与水平方向的渗透率比值、夹层信息、油层厚度、韵律性，以及油水粘度比，具体过程如下：
[0049]
获取影响直井底水锥进的地质因素、开发因素、原油物性，其中，地质因素包括纵向与水平方向渗透率的比值、夹层、韵律、油层厚度，开发因素包括产液速度、油层打开程度、井距、井型，原油物性包括油水粘度比；
[0050]
针对上述多个因素，多个因素取多水平建立底水油藏数值模拟概念模型来进行单因素分析，在单因素分析过程中仅改变某个因素的数值，该因素所属组合方案的剩余因素保持不变,如针对渗透率比值在0.01与0.2之间取十个水平来构建数值模拟模型并进行数值模拟；
[0051]
提取出底水油藏数值模拟概念模型的运行结果，以相同含水率下的采出程度差值作为评价标准，差值越大则该因素对底水锥进的影响越大，对多个因素影响程度进行排序，确定影响底水锥进的主控因素为纵向与水平方向的渗透率比值、夹层信息、油层厚度、韵律性，以及油水粘度比。
[0052]
s2、基于主控因素设计样本组合方案，根据样本组合方案构建数值模拟样本库。
[0053]
s3、以主控因素和距离油水界面的高度作为输入，以不同高度的水锥半径作为输出，构建机器学习样本库，这一过程中，
[0054]
提取出底水油藏数值模拟概念模型的运行结果，从运行结果中提出直井附近的剖面含油饱和度场，以饱和度0.5为界限，根据含油饱和度场提取出直井不同高度下的水锥半径，以不同高度的水锥半径作为输出，具体参考附图3。
[0055]
s4、结合tensorflow深度学习框架来搭建基于lstm-cnn的机器学习模型，其中，lstm，全称long short-term memory，中文含义：长短期记忆人工神经网络，用于提取纵向与水平方向的渗透率比值、油层厚度、距离油水界面的高度、以及油水粘度比，cnn，全称convolutional neural networks，中文含义：卷积神经网络，用于提取直井周围纵向与水平方向的夹层信息和韵律性。
[0056]
s5、将机器学习样本库按照7:3的比例随机划分为训练集和测试集，并进行归一化；利用训练集训练基于lstm-cnn的机器学习模型，利用测试集对基于lstm-cnn的机器学习模型进行测试和评估。
[0057]
对基于lstm-cnn的机器学习模型进行测试和评估过程中，以皮尔逊相关系数作为评估指标来评估机器学习模型的好坏，当皮尔逊相关系数越接近1时机器学习模型效果越好，最后选择一个评估结果最好的机器学习模型；
[0058]
其中，皮尔逊相关系数的具体计算方式如下：
[0059][0060]
式中，yi为水锥半径的真实值，无因次；yi为机器学习模型的预测值，无因次；为
真实值的平均值，无因次。
[0061]
实施例二：
[0062]
结合附图2，本实施例提出一种基于机器学习的底水锥进定量描述工具，其包括：
[0063]
因素确定模块，用于确定影响直井底水锥进的主控因素：纵向与水平方向的渗透率比值、夹层信息、油层厚度、韵律性，以及油水粘度比；
[0064]
构建模块一，用于基于主控因素设计样本组合方案，根据样本组合方案构建数值模拟样本库；
[0065]
构建模块二，用于以主控因素和距离油水界面的高度作为输入，以不同高度的水锥半径作为输出，构建机器学习样本库；
[0066]
数据处理模块，用于将机器学习样本库随机划分为训练集和测试集，并进行归一化；
[0067]
模型搭建模块，用于结合tensorflow深度学习框架来搭建基于lstm-cnn的机器学习模型，其中，lstm用于提取纵向与水平方向的渗透率比值、油层厚度、距离油水界面的高度、以及油水粘度比，cnn用于提取直井周围纵向与水平方向的夹层信息和韵律性；
[0068]
训练模块，用于获取训练集数据，训练基于lstm-cnn的机器学习模型；
[0069]
测试模块，用于获取测试集数据，对基于lstm-cnn的机器学习模型进行测试和评估。
[0070]
本实施例中，所涉及因素确定模块执行如下操作确定影响直井底水锥进的主控因素：
[0071]
获取影响直井底水锥进的地质因素、开发因素、原油物性，其中，地质因素包括纵向与水平方向渗透率的比值、夹层、韵律、油层厚度，开发因素包括产液速度、油层打开程度、井距、井型，原油物性包括油水粘度比；
[0072]
