[发明专利]一种基于机器学习的油水相对渗透率曲线计算方法

说明书

本发明公开了一种基于机器学习的油水相对渗透率曲线计算方法，包括以下步骤：建立表征油水相对渗透率曲线特征的模型；油水相对渗透率曲线样本的预处理；采用神经网络图灵机训练样本及检验模型；预测油水相对渗透率曲线。本发明利用机器学习的计算方法得出油水相对渗透率曲线，速度快，成本低，考虑了油水粘度、孔隙度、渗透率、孔隙结构、矿物成分、沉积相带和驱替条件等动态和静态因素，符合实际矿场应用，为油水相对渗透率曲线的研究提供了新思路。

技术领域

本发明属于油田开发数据挖掘技术领域，具体地说，涉及一种基于机器学习的油水相对渗透率曲线计算方法。

背景技术

目前国内外人工智能技术迅猛发展，机器学习技术作为其中的一个大方向，正在不断的应用于油气田开发领域。油水相对渗透率曲线是反映油藏油水渗流特征的重要曲线，是油田进行开发方案设计、油田动态计算、油藏数值模拟中不可缺少的基础数据，所以其研究价值非常大。计算油水相对渗透率曲线的方法主要有以下两大类：

第一，目前多数研究油水相对渗透率曲线的方法多为实验方法。主要是根据所取得的岩心，通过实验来研究其影响因素。影响油水相对渗透率曲线的因素非常多，包括岩石润湿性、油水饱和顺序、温度、孔隙结构以及油水粘度比等，大量文献已经阐述了各因素对油水相对渗透率曲线的影响。从岩心所得数据来看，其对井底周围的地层状况反映较为准确，由于油藏的复杂性，并不能完全反映整个区块的实际状况。同时实验方法计算相对渗透率曲线耗时较长，成本高，数据量受岩心数量的约束大。

第二，由实验得出的油水相对渗透率曲线有其局限性，因此有人提出了利用油田生产动态数据等生产数据来计算能反映整个油藏情况的油水相对渗透率曲线。该方法虽然可以计算油水相对渗透率曲线，但是不能反映影响油水相对渗透率曲线的相关因素，缺乏一定的依据性。

综上所述，目前研究油水相对渗透率曲线的方法较为有限，均有其相应的局限性，还需要继续深入研究；另外，结合机器学习的方法研究油水相对渗透率曲线的方法为空白。

发明内容

有鉴于此，本发明针对上述的问题，提供了一种基于机器学习的油水相对渗透率曲线计算方法。

为了解决上述技术问题，本发明公开了一种基于机器学习的油水相对渗透率曲线计算方法，包括以下步骤：

步骤1、建立表征油水相对渗透率曲线特征的模型；

步骤2、油水相对渗透率曲线样本的预处理；

步骤3、采用神经网络图灵机训练样本及检验模型；

步骤4、预测油水相对渗透率曲线。

可选地，所述步骤1中的建立表征油水相对渗透率曲线特征的模型具体为：

S1.1、在图像中提取出等渗点、端点值反应油水相对渗透率曲线的表征值；

S1.2、使用基于Freeman链码的曲线表征方法表征油水相对渗透率曲线的弯曲特征，求得每条油水相对渗透率曲线的链码值，用于表征曲线的变化形态；

S1.3、将上述参数整理成向量形式，构成样本的数据的输出。

可选地，所述的使用基于Freeman链码的曲线表征方法表征油水相对渗透率曲线的弯曲特征具体为：

选择一个已细化的二值化图像中的端点作为参考点，与其相邻的像素分别在8个不同的位置上，给它们赋予方向值0～7，称为0～7位链码方向值，一个线条用Freeman链码的码值串来表示，称为该线条图形的链码；

曲线的链码表示：

式中，M_N—曲线的Freeman链码表示，S—曲线的起点，a_i—方向；