基于图神经网络的注采响应关系定量判别方法.pdf

(19)国家知识产权局(12)发明专利申请(10)申请公布号CN115794781A(43)申请公布日2023.03.14(21)申请号202111046495.8G06F16/2458(2019.01)(22)申请日2021.09.10G06N3/042(2012.01)G06Q50/02(2023.01)(71)申请人中国石油化工股份有限公司地址257000山东省东营市东营区济南路125号申请人中国石油化工股份有限公司胜利油田分公司勘探开发研究院(72)发明人邴绍献张世明曹小朋杨勇郭奇胡慧芳刘建涛卜亚辉王东方王树华(74)专利代理机构济南日新专利代理事务所(普通合伙)37224专利代理师崔晓艳(51)Int.Cl.G06F16/215(2019.01)权利要求书2页说明书7页附图7页(54)发明名称基于图神经网络的注采响应关系定量判别方法(57)摘要本发明提供一种基于图神经网络的注采响应关系定量判别方法，该基于图神经网络的注采响应关系定量判别方法包括：步骤1，收集生产井、注水井动态数据，对数据进行预处理；步骤2，根据预处理后的数据，建立样本库；步骤3，建立图神经网络模型；步骤4，引入注意力机制以探究注水井与生产井之间的连通关系；步骤4，在导入注意力机制后，对不同时刻的井的连通关系进行多次优化训练，得到注水井和采油井之间的注采响应关系。该基于图神经网络的注采响应关系定量判别方法能够方便、准确、快速有效的定量化预测饱和度场分布，为老油田提高采收率、改善开发效果起到了重要的经济效益。CN115794781ACN115794781A权利要求书1/2页1.基于图神经网络的注采响应关系定量判别方法，其特征在于，该基于图神经网络的注采响应关系定量判别方法包括：步骤1，收集生产井、注水井动态数据，对数据进行预处理；步骤2，根据预处理后的数据，建立样本库；步骤3，建立图神经网络模型；步骤4，引入注意力机制以探究注水井与生产井之间的连通关系；步骤4，在导入注意力机制后，对不同时刻的井的连通关系进行多次优化训练，得到注水井和采油井之间的注采响应关系。2.根据权利要求1所述的基于图神经网络的注采响应关系定量判别方法，其特征在于，在步骤1中，收集的生产井、注水井数据包括注水量、采油量、注入方式、注采井距、注采井网这些动态数据。3.根据权利要求2所述的基于图神经网络的注采响应关系定量判别方法，其特征在于，在步骤1中，进行的数据预处理包括去除异常数据、补充缺失数据、改善各类数据不均衡问题。4.根据权利要求3所述的基于图神经网络的注采响应关系定量判别方法，其特征在于，在步骤1中，异常数据主要是与整体样本数据偏离较大的数据，其数据的异常主要来源于调查、编码和录入误差，通过高斯分布异常检测算法来去除异常数据。5.根据权利要求3所述的基于图神经网络的注采响应关系定量判别方法，其特征在于，在步骤1中，缺失数据即是指整体样本中缺少的部分数据，其数据缺失来源是调查、编码和录入误差，使用上游均值法来补充缺失数据，包括结合动态数据判断整体区块上下游，确定数据缺失处相邻上游网格，计算相邻上游网格调和平均值代替缺失值。6.根据权利要求3所述的基于图神经网络的注采响应关系定量判别方法，其特征在于，在步骤1中，不均衡的数据即是指等长度区间内数据样本量相差明显，分布不均，其数据不均衡的来源主要是调查、记录不均衡，采用向上采样法改善各类数据不均衡问题，包括确定小众类样本，将小众样本插值复制或拟合复制，复制样本扩充小众样本量。7.根据权利要求1所述的基于图神经网络的注采响应关系定量判别方法，其特征在于，在步骤2中，将预处理后的数据，结合地质分层静态数据和布井数据，形成图神经网络机器学习的节点数据库；根据模型需要，对整理后的生产动态数据和储层及布井静态数据进行结构整理，形成满足目标模型输入格式的数据结构、类型。8.根据权利要求1所述的基于图神经网络的注采响应关系定量判别方法，其特征在于，在步骤3中，图神经网络是用于训练包含大量连接图的联结主义模型，当信息在图的节点之间传播时GNN会捕捉到图的独立性，在老油田复杂的流场环境下，每口井都可抽象为一个包含丰富关系信息的图数据，基于图神经网络模型可有效地捕捉这些图数据之间的相互流动与相互影响，并融合历史生产信息对现有预测数据的影响，建立更精确全面的井网‑油藏耦合预测模型。9.根据权利要求1所述的基于图神经网络的注采响应关系定量判别方法，其特征在于，在步骤4中，首先将压力数据、注水数据以及产液数据赋予为节点的不同属性，将代表注水井节点的注水数据与代表生产井节点的产液数据进行拼接，将拼接的数据经过三个的全连接层作为初始的注意力权重并将其赋予到注水井指向生产井的边的属性，同时将导入的注2CN115794781A权利要求书2/2页水井和生产井之间的距离