可采储量预测模型建立方法、可采储量预测方法和装置与流程

1.本发明涉及石油与天然气技术领域，特别涉及可采储量预测模型建立方法、可采储量预测方法和装置。


背景技术：

2.页岩气井的最终可采储量(estimate ultimate recovery，eur)决定了其开发的生命周期，同时也是其获得经济效益最关键的参数之一。
3.目前页岩气井eur评价方法主要包括经验产量递减法、现代产量递减法(即流动物质平衡法)、模拟预测法(包括解析模型法和数值模拟法)以及概率法等。
4.解析模型法主要是基于在某些假设条件下的简化渗流机理，通过建立页岩储层中气体渗流模型的方式去预测页岩气井的eur，多应用于理论分析，实际生产应用较少，但可以综合学者们研究建立的数学模型，大致确定影响页岩气井eur的相关因素。数值模拟法则是基于上述简化渗流机理，通过数值法进行生产数据的拟合，从而进行eur的预测，但是需要的参数较多，应用条件比较苛刻。
5.经验产量递减法包括arps经验产量递减法、duong法、修正的duong法、幂指数递减分析法、修正的幂指数递减分析法和扩展指数递减法等，主要是基于定压生产的假设，不考虑复杂渗流机理，仅通过大量的生产数据去分析页岩气井的eur，也是现在比较常用的方法，但是该方法需要获取页岩气井的连续生产数据，对于生产数据较少的井来说，不确定性较高。
6.现代产量递减法主要基于质量守恒定律，尝试捕捉地质储量与采储量和剩余量之间的关系，多用于采气量与地层压力关系方面的应用。现代产量递减法主要包括fetkovich图版法、blasngame图版法和wattenbarger法等方法，基于不稳定渗流理论和经验法进行页岩气井的eur评价，在拟合参数或图版的过程中受人为因素影响较大，且需要的参数较多。
7.概率法主要包括概率累计产量预测法和概率阶段产量预测法，该方法综合考虑影响页岩气井产量因素的不确定性，增加了数据的不确定性分析，根据数据的不确定性因素进行页岩气井eur的评价，但计算方法仍与上述几种方法类似。
8.故在生产实践中，上述每种页岩气井eur预测方法均有其特定的适用条件，且eur预测的不确定性较高。


技术实现要素：

9.鉴于上述问题，提出了本发明以便提供一种克服上述问题或者至少部分地解决上述问题的可采储量预测模型建立方法、可采储量预测方法和装置，能够实现可采储量的合理预测。
10.第一方面，本发明实施例提供一种可采储量预测模型建立方法，包括：
11.将每口样本井的多个设定归一化后参数作为一条样本，得到包含多条所述样本的样本集，所述参数包括可采储量；
12.按设定规则设置深度前馈神经网络的网络结构和网络参数，使用所述样本集对设置后深度前馈神经网络进行训练，以得到用于预测目标井可采储量的可采储量预测模型。
13.第二方面，本发明实施例提供一种可采储量预测方法，包括：
14.将测试井的多个设定归一化后参数输入可采储量预测模型，根据所述可采储量预测模型的输出结果确定所述测试井的预测可采储量，所述可采储量预测模型是通过上述方法建立的。
15.第三方面，本发明实施例提供一种可采储量预测模型建立装置，包括：
16.样本集获取模块，用于将每口样本井的多个设定归一化后参数作为一条样本，得到包含多条所述样本的样本集，所述参数包括可采储量；
17.模型训练模块，用于按设定规则设置深度前馈神经网络的网络结构和网络参数，使用所述样本集获取模块得到的样本集对设置后深度前馈神经网络进行训练，以得到用于预测目标井可采储量的可采储量预测模型。
18.第四方面，本发明实施例提供一种具备可采储量预测功能的计算机程序产品，包括计算机程序/指令，其中，该计算机程序/指令被处理器执行时实现上述可采储量预测模型建立方法，或实现上述可采储量预测方法。
19.本发明实施例提供的上述技术方案的有益效果至少包括：
20.本发明实施例提供的可采储量预测模型建立方法，将每口样本井的多个设定归一化后参数作为一条样本，可以综合分析多种可采储量影响因素，例如地质因素、工程因素和生产因素等；基于深度前馈神经网络，通过深度学习算法，从数据驱动的角度实现可采储量的预测，在保证数据预测结果准确性的基础上保证客观性，克服现有方法的主观性和随机性；同时不需要基于某假设条件，故拓宽了该方法的适用范围。
21.下面通过附图和实施例，对本发明的技术方案做进一步的详细描述。
附图说明
