[发明专利]基于集成学习的稠油多介质吞吐智能开采方法及装置

权利要求书

1.一种基于集成学习的稠油多介质吞吐智能开采方法，其特征在于，包括：

获取稠油多介质吞吐开采过程中历史的油藏静态参数、历史的注采生产数据和历史的产量数据；

对所述历史的油藏静态参数、历史的注采生产数据和历史的产量数据进行预处理和特征处理，获得处理后数据；

根据历史的注采生产数据和历史的产量数据确定历史的稠油多介质吞吐开采效果指数；

基于所述处理后数据和历史的稠油多介质吞吐开采效果指数，通过集成学习算法，构建并训练注采效果评价的集成学习模型；

获取稠油多介质吞吐开采过程中实际的油藏静态参数和实际的注采生产数据；

将实际的油藏静态参数和实际的注采生产数据作为输入数据，基于注采效果评价的集成学习模型，输出实际的稠油多介质吞吐开采效果指数，根据所述实际的稠油多介质吞吐开采效果指数实现稠油多介质吞吐智能开采；

对所述历史的油藏静态参数、历史的注采生产数据和历史的产量数据进行预处理和特征处理，获得处理后数据，包括：

根据常规采油所含规则，对历史的注采生产数据进行分析，获得第一处理数据；

对所述历史的油藏静态参数、第一处理数据和历史的产量数据进行空缺值、异常值和无穷值处理，获得第二处理数据；

对第二处理数据进行单位统一处理，获得第三处理数据；

对第三处理数据中的文本型数据采用 One-HotEncoding 进行编码，获得第四处理数据；

对第四处理数据进行归一化处理，获得第五处理数据；

对第五处理数据进行相关性分析，根据相关性分析结果从第五处理数据提取相应的特征变量；

按照如下公式根据历史的注采生产数据和历史的产量数据确定历史的稠油多介质吞吐开采效果指数：

稠油多介质吞吐开采效果指数=油汽比0.5+回采率 0.1+吨油成本0.4；

基于所述处理后数据和历史的稠油多介质吞吐开采效果指数，通过集成学习算法，构建并训练注采效果评价的集成学习模型，包括：

基于所述处理后数据和历史的稠油多介质吞吐开采效果指数，通过串行式集成学习算法Boosting，构建并训练第一注采效果评价的集成学习模型；

基于所述处理后数据和历史的稠油多介质吞吐开采效果指数，通过并行式集成学习算法Bagging，构建并训练第二注采效果评价的集成学习模型；

将第一注采效果评价的集成学习模型和第二注采效果评价的集成学习模型进行集成，获得第三注采效果评价的集成学习模型；

训练注采效果评价的集成学习模型还包括：

采用K-折交叉验证方法，将数据集等比例分为K份，其中一份作为测试数据、K-1份作为训练数据，对注采效果评价的集成学习模型进行训练；其中，数据集包括所述处理后数据和历史的稠油多介质吞吐开采效果指数；

在训练时，使用网格搜索方法，按照步长穷举遍历注采效果评价的集成学习模型的参数组合，对注采效果评价的集成学习模型进行调整优化，确定注采效果评价的集成学习模型的最佳参数。

2.如权利要求1所述的基于集成学习的稠油多介质吞吐智能开采方法，其特征在于，还包括：

预设不同的多组油藏静态参数；

根据实际的注采生产数据和不同的多组油藏静态参数，基于注采效果评价的集成学习模型，获得对应的多个稠油多介质吞吐开采效果指数；

基于对应的多个稠油多介质吞吐开采效果指数，获得最大的稠油多介质吞吐开采效果指数；

将最大的稠油多介质吞吐开采效果指数对应的油藏静态参数作为推荐油藏静态参数。

3.如权利要求1所述的基于集成学习的稠油多介质吞吐智能开采方法，其特征在于，还包括：

预设不同的多组注采生产数据；

根据实际的油藏静态参数和不同的多组注采生产数据，基于注采效果评价的集成学习模型，获得对应的多个稠油多介质吞吐开采效果指数；

基于对应的多个稠油多介质吞吐开采效果指数，获得最大的稠油多介质吞吐开采效果指数；

将最大的稠油多介质吞吐开采效果指数对应的注采生产数据作为推荐注采生产数据。