用于碳酸盐岩缝洞型储层的试井产能预测方法及系统与流程

1.本发明涉及试井解释技术领域，具体地说，是涉及一种用于碳酸盐岩缝洞型储层的试井产能预测方法及系统。


背景技术：

2.碳酸盐岩缝洞型油藏储层存在基质、裂缝和溶洞，具有非均质性极强的特征，具体表现为：基质为低储低渗，基本不具备储渗能力；溶洞和裂缝是碳酸盐岩储层最有效的储集体类型，尤其是溶洞，其半径可大至几十米甚至上百米，显然，流体在这种类型的储集体中的流体规律与普通的达西渗流是不同的。
3.顺北、跃进以及托甫台等油气田不仅呈现上述特点，而且在试井解释上，油气井周围可能存在多个溶洞和裂缝系统。其中，溶洞有近井筒溶洞和远井筒溶洞，甚至是在垂向存在多个溶洞系统，更加加剧了储层流体流动特征描述和产能评价的难度。
4.在现有技术中，针对碳酸盐岩缝洞型油藏的产能预测方法具有如下几种常用方法。第一，根据等效连续介质理论，通过对基质、溶洞和裂缝这三种区域进行不同的排列组合，建立了六种缝洞型油藏单井产能方程，并且根据油井实际的生产数据，计算得到这六种缝洞型油藏的单井产量，而后对其进行对比分析；进而从溶洞半径、溶洞渗透率、裂缝宽度和裂缝渗透率这四个因素讨论了每种因素对单井产能的影响。第二，以实际生产数据为基础，结合相关性分析原理，利用因子分析法，针对油田区域单元建立了综合考虑采油井数、注水井数、采油速度等影响因素的产量预测模型。上述这些方法大多侧重分析缝洞型油藏产能的影响因素或者通过某些数据进行产能初步评价的经验方法，仅能在特定的环境或者模型下应用，预测速度和适用性较为不足。


技术实现要素：

5.为了解决上述技术问题，本发明提供了一种用于碳酸盐岩缝洞型储层的试井产能预测方法，所述方法包括：根据碳酸盐岩缝洞型储层的试井解释资料和所在油田区域的地质构造，筛选出与产能相关的多个特征参数，所述特征参数包括第一类溶洞体积、裂缝体积、总体积、管柱下入深度、油嘴尺寸、油压、原油压缩系数和单位压降产量；对各类所述特征参数的历史样本数据进行预处理，基于此，训练用于预测所述碳酸盐岩缝洞型储层的产量数据值的支持向量机模型，并利用灰狼算法对所述支持向量机模型内的惩罚参数和松弛变量进行优化处理，得到改进后的所述支持向量机模型；基于待预测井关于所述多个特征参数的实时样本数据组，利用改进后的所述支持向量机模型进行试井解释产能预测。
6.优选地，在根据碳酸盐岩缝洞型储层的试井解释资料和所在油田区域的地质构造，筛选出与产能相关的多个特征参数步骤中，包括：分析影响单井产能的试井解释参数和生产特征参数，得到多个原始影响因子；利用皮尔逊相关性关系，评估每个原始影响因子与历史试井产能之间的相关系数，基于此，从所述多个原始影响因子中筛选出所述多个特征参数。
7.优选地，在对各类所述特征参数的历史样本数据进行预处理步骤中，进一步包括：分别对各类所述特征参数对应的历史样本数据进行归一化处理，以利用经归一化处理后的各类历史样本数据训练所述支持向量机模型，其中，按照如下表达式对所述历史样本数据内的每个样本点进行归一化处理：
[0008][0009]
式中，表示经归一化处理后的样本点的数据，x
i
表示所述历史样本数据内样本点的数据，x
max
表示所述历史样本数据内最大样本点的数据，x
min
表示所述历史样本数据内最小样本点的数据。
[0010]
优选地，在利用灰狼算法对所述支持向量机模型内的惩罚参数和松弛变量进行优化处理，得到改进后的所述支持向量机模型步骤中，包括：确定所述惩罚参数和所述松弛变量的变化范围，并分别针对每个待求解量进行初始化种群的设置；计算每个种群个体的适应度函数；根据初始化种群设置结果，利用相应的适应度函数，计算每个种群个体的适应度，基于此，利用灰狼算法，依次进行选择、交叉、变异操作以对每个种群个体进行优化，并判断优化结果是否满足最小产能误差的停止条件，若满足所述停止条件，则输出最优的所述惩罚参数和所述松弛变量，并将其代入所述支持向量机模型中，完成改进模型的构建。