22.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，与本发明的实施例一起用于解释本发明，并不构成对本发明的限制。在附图中：
23.图1为本发明实施例一中可采储量预测模型建立方法的流程图；
24.图2为本发明实施例一中利用样本集对模型进行测试和优化的具体实现流程图；
25.图3为本发明实施例一中利用测试样本集对模型进行测试和优化的具体实现流程图；
26.图4为本发明实施例二中可采储量预测模型建立的具体实现流程图；
27.图5为本发明实施例中可采储量预测模型建立装置的结构示意图。
具体实施方式
28.下面将参照附图更详细地描述本公开的示例性实施例。虽然附图中显示了本公开的示例性实施例，然而应当理解，可以以各种形式实现本公开而不应被这里阐述的实施例所限制。相反，提供这些实施例是为了能够更透彻地理解本公开，并且能够将本公开的范围完整的传达给本领域的技术人员。
29.应理解本发明中所述的术语仅仅是为描述特别的实施方式，并非用于限制本发
明。另外，对于本发明中的数值范围，应理解为还具体公开了该范围的上限和下限之间的每个中间值。在任何陈述值或陈述范围内的中间值以及任何其他陈述值或在所述范围内的中间值之间的每个较小的范围也包括在本发明内。这些较小范围的上限和下限可独立地包括或排除在范围内。
30.除非另有说明，否则本文使用的所有技术和科学术语具有本发明所属领域的常规技术人员通常理解的相同含义。虽然本发明仅描述了优选的方法和材料，但是在本发明的实施或测试中也可以使用与本文所述相似或等同的任何方法和材料。本说明书中提到的所有文献通过引用并入，用以公开和描述与所述文献相关的方法和/或材料。在与任何并入的文献冲突时，以本说明书的内容为准。
31.在本发明的描述中，需要说明的是，术语“包含”、“包括”、“具有”、“含有”等等，均为开放性的用语，即意指包含但不限于。此外，术语“第一”、“第二”和“第三”等仅用于描述目的，而不能理解为指示或暗示相对重要性。
32.为了解决现有技术中存在的页岩气井eur预测方法均有其特定的适用条件，且eur预测的不确定性较高的问题，本发明实施例提供了可采储量预测模型建立方法、可采储量预测方法和装置，能够实现可采储量的合理预测。
33.实施例一
34.本发明实施例一提供一种可采储量预测模型建立方法，其流程如图1所示，包括如下步骤：
35.步骤s11：将每口样本井的多个设定归一化后参数作为一条样本，得到包含多条样本的样本集。
36.上述参数包括可采储量。
37.在一些实施例中，多个设定归一化后参数，包括研究区的地质因素、工程因素和生产因素参数。
38.更具体的，地质因素参数包括至少一项下述参数：
39.总有机碳含量toc、孔隙度、优质储层厚度、含气饱和度、压力系数和脆性矿物含量；
40.工程因素参数包括至少一项下述参数：
41.压裂段长、压裂段数、垂深、平均段间距、用液强度、加砂强度、平均排量、优质储层钻遇长度、目的层钻遇长度；
42.生产因素参数包括测试产量和/或首年日产量。
43.在一些实施例中，可以是按照下述公式对各样本井的同一设定参数进行归一化处理：
[0044][0045]
其中，为第i口样本井的该设定参数的归一化后值，i＝1，2，
……
n，n为样本井的总井数；xi为第i口样本井的该设定参数的原始值；μ(x)为该设定参数的期望；σ(x)为该设定参数的标准差。
[0046]
各样本井的同一设定参数在进行归一化处理后其数值符合正态分布，可以消除数值本身尺度不一对模型学习的影响。
[0047]
步骤s12：按设定规则设置深度前馈神经网络的网络结构和网络参数，使用样本集对设置后深度前馈神经网络进行训练，以得到用于预测目标井可采储量的可采储量预测模型。
[0048]
在一些实施例中，按设定规则设置深度前馈神经网络的网络结构，可以包括：
[0049]
按设定规则设置深度前馈神经网络的网络层数和每层网络的节点数。
[0050]
进一步地，可以是设置深度前馈神经网络的网络层的层数为8层，网络层按网络顺序依次包括输入层、第一隐含层、第二隐含层、第三隐含层、第四隐含层、第五隐含层、第六隐含层和输出层；
[0051]
设置输入层的节点数为17，第一隐含层的节点数为50，第二隐含层的节点数为40，第三隐含层的节点数为30，第四隐含层的节点数为20，第五隐含层的节点数为10，第六隐含层的节点数为5，输出层的节点数为1。
[0052]
在一些实施例中，按设定规则设置深度前馈神经网络的网络参数，可以包括：
[0053]
