分注分采仿真模拟方法
技术领域
本发明涉及石油采集，具体涉及一种石油的分注分采方法。
背景技术
一直以来，注水井合理配注都是油田注水开发管理工作的一项重要内容。近年来，伴随着分注分采井下工具及配套工艺技术快速的发展，油田开发现场迎来由合注合采逐渐转变为更高效分注分采的开采方式。
现有驱替通量均衡化的分层配注量确定方法，是在分析多层合采油藏长期注水开发特点的基础上，提出采用驱替通量定量表征各层驱替程度差异的方法，并以均衡驱替为目标，综合考虑储层厚度、孔隙度、注水历史、调控周期等因素的影响，建立了基于驱替通量均衡化思想的注水井纵向各层配注量确定方法。此外，目前常用注水井分层配注量确定方法还包括灰色关联分析方法，多元回归方法，厚度法、地层系数法、剩余油法等。但是，这些方法均存在一定的缺点，如使用灰色关联分析方法，多元回归方法在实际应用中，由于多变复杂的地下情况，注采数据的相关性可能较弱，很难从中建立一个可靠的配水模型；应用厚度法和地层系数法这类方法需要的地质参数较少，但是模型考虑的条件少，因此在实际应用中效果不明显。剩余油法和驱替通量能够取得不错的效果，但该方法需要更多的地质物理参数不易获得。
发明内容
为了通过优化配置分注水量提高产油量为目标，研究了注水井不同层注水量的最优化配置问题，本发明提供了一种分注分采仿真模拟方法，其根据历史生产数据结合深度学习模型学习注采规律生成注采关系模拟器，然后利用注采关系模拟器生成模型生成最佳分注方案；其技术方案如下：
一种分注分采仿真模拟方法，包括以下步骤：
步骤一、从同一零时刻开始，采集N口注水井的历史注水量wi,k,t，以及 M口生产井的历史产油量poj,k,t，其中：
i＝1,2,3…,N；N为注水井总数；
j＝1,2,3…,M；M为生产井总数；
k＝1,2,3…,K；K为注采层数，注水层数和采油层数相对应；
t＝0,1,2…,T；T为数据采集终点时刻；
步骤二、根据采集得到的数据计算第t个时间点所有注水井各层的注水总量Wt，如方程(1)所示：
步骤三、计算能消除生产井中产油量的比率矩阵Roj,k,t，如方程(2)所示：
步骤四、依据产油量的比率矩阵和方程(3)，对每一口生产井在每一个时刻上都进行趋势消除；
得到第j口生产井第k层t＝a时刻的产油量转换到t＝0时刻的值
其中，s＝t0表示初始t＝0时刻；
poj,k,t＝a表示第j口生产井第k层t＝a时刻的产油量；
Roj,k,t＝0表示第j口生产井第k层t＝0时刻的注水转化成油的比率；
Roj,k,t＝a表示第j口生产井第k层t＝a时刻的注水转化成油的比率；
步骤五、建立注采关系模型
O＝G(Weights2(s(Weights1X+b1))+b2) 方程(4)
其中：
X表示不同注水井各层注水量；
Weightsh是层与层间的连接权重矩阵，h＝1,2；
bh为偏置向量，h＝1,2；
O是为产油量；
s和G是激活函数；
s＝S(y)；
G＝S(y)；
以wi,k,t作为X输入方程(4)，以
步骤六、制定注水方案，给定所有注水井的注水总量，通过一种分配方法得到详细注水方案，将其作为方程(4)的输入X，得到预估产油量Og；
重复该步骤六，直到获得的预估产油量Og为最大值，以此时的注水方案为最佳分注注水方案。
作为优选的技术方案，以上步骤六中，基于灰狼算法生成最佳注水方案。
附图说明
图1为历史合注水量/合产油量/合产水量-时间曲线；
图2(包括2a/2b/2c/2d/2e/2f/2g/2h/2i/2j/2k/2m/2n/2p/2q/2r/2s/2t/2u/2v/2w/ 2x/2y/2z)为各井(P1/P2/P3/P4)各层(_1/_2/_3/_4)在时间点21-175上的预估拟合及历史真实产油量(_po)以及产水量(_pw)随时间变化的曲线；
图3(包括3a/3b/3c/3d/3e/3f/3g/3h/3i/3j/3k/3m/3n/3p/3q/3r/3s/3t/3u/3v/3w/ 3x/3y/3z)为各井(P1/P2/P3/P4)各层(_1/_2/_3/_4)在时间点175-205上的预估拟合及历史真实产油量(_po)以及产水量(_pw)随时间变化的曲线；
图4为历史合注水量/预估合产油量/历史合产油量-时间曲线。
具体实施方式
以下结合实施例和附图对本发明作进一步说明。