[0011]
优选地，所述方法还包括：对产能预测结果进行有效性验证。
[0012]
另外，本发明还提出了一种用于碳酸盐岩缝洞型储层的试井产能预测系统，所述系统包括：参数筛选模块，其根据碳酸盐岩缝洞型储层的试井解释资料和所在油田区域的地质构造，筛选出与产能相关的多个特征参数，所述特征参数包括第一类溶洞体积、裂缝体积、总体积、管柱下入深度、油嘴尺寸、油压、原油压缩系数和单位压降产量；改进模型构建模块，其对各类所述特征参数的历史样本数据进行预处理，基于此，训练用于预测所述碳酸盐岩缝洞型储层的产量数据值的支持向量机模型，并利用灰狼算法对所述支持向量机模型内的惩罚参数和松弛变量进行优化处理，得到改进后的所述支持向量机模型；实时预测模块，其基于待预测井关于所述多个特征参数的实时样本数据组，利用改进后的所述支持向量机模型进行试井解释产能预测。
[0013]
优选地，所述参数筛选模块，包括：原始影响因子生成单元，其分析影响单井产能的试井解释参数和生产特征参数，得到多个原始影响因子；特征参数生成单元，其利用皮尔逊相关性关系，评估每个原始影响因子与历史试井产能之间的相关系数，基于此，从所述多个原始影响因子中筛选出所述多个特征参数。
[0014]
优选地，所述改进模型构建模块，包括：预处理单元，其分别对各类所述特征参数对应的历史样本数据进行归一化处理，以利用经归一化处理后的各类历史样本数据训练所述支持向量机模型，其中，按照如下表达式对所述历史样本数据内的每个样本点进行归一化处理：
[0015][0016]
式中，表示经归一化处理后的样本点的数据，x
i
表示所述历史样本数据内样本点的数据，x
max
表示所述历史样本数据内最大样本点的数据，x
min
表示所述历史样本数据内
最小样本点的数据。
[0017]
优选地，所述改进模型构建模块，包括：待求解量初始化单元，其确定所述惩罚参数和所述松弛变量的变化范围，并分别针对每个待求解量进行初始化种群的设置；适应度函数生成单元，其计算每个种群个体的适应度函数；模型改进单元，其根据初始化种群设置结果，利用相应的适应度函数，计算每个种群个体的适应度，基于此，利用灰狼算法，依次进行选择、交叉、变异操作以对每个种群个体进行优化，并判断优化结果是否满足最小产能误差的停止条件，若满足所述停止条件，则输出最优的所述惩罚参数和所述松弛变量，并将其代入所述支持向量机模型中，完成改进模型的构建。
[0018]
与现有技术相比，上述方案中的一个或多个实施例可以具有如下优点或有益效果：
[0019]
本发明提出了一种用于碳酸盐岩缝洞型储层的试井产能预测方法及系统。该方法及系统筛选出与碳酸盐岩缝洞型储层产能预测相关性较强的各类因素，即近井筒溶洞体积、裂缝体积、总体积、管柱下深、油嘴、油压、原油压缩系数、以及单位压降产量；根据这8类因素的历史样本数据建立突破于传统的利用表达式化的预测模型来进行产能预测的方法，构建了数值化的灰狼支持向量机预测模型，来由待预测井实时的特征因素数据迅速得到准确的动态产能预测结果。本发明能够在顺北等井区的多溶洞油气井的施工中，对于待预测井进行实时的产量参数预测，预测结果准确、精度高、能够应付顺北等井区的井下复杂情况，有效解决试井过程中由于地质信息复杂或邻井缺乏资料而导致无法建立样本信息的预测模型的问题。
[0020]
