[發明專利]一種基于圖神經網絡的井間動態連通性識別方法及系統

有效

• 申請號: 202010157632.4
• 申請日: 2020-03-09
• 公開（公告）號: CN111364953B
• 公開（公告）日: 2022-02-22
• 發明（設計）人: 黃朝琴;梁永星;年凱;何志揚;鞏亮;王斌;段欣悅
• 申請（專利權）人: 中國石油大學（華東）
• 主分類號: E21B43/20
• 分類號: E21B43/20;E21B43/30;E21B47/06;E21B47/07;E21B47/00;G06F30/20
• 代理公司: 北京高沃律師事務所 11569
• 代理人: 楊媛媛

本發明公開了一種基于圖神經網絡的井間動態連通性識別方法及系統，涉及井間連通性識別領域，包括獲取目標井網的幾何信息；獲取述目標井網的歷史生產數據；根據述目標井網的幾何信息和歷史生產數據，建立圖神經網絡模型；獲取目標井網的實時生產數據，并根據實時生產數據和圖神經網絡模型，識別目標井網內各個井間的動態流通性。本發明通過圖神經網絡的機器學習方法，利用井網的幾何信息和歷史生產數據，來識別井網之中不同井之間的動態連通性狀況，真實反映注水井和生產井層內的連通性特征。

技術領域

本發明涉及井間連通性識別領域，特別是涉及一種基于圖神經網絡的井間動態連通性識別方法及系統。

背景技術

油藏是一個較為復雜的動力學系統，在注水井的注水量不同時將引起生產井產液波動，即反映出注水井和生產井層內的連通性特征，連通性越好，生產井產液波動與注水井注水量變化情況越趨于一致。井間連通性體現了流體在井間流動能力的好壞，是油藏工程評價的重要參數。

現有的算法和井網模型未考慮井間連通性是一個動態的變化過程。

發明內容

本發明的目的是提供一種基于圖神經網絡的井間動態連通性識別方法及系統，通過圖神經網絡的機器學習方法，利用井網的幾何信息和歷史生產數據，來識別井網之中不同井之間的動態連通性狀況，真實反映注水井和生產井層內的連通性特征。

為實現上述目的，本發明提供了如下方案：

一種基于圖神經網絡的井間動態連通性識別方法，包括：

獲取目標井網的幾何信息；所述幾何信息包括注水井的數量、生產井的數量、各個井點之間的距離以及各個井點之間的相對位置；

獲取所述目標井網的歷史生產數據；

根據所述目標井網的幾何信息和歷史生產數據，建立圖神經網絡模型；

獲取所述目標井網的實時生產數據，并根據所述實時生產數據和所述圖神經網絡模型，識別目標井網內各個井間的動態流通性；所述實時生產數據包括各個生產井當前的井底流壓和溫度，以及各個注水井當前的井底流壓和溫度。

可選的，所述獲取所述目標井網的歷史生產數據，具體包括：

獲取所述目標井網中各個生產井和各個注水井的工作時序；所述工作時序包括各個生產井和各個注水井開始工作時間以及在不同時間所進行的關井操作和關井時長；

基于所述目標井網中各個生產井和各個注水井的工作時序，獲取所述目標井網中各個生產井和各個注水井的歷史生產數據；所述歷史生產數據包括各個生產井在不同時間的井底流壓、溫度和采油量，以及各個注水井在不同時間的井底流壓、溫度和注水量。

可選的，所述根據所述目標井網的幾何信息和歷史生產數據，建立圖神經網絡模型，具體包括：

根據所述目標井網的幾何信息建立圖神經網絡；其中，所述圖神經網絡的不同節點代表不同的生產井點和注水井點；所述圖神經網絡中包括8至12層全連接隱藏層；

利用所述目標井網的幾何信息和歷史生產數據，訓練所述圖神經網絡，建立圖神經網絡模型。

可選的，所述獲取所述目標井網的實時生產數據，并根據所述實時生產數據和所述圖神經網絡模型，識別目標井網內各個井間的動態流通性，具體包括：

獲取所述目標井網的實時生產數據，并將所述實時生產數據輸入至所述圖神經網絡模型，得到所述目標井網中各個生產井的當前采油量和各個注水井的當前注水量；

根據各個所述生產井的當前采油量和各個所述注水井的當前注水量，識別目標井網內各個井間的動態流通性。

一種基于圖神經網絡的井間動態連通性識別系統，包括：