[发明专利]基于卷积神经网络的MMP预测方法及装置

说明书

本发明实施例公开了一种基于卷积神经网络的MMP预测方法及装置，该方法包括：获取目标油藏的MMP影响因素数据；将所述MMP影响因素数据输入到预设的预测模型中，得到所述预测模型输出的所述目标油藏的MMP预测值，其中，所述预测模型为根据训练样本集对卷积神经网络进行训练得到的，在训练过程中通过贝叶斯优化算法对所述卷积神经网络的超参数进行优化，所述训练样本集中的每个训练样本包含：油藏的MMP值以及油藏的MMP影响因素数据。本发明实现了准确、高效的对油藏的MMP进行预测的有益效果。

技术领域

本发明涉及油藏开发技术领域，具体而言，涉及一种基于卷积神经网络的MMP预测方法及装置。

背景技术

CO₂混相驱是低渗透油藏CO₂-EOR中应用最广泛、采收率最高的一种驱油方式。向油藏注入CO₂驱油过程中，岩层中会发生气、油、水三相的交互作用。产生相间组分转移、相变及其它复杂的相行为。混相驱的基本机理是驱替剂(CO₂注入气)和被驱剂(原油)在油藏条件下形成稳定的混相带前缘，该前缘为单一相，它的移动能有效推动原油向前流动并最终到达生产井。由于混相，油气界面消失，使多孔介质中的界面张力降至零，因此理论上可使微观驱替效率达到100％。

CO₂与油藏原油间的最小混相压力(MMP)是CO₂驱替过程中的关键参数之一，是区分CO₂混相驱和非混相驱的界限。准确确定CO₂与原油的最小混相压力对于提高CO₂混相驱替效率、降低操作成本、产生社会经济效益来说都是非常重要的。

现有技术确定MMP通常采用实验测量的方法，这种方法测量虽然可以保证准确性，但是这种方法操作复杂、耗时较长且花费较大。因此现有技术缺少一种更为高效的确定CO₂与油藏原油间的最小混相压力(MMP)的方案。

发明内容

本发明为了解决上述背景技术中的至少一个技术问题，提出了一种基于卷积神经网络的MMP预测方法及装置。

为了实现上述目的，根据本发明的一个方面，提供了一种基于卷积神经网络的MMP预测方法，该方法包括：

获取目标油藏的MMP影响因素数据；

将所述MMP影响因素数据输入到预设的预测模型中，得到所述预测模型输出的所述目标油藏的MMP预测值，其中，所述预测模型为根据训练样本集对卷积神经网络进行训练得到的，在训练过程中通过贝叶斯优化算法对所述卷积神经网络的超参数进行优化，所述训练样本集中的每个训练样本包含：油藏的MMP值以及油藏的MMP影响因素数据。

可选的，该基于卷积神经网络的MMP预测方法，还包括：

获取所述训练样本集；

利用所述训练样本集对所述卷积神经网络进行训练，并结合贝叶斯优化算法将验证样本集中的验证样本的预测误差作为优化目标，对所述卷积神经网络的超参数进行优化；

根据通过贝叶斯优化算法优化得到的超参数，再次利用所述训练样本集对所述卷积神经网络进行训练，得到所述预测模型。

可选的，所述将所述MMP影响因素数据输入到预设的预测模型中，具体包括：

先将所述MMP影响因素数据转化为二维矩阵，然后将所述二维矩阵输入到所述预测模型中。

可选的，该基于卷积神经网络的MMP预测方法，还包括：

在利用所述训练样本集对所述卷积神经网络进行训练时，将每个训练样本中的MMP影响因素数据转化为二维矩阵。