基于多聚合过程神经元网络的剩余油分布模型的研究

剩余油分布预测方法剩余油分布预测方法是石油勘探和生产中的关键技术之一、它是指利用地质、地球物理和工程数据等相关信息来预测和评估油田中未探明和未开发的油层的位置、规模和产量分布。

准确的剩余油分布预测对于油田的规划、开发和生产决策具有重要的意义，可以帮助公司进行合理的油田开发，提高油田生产效率和油田开发利润。

本文将介绍一些常用的剩余油分布预测方法。

一、地质模型方法地质模型方法是一种常用的剩余油分布预测方法，它通过分析油田的地质构造和沉积环境等方面的特征，建立油层的地质模型，从而预测剩余油的分布。

常用的地质模型方法包括测井解释、地震解释和地质统计方法等。

测井解释是通过对油井的测井数据进行解释和分析，来确定油层的厚度、含油饱和度和渗透率等地质参数，从而预测剩余油的分布。

地震解释则是利用地震数据进行观测和解释，以揭示油层的结构和性质。

地质统计方法是利用统计学原理和方法，通过对地质数据进行统计分析，来研究剩余油分布的统计规律和概率特征。

常用的地质统计方法包括变异函数法、克里格法和高斯模拟法等。

二、地球物理方法地球物理方法是一种基于物理学原理和技术手段来预测和评估剩余油分布的方法。

常用的地球物理方法包括地震反演法、电法勘探法和重力法等。

地震反演法是通过分析和处理地震数据，来揭示油层和岩层的物理性质和油气藏的地质构造，从而预测剩余油的分布。

电法勘探法则利用电阻率差异来揭示油田的地下构造和油气藏的分布。

重力法是利用地球重力场的变化和异常来揭示油田的地下构造和油气藏的分布。

三、数值模拟方法数值模拟方法是一种通过建立油田的物理数学模型，利用计算机进行模拟计算，来预测剩余油分布的方法。

常用的数值模拟方法包括有限差分法、有限元法和计算流体力学方法等。

有限差分法是一种通过在有限距离上进行微分，将微分方程转化为代数方程组的方法，利用计算机进行数值求解。

有限元法则是一种通过将问题区域划分为有限数量的几何元素，利用一组简单的近似函数来描述系统的物理过程。

应用测井资料研究聚合物驱后剩余油分布王梅;杨二龙;龙涛;宋考平【期刊名称】《石油钻采工艺》【年(卷),期】2007(029)001【摘要】大庆油田在聚合物驱后区块仍然有40%以上的剩余储量,准确预测聚驱后剩余油分布是挖潜这部分储量的关键.根据大量代表水驱后期和聚驱后期开发状况的测井资料,计算对比了单井垂向采出程度;通过绘制不同微相剩余油饱和度概率分布曲线和将井点所属饱和度区间标注在沉积微相图上,研究了聚合物驱后平面剩余油分布.结果表明:聚驱后,垂向上驱替趋于均匀,但油层上部剩余油比例较高,在垂向上,厚度小、渗透率低的油层部位,聚驱后剩余油基本没有变化,厚度大的油层部位,聚驱后剩余油剖面趋于均匀,但上部剩余油仍较多;在平面上,河道砂微相聚驱效果明显好于非河道砂微相,剩余油主要分布在相带尖灭、两相分界处以及渗透率变差部位和注采关系不完善的区域.该研究为进一步挖潜这部分剩余油提供了依据.【总页数】3页(P72-74)【作者】王梅;杨二龙;龙涛;宋考平【作者单位】大庆石油学院,黑龙江大庆,163318;大庆石油学院,黑龙江大庆,163318;大庆油田有限责任公司第一采油厂,黑龙江大庆,163001;大庆石油学院,黑龙江大庆,163318【正文语种】中文【中图分类】TE327【相关文献】1.利用测井资料研究MTZ油田庄2断块剩余油分布规律 [J], 郭康良;韩颜峰;谢孟义2.基于实钻测井资料研究剩余油分布的新方法 [J], 曹鹏;蒲万芬;邹伟宏;戴传瑞;常少英3.应用改进的POLYMER软件研究聚合物驱后剩余油分布 [J], 杨二龙;宋考平;张勇;刘越强4.应用精细数值模拟方法研究聚合物驱后剩余油分布 [J], 马春华;郑浩;王文军5.应用生产测井资料预测油藏剩余油分布方法研究 [J], 刘士安因版权原因，仅展示原文概要，查看原文内容请购买。