针对上述多个因素，多个因素取多水平建立底水油藏数值模拟概念模型来进行单因素分析，在单因素分析过程中仅改变某个因素的数值，该因素所属组合方案的剩余因素保持不变，如针对渗透率比值在0.01与0.2之间取十个水平来构建数值模拟模型并进行数值模拟；提取出底水油藏数值模拟概念模型的运行结果，以相同含水率下的采出程度差值作为评价标准，差值越大则该因素对底水锥进的影响越大，对多个因素影响程度进行排序，确定影响底水锥进的主控因素为纵向与水平方向的渗透率比值、夹层信息、油层厚度、韵律性，以及油水粘度比。
[0073]
本实施例中，所涉及构建模块二执行如下操作后以不同高度的水锥半径作为输出：
[0074]
从数值模拟结果中提出直井附近的剖面含油饱和度场，以饱和度0.5为界限，根据含油饱和度场提取出直井不同高度下的水锥半径，以不同高度的水锥半径作为输出。
[0075]
本实施例中，所涉及数据处理模块将机器学习样本库按照7:3的比例随机划分为训练集和测试集。
[0076]
本实施例中，所涉及测试模块获取测试集数据后，对基于lstm-cnn的机器学习模型进行测试和评估，这一过程中，以皮尔逊相关系数作为评估指标来评估机器学习模型的好坏，当皮尔逊相关系数越接近1时机器学习模型效果越好，最后选择一个评估结果最好的机器学习模型；
[0077]
其中，皮尔逊相关系数的具体计算方式如下：
[0078][0079]
式中，yi为水锥半径的真实值，无因次；yi为机器学习模型的预测值，无因次；为真实值的平均值，无因次。
[0080]
综上可知，采用本发明的一种基于机器学习的底水锥进定量描述方法及工具，应用于底水油藏的开发，通过构建能综合考虑不同类型因素且多元化的机器学习样本库，能够更好的贴近油田实际情况，通过该机器学习样本库训练得到的机器学习模型能够更好的实现对水锥形态的定量描述，进而指导底水油藏挖潜剩余油。
[0081]
以上应用具体个例对本发明的原理及实施方式进行了详细阐述，这些实施例只是用于帮助理解本发明的核心技术内容。基于本发明的上述具体实施例，本技术领域的技术人员在不脱离本发明原理的前提下，对本发明所作出的任何改进和修饰，皆应落入本发明的专利保护范围。

技术特征：
1.一种基于机器学习的底水锥进定量描述方法，其特征在于，包括如下步骤：s1、确定影响直井底水锥进的主控因素：纵向与水平方向的渗透率比值、夹层信息、油层厚度、韵律性，以及油水粘度比；s2、基于主控因素设计样本组合方案，根据样本组合方案构建数值模拟样本库；s3、以主控因素和距离油水界面的高度作为输入，以不同高度的水锥半径作为输出，构建机器学习样本库；s4、结合tensorflow深度学习框架来搭建基于lstm-cnn的机器学习模型，其中，lstm用于提取纵向与水平方向的渗透率比值、油层厚度、距离油水界面的高度、以及油水粘度比，cnn用于提取直井周围纵向与水平方向的夹层信息和韵律性；s5、将机器学习样本库随机划分为训练集和测试集，并进行归一化；利用训练集训练基于lstm-cnn的机器学习模型，利用测试集对基于lstm-cnn的机器学习模型进行测试和评估。2.根据权利要求1所述的一种基于机器学习的底水锥进定量描述方法，其特征在于，执行步骤s1，获取影响直井底水锥进的地质因素、开发因素、原油物性，其中，地质因素包括纵向与水平方向渗透率的比值、夹层、韵律、油层厚度，开发因素包括产液速度、油层打开程度、井距、井型，原油物性包括油水粘度比；针对上述多个因素，多个因素取多水平建立底水油藏数值模拟概念模型来进行单因素分析，在单因素分析过程中仅改变某个因素的数值，该因素所属组合方案的剩余因素保持不变；提取出底水油藏数值模拟概念模型的运行结果，以相同含水率下的采出程度差值作为评价标准，差值越大则该因素对底水锥进的影响越大，对多个因素影响程度进行排序，确定影响底水锥进的主控因素为纵向与水平方向的渗透率比值、夹层信息、油层厚度、韵律性，以及油水粘度比。3.根据权利要求2所述的一种基于机器学习的底水锥进定量描述方法，其特征在于，执行步骤s3，从数值模拟结果中提出直井附近的剖面含油饱和度场，以饱和度x为界限，根据含油饱和度场提取出直井不同高度下的水锥半径，以不同高度的水锥半径作为输出。4.根据权利要求3所述的一种基于机器学习的底水锥进定量描述方法，其特征在于，饱和度x的取值范围在0.3-0.7之间。5.根据权利要求1所述的一种基于机器学习的底水锥进定量描述方法，其特征在于，执行步骤s5，将机器学习样本库按照7:3的比例随机划分为训练集和测试集。6.根据权利要求1所述的一种基于机器学习的底水锥进定量描述方法，其特征在于，执行步骤s5，利用测试集对基于lstm-cnn的机器学习模型进行测试和评估，以皮尔逊相关系数作为评估指标来评估机器学习模型的好坏，当皮尔逊相关系数越接近1时机器学习模型效果越好，最后选择一个评估结果最好的机器学习模型；其中，皮尔逊相关系数的具体计算方式如下：式中，y