本发明的其他优点、目标，和特征在某种程度上将在随后的说明书中进行阐述，并且在某种程度上，基于对下文的考察研究对本领域技术人员而言将是显而易见的，或者可以从本发明的实践中得到教导。本发明的目标和其他优点可以通过下面的说明书，权利要求书，以及附图中所特别指出的结构来实现和获得。
附图说明
[0021]
附图用来提供对本发明的进一步理解，并且构成说明书的一部分，与本发明的实施例共同用于解释本发明，并不构成对本发明的限制。在附图中：
[0022]
图1为本技术实施例的用于碳酸盐岩缝洞型储层的试井产能预测方法的步骤图。
[0023]
图2为本技术实施例的用于碳酸盐岩缝洞型储层的试井产能预测方法中改进模型构建过程的流程图。
[0024]
图3为本技术实施例的用于碳酸盐岩缝洞型储层的试井产能预测方法的试井动态评价误差结果的效果示意图。
[0025]
图4为本技术实施例的用于碳酸盐岩缝洞型储层的试井产能预测系统的模块框图。
具体实施方式
[0026]
以下将结合附图及实施例来详细说明本发明的实施方式，借此对本发明如何应用技术手段来解决技术问题，并达成技术效果的实现过程能充分理解并据以实施。需要说明的是，只要不构成冲突，本发明中的各个实施例以及各实施例中的各个特征可以相互结合，
所形成的技术方案均在本发明的保护范围之内。
[0027]
碳酸盐岩缝洞型油藏储层存在基质、裂缝和溶洞，具有非均质性极强的特征，具体表现为：基质为低储低渗，基本不具备储渗能力；溶洞和裂缝是碳酸盐岩储层最有效的储集体类型，尤其是溶洞，其半径可大至几十米甚至上百米，显然，流体在这种类型的储集体中的流体规律与普通的达西渗流是不同的。
[0028]
顺北、跃进以及托甫台等油气田不仅呈现上述特点，而且在试井解释上，油气井周围可能存在多个溶洞和裂缝系统。其中，溶洞有近井筒溶洞和远井筒溶洞，甚至是在垂向存在多个溶洞系统，更加加剧了储层流体流动特征描述和产能评价的难度。
[0029]
在现有技术中，针对碳酸盐岩缝洞型油藏的产能预测方法具有如下几种常用方法。第一，根据等效连续介质理论，通过对基质、溶洞和裂缝这三种区域进行不同的排列组合，建立了六种缝洞型油藏单井产能方程，并且根据油井实际的生产数据，计算得到这六种缝洞型油藏的单井产量，而后对其进行对比分析；进而从溶洞半径、溶洞渗透率、裂缝宽度和裂缝渗透率这四个因素讨论了每种因素对单井产能的影响。第二，以实际生产数据为基础，结合相关性分析原理，利用因子分析法，针对油田区域单元建立了综合考虑采油井数、注水井数、采油速度等影响因素的产量预测模型。上述这些方法大多侧重分析缝洞型油藏产能的影响因素或者通过某些数据进行产能初步评价的经验方法，仅能在特定的环境或者模型下应用，预测速度和适用性较为不足。
[0030]
为了解决上述技术问题，本发明提出了一种用于碳酸盐岩缝洞型储层的试井产能预测方法及系统。该方法及系统首先选取与碳酸岩样缝洞型储层油气藏产能预测相关性较大的多个特征参数，并获取这些特征参数的历史样本数据；基于这些历史样本数据对支持向量机模型进行训练，得到初始的支持向量机模型，而后利用灰狼算法对初始的支持向量机模型内的惩罚参数和松弛变量进行优化处理，利用优化结果对所述初始的支持向量机模型进行更新，得到灰狼支持向量机模型；最后，基于待预测井在多个特征参数方面下的实时样本数据组，利用灰狼支持向量机模型进行试井解释产能预测。这样，本发明预测准确、精度高，能够应付顺北区的井下复杂情况，有效解决试井过程中由于地质信息复杂或邻井缺乏资料而导致无法建立样本信息的预测模型。
[0031]