一种分注分采仿真模拟方法，其特征在于包括以下步骤：
步骤一、从同一零时刻开始，采集N口注水井的历史注水量wi,k,t，以及 M口生产井的历史产油量poj,k,t和历史产水量pwj,k,t，其中：
i＝1,2,3…,N；N为注水井总数；
j＝1,2,3…,M；M为生产井总数；
k＝1,2,3…,K；K为注采层数，注水层数和采油层数相对应；
t＝0,1,2…,T；T为数据采集终点时刻；
步骤二、根据采集得到的数据计算第t个时间点所有注水井各层的注水总量Wt，如方程(1)所示：
步骤三、计算能消除生产井中产油量的比率矩阵Roj,k,t，如方程(2)所示：
计算能消除生产井中产水量的比率矩阵Rwj,k,t，如方程(2a)所示：
步骤四、依据产油量的比率矩阵和方程(3)，对每一口生产井在每一个时刻上都进行趋势消除；
得到第j口生产井第k层t＝a时刻的产油量转换到t＝0时刻的值
其中，s＝t0表示初始t＝0时刻；
poj,k,t＝a表示第j口生产井第k层t＝a时刻的产油量；
Roj,k,t＝0表示第j口生产井第k层t＝0时刻的注水转化成油的比率；
Roj,k,t＝a表示第j口生产井第k层t＝a时刻的注水转化成油的比率；
依据产水量的比率矩阵和方程(3a)，对每一口生产井在每一个时刻上都进行趋势消除；
得到第j口生产井第k层t＝a时刻的产水量转换到t＝0时刻的值
其中，s＝t0表示初始t＝0时刻；
pwj,k,t＝a表示第j口生产井第k层t＝a时刻的产水量；
Rwj,k,t＝0表示第j口生产井第k层t＝0时刻的注水转化成水的比率；
Rwj,k,t＝a表示第j口生产井第k层t＝a时刻的注水转化成水的比率；
步骤五、建立注采关系模型
O＝G(Weights2(s(Weights1X+b1))+b2) 方程(4)
其中：
X表示各井各层的注水量；
Weightsh是层与层间的连接权重矩阵，h＝1,2；
bh为偏置向量，h＝1,2；
O是为产油量；
s和G是激活函数；
s＝S(y)；
G＝S(y)；
方程(4)的另一种表达方式为：
以wi,k,t作为X输入方程(4)，以对应的
其中：
W为产水量；
方程(4a)的另一种表达方式为：
以wi,k,t作为X输入方程(4a)，以对应的
步骤六、在相同的注水总量下，制定不同的注水方案，给定每口注水井的注水量，将其作为方程(4)的输入X，得到预估产油量Og；
重复该步骤六，直到获得的预估产油量Og为最大值，以此时的注水方案为最佳分注注水方案；并将该最佳分注注水方案输入方程(4a)，由此得到预估产水量Wg；
所述步骤六中，可以根据注水总量随机制定多组注水方案，以寻求最大预估产油量Og，从而确定最佳注水方案；
为了更有效的寻求最佳注水方案，还可以基于灰狼算法(GWO)生成最佳注水方案；GWO是受灰狼群的社会等级和狩猎行为启发而提出的参数优化算法，在自然界中，灰狼群的社会等级分为4个级别，由上至下依次为α狼、β狼、δ狼和ω狼，α狼、β狼、δ狼属于三头头狼，所有的ω狼的位置更新都依赖于这三头狼的位置，在本例中狼的位置记录着注水方案的各层注水量；具体的迭代寻优过程如下：
随机初始化R匹灰狼，将R匹狼依次作为X输入给注采关系模型的方程 (4)得到产油量和，并通过比较产油量和得到头狼α、头狼β、头狼δ的位置Yα、Yβ、Yδ和对应的油产量和，再进入迭代iter＝0，依次遍历每一匹灰狼，判断第r匹灰狼的各维度上的值是否落入历史各层注水的可行域区间，在区间外则赋予指定上界或下界，反之不做处理；将第r匹灰狼的位置Yr作为X输入给注采关系模型的方程(4)，得出当前第r匹灰狼计算出的各层产油量值和；判断第r匹灰狼的产油量和是否比头狼α、头狼β、头狼δ的产油量和更高，是则更新三只头狼的最新位置，否则三只头狼位置不做更新；通过方程组(5)和方程(6)更新第r匹狼的最新位置进行更新；
Az＝[2-iter*(2/Max_iteration)](2*rand(0,1)-1)
Cz＝2*rand(0,1),(z＝1,2,3)
Dα＝|C1Yα-Yr|
Dβ＝|C2Yβ-Yr|
Dδ＝|C3Yδ-Yr| 方程(5)；
其中：
Yα表示头狼α的位置；
Yβ表示头狼β的位置；
Yδ表示头狼δ的位置；
Yr表示第r匹灰狼当前的位置；
Yr(d+1)表示第r匹灰狼下一次的位置；
Az表示协同系数向量；