i
为水锥半径的真实值，无因次；y
i
为机器学习模型的预测值，无因次；为真实
值的平均值，无因次。7.一种基于机器学习的底水锥进定量描述工具，其特征在于，其包括：因素确定模块，用于确定影响直井底水锥进的主控因素：纵向与水平方向的渗透率比值、夹层信息、油层厚度、韵律性，以及油水粘度比；构建模块一，用于基于主控因素设计样本组合方案，根据样本组合方案构建数值模拟样本库；构建模块二，用于以主控因素和距离油水界面的高度作为输入，以不同高度的水锥半径作为输出，构建机器学习样本库；数据处理模块，用于将机器学习样本库随机划分为训练集和测试集，并进行归一化；模型搭建模块，用于结合tensorflow深度学习框架来搭建基于lstm-cnn的机器学习模型，其中，lstm用于提取纵向与水平方向的渗透率比值、油层厚度、距离油水界面的高度、以及油水粘度比，cnn用于提取直井周围纵向与水平方向的夹层信息和韵律性；训练模块，用于获取训练集数据，训练基于lstm-cnn的机器学习模型；测试模块，用于获取测试集数据，对基于lstm-cnn的机器学习模型进行测试和评估。8.根据权利要求7所述的一种基于机器学习的底水锥进定量描述工具，其特征在于，所述因素确定模块执行如下操作确定影响直井底水锥进的主控因素：获取影响直井底水锥进的地质因素、开发因素、原油物性，其中，地质因素包括纵向与水平方向渗透率的比值、夹层、韵律、油层厚度，开发因素包括产液速度、油层打开程度、井距、井型，原油物性包括油水粘度比；针对上述多个因素，多个因素取多水平建立底水油藏数值模拟概念模型来进行单因素分析，在单因素分析过程中仅改变某个因素的数值，该因素所属组合方案的剩余因素保持不变；提取出底水油藏数值模拟概念模型的运行结果，以相同含水率下的采出程度差值作为评价标准，差值越大则该因素对底水锥进的影响越大，对多个因素影响程度进行排序，确定影响底水锥进的主控因素为纵向与水平方向的渗透率比值、夹层信息、油层厚度、韵律性，以及油水粘度比。9.根据权利要求8所述的一种基于机器学习的底水锥进定量描述工具，其特征在于，所述构建模块二执行如下操作后以不同高度的水锥半径作为输出：从数值模拟结果中提出直井附近的剖面含油饱和度场，以饱和度x为界限，根据含油饱和度场提取出直井不同高度下的水锥半径，以不同高度的水锥半径作为输出。10.根据权利要求7所述的一种基于机器学习的底水锥进定量描述工具，其特征在于，所述数据处理模块将机器学习样本库按照7:3的比例随机划分为训练集和测试集；所述测试模块获取测试集数据后，对基于lstm-cnn的机器学习模型进行测试和评估，这一过程中，以皮尔逊相关系数作为评估指标来评估机器学习模型的好坏，当皮尔逊相关系数越接近1时机器学习模型效果越好，最后选择一个评估结果最好的机器学习模型；其中，皮尔逊相关系数的具体计算方式如下：式中，y
i
为水锥半径的真实值，无因次；y
i
为机器学习模型的预测值，无因次；为真实值
的平均值，无因次。

技术总结
本发明公开一种基于机器学习的底水锥进定量描述方法及工具，涉及底水油藏开采技术领域，包括：确定影响直井底水锥进的主控因素；基于主控因素设计样本组合方案，根据样本组合方案构建数值模拟样本库；以主控因素和距离油水界面的高度作为输入，以不同高度的水锥半径作为输出，构建机器学习样本库；结合Tensorflow深度学习框架来搭建基于LSTM-CNN的机器学习模型；将机器学习样本库随机划分为训练集和测试集，并进行归一化；利用训练集和测试集分别训练和评估机器学习模型。本发明应用于底水油藏的开发，通过构建机器学习样本库，能够更好的贴近油田实际情况，通过机器学习模型能够更好的实现对水锥形态的定量描述，进而指导底水油藏挖潜剩余油。油藏挖潜剩余油。油藏挖潜剩余油。


技术研发人员：蔡文杰 路中振 曹成峰 张振东
受保护的技术使用者：浪潮软件股份有限公司
技术研发日：2023.06.05
技术公布日：2023/8/21