按设定规则设置深度前馈神经网络的至少一项下述网络参数：
[0054]
激活函数、学习率调整函数和初始化函数。
[0055]
进一步地，将深度前馈神经网络的激活函数设置为下述函数：
[0056][0057]
其中，α为偏移斜率，y为变量。
[0058]
进一步地，将偏移斜率α的值设置为0.2。
[0059]
在一些实施例中，可以将深度前馈神经网络的学习率调整函数设置为rmsprop函数。
[0060]
进一步地，可以将rmsprop函数的正规化参数和移动平均衰减系数的值分别设置为0.3和0.9。
[0061]
在一些实施例中，可以将深度前馈神经网络的初始化函数设置为glorot_uniform函数。
[0062]
可选的，上述深度前馈神经网络的网络结构和网络参数的设置，也可以是采用其他的规则设置，其具体设置本实施例不做限定。
[0063]
在一些实施例中，使用样本集对设置后深度前馈神经网络进行训练，具体可以包括：
[0064]
使用样本集对设置后深度前馈神经网络进行迭代训练，直至当前深度前馈神经网络的输出精度满足设定精度要求；
[0065]
若迭代次数超过设定的次数阈值，且当前深度前馈神经网络的输出精度不满足设定精度要求，则修改当前深度前馈神经网络的网络结构和/或网络参数，重新使用样本集对当前深度前馈神经网络进行迭代训练，直至当前深度前馈神经网络的输出精度满足设定精度要求。
[0066]
上述设定精度要求可以是网络达到收敛。
[0067]
修改当前深度前馈神经网络的网络结构，可以是修改网络层数和/或每层网络的节点数。
[0068]
修改当前深度前馈神经网络的网络参数，可以是修改激活函数、学习率调整函数和初始化函数中的至少一个函数，也可以是不修改函数，只修改函数中的参数的数值，例如，修改激活函数leaky-relu的偏移斜率α的值，或修改学习率调整函数rmsprop的正规化参数或移动平均衰减系数的值。
[0069]
本发明实施例一提供的可采储量预测模型建立方法，将每口样本井的多个设定归一化后参数作为一条样本，可以综合分析多种可采储量影响因素，例如地质因素、工程因素和生产因素等；基于深度前馈神经网络，通过深度学习算法，从数据驱动的角度实现可采储量的预测，在保证数据预测结果准确性的基础上保证客观性，克服现有方法的主观性和随机性；同时不需要基于某假设条件，故拓宽了该方法的适用范围。
[0070]
在一些实施例中，使用样本集对设置后深度前馈神经网络进行训练后，还可以包括利用样本集对训练后得到的可采储量预测模型进行测试和优化，参见图2所示，具体包括下述步骤：
[0071]
步骤s21：利用样本集对训练后深度前馈神经网络进行测试，判断测试得到的误差是否满足设定误差要求。
[0072]
将样本集(这里的样本集不包括每条样本的可采储量)输入当前的深度前馈神经网络(即可采储量预测模型)，得到输出的预测可采储量，确定预测可采储量与样本集中每条样本包含的可采储量间的平均相对误差、平均绝对值相对误差或均方根误差，将得到的误差确定为最终的测试得到的误差。
[0073]
若判断测试得到的误差满足设定误差要求，说明模型具有一定的可信度，可以直接用于可采储量的预测；若判断测试得到的误差不满足设定误差要求，说明模型还有待进一步优化，执行步骤s22。
[0074]
步骤s22：修改当前深度前馈神经网络的网络结构和/或网络参数，重新使用样本集对当前深度前馈神经网络进行迭代训练，直至当前深度前馈神经网络的输出精度满足设定精度要求。
[0075]
执行步骤s22后返回执行步骤s21，直至利用样本集对当前深度前馈神经网络进行测试得到的误差满足设定误差要求，停止模型的优化过程。
[0076]
在一些实施例中，使用样本集对设置后深度前馈神经网络进行训练或优化后，还可以包括对当前得到的可采储量预测模型的进一步测试和优化，参见图3所示，具体包括下述步骤：
[0077]
步骤s31：利用测试样本集对训练后深度前馈神经网络进行测试，判断测试得到的误差是否满足设定误差要求。
[0078]
这里的测试样本集可以是新采集到的井的数据，其中一条测试样本包括测试井的多个设定归一化后参数。测试井包含的参数的类型与样本井包含的参数的类型一致。
[0079]
可选的，测试样本集也可以不是新采集到的井的数据，而是在步骤s11得到每口样本井的一条样本后，将样本划分为训练样本集和测试样本集，具体可以按照3：1的比例进行划分。
[0080]
进一步地，采用随机抽样的方式进行划分。
[0081]