Cz为[0，2]区间的随机数；
Dα表示当前第r匹灰狼与头狼α之间的距离；
Dβ表示当前第r匹灰狼与头狼β之间的距离；
Dδ表示当前第r匹灰狼与头狼δ之间的距离；
当方程6中的|Az|≥1时，灰狼之间尽量分散在各区域并搜寻猎物，当|Az| ＜1时，灰狼将集中捜索某个或某些区域的猎物；看是否iter达到最大迭代次数Max_iteration，如达到，则返回此时的Yα，如果没达到，遍历每一匹灰狼通过方程(6)和方程(7)更新位置，若仍没达到则重复该步骤，获得最终的Yα的位置，作为最佳注水方案。
试验例：
从同一零时刻开始，采集5口3层正韵律型的注水井的注水数据，同时采集4口3层生产井的产油数据和产水数据，采集时间范围0-205；即N＝5， M＝4，K＝3，T＝205，得到各井各层在各时刻的注水量/产油量/产水量。
将同一时刻的各井各层注水量/产油量/产水量分别相加，得到历史合注水量/合产油量/合产水量，绘制得到的历史合注水量/合产油量/合产水量-时间曲线如图1所示；
随后使用时间点21至175的分注分采数据(注水量/产油量/产水量)进行学习和训练，建立注采关系模型(参数：输入层＝15，隐含层1＝15，隐含层 2＝10，隐含层2＝10，输出层＝24)；保持各井各层在每一时刻的注水总量不变，结合GWO算法(参数：灰狼数＝10，最大迭代＝200)给出每一时间点上最佳注水方案，再将时间点21至205的每一时刻的注水量依次输入到模型，分别获取各井各层在每一时间点上产油量，得到预估产油量Og以及预估产水量Wg，绘制各井各层的产量-时间曲线；将预估产油量Og以及预估产水量 Wg作为预估值Eestimate，以同时期(时间点21至205)的历史产油量poj,k,t和历史产水量pwj,k,t作为真实值Eture；利用方程(7)计算平均绝对误差MAE，结果如图2和图3所示，图2中f为155，图3中f为31。
其中图2是各井各层在时间点21至175的产量-时间系列曲线图，图3 是各井各层在时间点175至205的产量-时间系列曲线图；
图2和图3中，每个图左上角的符号含义为：
P1、P2、P3、P4分别表示第1、2、3、4口生产井；
_1、_2、_3分别表示第1、2、3采油层；
_po、_pw分别表示产油量和产水量；
为了评价以上最佳分注配水方法的效果和预估能力，可以使用平均绝对误差MAE来对模型进行评估，MAE的计算式如方程7所示：
其中：
Eture表示真实值；
Eestimate表示预估值；
f表示观察点的个数；
从图2和图3可以得出，以上方法不管在拟合还是在预估上的表现相当不错，产油量的MAE误差不大，可以应用于工程实践。
将以上各生产井在同一时刻的预估产油量合计，得到预估合产油量，绘制预估合产油量-时间曲线，如图4所示。图4中展示了21-205时刻的预估合产油量/历史合产油量-时间曲线。
从图4可以看出，采用以上方案，得到的预估合产油量相比于历史合产油量要高。
为了量化说明预估的产油量相对于历史真实的产油量来说提高了多少，此处定义了一个提高度指标，如方程(8)所示：
其中：
O1为各井各层在时间点21至205上的预估产油量的汇总；
O2为各井各层在时间点21至205上的历史真实产油量的汇总。
计算得到的结果如表1所示：
表1、各井各层在时间点21至205上的预估产油量和历史真实产油量的汇总表
从表1可以看出，各井各层在时间点21至205上的预估产油量的汇总相对于历史真实产油量的汇总高，平均提高12.21％，且每一层提高分布较均匀。说明采用以上方法，能在注水总量不变的情况下，通过对注水方案进行优化，达到增大产油量的效果。
通过GWO算法给出注水方案，并将该注水方案应用于工程实践，得到的真实产油量与相同注水方案下的预估产油量接近，预估结果贴近真实结果，说明采用以上方法，预估产油量较为准确，可以作为前期估算时的参考。
本发明的有益效果是，通过对注水方案进行优化，有助于提高分注分采的产油量，预估得到产油量贴近与真实产油量，具有给定最佳注水方案，提升产油量的效果，实践性较强，仿真度高。
最后需要说明的是，上述描述仅仅为本发明的优选实施例，本领域的普通技术人员在本发明的启示下，在不违背本发明宗旨及权利要求的前提下，可以做出多种类似的表示，这样的变换均落入本发明的保护范围之内。