图1为本技术实施例的用于碳酸盐岩缝洞型储层的试井产能预测方法的步骤图。下面参考图1，对本发明所述的试井产能动态预测方法进行详细说明。首先，步骤s110根据关于待预测井所在碳酸盐岩缝洞型储层油田区域内所有历史井的试井解释资料和当前油田区域的地质构造资料，筛选出与产能相关的多个特征参数。在本发明实施例中，待预测井可以是当前碳酸盐岩缝洞型储层油田区域内已经过钻井和生产的历史井，针对这种井需要对未来时刻的产能进行预测；也可以是当前碳酸盐岩缝洞型储层油田区域内未进行钻井施工的未开发井，针对这种井需要对未来时刻的产能潜力进行预测。对于具有碳酸盐岩缝洞型储层的油田区域来说，这类储层存在基质、裂缝和缝洞不同组合的储集体，在进行产能预测时，所需要考虑的原始因素较多，但这些众多的原始因素中，对产能预测结果有较大影响的特征因素仅有其中一部分因素。因此，在步骤s110中需要筛选出与碳酸盐岩缝洞型储层产能预测结果最相关(对产能预测结果影响较大的因素)的多个特征因素。
[0032]
具体的，(步骤s1101)获取碳酸盐岩缝洞型储层试井解释资料和当前储层所在油田区域的地质构造资料，而后，根据这些资料，分析影响当前碳酸盐岩缝洞型储层的单井产
能的试井解释参数和生产特征参数，得到多个原始影响因子。
[0033]
在完成原始影响因子的选取后，进入到步骤s1102中，从多个原始影响因子中筛选出多个特征参数。步骤s1102利用皮尔逊相关性关系，评估每个原始影响因子的历史样本数据与历史试井产能之间的相关系数，基于此，从多个原始影响因子中筛选出多个特征参数。在本发明实施例中，在试井解释资料内包括有当前碳酸盐岩缝洞型储层所在油田区域内的多口历史井10年内的各类原始影响因子的历史数据、以及这些历史井的实际产能值(历史试井产能值)。由于地下地质情况复杂，在参数优选时，需要考虑当前储层的构造因素、储层性质、试油条件等信息，在综合分析地质因素的基础上，合理选择优选参数(与产能预测结果最相关的参数)和参数优选方法。在本发明实施例中，利用皮尔逊相关系性，分析各个原始因素与历史产能值之间的关系，相关系数从负相关到正相关之间变化，当系数为0时，表明两个因素无关系。其中，利用如下表达式对每个原始影响因子对应的相关系数进行计算：
[0034][0035]
式中，ρ表示每个原始影响因子(的历史样本数据)与历史试井产能值之间的相关系数，x表示原始影响因子的历史样本数据，y表示历史试井产能值。这样，针对每个原始影响因子都得到了一个相对应的相关系数，从中选取大于相关系数阈值的相关系数所对应的原始影响因子，作为进行后续预测模型构建过程的最相关参数。
[0036]
下面本发明以从顺北、跃进等碳酸盐岩缝洞型储层区块内的历史油气井的试井样本数据为基础，对筛选出与碳酸盐岩缝洞型储层的产能预测结果最相关的多个特征参数的过程举例说明。
[0037]
首先，在提取原始影响因子时，得到了9个与产能预测结果有关的原始影响因子，其中，原始影响因子包括：第一类溶洞的体积(近井筒溶洞)、第二类溶洞的体积(远井筒溶洞)、裂缝体积、总体积(总体积表示第一类溶洞的体积、第二类溶洞的体积、以及裂缝体积之和)、管柱下入深度、油嘴尺寸(油嘴是控制原油产量大小的一个装置，通常说的油嘴指的油嘴尺寸，一般用直径来表示，例如：2mm油嘴、3mm油嘴等)、油压(由于储层压力比较高，在克服了原油流动过程中的油柱压力、摩擦阻力以及油嘴节流的压力之后还会剩余一定的压力，这个压力称为油嘴油压)、原油压缩系数、单位压降产量。
[0038]
其中，第一类溶洞指的是与井筒之间的距离小于或等于预设的第一距离的溶洞(即距离井筒较近的溶洞体)；第二类溶洞指的是与井筒之间的距离大于第一距离的溶洞(即距离井筒较远的溶洞体)。需要说明的是，本发明对第一距离的大小不作具体限定，本领域技术人员可根据实际情况进行设定。
[0039]
然后，通过上述式(1)计算出每个原始影响因子所对应的相关系数。其中，上述9个原始影响因子与产能的相关系数，如下述表1所示：
