一种最小混相压力预测方法、系统及电子设备

本发明涉及石油与天然气工程，更具体的说是涉及一种最小混相压力预测方法、系统及电子设备。

背景技术：

1、co2捕集、利用与封存（ccus）得到广泛关注，在油田开发领域，co2驱油提高采收率（co2-eor）能够在提高石油采收率和减少co2排放之间找到平衡点。在co2驱油过程中，伴随着原油体积膨胀，原油黏度降低，界面张力降低，油水流度比改变。因此，co2驱油提高采收率广受关注，也是ccus在油气田开发工程中的重要应用。

2、通常来说，co2驱油机理有三种方式：混相驱、非混相驱和近混相驱。理论和实践研究表明，混相驱相较于非混相驱，采油效率可以取得较为显著提升。为了达到混相驱，压力必须达到一个阈值，即最小混相压力（mmp）。最小混相压力是油气开采中一个重要参数，尤其在气驱采油技术中。它表示在特定油藏温度下，注入气体与原油能够实现混相的最低压力。达到此压力后，气体和原油之间的界面张力会降为零，从而实现混相驱动，提高采收率。准确预测最小混相压力对于油田降低成本、提高原油采收率和筛选co2注入储层具有重要意义。

3、现有确定最小混相压力的方法主要是理论计算法和实验测定法。①理论计算法包括：经验公式预测及图版法、多次接触混相原理计算法、数值模拟法、状态方程计算法。②实验测定法包括：细管驱油法、升泡法、蒸汽密度测定法、界面张力消失法。经验公式法便于计算，但普适性差，结果误差大；状态方程法计算快速，但对于混相函数的确定尚未有明确标准；数值模拟法虽然省力，但存在数值弥散影响，结果准确性低。实验测定法虽然得到的结果准确可靠，但是高耗时、成本高且存在主观因素影响，因此，亟需建立一种快速准确、普遍适用的最小混相压力预测方法。

4、传统的最小混相压力预测模型容易忽略流体全组分影响、缺少输入特征筛选工作及评价方式单一，传统机器学习算法预测精度低，存在欠拟合或过拟合的问题。潘毅等运用灰色关联法计算各因素对原油co2驱最小混相压力影响的关联度，并用matlab进行拟合建立新模型，但该模型未充分考虑特征因素的重复作用，从而影响准确性。z.hamdi等以影响最小混相压力的4种因素构建自适应模糊推理系统进行预测，但该模型适用性单一，在处理含杂质co2的情况时需要重新训练，且模型评估方式单一，限制了在更广泛背景下的性能评估。孙雷等运用遗传算法（ga）优化支持向量回归（svr）建立ga-svr预测模型预测最小混相压力，但该模型并未深入讨论各特征因素之间可能存在的多重共线性或重复作用对模型准确性的潜在影响。骆正山等采用改进蜉蝣算法（ima）优化多层感知机（mlp）建立预测模型，该模型虽显著提升了预测精度，但其结构复杂度高，依赖大量超参数调优，且未对注意力权重的物理意义进行解释，在工程应用中的可解释性面临挑战。沈斌等采用粒子群算法（pso）优化梯度提升决策树（gbdt）建立预测模型，但该模型其性能高度依赖特征筛选结果，且存在过拟合风险。伊瑞等运用随机森林回归算法构建co2最小混相压力预测模型，并采用shap和lime技术进行特征重要性分析与局部解释，但该模型未充分验证在特殊油藏条件下的泛化能力，限制了其在复杂实际场景中应用。li kun等运用多种机器学习算法构建了co2油最小混相压力预测模型，但该研究样本量有限，影响模型在更复杂油藏条件下的泛化能力。张超运用灰色关联法、相关系数分析等多种方法系统筛选了影响原油co2驱最小混相压力的主控因素，并建立了八种机器学习预测模型，研究指出，现有模型常因输入特征筛选不充分、验证手段单一而出现过度拟合或物理意义不一致的问题，限制了其在实际应用中的准确性与可靠性。c. wu等建立了基于多种优化机器学习算法的最小混相压力预测模型，在特定数据范围内表现良好，但模型未引入实验方法作为输入特征，导致其在实际应用时鲁棒性有所局限。梁世杰等通过拟牛顿算法构建了最小混相压力预测模型，但该模型未考虑杂质气体对混相行为的影响，因而在复杂气体组成或非典型原油体系中适用性受限。

