[发明专利]一种基于人工智能的试井解释方法

说明书

本发明涉及一种属于试井分析领域的基于人工智能的试井解释方法；它解决现今试井解释中解释过程繁琐、效率过慢，存在一定的解释误差等问题；其技术方案是：基于滤波去噪对压力导数进行预处理，编写程序处理训练样本，建立基于卷积神经网络的试井解释模型，并且改进遗传算法提高拟合速度和参数拟合准确率，模型通过实验和理论研究调整出最优化的网络结构，识别导数曲线的特征段，结合试井模型的流动段特征和数据趋势，系统智能诊断出模型；本发明基于人工智能进行试井分析，可以自调节、自学习、自联想，优化工作流程、提高工作效率和决策质量，避免主观判断的影响，实现全自动的试井解释。

技术领域

本发明涉及一种基于人工智能的试井解释方法，属于油气藏试井分析领域。

背景技术

试井是油藏工程的重要手段，它是以油气渗流力学为理论基础，以压力、温度和产量测试为手段，研究油气藏地质和油气井工程参数的一种方法。也就是对井(油井、气井和水井)进行测试，测量井(油井、气井和水井)由于改变工作制度而引起压力和产量变化，通过对这些变化过程的分析，来研究地层参数、测试井的产能和完井质量，以及有关油气藏和测试井的动态问题，分析测试井增产改造的效果。

对比国内外试井分析方法，均存在一些优缺点。国外试井分析方法的优点在于：商品化程度较高；注重通用性，适用性广泛；软件的功能集成化；具备数值试井功能；软件的维护和更新及时。其缺点在于：对我国国内油田现场实际的适应性问题；测试方法和测试工艺问题；测试数据质量问题；实际地层的特殊性问题；开采条件的特殊化问题。国内试井分析方法的优点在于：侧重具体的问题或者项目研发；针对性强，适应性强。其缺点在于：不重视非常规试井技术的研究；开发规模小、可扩展性差；功能单一，模型较少；软件维护和更新落后于计算机软件技术的发展。

传统的程序设计在试井解释，试井评价方面的应用已相当普遍。自从计算机技术引入到试井解释中，试井解释一直是自动化处理和手工处理相结合。目前试井解释手段多为手工和计算机辅助的方式，但大多存在人为拟合过程中由于经验等原因，导致解释过程繁琐、效率过慢，存在一定的解释误差等局限性，且目前辅助软件是用非智能程序编写的，不具备自调节、自学习、自联想的功能，仅限于解决那些比较容易做的一部分工作，只能帮助现场工程师加快他的计算过程，而且解的唯一性较差。最困难的一部分，模型识别，伤害识别以及解的唯一性等问题，只能由极少数的专家来完成。随着人工智能的发展，油田智能化的创新，人工智能技术能够优化工作流程、提高工作效率和决策质量，能够避免主观判断的影响，并且实现全自动的试井解释，因此提出一套基于人工智能的试井解释方法具有很大的现实意义。

发明内容

本发明目的是：为了解决现今试井解释中解释过程繁琐、效率过慢，存在一定的解释误差等问题，本发明基于人工智能进行试井分析，可以自调节、自学习、自联想，优化工作流程、提高工作效率和决策质量，避免主观判断的影响，实现全自动的试井解释。

为实现上述目的，本发明提供了一种基于人工智能的试井解释方法，该方法包括下列步骤：导入实测压力数据及产量数据，并基于滤波去噪对数据进行处理，通过对小波变换算法进行改进优化，对压力导数进行预处理，形成一条连续光滑诊断曲线；用Tensorflow实现一个完整的卷积神经网络，用这个卷积神经网络来识别手写数字数据集(MNIST)；编写程序处理训练样本，建立基于卷积神经网络的试井解释模型；改进遗传算法提高拟合速度和参数拟合准确率，模型通过实验和理论研究调整出最优化的网络结构，识别导数曲线的特征段，结合试井模型的流动段特征和数据趋势，系统智能诊断出模型。

上述一种基于人工智能的试井解释方法中，所述对压力导数的预处理采用傅里叶变换，抽取不依赖于试井数据平移变化的特征量。

上述一种基于人工智能的试井解释方法中，所述建立基于卷积神经网络的试井解释模型的主要步骤包括：定义卷积层的Weight和bias；定义池化层；建立卷积层；建立全连接层；建立输出层；优化方法；进行样本训练，建立基于卷积神经网络的试井解释模型。