[发明专利]一种基于多源数据的油井供采匹配程度量化评估方法

权利要求书

1.一种基于多源数据的油井供采匹配程度量化评估方法，其特征在于，包括以下步骤：

S1、从某区块油田的多源数据采集系统的数据库中采集一定时间周期的动静态特征参数，包括：位移、载荷、泵深、泵径、泵效、沉没度、沉没压力、动液面、静液面、产液速度、泵充满度和吸入口压力，并按月保存到数据表中，包括以下步骤；

S11、通过井号字段将不同数据库中月数据表关联，并按照井号分别存储，完成数据初步采集；

S12、对初步采集数据表列去重，并对部分列进行规范化重命名，存入清洗数据表文件中，并按采集时间排序；

S13、异常值处理：剔除数据表文件中显示NULL和NA的数据；根据3σ原则P(|x-μ|3σ)≤0.003，其中，σ代表标准差，μ代表平均值，对每类数据中与平均值偏差超过三倍标准差的值进行剔除，建立多源数据集；

S2、针对供液能力分析多种动静态特征参数，根据采油工程理论计算采油指数，结合皮尔逊相关性系数法计算多种动静态特征参数对供采匹配程度敏感性大小，以敏感性强相关的位移、载荷、动液面、采油指数参数作为表征供采匹配程度特征指标，对特征指标动液面、采油指数进行水平分析、演化趋势分析和波动性分析，建立量化分析评价指标体系；

S3、根据所述量化分析评价指标体系，将供液不足“刀把型”示功图量化分为10个等级，构建基于供采匹配程度的十份示功图训练集，并对示功图集进行标准化处理，标准化处理包含图片尺寸、像素、功图线宽和颜色指标；

S4、对多源数据集进行归一化处理式中，x_i为图像素点值；min(x)，max(x)分别为图像像素的最小和最大值，通过归一化方法处理图像，将像素回归至0到1之间；

S5、以动液面特征指标供采匹配程度分级，结合softmax分类器构建识别模型，搭建适用于供采匹配程度不足示功图的卷积神经网络架构，并利用构建的基于供采匹配程度的十份示功图训练集训练卷积神经网络模型；

S6、根据卷积神经网络搭建的模型分析得到图像属于各个级别供液不足程度的概率，根据实际的供液不足程度对比卷积神经网络识别结果，修正识别结果，将已修正过的示功图更新到对应分类样本集，将更新后的样本集合再次训练卷积神经网络，通过强化学习过程不断更新卷积神经网络模型。

2.根据权利要求1所述的基于多源数据的油井供采匹配程度量化评估方法，其特征在于：所述S2的水平分析是根据历史动液面数据预测未来动液面时间序列数据发展趋势，基于公式：其中，Y_t为t时刻动液面数据值，Y_t-n为t时刻前n周期时刻的动液面数据值，M_t为n个跨越周期下的t期动液面移动平均值，作为第t+1期的预测基础值；M_t+1为n个跨越周期下的t+1期动液面移动平均值，n为跨越周期。

3.根据权利要求1所述的基于多源数据的油井供采匹配程度量化评估方法，其特征在于：所述S2的演化趋势分析，运用线性回归法分析动液面的变化趋势，利用历史动液面时间序列数据，以时间为自变量，特征指标时间序列数据为因变量，建立一元回归方程。

4.根据权利要求1所述的基于多源数据的油井供采匹配程度量化评估方法，其特征在于：所述S2的波动性分析，以标准差x_i为数据的瞬时值，1≦i≦n，u为数据算术平均值，描述对象动液面属性评价结果的波动情况。

5.根据权利要求1所述的基于多源数据的油井供采匹配程度量化评估方法，其特征在于：所述S2的采油工程理论计算采油指数，根据油井采油流动方程Q＝J(L_f-L_s)，式中J为采油指数，L_f为动液面深度(m)，L_s为静液深度(m)，Q＝10^-4q_lt，式中Q油井产量(m³)，q_l为采油井产油速度(m³/d)，d为天，t为油田开发时间；根据动液面、采油指数波动范围和实测示功图解释结果，将波动范围中动液面max与采油指数min对应示功图供液能力1级，将波动范围中动液面min与采油指数max对应示功图供液能力10级，其它8个等级基于动液面、采油指数水平、演变趋势量化均分得到，完成位移、载荷、动液面、采油指数特征指标供采匹配程度分级。