[发明专利]一种基于深度学习的水驱开发油田剩余油分布的预测方法

权利要求书

1.一种基于深度学习的水驱开发油田剩余油分布的预测方法，其特征在于，包括以下步骤：

S1、采集数据，生成学习样本库；

S2、将储层进行网格化，网格化后每个单元体对应一个位置；

S3、以单元体为单位，将单元体的厚度、单元体与区块内各井的距离、单元体与各井之间的平均渗透率、单元体与各井之间的平均孔隙度、生产井累积产油量对单元体g油水分布影响的表征参数、生产井累积产水量对单元体g油水分布影响的表征参数、注水井累积注水量对单元体g油水分布影响的表征参数、相对渗透率曲线、油水粘度比、单元体是否被水波及的表征参数以及单元体的含水饱和度组合起来，生成不同开发时间不同单元体的分类模型学习样本和预测模型学习样本；

S4、对生成的学习样本进行降噪和归一化处理；

S5、利用支持向量机(SVM)分类器建立判断单元体是否见水的分类模型；

S6、以长短期记忆网络(LSTM)为核心搭建预测油水分布的深度学习模型；

S7、利用分类模型学习样本，以分类准确率为指标对分类模型进行多组实验，获得适用于学习样本的最优参数组合；

S8、利用预测模型学习样本，以预测准确率为指标对剩余油分布预测的深度学习模型进行多组实验，获得适用于学习样本的最优参数组合；

S9、获取了最优参数组合后，将学习样本重新喂食给分类模型和预测模型进行训练，训练完成后将模型保存；

S10、以整体预测准确率为目标，选取目标区块进行模型验证。

2.根据权利要求1所述的预测方法，其特征在于，所述步骤S1中的数据包括井位分布、开发时间、注采参数油水粘度、储层孔隙度和渗透率、储层厚度、相对渗透率曲线、储层含油面积、储层边界条件。

3.根据权利要求1所述的预测方法，其特征在于，所述步骤S3中的单元体与各井之间平均渗透率通过以下步骤计算得到：单元体g与某井w之间的平均渗透率用以单元体g和井w连线为对角线的矩形的平均渗透率来代替，计算公式如下：

式中，k_g为单元体g与井w之间的平均渗透率；n为以单元体g和井w连线为对角线的矩形内单元体的数量；k_i为以单元体g和井w连线为对角线的矩形内单元体i的绝对渗透率；S_i为以单元体g和井w连线为对角线的矩形内单元体i的面积；

单元体与各井之间的平均孔隙度通过以下步骤计算得到：用以单元体g和井w连线为对角线的矩形的平均孔隙度来代替，计算公式如下：

式中，φ_g为单元体g与井w之间的平均孔隙度；n为以单元体g和井w连线为对角线的矩形内单元体的数量；φ_i为以单元体g和井w连线为对角线的矩形内单元体i的孔隙度；h_i为以单元体g和井w连线为对角线的矩形内单元体i的厚度。

4.根据权利要求1所述的预测方法，其特征在于，所述步骤S3中的生产井累积产油量对单元体g油水分布影响的表征参数的计算公式如下：

式中，l_op为表征生产井累积产油量对剩余油分布影响的无因次参数，也 称其为无因次累产油影响因子；n_o为区块内生产井数量；k_gi为单元体g与第i口生产井之间的平均渗透率；N_pi为第i口生产井的累积产油量；d_i为单元体g与第i口生产井或者注水井的距离；φ_gi为单元体g与第i口生产井之间的平均孔隙度；N为地质储量；

生产井累积产水量对单元体g油水分布影响的表征参数的计算公式如下：

式中，l_wp为表征生产井累积产水量对剩余油分布影响的无因次参数，也 称其为无因次累产水影响因子；W_pi为第i口生产井的累积产水量。