(19)中华人民共和国国家知识产权局(12)发明专利申请(10)申请公布号 (43)申请公布日 (21)申请号 201910179922.6(22)申请日 2019.03.11(71)申请人 中国石油大学（华东）地址 266580 山东省青岛市黄岛区长江西路66号(72)发明人 谷建伟　王依科　周梅　刘巍　田同辉　郑家朋　(74)专利代理机构 西安知诚思迈知识产权代理事务所(普通合伙) 61237代理人 麦春明(51)Int.Cl.G06Q 10/04(2012.01)G06Q 50/02(2012.01)G06N 3/04(2006.01)G06N 3/08(2006.01)E21B 43/20(2006.01)(54)发明名称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(57)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。

权利要求书3页 说明书8页 附图5页CN 109948841 A 2019.06.28C N 109948841A1.一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。

数值模拟方法在剩余油分布研究中的应用油藏中的原油，经过多次不同方式的开采之后，仍然保存在油藏之中的原油即为剩余油。

剩余油开采难度较大，但作为中后期油田提高产能的可靠途径，是不少油田企业必须面临的问题之一。

本文简要讨论了剩余油研究的现状，希望可供研究人员参考。

标签：剩余油;分布;影响因素;数值模拟以往在油田开发、动态分析、方案编制等工作中，主要应用原始的测试等资料，采用油藏工程常规方法分析潜力、拟定措施，这种定性研究难以满足油田特高含水期精细分析、精细挖潜的要求。

而油藏数值模拟技术就是一种更快速、更直观、信息处理更加迅速进行油藏精细描述、油藏定性评价的一种手段，对剩余油分布等研究达到量化描述水平，为油田特高含水期的精细挖潜提供有利条件。

