科创中国

电力、热力、燃气及水生产和供应业

油田常用评价井间连通性方法有两类：静态法和动态法。静态法利用电缆测井和地层对比的方法基于储层特征对连通性进行评价，但实际开发过程中储层结构会发生较大变化，因此该方法不能准确反映井间的连通性。动态法包括示踪剂测试、井间微地震、干扰试井等方法，此类方法通常实施困难，价格高昂，实施周期较长，甚至有可能干扰油田的正常开采。油田的动态生产数据是最容易获取的最有效的信息，这些数据中蕴含着许多特征可以反映储层的地质情况，因此现如今大量学者利用动态生产数据去得到井间连通性。 本发明提出一种基于机器学习的井间连通性评价方法，包括：1)根据数值模拟技术获取数据集；2)对样本数据集中的动态数据进行特征关联性提取；3)对动态数据与储层样本中的静态数据进行归一化处理；4)将样本数据集划分为训练集与测试集，并构建机器学习模型的输入与输出；5)使用机器学习方法对模型的权值矩阵与偏置矩阵进行训练，获得训练模型；6)验证所述训练模型归一化后计算结果的准确性与有效性；7)利用所述训练模型根据动态数据计算出的地层平均渗透率定义井间的连通系数，表征井间连通性。

本发明提出的方法中所建立的机器学习模型可以根据油田各井的动态生产数据快速评价井间连通性状况，计算速度极快，准确率较高，同时建立了可以提前终止模型训练的机制，保证准确性的同时节约计算资源，根据模型计算的地层平均渗透率定义了新的连通系数，快速表征井间的连通性。 本发明有益的技术效果： 1、该方法设计一种基于机器学习算法的计算模型框架，只需要油田中最容易获取的各个井的动态生产数据得到储层地质信息，进而得到井间连通性。 2、该方法提出了一种特征关联性提取方法，在保证准确率的同时对所有生产井的动态数据特征进行提取，提高了计算效率。 3、本方法结合储层地质渗透率的物理意义与实际要求定义容忍系数，建立了可以提前终止机器学习模型训练的机制，降低了计算时间。 4、本方法利用机器学习模型学习了动态数据特征，得到储层平均渗透率来定义新的连通系数，表征注水井与生产井之间的连通性。该模型在实际应用时所需时间极短，可以达到秒级。

宋洪庆，2004年毕业于大连理工大学化工机械专业，获学士学位；2009年毕业于北京科技大学流体力学专业（硕博连读），获博士学位；2009年任教于北京科技大学土木与环境工程学院；2014年美国德克萨斯A&M大学访问学者，同年评为副教授；2018年沙特阿卜杜拉国王科技大学高级访问学者，同年破格评为教授。入选了“北京高校青年英才计划”（2013年度）、北京科技大学本科生“十佳导师”（2021年度），中国石油和化学工业联合会青年科技突出贡献奖（2021年度）。主要研究领域：流体渗流理论及工程应用、能源与环境领域大数据分析及应用、深空资源开发及原位利用、微流控与生物流体力学； 主要科研项目：承担国家重大专项、“973”国家项目、国家自然科学基金重点基金、面上基金等研究项目40余项。获得2010年国家科技进步二等奖，省部级奖励6项；发表相关研究论文100余篇，他引1000余次，中英文著作5部，授权国家发明专利20余项，软件著作权20余项。

点击查看