[发明专利]基于油藏工程理论和数据挖掘算法的产液能力预测方法

说明书

本发明提供基于油藏工程理论和数据挖掘算法的产液能力预测方法，基于油田动态数据，利用改进的油藏工程理论水驱曲线，得到不同含水率条件下的无因次采液指数；确定相关的样本参数，利用机器学习算法对样本参数的相关性进行分析，优选样本参数；将样本参数的数据进行抽稀处理，划分训练集和样本集，基于油藏工程理论认识将训练集和测试集进行组合得到数据体；建模调参、优化算法模型，以得到预测目标井的产液能力。本方法弥补了传统方法的局限性，本方法集合了传统油藏工程方法的理论性基础以及数据挖掘算法的智能化。

技术领域

本发明涉及产液能力预测技术领域，更具体地说涉及一种基于油藏工程理论和数据挖掘算法的产液能力预测方法。

背景技术

提高油井产液量是油田开发中高含水阶段实现稳产增产的一项低成本、高效率措施。提液的作用体现在宏观和微观两方面，宏观上，提液可以提高水的波及体积以及波及范围内的冲洗强度，达到提高采收率的目的；微观上，在开发中后期由于储层岩石的润湿性、孔隙结构以及原油粘度等因素的影响，使得一部分原油滞留在储层的岩石颗粒表面及小孔道中，通过提液增大生产压差，可以使原来未被驱动的原油被驱替出来。但是油井能否提液需要考虑最大产液能力，同时还要分析放大生产压差所带来的不利影响。所以，如何准确的预测油井的产液能力就显得尤为重要。

现有技术主要有三种，一种是相渗实验方法，利用相渗实验数据得到理论无因次采油采液指数图版，根据地饱压差、泵工况、出砂等油田实际情况得到合理生产压差，进而计算理论最大产液量，缺点是理论性强，与实际生产差距大；第二种是油藏工程方法，基于油田动态数据，利用改进的水驱曲线反推计算，得到不同含水率下的无因次采油采液指数，可作为优化调整产液结构、发挥最大产能的依据，缺点是曲线拟合难度大，费时费力，部分井无法进行拟合；第三种是油井中途测试方法，利用地层测试仪器进行测压、求产、取样，可以获取油井产液能力，但只能用于油井初期产能评价，无法预测油井产液能力的变化情况。

发明内容

本发明克服了现有技术中的不足，现有的预测油井产液能力的方法存在与实际生产差距大、曲线拟合难度大、无法预测油井产液能力的变化情况的问题，提供了一种基于油藏工程理论和数据挖掘算法的产液能力预测方法，利用先进的机器学习算法(如 AdaBoost等)，基于改进水驱曲线结果，通过相关性分析，得到与采液指数关联度高的样本参数，挖掘采液指数与样本参数间的数据关系，进而建立产液能力预测模型，即可根据目标井的特征参数值及含水率得到不同阶段的无因次采液指数，实现低成本、快速准确的产液能力预测。

本发明的目的通过下述技术方案予以实现。

基于油藏工程理论和数据挖掘算法的产液能力预测方法，按照下述步骤进行：

步骤1，基于油田动态数据，利用改进的油藏工程理论水驱曲线，得到不同含水率条件下的无因次采液指数；

步骤2，基于油藏工程理论认识确定相关的样本参数，利用机器学习算法对样本参数的相关性进行分析，选出相关性高的样本参数，确定学习样本；

步骤3，将步骤2确定的学习样本进行抽稀处理，划分训练集和样本集；

步骤4，建模调参：通过调整机器学习算法中的敏感参数，获得与步骤3得到的数据体相吻合，并与生产特征相吻合，与油藏工程方法算出的无因次采液指数结果吻合的预测模型，在建模过程中对各种算法的参数进行调参，以获得无因次采液指数预测模型；

步骤5，优化算法模型：通过交叉验证得分、R-Squared决定系数、Adjusted R-Square 的方法，评估步骤4得到的预测模型准确度，并对步骤4得到的预测模型进行筛选，以得到最优的预测模型。

在步骤1中，无因次采液指数的计算具体步骤如下：