[发明专利]一种基于小样本条件下的吸水剖面预测方法

说明书

本发明公开了一种基于小样本条件下的吸水剖面预测方法，对待分析油田区块的多源数据进行收集；进行井间连通性分析和灰色关联分析，确定影响吸水剖面的静态和动态因素，并进行归一化处理构成标准的吸水剖面小样本库；以小层为机器学习单元建立集成多任务的代价函数，以梯度下降为学习算法得到适应各个小层吸水量预测的泛化模型；依托注水井有限的吸水剖面资料进一步参数微调和个性化学习，建立适应注水井吸水劈分规律的吸水量预测模型，基于该模型实现吸水剖面的连续动态预测。本发明基于小样本条件下的机器学习理论基础，实现了注水量的准确劈分和吸水剖面的预测，对于认清地下剩余油分布具有重要意义，是实现智能油田分层配产配注的基础。

技术领域

本发明属于油气田开发领域，具体地说，涉及一种基于小样本条件下的吸水剖面预测方法。

背景技术

注水是中国油田开发的主体技术，在高含水后期、特高含水期再继续提高水驱采收率仍是提高采收率的主攻方向之一，虽然难度很大，但适应性却非常广泛。然而中国油田绝大部分为陆相油田，沉积韵律复杂，储层非均质性严重，造成开发过程中层间和层内矛盾特别突出，进而导致注入水在平面上向生产井方向的舌进现象和纵向上向高渗透层的突进现象，从而使注入水无效循环而影响注水效果。

长期以来，注水井吸水剖面预测是计算注水井分层注水量和累计吸水量的重要依据，对每口注水井进行小层吸水量的劈分是在注水油田开发中后期研究注采井组的水淹状况和驱油效率最重要的环节。关于注水井小层吸水量的计算，主要有渗流力学计算方法、劈分系数法、吸水剖面插值法和数值模拟法。该类方法没有充分考虑储层的连通性、压差和物质守衡的影响和约束，其计算结果不能准确反映油藏各个层段的实际注水情况。矿场吸水剖面测试通过在注水条件下将同位素注入井内，获取各个小层的放射性强度差异即为吸水量的大小。该方法得到的吸水剖面最符合小层的实际吸水情况，但是需要关井停产进行测量，测试周期长，成本较高，导致现场测得的吸水剖面资料较少，且不连续，甚至存在很多注水井没有吸水剖面资料，给注水劈分带来了很大的困难。

如何充分利用现有的吸水剖面资料，实现无吸水剖面时间点吸水剖面的连续预测成为亟待解决的难题。基于数据挖掘的吸水剖面预测方法通过对现有吸水剖面数据中隐藏的规律和关系进行深度挖掘，建立吸水剖面与注采系统的相关关系模型，进而实现吸水剖面的反演和预测是解决注水量劈分难题最有效的方法。该类方法主要包括两大类：基于自适应模糊神经网络的吸水剖面预测方法和基于支持向量的吸水剖面预测方法。现存的方法主要存在以下三个方面的问题：1、不能准确反映吸水剖面资料的动态变化，考虑的动态影响因素较少，不够全面；2、研究重点偏向于存在少量吸水剖面资料注水井的吸水剖面预测，对于无吸水剖面资料注水井的吸水剖面预测鲜有研究；3、利用依赖于大数据训练的机器学习方法来解决小样本学习问题，吸水剖面的预测精度较低。

发明内容

有鉴于此，本发明针对现有技术存在的问题，提供了一种基于小样本条件下的吸水剖面预测方法。

为了解决上述技术问题，本发明公开了一种基于小样本条件下的吸水剖面预测方法，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；