[发明专利]一种基于机器学习的井间连通性评价方法

说明书

本发明提出一种基于机器学习的井间连通性评价方法，包括：1)根据数值模拟技术获取数据集，包括动态数据与静态数据；2)对样本数据集中的动态数据进行特征关联性提取；3)对动态数据与储层样本中的静态数据进行归一化处理；4)将样本数据集划分为训练集与测试集，并构建机器学习模型的输入与输出；5)使用机器学习方法对模型的权值矩阵与偏置矩阵进行训练，获得训练模型；6)验证所述训练模型归一化后计算结果的准确性与有效性；7)利用所述训练模型根据动态数据计算出的地层平均渗透率定义井间的连通系数，表征井间连通性。本发明的方法只需要油田中最容易获取的各个井的动态生产数据得到储层地质信息，进而得到井间连通性。

技术领域

本发明属于油田开发领域，涉及一种评价油田各井之间连通性的方法，具体涉及一种基于机器学习的井间连通性评价方法。

背景技术

油田开发过程中，由于我国储层地质的低渗透性，导致生产井的日产油量相对较少，各采油厂利用注水井，通过向储层注水的方法来增大地层压力，从而提升各生产井的产量。因此了解生产井与注水井之间的连通性可以优化井的布局，调整作业的优先级从而提高采收率，对油田的二次开发具有重要意义。

油田常用评价井间连通性方法有两类：静态法和动态法。静态法利用电缆测井和地层对比的方法基于储层特征对连通性进行评价，但实际开发过程中储层结构会发生较大变化，因此该方法不能准确反映井间的连通性。动态法包括示踪剂测试、井间微地震、干扰试井等方法，此类方法通常实施困难，价格高昂，实施周期较长，甚至有可能干扰油田的正常开采。油田的动态生产数据是最容易获取的最有效的信息，这些数据中蕴含着许多特征可以反映储层的地质情况，因此现如今大量学者利用动态生产数据去得到井间连通性。

发明内容

本发明针对目前常规方法无法快速解决的油藏井间连通性问题，创新性的提出一种基于机器学习模型的井间连通性评价方法。

随着数值模拟技术的日渐成熟以及计算机的快速发展，基于机器学习的井间连通性评价方法成为可能。数值模拟方法可以通过求解非线性抛物型偏微分方程，设定边界条件和初始条件来模拟不同地质条件下的储层，并计算出相应条件下各井的动态生产数据。机器学习是融合概率论、统计学、逼近论、凸分析、算法复杂度等多门学科的新技术，可以在无物理模型的基础上得到变量之间的非线性关系，该技术可以应用于寻找动态生产数据与储层地质之间的关系，从而反演出各井之间的连通性。

本发明提出一种基于机器学习的井间连通性评价方法，包括：1)根据数值模拟技术获取数据集，包括动态数据与静态数据；2)对样本数据集中的动态数据进行特征关联性提取；3)对经由步骤2)处理的动态数据与储层样本中的静态数据进行归一化处理；4)将样本数据集划分为训练集与测试集，并构建机器学习模型的输入与输出；5)使用机器学习方法利用训练集对模型的权值矩阵与偏置矩阵进行训练，获得训练模型；6)验证所述训练模型归一化后计算结果的准确性与有效性；7)利用所述训练模型根据动态数据计算出的地层平均渗透率定义井间的连通系数，表征井间连通性。

可选地，在步骤1)中，通过数值模拟技术获取生产井和注入井的样本数据集，该样本数据集包含静态数据与动态数据。

可选地，在步骤2)中，对生产井的动态数据集进行特征关联性提取，得到经过特征关联性提取后的动态数据集。

可选地，步骤2)包括：S21，以井号对动态数据进行分类得到生产井动态数据集，求解生产井的协方差矩阵，得到特征向量与对应的特征矩阵；S22，选取特征向量中的最大值以及对应的特征向量；S23，将生产井动态数据集与特征向量中的最大值对应的所述特征向量相乘，得到动态生产井的数据经由特征关联性提取后的样本数据集。

可选地，在步骤5)中，模型的训练通过不断调整权值矩阵与偏置矩阵中的值，使得训练集输入的数据经由两个矩阵处理后得到的计算结果与训练集的输出更加接近。