[發明專利]油藏開發效果預測模型的構建方法

有效

• 申請號: 201610187408.3
• 申請日: 2016-03-29
• 公開（公告）號: CN107239845B
• 公開（公告）日: 2021-06-15
• 發明（設計）人: 張慧;劉中春;呂心瑞;朱桂良;鄭松青;程倩
• 申請（專利權）人: 中國石油化工股份有限公司;中國石油化工股份有限公司石油勘探開發研究院
• 主分類號: G06Q10/04
• 分類號: G06Q10/04;G06N3/08
• 代理公司: 北京聿宏知識產權代理有限公司 11372
• 代理人: 張文娟;朱繪

1.一種油藏開發效果預測模型的構建方法，其特征在于，所述方法包括：

步驟一，利用已知油藏開發數據對初始神經網絡進行K折交叉訓練，得到對應于K組驗證數據的K組網絡參數；

步驟二，根據所述K組網絡參數和K組驗證數據，計算對應于K組驗證數據的K組誤差數據；

步驟三，根據所述K組誤差數據計算各組網絡參數的權重，并根據所述權重對所述K組網絡參數進行加權平均，得到平均網絡參數，根據所述平均網絡參數確定出優化后的神經網絡，從而構建得到油藏開發效果預測模型；

其中，所述已知油藏開發數據中的反映注氣井的地質背景的參數、注氣前采出程度和注氣量作為神經網絡的輸入參數，所述已知油藏開發數據中的周期產油量作為神經網絡的輸出參數。

2.如權利要求1所述的方法，其特征在于，對神經網絡進行K折交叉訓練的步驟包括：

將所述已知油藏開發數據劃分為K組，得到K組數據；

遍歷地將所述K組數據中的其中一組數據作為驗證數據，并將其他K-1組數據作為訓練數據，利用訓練數據對神經網絡進行訓練，得到對應于各組驗證數據的網絡參數。

3.如權利要求1或2所述的方法，其特征在于，初始神經網絡的網絡參數為隨機數。

4.一種油藏開發效果預測模型的構建方法，其特征在于，所述方法包括：

步驟一，將第i循環的平均網絡參數作為第i+1循環中預設神經網絡的初始網絡參數，并利用已知油藏開發數據對預設神經網絡進行K折交叉訓練，分別計算得到第i+1循環中對應于K組驗證數據的K組臨時網絡參數和K組第一誤差數據；

步驟二，分別將第i+1循環中的K組第一誤差數據與第i循環中的K組第二誤差數據比較，依照比較結果從第i+1循環中的K組臨時網絡參數和所述第i循環中的K組網絡參數確定第i+1循環中對應于K組驗證數據的K組網絡參數；

步驟三，重復上述過程，直至滿足預設迭代終止條件，并根據迭代終止時的K組網絡參數和K組誤差數據計算迭代終止時的平均網絡參數，從而得到優化后的神經網絡，進而構建得到油藏開發效果預測模型；

其中，所述已知油藏開發數據中的反映注氣井的地質背景的參數、注氣前采出程度和注氣量作為神經網絡的輸入參數，所述已知油藏開發數據中的周期產油量作為神經網絡的輸出參數。

5.如權利要求4所述的方法，其特征在于，根據如下表達式計算所述第i循環中各組網絡參數的權重數據：

其中，λ_i,j第i循環中對應于第j組驗證數據的網絡參數的權重數據，E_i,j表示第i循環中對應于第j組驗證數據的誤差數據。

6.如權利要求4或5所述的方法，其特征在于，在所述步驟二中，對于各組驗證數據來說，

如果其第i+1循環的第一誤差數據小于其第i循環的誤差數據，則將第i+1循環的臨時網絡數據作為其第i+1循環的網絡數據，否則將第i循環的網絡數據作為其第i+1循環的網絡數據。

7.如權利要求4～6中任一項所述的方法，其特征在于，所述預設迭代終止條件包括：

當前迭代的對應于K組驗證數據的K組誤差數據與前一迭代的K組誤差數據均對應相等。

8.如權利要求7所述的方法，其特征在于，預設迭代終止條件還包括：

迭代次數達到預設迭代次數閾值。

9.如權利要求4～8中任一項所述的方法，其特征在于，對神經網絡進行K折交叉訓練的步驟包括：

將所述已知油藏開發數據劃分為K組，得到K組數據；

遍歷地將所述K組數據中的其中一組數據作為驗證數據，并將其他K-1組數據作為訓練數據，利用訓練數據對神經網絡進行訓練，得到對應于各組驗證數據的網絡參數。

10.如權利要求4～9中任一項所述的方法，其特征在于，初始神經網絡的網絡參數為隨機數。