[发明专利]一种基于深度学习的水驱开发油田剩余油分布的预测方法

摘要

本发明公开了一种基于深度学习的水驱开发油田剩余油分布的预测方法，包括以下步骤：资料的收集与整理；储层的网格化；数据的预处理；建立判断单元体是否见水的SVM分类模型；建立剩余油分布预测的神经网络模型；SVM分类模型和神经网络模型的训练与参数调整；以预测准确率和预测耗时为评价指标，选取目标区块进行模型验证。本发明能利用油田现场资料快速准确地预测剩余油分布。

主权项

1.一种基于深度学习的水驱开发油田剩余油分布的预测方法，其特征在于，包括以下步骤：S1、采集数据，生成学习样本库；S2、将储层进行网格化，网格化后每个单元体对应一个位置；S3、以单元体为单位，将单元体的厚度、单元体与区块内各井的距离、单元体与各井之间的平均渗透率、单元体与各井之间的平均孔隙度、生产井累积产油量对单元体g油水分布影响的表征参数、生产井累积产水量对单元体g油水分布影响的表征参数、注水井累积注水量对单元体g油水分布影响的表征参数、相对渗透率曲线、油水粘度比、单元体是否被波及的表征参数以及单元体的含水饱和度组合起来，生成不同开发时间不同单元体的分类模型学习样本和预测模型学习样本；S4、对生成的学习样本进行降噪和归一化处理；S5、利用支持向量机(SVM)分类器建立判断单元体是否见水的分类模型；S6、以长短期记忆网络(LSTM)为核心搭建预测油水分布的深度学习模型；S7、利用分类模型学习样本，以分类准确率为指标对分类模型进行多组实验，获得适用于学习样本的最优参数组合；S8、利用预测模型学习样本，以预测准确率为指标对剩余油分布预测的深度学习模型进行多组实验，获得适用于学习样本的最优参数组合；S9、获取了最优参数组合后，将学习样本重新喂食给分类模型和预测模型进行训练，训练完成后将模型保存；S10、以整体预测准确率为目标，选取目标区块进行模型验证。