[0040]
表1原始影响因子与产能的相关系数表
[0041][0042]
进一步，根据表1所得到的数据，利用上述相关系数阈值，从各个相关系数数据中选取出与产能预测结果最相关的原始影响因子，并将这些影响因子作为特征参数，从而将第一类溶洞体积(近井筒溶洞)、裂缝体积、总体积、管柱下深、油嘴、油压、原油压缩系数和单位压降产量作为上述针对碳酸盐岩缝洞型储层的多个特征参数。
[0043]
在完成特征参数的筛选处理后，进入到步骤s120中。步骤s120对各类特征参数的历史样本数据进行预处理。在步骤s120中首先需要获取每类特征参数的历史样本数据。优选地，在本发明实施例中，每类特征参数的历史样本数据为当前碳酸盐岩缝洞型储层所在油田区域内的多口历史井10年内的同类特征参数的历史数据，其中，同类特征参数的历史数据包括多个样本点数据。而后，分别对每类特征参数的历史样本数据内的每个样本点数据进行预处理，以利用经归一化处理后的各类历史样本数据训练下述支持向量机模型。优选地，在本发明实施例中，预处理为对每个样本点数据的归一化处理。
[0044]
进一步，利用如下表达式对每类特征参数的历史样本数据内的每个样本点数据进行归一化处理：
[0045][0046]
式中，表示经归一化处理后的样本点数据，x
i
表示相应特征参数对应的历史样本数据内的(归一化处理前)样本点数据，x
max
表示相应特征参数对应的历史样本数据内的(归一化处理前)最大样本点数据，x
min
表示相应特征参数对应的历史样本数据内的(归一化处理前)最小样本点数据。由此，每个样本点数据都转化为了无量纲单位数值，且数值在区间[-1,1]之间。
[0047]
在完成所有特征参数的历史样本数据的归一化处理后，进入到步骤s130中。步骤s130先根据经过归一化处理的各类特征参数的历史样本数据，训练用于预测当前碳酸盐岩缝洞型储层的产量数据值的(初始)支持向量机模型，而后，利用灰狼算法，对已训练好的支持向量机模型内的惩罚参数和松弛变量值进行优化处理，得到最优的惩罚参数和松弛变量值，并将上述最优结果代入到上述(初始)支持向量机模型中，从而得到改进后的支持向量机模型(即灰狼支持向量机模型)。这样，本发明在步骤s130中将用于预测产量的(初始)支持向量机模型，通过灰狼算法得到的最优惩罚参数值和松弛变量值，转换成由最优结果得到的数值模型，相较于传统利用预测模型来将根据实时试井参数得到产量预测结果的方法来说，不仅简化了原有预测模型，提高了后续实时产能预测的效率，还增加了预测结果的准确性。
[0048]
支持向量机模型预测方法，是对样本数据进行分类、回归分析和模式识别的具有较好效果的监督学习方法。支持向量机模型预测方法在于找到一个最优超平面，使得所有样本点数据距离最优超平面的距离最小，支持向量机模型的输入为上述8类特征参数的经归一化处理后的历史样本数据，输出为产量预测值，最优超平面的物理意义是将各特征参数与产量预测的本质联系表示出来。因此，在最优超平面所对应的二次规划问题中，惩罚参数和松弛变量值的选择尤为重要。惩罚参数的值代表了最优超平面两侧部分重要性的权衡，即误差允许范围；松弛变量表示不敏感带的宽度。这样，通过惩罚参数和松弛变量这两个方面来降低对最优超平面的要求。
[0049]
图2为本技术实施例的用于碳酸盐岩缝洞型储层的试井产能预测方法中改进模型构建过程的流程图。下面结合图1和图2，对改进模型(灰狼支持向量机模型)的构建过程进行说明。
[0050]