剩余油研究，作为中后期提高油田产能的可靠途径，备受研究者关注。

简要分析了影响剩余油分布的两个因素：地质因素与开发因素，同时对剩余油分布研究中的方法，结合实例进行了简单探讨。

最后对数值模拟研究结果的不确定性进行了讨论，以提升数值模拟方法的精度。

1.剩余油分布的影响因素1.1地质因素沉积微相的展布是控制油水平面运动的主要因素。

研究发现，剩余油分布因素主要为以下几点：1）空间中的砂体几何展布形态。

砂体顶--底界面的起伏形态、油层的构造控制着剩余油的形成分布，除此之外，还影响着油井的生产。

2）存在着不同的微相物性。

不同的微相物性之间存在差异，此种差异会影响油井的生产能力。

3）砂体内部结构。

砂体内部结构呈现出向上的韵律性。

研究发现，在正韵律的油层顶部易形成剩余油富集，在反韵律油层的底部易形成剩余油富集，在复合韵律层垂直向上会出现渗透段，易形成剩余油富集。

1.2开发因素1）井网分布不均匀。

对于整个开采区没有分层系开采，而是采用一个井网，这种情况会引起层位井网的不均匀，容易形成剩余油。

当井网分布不均匀时，一些油藏区域中分布有井网，一些油藏区域无分布井网，则这些无井网油藏区域会存在较多的剩余油。

应用改进的POLYMER软件研究聚合物驱后剩余油分布杨二龙;宋考平;张勇;刘越强【期刊名称】《石油钻采工艺》【年(卷),期】2006(028)005【摘要】在建立大庆油田北一二排西块精细地质模型基础上,应用改进的Polymer 软件对区块水驱-聚合物驱全过程进行了历史拟合,预测出了聚合物驱后剩余油饱和度分布,并绘制了不同沉积单元水驱后和聚合物驱后剩余油饱和度等值图.根据相渗曲线回归得到的残余油饱和度和渗透率的关系,计算了各网格块的残余油饱和度,以此为基础,统计出了不同沉积单元、不同沉积微相、不同厚度级别和渗透率级别的剩余储量和剩余可采储量等指标.结果表明,具有一定厚度的中低渗透油层剩余可采储量相对较高,应作为下步重点挖潜对象.【总页数】4页(P38-41)【作者】杨二龙;宋考平;张勇;刘越强【作者单位】大庆石油学院教育部提高油气采收率重点实验室,黑龙江,大庆,163318;大庆石油学院教育部提高油气采收率重点实验室,黑龙江,大庆,163318;华北油田公司,河北,任丘,062552;华北油田公司,河北,任丘,062552【正文语种】中文【中图分类】TE337【相关文献】1.聚合物驱后剩余油分布成因模式研究 [J], 杜庆军;侯健;徐耀东;束青林;张本华2.取心研究双河油田聚合物驱后剩余油分布 [J], 李洪生;钟玉龙;李宏丽;关涛;张云峰3.应用测井资料研究聚合物驱后剩余油分布 [J], 王梅;杨二龙;龙涛;宋考平4.应用精细数值模拟方法研究聚合物驱后剩余油分布 [J], 马春华;郑浩;王文军5.老油田聚合物驱后剩余油分布规律及提高采收率对策研究——以北大港油田开发区明Ⅲ2油组为例 [J], 何婉茹;马立涛;阳亮;李永强;兰英;韩甲胜因版权原因，仅展示原文概要，查看原文内容请购买。

稠油油藏剩余油分布及挖潜措施数值模拟研究【摘要】目前，我国油田平均含水己达80%以上，但仅采出可采储量的2/3左右，因此高含水期开发将是我国重要的油田开发阶段。

首先对剩余油分布的影响因素和分布规律进行调研，其次以某稠油区块高含水期天然水驱油藏为主要研究对象，建立了机理模型。

该油田为正韵律，设计井网为反九点法井网，其中提液方式取两个水平，其余因素各取三个水平。

通过油藏数值模拟技术研究了高含水期剩余油分布规律，最后，结合油藏剩余油分布特征，提出了油田特高含水期挖潜措施。

【关键词】稠油油藏剩余油分布数值模拟正韵律1 平面剩余油分布规律研究1.1 机理模型的建立针对海上稠油砂岩油藏特性及开发特点，建立机理模型。

原油粘度为50mPa.s，小层厚度为2m，井距为300m，采液速度为3%，开采时间为25年。

对于平面剩余油分布主要考虑平面非均质性对剩余油分布的影响，平面渗透率平均值取为3000mD，设计级差取三个水平，分别为4、9、19，平面渗透率分布见表1。

对于平面渗透率的分布状态主要考虑两种形式，一种为斜向分布，另外一种为垂向分布。

1.2 平面剩余油分布规律（1）渗透率斜向分布：级差由低到高原油采出程度分别为24.68%、23.15%、22.56%和最终含水率分别为87.78%、88.58%、89.06%，随非均质性级差的增大，水区开发效果变差，剩余油越富集。

模型左上部渗透率低，剩余油饱和度高，右下部渗透率高，剩余油饱和度低，所以储层的左上部为剩余油富集区。

随着级差的增大，剩余油富集区逐渐向渗透率低的左上方偏移。

图1？各级差下的剩余油平面饱和度场图（2）渗透率垂向分布：剩余油平面饱和度分布如图1所示，随非均质性级差的增大，水区开发效果变差，剩余油越富集。

模型左侧渗透率低，右侧渗透率高，随着级差的增大，剩余油富集区逐渐向渗透率低的左侧偏移。

2 纵向剩余油分布规律研究2.1 机理模型的建立针对海上稠油砂岩油藏特性及开发特点，设计研究因素包括以下五个：油层厚度、纵向渗透率非均质性、原油粘度、采液速度、提液方式。

