[發(fā)明專利]一種基于XGBoost的井間動(dòng)態(tài)連通性量化方法

有效

• 申請(qǐng)?zhí)枺?/td>: 202010590744.9
• 申請(qǐng)日: 2020-06-24
• 公開（公告）號(hào): CN111753423B
• 公開（公告）日: 2022-07-12
• 發(fā)明（設(shè)計(jì)）人: 劉昆宏;吳清強(qiáng);葉西蒙;矯麗瑤;姚俊峰
• 申請(qǐng)（專利權(quán)）人: 廈門大學(xué)
• 主分類號(hào): G06F30/20
• 分類號(hào): G06F30/20;E21B43/20;E21B43/30;E21B47/00;G06F111/10
• 代理公司: 北京金咨知識(shí)產(chǎn)權(quán)代理有限公司 11612
• 代理人: 嚴(yán)業(yè)福

1.一種基于XGBoost的井間動(dòng)態(tài)連通性量化方法，所述方法包括：

步驟一、數(shù)據(jù)準(zhǔn)備，采集注入井和生產(chǎn)井在統(tǒng)計(jì)期間內(nèi)的生產(chǎn)數(shù)據(jù)，生產(chǎn)數(shù)據(jù)包括注入井的注水量、生產(chǎn)井的產(chǎn)液量以及生產(chǎn)井的工作時(shí)間，產(chǎn)液量為產(chǎn)水量和產(chǎn)油量相加；

步驟二、構(gòu)造相對(duì)特征，生產(chǎn)井的相對(duì)特征為生產(chǎn)井生產(chǎn)當(dāng)天的工作時(shí)間、相關(guān)注水井在統(tǒng)計(jì)周期內(nèi)每一天的注水量；

步驟三、量化井間連通性，使用XGBoost模型進(jìn)行井間連通性的量化，通過注水井的注水量和給定生產(chǎn)井的產(chǎn)液量輸出實(shí)現(xiàn)模型的輸入-輸出關(guān)系的映射，通過分析訓(xùn)練后的XGBoost的特征重要性量化井間連通性，特征重要性是指通過將每個(gè)特征對(duì)模型中每個(gè)樹的貢獻(xiàn)計(jì)算出來的相應(yīng)特征對(duì)模型的相對(duì)貢獻(xiàn)；

步驟四、進(jìn)行模型驗(yàn)證，使用4D地震監(jiān)測(cè)識(shí)別注水井和生產(chǎn)井在生產(chǎn)過程中的相互作用，通過4D地震提供的三維體積的數(shù)據(jù)評(píng)估井間信息；

其中，使用時(shí)間衰減系數(shù)將注入井的每天的輸入特征的重要性組合起來，具體包括：

計(jì)算時(shí)間衰減系數(shù)，并與處理后的注入井每日的注水量特征重要性按順序相乘后相加，計(jì)算占比最后得到連通程度數(shù)值；

時(shí)間衰減系數(shù)公式為：N(t)＝N₀e^-α(t+l)，其中，t代表時(shí)間，α代表指數(shù)衰減常數(shù)，l代表向左的平移量，它可以讓數(shù)值從任何位置處進(jìn)行衰減，而不是必須從N₀開始衰減，假設(shè)從N_init處開始衰減，經(jīng)過m天的衰減最終達(dá)到N_finish，

2.根據(jù)權(quán)利要求1所述的方法，其特征在于，使用4D地震數(shù)據(jù)驗(yàn)證模型結(jié)果具體包括：

打開opendtect軟件,選擇全角度深度地震數(shù)據(jù)導(dǎo)入；

地震屬性生成設(shè)置為平均能量,步長選擇設(shè)置為：In-line步長為2，Cross-line步長為2，Depth步長為40m；

讀取兩次地震各點(diǎn)的平均能量值，將其做差后獲得到絕對(duì)值，作為兩次地震時(shí)間間隔內(nèi)各點(diǎn)處由于生產(chǎn)過程導(dǎo)致平均能量變化而反映出的儲(chǔ)層變化，某點(diǎn)處值越高，越表明其受注水生產(chǎn)過程的影響大，儲(chǔ)層變化明顯；某點(diǎn)處值越低越表明受注水生產(chǎn)的影響小，生產(chǎn)過程沒有使其發(fā)生變化；

使用圖形呈現(xiàn)連通性。

3.根據(jù)權(quán)利要求1所述的方法，其特征在于，還包括模型訓(xùn)練過程，具體包括：構(gòu)造訓(xùn)練數(shù)據(jù)集；

使用GridSearchCV驗(yàn)證調(diào)整參數(shù)，GridSearchCV可以分為兩部分，即GridSearch和CV，網(wǎng)格搜索和交叉驗(yàn)證，網(wǎng)格搜索即在規(guī)定的參數(shù)范圍內(nèi)搜索參數(shù)，按步長依次調(diào)整，然后利用調(diào)整的參數(shù)來訓(xùn)練學(xué)習(xí)器，從而在全部的參數(shù)中找到在驗(yàn)證集上結(jié)果最好的參數(shù)，是一個(gè)訓(xùn)練和比較的過程；

驗(yàn)證調(diào)整參數(shù)包括：

步驟1：設(shè)置一些初始值；

步驟2:保持其他booster相關(guān)的參數(shù)不變，調(diào)節(jié)learning rate和estimators；

步驟3：保證其他的booster參數(shù)不變，調(diào)節(jié)max_depth和min_child_weight；

步驟4：保持其他的booster參數(shù)不變，調(diào)節(jié)gamma；

步驟5：保持其他的booster參數(shù)不變，調(diào)節(jié)subsample和colsample_bytree；

步驟6：保持其他的booster參數(shù)不變，調(diào)節(jié)reg_alpha和reg_lambda；

步驟7：縮小learning rate，得到最佳的learning rate；

步驟8：得到一組參數(shù)組合。

4.根據(jù)權(quán)利要求3所述的方法，其特征在于，

訓(xùn)練完成后，使用每個(gè)注入井的特征重要性程度來量化連通性，油田中每個(gè)生產(chǎn)井都有單獨(dú)的模型，給定生產(chǎn)井的模型將提供每個(gè)注入井到該生產(chǎn)井的連通性，一旦所有模型都經(jīng)過訓(xùn)練，所有注入井－生產(chǎn)井對(duì)之間的所有連通性都將被量化。

5.一種計(jì)算機(jī)設(shè)備，包括存儲(chǔ)器、處理器以及存儲(chǔ)在所述存儲(chǔ)器中并可在所述處理器上運(yùn)行的計(jì)算機(jī)程序，其特征在于，所述處理器執(zhí)行所述計(jì)算機(jī)程序時(shí)實(shí)現(xiàn)如權(quán)利要求1至4任一項(xiàng)所述的方法。

6.一種計(jì)算機(jī)可讀存儲(chǔ)介質(zhì)，其上存儲(chǔ)有計(jì)算機(jī)程序，所述計(jì)算機(jī)程序用于：

所述計(jì)算機(jī)程序被處理器執(zhí)行時(shí)實(shí)現(xiàn)如權(quán)利要求1-4任一項(xiàng)所述的方法。