[发明专利]基于异构图神经网络的多层系注水量劈分方法及系统

说明书

本发明公开了一种基于异构图神经网络的多层系注水量劈分方法及系统，涉及油气藏渗流技术领域，该方法包括：获取目标井网的三维几何数据、历史生产数据和地层数据；基于所述目标井网的历史生产数据和地层数据，构建训练异构图神经网络的样本数据库；基于所述目标井网的三维几何数据和所述样本数据库，训练建立异构图神经网络模型；利用所述异构图神经网络模型和当前阶段注水井注水量，预测当前阶段注水井注水量对应的所述目标井网中各个注水井各个射孔处的注水量劈分量，以及所述目标井网中各个生产井的产液量。本发明能够清楚表征地下真实情况，提高注水井注水量的劈分精度。

技术领域

本发明涉及油气藏渗流技术领域，特别是涉及一种基于异构图神经网络的多层系注水量劈分方法及系统。

背景技术

由于地下情况复杂，油田开发过程中的动态变化规律更是难以掌握，现场可获得的生产资料不能完全清楚表征地下真实情况，例如：从注水井到生产井是怎样流动的，注水井在各个开发层段的注水量劈分是怎样的以及各个开发层段间是否有影响。

现有技术方案为：获取目标井网的几何信息和历史生产数据，建立目标井网的时空图结构数据集；根据时空图结构数据集进行滑动时间窗口划分，建立目标井网的训练样本集；利用训练样本集，训练得到用于水驱油藏产量预测的多层时空图神经网络；利用多层时空图神经网络，得到目标油藏井网的生产井的产量预测结果。

上述技术方案存在的缺点为：(1)上述方案仅在二维平面上，通过图神经网络对井网井间特征进行提取，而实际油藏为三维空间，油田开发更是为多层系开发，上述方案导致油田开发的地下内部结构以及流动特征未能表征清楚，因此存在模型计算量大、消耗资源大以及预测结果不准确的风险。(2)现有技术使用传统的同构图神经网络来学习，同构图中的节点类型和关系类型(边的类型)都仅有一种，因此在构建图神经网络时所有节点共享同样的模型参数并且拥有同样维度的特征空间，进一步降低了预测结果的精准度。

发明内容

本发明的目的是提供一种基于异构图神经网络的多层系注水量劈分方法及系统，能够清楚表征地下真实情况，提高注水井注水量的劈分精度。

为实现上述目的，本发明提供了如下方案：

一种基于异构图神经网络的多层系注水量劈分方法，包括：

获取目标井网的三维几何数据、历史生产数据和地层数据；所述目标井网包括注水井和生产井；

基于所述目标井网的历史生产数据和地层数据，构建训练异构图神经网络的样本数据库；所述样本数据库包括在不同时间段内所述目标井网在三维空间中各个节点的注水量劈分量和各个生产井的产液量；

基于所述目标井网的三维几何数据和所述样本数据库，训练建立异构图神经网络模型；

利用所述异构图神经网络模型和当前阶段注水井注水量，预测当前阶段注水井注水量对应的所述目标井网中各个注水井各个射孔处的注水量劈分量，以及所述目标井网中各个生产井的产液量。

可选的，所述获取目标井网的三维几何数据、历史生产数据和地层数据，具体包括：

确定需要进行多层系注水量劈分分析的目标井网；

获取所述目标井网的三维几何数据；所述三维几何数据包括注水井的数量、生产井的数量、各个生产井与各个注水井之间的距离、各个生产井与各个生产井之间的距离、各个注水井与各个注水井之间的距离、各个生产井与各个注水井之间的路径关系、各个生产井与各个生产井之间的路径关系、各个注水井与各个注水井之间的路径关系、各个生产井中各个射孔处之间的距离、各个注水井中各个射孔处之间的距离、各个生产井与各个注水井之间的各个射孔处之间的距离、各个生产井中各个射孔处之间的路径关系、各个注水井中各个射孔处之间的路径关系、以及各个生产井与各个注水井之间的各个射孔处之间的路径关系；