第３８卷第１０期 计算机应用与软件Ｖｏｌ ３８Ｎｏ．１０２０２１年１０月 ＣｏｍｐｕｔｅｒＡｐｐｌｉｃａｔｉｏｎｓａｎｄＳｏｆｔｗａｒｅＯｃｔ．２０２１基于分解集成的ＬＳＴＭ神经网络模型的油价预测高海翔　胡　瑜　余乐安（北京化工大学经济管理学院　北京１０００２９）收稿日期：２０１９－１２－０８。

国家杰出青年科学基金项目（７１０２５００５）。

高海翔，硕士生，主研领域：大数据分析，能源经济与管理。

胡瑜，硕士生。

余乐安，教授。

摘　要 为了提高油价的预测效果，提出一种基于ＥＥＭＤ分解、小波阈值去噪、ｆｉｎｅ ｔｏ ｃｏａｒｓｅ法重构和ＬＳＴＭ神经网络的组合预测方法。

ＥＥＭＤ对油价原始时间序列分解，利用小波阈值去噪法获取第一高频模态分量的有效信息；分解出的模态分量运用ｆｉｎｅ ｔｏ ｃｏａｒｓｅ法重构，得到从高到低的重构分量；使用ＬＳＴＭ神经网络预测重构分量；对重构序列简单加和得到最终结果。

