[发明专利]一种基于小样本条件下的吸水剖面预测方法

权利要求书

1.一种基于小样本条件下的吸水剖面预测方法，其特征在于，具体包括以下步骤：

步骤一：针对待分析和研究的油田区块进行多源数据的收集，构建原始数据集；

步骤二：根据井间连通性分析结果和灰色关联分析，确定影响小层吸水量的静态参数和动态参数，从而构成吸水剖面小样本数据集的特征维度，实现初级吸水剖面小样本数据库的构建；

步骤三：对初级小样本数据库逐小层数据分析和融合，统一每个小层的特征维度，并进行数据的归一化处理，实现标准吸水剖面小样本数据库的构建，按照6:2:2的比例将各个小层对应的样本集划分为训练集、验证集和测试集；

步骤四：搭建神经网络的初始结构，并对权重系数随机初始化；

步骤五：逐小层建立机器学习的代价函数；

步骤六：在训练数据集上完成各小层神经网络模型的学习和训练，并在验证集上基于网格搜索方法，反复验证和评估，确定最合适的隐藏层数及其神经元节点数；

步骤七：利用步骤六经训练过的各个小层的神经网络模型，在测试集上建立集成多任务优化的目标函数，引入梯度下降优化算法，进行小层吸水量预测模型的泛化学习，得到适应各个小层吸水规律的泛化神经网络模型；

步骤八：重复步骤五～七，继续神经网络的学习与参数更新；

步骤九：基于泛化模型，依托注水井的少量吸水剖面数据，进行神经网络模型的参数微调和个性化学习，得到适应各小层的吸水量预测模型，进而得到适应该注水井的吸水剖面预测模型。

2.根据权利要求1所述的基于小样本条件下的吸水剖面预测方法，其特征在于，步骤一中收集的数据包括：孔隙度、渗透率、厚度、渗透率极差、变异系数、单井不连续的吸水剖面及其与小层的对应关系、注水量、注入压力、产液量、含水率、动液面高度、合采、合注信息、射孔层位、完井方式和油水井井距。

3.根据权利要求2所述的基于小样本条件下的吸水剖面预测方法，其特征在于，步骤二中井间连通性分析具体为：

油藏中存在多口注入井与生产井，每口生产井的产液量均由多口注入井引起时，根据叠加原理结合物质守恒关系，得到电容模型为：

其中，

式中，表示模型对生产井j的预测产量，i_ij表示注水井i的注入量，q_oj表示注采不平衡时的常数项，当注采平衡时为0，λ_ij,τ_ij分别表示注水井i与生产井j的连通系数与时滞常数，τ_p反映初始产量对于生产井产量的影响程度，p_wfj表示生产井j的井底压力，v_j表示井底压力波动对于产量影响的权重；τ_j含义是表征井底压力波动对生产井产量的影响程度；

电容模型中待确定的参数可通过历史注采数据反演得到，因而建立反演和拟合目标函数如下：

式中，q_j(t)表示生产井j实际的产量；

通过梯度下降算法求式(2)目标函数的极小值，其参数迭代过程如下：

式中，x^k+1,x^k分别表示k+1和k迭代步时的参数值，η表示步长，表示目标函数的梯度；

此时目标函数取极小值对应的待优化参数即为最终所求参数，进而得到生产井j与周围注水井的连通系数λ_ij；更换所研究的目标生产井，重复连通性分析过程，即得到各个生产井与周围注水井的连通性，换言之，也得到了注水井与周围生产井的连通性。