如图2所示，首先，将8类经归一化处理后的特征参数对应的历史样本数据作为训练数据进行输入，对支持向量机模型进行训练，得到训练好的初始的支持向量机模型。其中，此时得到的初始的支持向量机模型为一个表达式化的模型，输出表示最优超平面的表达式，以表征当前支持向量机模型。而后，以当前支持向量机模型的最优超平面的惩罚参数和松弛变量为待求解目标(待求解变量)，分别构建关于当前惩罚参数的第一目标函数、以及关于构建关于当前松弛变量的第二目标函数。
[0051]
接下来，需要利用灰狼算法，分别求解上述两个目标函数的最优解(改进支持向量机模型的学习过程)。也就是说，在本发明实施例中，改进支持向量机模型的学习过程，就是迭代的修改各特征参数权值的过程，需要计算每个种群个体的适应度函数和相应的适应度，然后，在进行选择、交叉、变异操作后，将优化结果(最优解)反馈回初始的支持向量机模型，得到灰狼支持向量机模型，完成数字模型的转换，从而使得改进后的支持向量机模型的实际输出值与期望输出值的误差最小。
[0052]
继续参考图2，在完成上述第一目标函数和第二目标函数后，(s1)分别确定待求解量的变化范围(确定惩罚参数的变化范围、以及松弛变量的变化范围)。而后，(s2)分别基于各待求解量的变化范围，分别对每个待求解量进行初始化种群的设置(例如：设置初始化种群的数量)。也就是说，对惩罚参数种群进行初始化设置、并对松弛变量种群进行初始化设置。然后，(s3)为相应种群内的每个种群个体建立相对应的适应度函数。接着，(s4)根据每个待求解量的初始化种群设置结果，利用每个种群个体的适应度函数，利用灰狼算法，依次进行选择、交叉、变异操作，以对每个种群个体进行优化，更新灰狼的速度和位置，从而得到当前类型种群的最优解(最优惩罚参数值和最优松弛变量值)。更具体地说，在s4中，根据分别确定好的各待求解量的初始化种群的数量，当每个种群的个体适应度函数的适应度值，随着初始化种群的数量变化而不变化时，得到最优初始化种群数量；再根据得到的最优初始化种群数量，改变狼群算法中的迭代次数，直到适应度函数的适应度值不发生变化；最终得到初始化种群数量和迭代次数，求解出最优惩罚参数值和最优松弛变量值。
[0053]
接着，根据当前类型种群的最优解，判断相应优化结果(当前最优惩罚参数值和当前最优松弛变量值)是否满足最小产能误差阈值的停止条件。如果当前最优惩罚参数值和当前最优松弛变量值满足最小产能误差，则直接输出这两个最优值，并将这两个最优值代入上述初始的支持向量机模型中，生成含有数值化的最优超平面信息的灰狼支持向量机模
型，完成改进模型的构建。在对上述灰狼支持向量机模型构建过程中(支持向量机模型改进过程中)，当利用一组历史样本数据(一组包含有各类特征参数的历史样本点数据、以及历史试井产能值)后，会计算出该组样本数据的实际预测值与历史试井产能值之间的产能误差，当多组历史样本数据输入到支持向量机模型改进过程中时，都会得到相应的产能误差，使得产能误差的数据量会增加，将相邻组历史样本数据得到的产能误差进行比较，得到最小的产能误差并生成针对满足上述停止条件的最小产能误差阈值(该阈值比真实的最小产能误差稍大)，这一停止条件的判断过程可通过算法程序实现。随着后期多组历史样本数据的不断增加，该方法会自适应的找寻到当前碳酸盐岩缝洞型储层地形的数据特征值(最优惩罚参数值和当前最优松弛变量值)，历史样本数据值的组数越多，灰狼支持向量机模型越精确。
[0054]
另外，如果当前最优惩罚参数值和当前最优松弛变量值不满足最小产能误差的停止条件，则需要重新对上述初始的支持向量机模型进行训练。本发明依据从顺北、跃进等碳酸盐岩缝洞型储层区块内的历史油气井的试井样本数据，完成特征参数的筛选处理和数据归一化处理后，按照上述所述的方法进行灰狼支持向量机模型构建时，得到的最优惩罚参数值为9.51475、最优松弛变量值为15.2641。
[0055]
