[发明专利]用于指标预测模型训练及井组调节操作确定的方法和装置

说明书

本发明公开了采用机器学习算法训练油气井组长期指标预测模型的方法和装置，以及利用预测模型确定井组调节操作的方法和装置。模型训练方法包括：获取关于多个井组的历史数据集；对历史数据集进行特征提取以得到基于井组调节操作和井组状态数据的训练样本特征集以及基于井组长期指标的对应标签数据；以及基于训练样本特征集及对应标签数据，采用预设的机器学习算法进行训练，得到经训练的油气井组长期指标预测模型。获取的上述模型能够对各井组的长期指标进行预测，从而可以根据预测的长期指标对井组的实际操作进行调节。进一步地，预测模型可以融合井组的长期和短期指标作为标签数据来进行强化学习，获取能够提升短期和长期指标两者的操作参数。

技术领域

本发明涉及油气开采领域，尤其涉及用于指标预测模型训练以及井组调节操作确定的方法和装置。

背景技术

在石油和天然气的油气开采领域，仅需利用天然能量就可开采的自喷井相对较少。随着天然能量的降低，需要向地层或是油层注水或是特定化学物质以提高油层的采油率。对于稠油和油砂，则需借助蒸汽辅助重力泄油技术(SAGA)。该技术通过向地层中连续注入高温蒸汽加热油藏，使得原油黏度显著降低并得以在重力作用下流入注汽井下方的生产井中，并被举升至地面，由此实现对稠油、超稠油和油砂的有效开采。

天然气也同原油一样埋藏在地下封闭的地质构造之中，有些和原油储藏在同一层位，有些单独存在。对于和原油储藏在同一层位的天然气会伴随原油一起开采出来。对于只有天然气存在的气藏，其开采方法既与原油的开采方法十分相似，又有其特殊的地方。

无论是油田、气田或是油气田的开采，通常需要同时对多组操作参数进行控制。常规的操作参数需要依赖有经验的工作人员进行手动调节。由于不同井组间开采条件相差较大，因此操作参数的手动调节非常依赖个人经验，并且准确性不高。

为此，需要一种更为准确、且能够适应各种井组条件的操作参数调节方案。

发明内容

为了解决如上至少一个问题，本发明使用机器学习算法基于多井组历史数据集训练井组长期指标预测模型，上述模型能够对井组的长期指标进行预测，从而能够根据预测的长期指标对实际井组的操作进行调节。进一步地，预测模型可以融合井组的长期和短期指标作为标签数据来进行强化学习，从而获取能够提升井组的短期和长期指标两者的操作参数。

根据本发明的一个方面，提出了一种训练油气井组长期指标预测模型的方法，包括：获取关于多个井组的历史数据集，该历史数据集中的每条历史数据包括：井组调节操作、执行该井组调节操作时的井组状态数据和执行该井组操作后的井组长期指标；对所述历史数据集进行特征提取处理以得到基于井组调节操作和井组状态数据的训练样本特征集以及基于井组长期指标的对应标签数据；以及基于所述训练样本特征集以及对应标签数据，采用预设的机器学习算法进行训练，得到经训练的油气井组长期指标预测模型。由此，通过机器学习算法有效利用来自多井组的历史数据并通过迭代训练准确找出操作与长期指标的内在联系，从而实现针对各类井组的长期指标预测。在此，预设的机器学习算法例如可以是深度神经网络(DNN)算法。

优选地，本方法还包括：至少基于针对模型更新井组的井组调节操作及获取的相应井组指标数据，对所述经训练的油气井组长期指标预测模型进行更新。由此，可以对经初训的模型进行更新以进一步提升预测模型的准确性。