[发明专利]一种基于智能集成的油田增产措施优选方法

说明书

本发明公开了一种基于智能集成的油田增产措施优选方法，本方法通过充分利用地质油藏生产监测数据，依托机器学习算法、构建增产措施优选推荐系统，可以快速准确的预测增产措施实施效果，并实现了增产措施决策的智能化推荐。

技术领域

本发明属于油藏开发技术领域，具体来说涉及一种基于智能集成的油田增产措施优选方法。

背景技术

基于智能集成的数据挖掘，是从大量的、不完全的、有噪声的、模糊的、随机的实际应用数据中，提取隐含其中的、不为人们所知的、但又有潜在应用价值的信息和知识的过程。

在石油工业领域，基于智能集成的数据挖掘及系统的油田增产措施优选推荐应用不算广泛，主要局限于具体问题需求具体分析，多数科研人员只能根据用户需求来开发出相应的科研成果，还没有形成一套系统的理论体系，针对具体油田进行增产措施优选的应用的案例不是很多。当前，数据挖掘技术与石油工程领域还没有做到充分结合，应用也并不广泛。

国外主要是结合其它相关算法建立数据挖掘模型等。如La Sapienza将决策树、模糊逻辑理论与神经网络系统和AdHo网络结合并将其应用到油井监测与诊断，提供了一种生产井动态分析的新方法；Gert de Jonge开发相关的软件系统并应用到油田自动化监控中；G.Zangl对油田各项数据的质量及油井或整个生产系统的监视提高了油气田的产量；Christian Oberwinkler等人运用决策树与神经网络方法进行压裂设计，大大提高了设计最优裂缝的效率。国内主要将应用于储层评价、措施作业方式的优选、生产指标的预测以及故障诊断等方面等。

因为常用的油藏工程预测方法有着一定的局限性，只反映所预测的生产指标随着时间或者其它变量的单一的变化情况，并没考虑油藏开发问题涉及到的多维、多源的数据，这些数据之间存在着复杂的、隐蔽的关系模式。油井产量的下降过程并非只是呈现指数式、双曲线式或者调和式递减，往往伴随着一定的波动性，一个看似无关的参数变化(例如地层水中氯离子、电潜泵沉没度)都有可能会对油井产量变化产生影响。本方法针对具体油田应用决策树进行增产措施优选，在行业内具有重要参考意义。

发明内容

为了有效地分析海量的油田大数据，挖掘出蕴含其中的不易发现的规律，提高油田生产决策的科学性。本发明提供了一种基于智能集成的油田增产措施优选方法，以达到油藏地质影响因素定量化，决策科学化、准确化的目的。

一种基于智能集成的油田增产措施优选方法，包括以下步骤：

步骤一、在历史增产措施实施后的油井生产数据，通过分析措施后与措施前生产数据，对生产曲线前后单调性、周期性及残差特征，建立趋势项模型提取特征，数值解析(统计特征、分类特征)为初期增产幅值、递减趋势等多项指标或函数式。

步骤二、按照不同措施类型，将影响措施效果的各类地质因素(井型、储层厚度、极差、连通性、压差等)，进行变量分类与处理，按照不同类型变量，结合地质油藏专业知识，对部分因素进行量化与预处理。通过对特征的标准化、归一化、离散化、交叉操作等进行过滤、包装、嵌入。最后将决策等级作为输出的分类变量，选择合适的集成算法(SVM、决策树等基算法、、XGbosost、随机森林等)，建立模型，并拟合检验精度。

步骤三、将整体决策系统分类线上线下两个模块，其中线下模块将已有的、收集的各类数据进行模型建立与评估，训练线下数据用于线上模块的推荐系统。线上模块主要对待预测井进行预测与推荐，将实际的措施效果与预测效果对比，通过人工效验将合格的数据再次加入线下模块，优化线下模型。

步骤四、经过步骤三的系统构建新的待预测井，通过对输入数据的处理，加载线下模块，依据得出的决策等级推荐相应措施，并预测增产效果区间。

本发明的优点和有益效果为：