灰狼算法是一种种群智能优化算法，该算法受到了灰狼捕食猎物活动的启发而开发的一种优化搜索方法，具有较强的收敛性能、参与优化过程所需的样本数据的数量需求少、易实现等特点。因此，本发明中的灰狼算法能够在寻求数值化的最优超平面过程中，降低样本数据的数据量需求负担，对于试井过程中由于地质信息复杂、或者邻井缺乏资料的情况也能够建立准确的产量预测模型。
[0056]
在完成数值化的灰狼支持向量机模型的构建后，进入到步骤s140中，以对碳酸盐岩缝洞型储层所属油田区域内的待预测井的产量进行预测。步骤s140获取当前待预测井的在实际试井解释过程中的关于多个特征参数的实时样本数据组，基于当前在多个特征参数下的实时样本数据组，先按照上述步骤s120进行预处理，将经过预处理的这8类实时的样本数据组作为输入数据输入至步骤s130构建完成的改进后的支持向量机模型(灰狼支持向量机模型)内，以利用改进后的支持向量机模型进行实时的试井解释产能预测，输出关于待预测井的当前的产能预测(估计)值，从而实现对产能的动态预测。
[0057]
另外，在本发明实施例中，为了保障步骤s140得到产能预测值的准确性，本发明在步骤s140之后，还需要利用步骤s150对待预测井当前的产能预测结果进行有效性验证。具体地，需要对改进的支持向量机模型输出的参数估计结果进行验证，也就是说，需要将当前估计结果反馈至改进的支持向量机模型中，来确定估计结果是否有效，在当前估计结果有效时，将当前估计结果作为最终的产能预测结果。如果当前估计结果无效时，则需要返回步骤s140中，获取新的特征参数，重新利用改进后的支持向量机模型进行产能预测，并且，利用步骤s150重新对估计结果的有效性进行验证。
[0058]
由于步骤s150得到的估计结果是由步骤s140中得到的当前时间段(而不是近10年历史样本数据对应的时间段)的实时样本数据组预测的产能估计结果，这种实时的样本数据对于灰狼支持向量机模型是否适用还需要进行验证。因此，在步骤s150中，需要将步骤s140得到的作为输入数据实时样本数据组、以及产能估计结果，作为训练数据输入至上述灰狼支持向量机模型中，依次验证这组训练数据是否会使得惩罚参数种群的适应度函数发
生变化(第一判断)、松弛参数种群的适应度函数发生变化(第二判断)、以及是否满足上述停止条件(第三判断)，在全部满足后，则判断当前产能估计结果是有效的。否则(在上述三种判断中的一个或多个不满足时)，判断当前产能估计结果是无效的。这样，本发明通过实时的样本数据组对灰狼支持向量机模型进行修正改进，从而通过持续的增加现场的实时数据来不断的进一步改进模型参数，现场数据越多，模型越精确，达到自我修正的效果。
[0059]
图3为本技术实施例的用于碳酸盐岩缝洞型储层的试井产能预测方法的试井动态评价误差结果的效果示意图。图3展示了，利用灰狼支持向量机模型进行预测的实际预测值、与历史实际产能值的对比情况，横坐标表示历史样本数据的组数，纵坐标表示相对误差百分数。最后，将应用本发明实施例所述的试井产能动态预测方法的预测结果，与历史井的历史实际产能值进行对比分析，本发明实施例中的灰狼支持向量机模型具有自学习的优势，使得对比分析结果得到最终相对误差达到4.5％，预测结果平均误差为0.1324％，从而实现试井产能动态的产能输出准确性。
[0060]
另一方面，本发明基于上述试井产能动态预测方法，还提出了一种用于碳酸盐岩缝洞型储层的试井产能预测系统。图4为本技术实施例的用于碳酸盐岩缝洞型储层的试井产能预测系统的模块框图。如图4所示，本发明所述的试井产能动态预测系统包括：参数筛选模块41、改进模型构建模块42、实时预测模块43和预测结果验证模块44。
[0061]