可选的，测试样本集中包含的样本可以是新采集到的井的数据，也可以是在步骤s11得到的样本井的一条样本。
[0082]
上述误差具体可以是将测试样本集(不包括每条样本的可采储量)输入当前的深度前馈神经网络(即可采储量预测模型)，得到输出的预测可采储量，确定预测可采储量与测试样本集中每条样本包含的可采储量间的平均相对误差、平均绝对值相对误差或均方根误差，将得到的误差确定为最终的测试得到的误差。
[0083]
若判断测试得到的误差满足设定误差要求，说明模型具有一定的可信度，可以直接用于可采储量的预测；若判断测试得到的误差不满足设定误差要求，说明模型还有待进一步优化，执行步骤s32。
[0084]
步骤s32：修改当前深度前馈神经网络的网络结构和/或网络参数，重新使用样本集对当前深度前馈神经网络进行迭代训练，直至当前深度前馈神经网络的输出精度满足设定精度要求。
[0085]
执行步骤s32后返回执行步骤s31，直至利用测试样本集对当前深度前馈神经网络进行测试得到的误差满足设定误差要求，停止模型的优化过程。
[0086]
应当理解的是，上述样本井和测试井是从模型建立过程中所起作用的角度来命名的，并不具有其他的特殊含义。
[0087]
在一些实施例中，上述样本井为样本页岩气井，目标井为目标页岩气井；多个设定归一化后参数包括样本页岩气井的页岩气可采储量；可采储量预测模型用于预测目标页岩气井的页岩气可采储量。
[0088]
可选的，本发明实施例提供的可采储量预测模型也可以用于预测其他类型的井的气或油的可采储量，只是样本包含的具体参数的类型不同，或网络结构和网络参数的具体设置不同。
[0089]
实施例二
[0090]
本发明实施例二提供一种可采储量预测模型建立方法的具体实现流程，以某页岩气田为例，其流程如图4所示，包括如下步骤：
[0091]
步骤s41：将每口样本井的多个设定归一化后参数作为一条样本，利用随机抽取的方式，得到包含多条样本的训练样本集和包含多条样本的测试样本集。
[0092]
具体的，可以是按照3:1的比例随机抽取得到训练样本集和测试样本集。
[0093]
下述表1和表2为原始的设定参数的具体数据，表3和表4为归一化后的设定参数的具体数据，以7口井为例，共搜集了每口井的17个设定参数的具体数据。
[0094]
表1样本原始数据表
[0095][0096]
表2样本原始数据表
[0097][0098]
表3样本归一化后数据表
[0099][0100]
表4样本归一化后数据表
[0101][0102]
步骤s42：按设定规则设置深度前馈神经网络的网络结构和网络参数，使用训练样本集对设置后深度前馈神经网络进行训练，直至当前深度前馈神经网络的输出精度满足设定精度要求。
[0103]
采用训练集数据对网络进行训练，将归一化的17个参数和对应的归一化eur值输入至按设定规则设置好的深度前馈神经网络中，迭代9000次后网络收敛，标志网络训练完成。
[0104]
步骤s43：分别利用训练样本集和测试样本集对训练后深度前馈神经网络进行测试，判断测试得到的误差是否满足设定误差要求。
[0105]
若否，执行步骤s44。
[0106]
步骤s44：修改当前深度前馈神经网络的网络结构和/或网络参数，重新使用训练样本集对当前深度前馈神经网络进行迭代训练，直至当前深度前馈神经网络的输出精度满足设定精度要求。
[0107]
执行步骤s44后返回执行步骤s43，直至利用训练样本集和测试样本集对当前深度前馈神经网络进行测试得到的误差都满足设定误差要求，停止模型的优化过程。
[0108]
上述步骤中的具体执行方法，与实施例一中对应步骤一致的地方，此处不做赘述，具体参见实施例一种所述。
[0109]
基于本发明的发明构思，本发明实施例还提供一种可采储量预测方法，包括：
[0110]
将测试井的多个设定归一化后参数输入可采储量预测模型，根据所述可采储量预测模型的输出结果确定所述测试井的预测可采储量，所述可采储量预测模型是通过上述方法建立的。
[0111]
基于本发明的发明构思，本发明实施例还提供一种可采储量预测模型建立装置，该装置的结构如图5所示，包括：
[0112]
样本集获取模块51，用于将每口样本井的多个设定归一化后参数作为一条样本，得到包含多条所述样本的样本集，所述参数包括可采储量；
[0113]
模型训练模块52，用于按设定规则设置深度前馈神经网络的网络结构和网络参数，使用样本集获取模块51得到的样本集对设置后深度前馈神经网络进行训练，以得到用于预测目标井可采储量的可采储量预测模型。
