[发明专利]建立CO2

说明书

本公开提供了一种建立CO₂吞吐效果预测模型的方法以及CO₂吞吐效果评价方法。所述建立CO₂吞吐效果预测模型的方法，首先获取CO₂吞吐开发的样本数据集，并将样本数据集划分为训练集和测试集，然后设置神经网络结构并对神经网络模型的超参数进行初始化，之后训练模型，并通过修改超参数，将模型的损失函数值控制在误差范围内，从而得到训练好的模型。所述CO₂吞吐效果评价方法包括：获取目标井区CO₂吞吐开发的影响因素参数数据集，将目标井区的影响因素参数数据集输入CO₂吞吐效果预测模型，预测换油率。该方法可应用于不同影响因素参数下待CO₂吞吐开发的井区的换油率的快速预测。

技术领域

本公开涉及油田开发技术领域，尤其涉及一种CO₂吞吐效果预测模型建立方法以及CO₂吞吐效果评价方法。

背景技术

特低渗透油藏是目前我国油气勘探开发的重要对象之一，具有渗透率低、油藏物性较差、单井产能较低等特征，通常采用CO₂驱等气驱方式进行开采。对于常规水驱等开采方式，现在已经形成一套较为成熟的油田开发评价标准，但针对CO₂驱油效果的评价指标则有待完善。

发明内容

一方面，提供一种建立CO₂吞吐效果预测模型的方法，所述方法包括：

获取CO₂吞吐开发的影响因素参数数据集和目标参数数据集，作为样本数据集；其中，影响因素参数包括焖井时间、裂缝间距、含水饱和度、地层压力、孔隙度、渗透率、裂缝长度、注入量和单层厚度，目标参数包括换油率；

将所述样本数据集划分为训练集和测试集；

搭建神经网络模型，并设置所述神经网络模型内神经元的权重，设置激活函数和优化器；

将所述训练集输入所述神经网络模型中进行训练；

如果所述神经网络模型的损失函数值大于预设误差，则修改训练次数、激活函数、优化器以及Dropout比率，并再次对模型进行训练；如果所述神经网络模型的损失函数值在预设误差范围内，则停止训练并将训练后的神经网络模型作为CO₂吞吐效果预测模型。

在本公开的至少一个实施例中，所述将所述样本数据集划分为训练集和测试集之前，所述建立CO₂吞吐效果预测模型的方法还包括：将所述样本数据集处理为机器学习能够使用的样本数据集，并对处理后的样本数据集中的数据进行归一化处理。

在本公开的至少一个实施例中，所述将所述样本数据集划分为训练集和测试集，包括：使用python开源库sklearn中的train_test_split函数划分训练集和测试集；所述样本数据集的前80％作为训练集，后20％作为测试集。

在本公开的至少一个实施例中，搭建的神经网络模型包括由输入端至输出端依次连接的一个输入层、五个隐藏层和一个输出层；其中，每个隐藏层包括200个神经元。

在本公开的至少一个实施例中，所述设置所述神经网络模型内神经元的权重，选择激活函数和优化器，包括：采用Xavier方法设置所述神经网络模型内神经元的权重，采用ReLU函数作为激活函数，以及，选择Adam优化器。

在本公开的至少一个实施例中，所述神经网络模型的损失函数包括均方误差；如果所述神经网络模型的均方误差值大于10^-2，则修改训练次数、激活函数、优化器以及Dropout比率，并再次对模型进行训练；如果所述神经网络模型的均方误差值小于或等于10^-2，则停止训练并将训练后的神经网络模型作为CO₂吞吐效果预测模型。