其中，参数筛选模块41按照上述步骤s110所述的方法实施，配置为根据碳酸盐岩缝洞型储层的试井解释资料和当前油田区域的地质构造，筛选出与产能相关的多个特征参数。特征参数包括第一类溶洞体积、裂缝体积、总体积、管柱下入深度、油嘴尺寸、油压、原油压缩系数和单位压降产量。改进模型构建模块42按照上述步骤s120和步骤s130所述的方法实施，配置为对各类特征参数的历史样本数据进行预处理，基于此，训练用于预测碳酸盐岩缝洞型储层的产量数据值的支持向量机模型，并利用灰狼算法对支持向量机模型内的惩罚参数和松弛变量进行优化处理，得到改进后的支持向量机模型。实时预测模块43按照上述步骤s140所述的方法实施，配置为基于待预测井在关于多个特征参数下的实时样本数据组，利用改进后的支持向量机模型进行试井解释产能预测。预测结果验证模块44按照上述步骤s150所述的方法实施，配置为对产能预测结果进行有效性验证。
[0062]
进一步，上述参数筛选模块41，包括：原始影响因子生成单元411和特征参数生成单元412。原始影响因子生成单元411配置为分析影响单井产能的试井解释参数和生产特征参数，得到多个原始影响因子。特征参数生成单元412配置为利用皮尔逊相关性关系，评估每个原始影响因子与历史试井产能之间的相关系数，基于此，从多个原始影响因子中筛选出多个特征参数。
[0063]
进一步，上述改进模型构建模块42包括：预处理单元421。预处理单元421配置为分别对各类特征参数对应的历史样本数据进行归一化处理，以利用经归一化处理后的各类历史样本数据训练支持向量机模型。其中，按照如下表达式对历史样本数据内的每个样本点进行归一化处理：
[0064][0065]
式中，表示经归一化处理后的样本点数据，x
i
表示历史样本数据内样本点的数据，x
max
表示历史样本数据内的最大样本点数据，x
min
表示历史样本数据内的最小样本点数
据。
[0066]
进一步，上述改进模型构建模块42还包括：待求解量初始化单元422、适应度函数生成单元423和模型改进单元424。待求解量初始化单元422配置为确定惩罚参数和松弛变量的变化范围，并分别针对每个待求解量进行初始化种群的设置。适应度函数生成单元423配置为计算每个种群个体的适应度函数。模型改进单元424配置为根据初始化种群设置结果，利用相应的适应度函数，计算每个种群个体的适应度，基于此，利用灰狼算法，依次进行选择、交叉、变异操作以对每个种群个体进行优化，并判断优化结果是否满足最小产能误差的停止条件，若满足当前停止条件，则输出最优的惩罚参数和松弛变量，并将其代入支持向量机模型中，完成改进模型的构建。
[0067]
本发明公开了一种用于碳酸盐岩缝洞型储层的试井产能预测方法及系统。该方法及系统筛选出与碳酸盐岩缝洞型储层产能预测相关性较强的各类因素，即近井筒溶洞体积、裂缝体积、总体积、管柱下深、油嘴、油压、原油压缩系数、以及单位压降产量；根据这8类因素的历史样本数据建立突破于传统的利用表达式化的预测模型来进行产能预测的方法，构建了数值化的灰狼支持向量机预测模型，来由待预测井实时的特征因素数据迅速得到准确的动态产能预测结果。本发明能够在顺北等井区的多溶洞油气井的施工中，对于待预测井进行实时的产量参数预测，预测结果准确、精度高、能够应付顺北等井区的井下复杂情况，有效解决试井过程中由于地质信息复杂或邻井缺乏资料而导致无法建立样本信息的预测模型的问题。
[0068]
以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉该技术的人员在本发明所揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应该以权利要求的保护范围为准。