[0114]
在一些实施例中，模型训练模块52，按设定规则设置深度前馈神经网络的网络结构，具体用于：
[0115]
按设定规则设置深度前馈神经网络的网络层数和每层网络的节点数。
[0116]
在一些实施例中，模型训练模块52，所述按设定规则设置深度前馈神经网络的网
络层数和每层网络的节点数，具体用于：
[0117]
设置深度前馈神经网络的网络层的层数为8层，所述网络层按网络顺序依次包括输入层、第一隐含层、第二隐含层、第三隐含层、第四隐含层、第五隐含层、第六隐含层和输出层；设置所述输入层的节点数为17，所述第一隐含层的节点数为50，所述第二隐含层的节点数为40，所述第三隐含层的节点数为30，所述第四隐含层的节点数为20，所述第五隐含层的节点数为10，所述第六隐含层的节点数为5，所述输出层的节点数为1。
[0118]
在一些实施例中，模型训练模块52，按设定规则设置深度前馈神经网络的网络参数，具体用于：
[0119]
按设定规则设置深度前馈神经网络的至少一项下述网络参数：
[0120]
激活函数、学习率调整函数和初始化函数。
[0121]
在一些实施例中，模型训练模块52，按设定规则设置深度前馈神经网络的激活函数，具体用于：
[0122]
将深度前馈神经网络的激活函数设置为下述函数：
[0123][0124]
其中，α为偏移斜率，y为变量；将所述偏移斜率α的值设置为0.2。
[0125]
在一些实施例中，模型训练模块52，按设定规则设置深度前馈神经网络的学习率调整函数，具体用于：
[0126]
将深度前馈神经网络的学习率调整函数设置为rmsprop函数；将所述rmsprop函数的正规化参数和移动平均衰减系数的值分别设置为0.3和0.9。
[0127]
在一些实施例中，模型训练模块52，按设定规则设置深度前馈神经网络的初始化函数，具体用于：
[0128]
将深度前馈神经网络的初始化函数设置为glorot_uniform函数。
[0129]
在一些实施例中，模型训练模块52，所述使用所述样本集对设置后深度前馈神经网络进行训练，具体用于：
[0130]
使用所述样本集对设置后深度前馈神经网络进行迭代训练，直至当前深度前馈神经网络的输出精度满足设定精度要求；若迭代次数超过设定的次数阈值，且当前深度前馈神经网络的输出精度不满足设定精度要求，则修改当前深度前馈神经网络的网络结构和/或网络参数，重新使用所述样本集对当前深度前馈神经网络进行迭代训练，直至当前深度前馈神经网络的输出精度满足设定精度要求。
[0131]
关于上述实施例中的装置，其中各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述，此处将不做详细阐述说明。
[0132]
基于本发明的发明构思，本发明实施例还提供一种具备可采储量预测功能的计算机程序产品，包括计算机程序/指令，其中，该计算机程序/指令被处理器执行时实现上述可采储量预测模型建立方法，或实现上述可采储量预测方法。
[0133]
应该明白，公开的过程中的步骤的特定顺序或层次是示例性方法的实例。基于设计偏好，应该理解，过程中的步骤的特定顺序或层次可以在不脱离本公开的保护范围的情况下得到重新安排。所附的方法权利要求以示例性的顺序给出了各种步骤的要素，并且不
是要限于所述的特定顺序或层次。
[0134]
在上述的详细描述中，各种特征一起组合在单个的实施方案中，以简化本公开。不应该将这种公开方法解释为反映了这样的意图，即，所要求保护的主题的实施方案需要清楚地在每个权利要求中所陈述的特征更多的特征。相反，如所附的权利要求书所反映的那样，本发明处于比所公开的单个实施方案的全部特征少的状态。因此，所附的权利要求书特此清楚地被并入详细描述中，其中每项权利要求独自作为本发明单独的优选实施方案。
[0135]
上文的描述包括一个或多个实施例的举例。当然，为了描述上述实施例而描述部件或方法的所有可能的结合是不可能的，但是本领域普通技术人员应该认识到，各个实施例可以做进一步的组合和排列。因此，本文中描述的实施例旨在涵盖落入所附权利要求书的保护范围内的所有这样的改变、修改和变型。此外，就说明书或权利要求书中使用的术语“包含”，该词的涵盖方式类似于术语“包括”，就如同“包括，”在权利要求中用作衔接词所解释的那样。此外，使用在权利要求书的说明书中的任何一个术语“或者”是要表示“非排它性的或者”。