[发明专利]一种基于机器学习的试井解释方法及系统

权利要求书

1.一种基于机器学习的试井参数解释方法，其特征在于，所述方法包括：

步骤S1、采用机器学习方法识别试井当前的模式，构建与试井模式对应的试井物理模型，并基于所述试井物理模型获取试井初始时刻在不同影响因素下的气藏参数，形成初始参数集合，所述气藏参数包括试井物理模型的静态参数和动态参数；

步骤S2、以执行解释的时间为依据，结合所述初始参数集合获取试井第一时刻的样本数据集合；

步骤S3、将试井第一时刻的样本数据集合输入试井物理模型对应的数值模拟器，获取试井第二时刻的预测数据集合；

步骤S4、获取试井第二时刻的压力导数观测数据，根据试井第二时刻的预测数据集合和压力导数观测数据基于机器学习方法进行数据拟合处理，获取试井第二时刻更新后的预测数据集合，判断其分布范围是否满足试井的参数解释要求，若不满足，则将所述更新后的预测数据集合输入所述数值模拟器，并将所述数值模拟器的输出重新作为试井第二时刻的预测数据集合，执行步骤S4，直至得到分布范围满足试井的参数解释要求的更新后的预测数据集合，则将其作为参数解释结果；

其中，第一时刻与第二时刻之间的时间间隔根据解释需求设定。

2.如权利要求1所述的方法，其特征在于，在所述步骤S1中，利用均匀分布的拉丁超立方抽样方法获取试井初始时刻在不同影响因素下的气藏参数集合。

3.如权利要求1或2所述的方法，其特征在于，在步骤S2中，若第一时刻为初始时刻，根据构建的数值模拟模型以及所述初始参数集合计算试井对应的压力数据集合和压力导数数据集合，进而将所述初始参数集合和压力导数集合作为试井第一时刻的样本数据集合；若第一时刻不是初始时刻，将对应试井上一时刻的参数解释结果集合作为样本数据集合。

4.如权利要求3所述的方法，其特征在于，利用数值模拟技术，构建与试井物理模型对应的数值模拟模型，基于构建的数值模拟模型计算试井不同影响因素下气藏参数对应的压力数据，进而根据所述压力数据计算试井对应的压力导数数据。

5.如权利要求4所述的方法，其特征在于，按照下述操作根据试井的压力数据计算对应的压力导数：

通过以下公式确定试井的压力数据对应的拟压力

利用差分法代替微分，基于拟压力计算压力导数；

式中，p为压力，μ为气体的粘度，Z为气体的偏差系数，p₀为任意选取的参考压力点。

6.如权利要求1-4中任一项所述的方法，其特征在于，在步骤S3中，根据下式获取试井第二时刻的预测数据集合：

y^pr＝G[y]+v_w；

式中，y^pr为试井第二时刻的预测数据集合，G为油气藏数值模拟器，y为试井第一时刻的样本数据集合，v_w为过程噪声。

7.如权利要求1-6中任一项所述的方法，其特征在于，在步骤S4中，通过以下操作基于机器学习方法进行数据拟合处理，获取试井第二时刻更新后的预测数据集合：

确定集合卡尔曼滤波算法的增益矩阵；

将得到的预测数据集合，以及获取的试井第二时刻的压力导数观测数据同时作为集合卡尔曼滤波算法的输入，基于确定的增益矩阵执行数据同化计算，将计算得到的数据集合作为试井第二时刻更新后的预测数据集合。

8.如权利要求7所述的方法，其特征在于，按照下式计算试井第二时刻更新后的预测数据集合

其中，为试井第二时刻第j个样本对应的预测数据向量，K_e为集合卡尔曼滤波算法的增益矩阵，d_j为试井第二时刻第j个样本的压力导数观测数据，H为状态向量与状态向量中的待解释数据关联起来的矩阵算子。