技术实现思路

1、本发明的目的是提供一种最小混相压力预测方法、系统及电子设备，通过融合多维度关联度分析、鲸鱼优化算法与深度置信网络，实现对co2-原油最小混相压力的高精度预测。

2、为实现上述目的，本发明提供如下技术方案：

3、一种最小混相压力预测方法，包括以下步骤：

4、s1、采集目标油藏的流体全组分数据，构建流体全组分数据集；其中流体全组分数据包括：油藏温度、原油全组分摩尔分数、注入气全组分摩尔分数和原油中c7+摩尔质量；

5、s2、利用多维度关联度分析方法对所述流体全组分数据集进行特征筛选，得到多组特征因素；

6、s3、基于多组特征因素，采用鲸鱼优化算法对深度置信网络进行优化训练，得到co2—原油最小混相压力预测模型；

7、s4、利用co2—原油最小混相压力预测模型对待预测的目标油藏进行预测，得到最小混相压力预测结果。

8、进一步地，所述s1,原油全组分的摩尔分数包括：、、、、、、、和；

9、注入气全组分的摩尔分数包括：

、

、s

、

、

、

、

、

、和

。

10、进一步地，所述s2,多维度关联度分析方法包括：灰色关联分析、皮尔逊相关系数、肯德尔相关系数、斯皮尔相关系数和偏相关分析。

11、进一步地，所述s2，多组特征因素包括：10组特征因素，具体为：油藏地层温度、原油组分特征、注入气组分特征和原油中c7+摩尔质量；

12、其中原油全组分的摩尔分数包括：；

13、注入气组分特征包括：g-co2、g-c1-n2、g-h2s-c2-c3-c4、g-c5-c6-c7+；

14、进一步地，所述s2，还包括：对所述多组特征因素进行偏相关分析，验证特征因素间无重复作用。

15、进一步地，所述s3，co2—原油最小混相压力预测模型的构建过程具体为：

16、通过鲸鱼优化算法优化深度置信网络的超参数；

17、采用无监督逐层贪婪训练初始化深度置信网络的网络参数，再通过有监督反向微调优化深度置信网络的全局参数。

18、进一步地，所述s4，单因素控制变量分析包括：

19、固定其他特征因素为均值，逐一改变目标特征因素，分析最小混相压力的变化规律。

20、进一步地，所述s4，co2—原油最小混相压力预测模型的验证过程包括：

21、采用细管实验法对预测结果进行辅助验证，计算预测值与实验值的相对误差。

22、本发明还提供了一种用于实现最小混相压力预测方法的系统，包括：

23、数据采集模块，用于采集目标油藏的流体全组分数据，构建流体全组分数据集；其中流体全组分数据包括：油藏温度、原油全组分摩尔分数、注入气全组分摩尔分数和原油中

c7+摩尔质量；

24、特征提取模块，用于利用多维度关联度分析方法对所述流体全组分数据集进行特征筛选，得到多组特征因素；

25、模型构建模块，用于基于所述多组特征因素，采用鲸鱼优化算法对深度置信网络进行优化训练，得到co2—原油最小混相压力预测模型；

26、模型预测模块，用于利用co2—原油最小混相压力预测模型对待预测的目标油藏进行预测，得到最小混相压力预测结果。

27、本发明还提供了一种电子设备，包括：

28、存储器，存储有计算机程序；

29、处理器，执行所述计算机程序时以实现最小混相压力预测方法。

30、根据本发明提供的具体实施例，本发明相对于现有技术具有以下技术效果：

31、本发明通过采集目标油藏包含温度、原油及注入气全组分摩尔分数和

c7+摩尔质量等在内的流体全组分数据构建数据集，并创新性地采用多维度关联度分析方法进行特征筛选，有效识别并提取出影响co2—原油最小混相压力的关键特征因素，避免了冗余信息干扰，提升了模型输入的针对性和有效性；利用筛选出的特征因素，结合鲸鱼优化算法对深度置信网络进行优化训练，不仅克服了传统深度置信网络易陷入局部最优、收敛速度慢等缺陷，显著提升了模型的收敛速度和全局寻优能力，而且构建的预测模型能够更精准地捕捉流体复杂组分与最小混相压力之间的非线性映射关系；该优化后的预测模型能够对待测目标油藏的最小混相压力进行快速、准确的预测，从而为co2驱油方案的优化设计、注入参数的合理确定以及提高原油采收率提供了可靠的数据支持和技术保障，具有重要的工程应用价值和经济效益。