实证结果表明，与其他基准模型比较，在水平预测和趋势预测上该方法能有效地预测原油价格。

关键词 长短期记忆神经网络　集合经验模态分解　小波阈值去噪　ｆｉｎｅ ｔｏ ｃｏａｒｓｅ法　油价预测中图分类号　ＴＰ３ 文献标志码　Ａ ＤＯＩ：１０．３９６９／ｊ．ｉｓｓｎ．１０００ ３８６ｘ．２０２１．１０．０１３ＦＯＲＥＣＡＳＴＩＮＧＷＴＩＣＲＵＤＥＯＩＬＰＲＩＣＥＷＩＴＨＡＮＥＥＭＤ ＢＡＳＥＤＬＳＴＭＮＥＵＲＡＬＮＥＴＷＯＲＫＥＮＳＥＭＢＬＥＬＥＡＲＮＩＮＧＰＡＲＡＤＩＧＭＧａｏＨａｉｘｉａｎｇ　ＨｕＹｕ　ＹｕＬｅａｎ（ＳｃｈｏｏｌｏｆＥｃｏｎｏｍｉｃｓａｎｄＭａｎａｇｅｍｅｎｔ，ＢｅｉｊｉｎｇＵｎｉｖｅｒｓｉｔｙｏｆＣｈｅｍｉｃａｌＴｅｃｈｎｏｌｏｇｙ，Ｂｅｉｊｉｎｇ１０００２９，Ｃｈｉｎａ）Ａｂｓｔｒａｃｔ Ｉｎｏｒｄｅｒｔｏｉｍｐｒｏｖｅｔｈｅｐｅｒｆｏｒｍａｎｃｅｏｆｔｈｅｏｉｌｐｒｉｃｅ，ａｎｏｖｅｌｌｅａｒｎｉｎｇｐａｒａｄｉｇｍｉｓｐｕｔｆｏｒｗａｒｄｂａｓｅｄｏｎｔｈｅｃｏｍｂｉｎｉｎｇｆｏｒｅｃａｓｔｉｎｇｍｅｔｈｏｄｓｏｆＥＥＭＤ，ｆｉｎｅ ｔｏ ｃｏａｒｓｅｍｅｔｈｏｄ，ｔｈｅｗａｖｅｌｅｔｔｈｒｅｓｈｏｌｄｄｅｎｏｉｓｉｎｇａｎｄＬＳＴＭｎｅｕｒａｌｎｅｔｗｏｒｋ．ＥＥＭＤｄｅｃｏｍｐｏｓｅｄｔｈｅｏｒｉｇｉｎａｌｔｉｍｅｓｅｒｉｅｓｏｆｏｉｌｐｒｉｃｅｔｏａｎｕｍｂｅｒｏｆｉｎｔｒｉｎｓｉｃｍｏｄｅｆｕｎｃｔｉｏｎｓ（ＩＭＦｓ）ａｎｄｅｘｔｒａｃｔｅｄｔｈｅｅｆｆｅｃｔｉｖｅｉｎｆｏｒｍａｔｉｏｎｏｆｔｈｅｆｉｒｓｔｈｉｇｈ ｆｒｅｑｕｅｎｃｙｃｏｍｐｏｎｅｎｔｂｙｕｓｉｎｇｔｈｅｗａｖｅｌｅｔｔｈｒｅｓｈｏｌｄｉｎｔｈｅｐｒｏｐｏｓｅｄｍｅｔｈｏｄ．Ｕｓｉｎｇｔｈｅｆｉｎｅ ｔｏ ｃｏａｒｓｅｍｅｔｈｏｄｔｏｒｅｆａｃｔｏｒａｌｌＩＭＦｓ，ｔｈｅｎＬＳＴＭｎｅｕｒａｌｎｅｔｗｏｒｋｗａｓｕｓｅｄｔｏｐｒｅｄｉｃｔａｌｌｒｅｃｏｎｓｔｒｕｃｔｅｄｃｏｍｐｏｎｅｎｔｓ．ＴｈｅｐｒｅｄｉｃｔｅｄｒｅｓｕｌｔｓｂｙＬＳＴＭｗｅｒｅｉｎｔｅｇｒａｔｅｄｉｎｔｏａｎｅｎｓｅｍｂｌｅｖａｌｕｅａｓｆｉｎａｌｐｒｅｄｉｃｔｉｏｎ．Ｅｍｐｉｒｉｃａｌｒｅｓｕｌｔｓｓｈｏｗｔｈａｔｔｈｅｐｒｏｐｏｓｅｄｍｏｄｅｌｓｉｇｎｉｆｉｃａｎｔｌｙｉｍｐｒｏｖｅｓｔｈｅｅｆｆｅｃｔｏｎｏｉｌｐｒｉｃｅｐｒｅｄｉｃｔｉｏｎｃｏｍｐａｒｅｄｗｉｔｈｏｔｈｅｒｂｅｎｃｈｍａｒｋｍｏｄｅｌｓｉｎｌｅｖｅｌｐｒｅｄｉｃｔｉｏｎａｎｄｄｉｒｅｃｔｉｏｎａｌｐｒｅｄｉｃｔｉｏｎ．Ｋｅｙｗｏｒｄｓ ＬＳＴＭｎｅｕｒａｌｎｅｔｗｏｒｋ　Ｅｎｓｅｍｂｌｅｅｍｐｉｒｉｃａｌｍｏｄｅｄｅｃｏｍｐｏｓｉｔｉｏｎ（ＥＥＭＤ）　ＷａｖｅｌｅｔｔｈｒｅｓｈｏｌｄｄｅｎｏｉｓｉｎｇＦｉｎｅ ｔｏ ｃｏａｒｓｅｍｅｔｈｏｄ　Ｏｉｌｐｒｉｃｅｆｏｒｅｃａｓｔｉｎｇ０　引　言全球经济的发展和社会的稳定与国际原油市场价格波动相关联，原油作为全球经济市场上一种特殊的货物，其价格基本上由供需关系决定［１］，但是也容易受到一些不规则的事件影响，例如天气、库存水平、ＧＤＰ增长、政治因素，甚至是心理预期。