一种基于一维卷积神经网络的试井模型智能识别方法.pdf
《一种基于一维卷积神经网络的试井模型智能识别方法.pdf》由会员分享,可在线阅读,更多相关《一种基于一维卷积神经网络的试井模型智能识别方法.pdf(7页珍藏版)》请在咨信网上搜索。
1、2024 年 4 月 第 33 卷 第 2 期 评价解释与应用文章编号:1004-4388(2024)02-0072-07 2023-11-05 收稿,2023-12-20 修回,2024-02-20 接受,2024-04-20 网络版发表一种基于一维卷积神经网络的试井模型智能识别方法齐占奎1,张新鹏2,刘旭亮3,查文舒4,李道伦41.中国石油大庆油田测试技术服务分公司 黑龙江大庆 1634532.中国石油华北油田公司第三采油厂 河北河间 0624503.合肥大学人工智能与大数据学院 安徽合肥 2306014.合肥工业大学数学学院 安徽合肥 230026通讯作者:Email:liuxl 项目支
2、持:国家自然科学基金项目(1217020361);大庆油田项目“水驱常规试井资料智能解释系统研究”(dqp-2020-cs-ky-002)引用:齐占奎,张新鹏,刘旭亮,等.一种基于一维卷积神经网络的试井模型智能识别方法J.油气井测试,2024,33(2):72-78.Cite:QI Zhankui,ZHANG Xinpeng,LIU Xuliang,et al.An intelligent method for identifying well testing models based on one-dimensional convolutional neural networkJ.Well
3、Testing,2024,33(2):72-78.摘要 为提高试井分析工作效率,实现试井模型的自动识别,提出了基于一维卷积神经网络(1D CNN)的试井模型智能识别方法。根据实测数据的特点,提出基于理论曲线构建样本库的原则与方法,并构建了4 种常用油藏模型的训练样本库;建立了一维卷积神经网络模型,将样本库中双对数曲线的压力变化和压力导数数据作为输入,油藏类别作为网络输出训练及优化网络,总识别准确率可达 99.16%,敏感度均在 98%以上。经 4 口井实例应用,正确识别试井模型的概率大于 0.99,与二维卷积神经网络相比,1D CNN 显著降低了计算复杂度和时间成本,加快了训练速度。这表明基于
4、试井理论所构建的样本库是有效的,能满足实测数据模型识别的需求;同时证明了方法的有效性、实用性和普适性。关键词 试井模型;一维卷积神经网络;智能识别;深度学习;自动解释;模型识别;样本库中图分类号:TE353 文献标识码:B DOI:10.19680/ki.1004-4388.2024.02.012An intelligent method for identifying well testing models based on one-dimensional convolu-tional neural networkQI Zhankui1,ZHANG Xinpeng2,LIU Xuliang3
5、,ZHA Wenshu4,LI Daolun41.Daqing Well Logging Technology Service Company,Daqing,Heilongjiang 163453,China2.The Third Oil Production Plant of PetroChina Huabei Oilfield Company,Hejian,Hebei 062450,China3.School of Artificial Intelligence and Big Data,Hefei University,Hefei,Anhui 230601,China4.Departme
6、nt of Applied Mathematics,Hefei Technology University,Hefei,Anhui 230026,ChinaAbstract:In order to improve the efficiency of well testing analysis and achieve the automatic identification of well testing models,an intelligent identification method based on one-dimensional convolutional neural networ
7、k(1D CNN)was proposed.According to the characteristics of measured data,principles and methods based on constructing a sample library using theoretical curves were proposed,and training sample libraries for four commonly used reservoir models were constructed.A one-dimensional convolutional neural n
8、etwork model was established.By using the pressure variation data and pressure derivative data of double logarithmic curves in the sample library as inputs,and the reservoir category as the output for training and optimizing the network,the overall identification accuracy can reach 99.16%,with sensi
9、tivities all above 98%.Through application cases from four wells,the probability of correctly identifying well testing models is greater than 0.99.Compared with two-dimensional convolutional neural networks,1D CNN significantly reduces computational complexity and time costs,which speeds up the trai
10、ning process.This indicates that the sample library constructed based on well testing theory is effective and can meet the requirements of model identification for measured data,and simultaneously,it also demonstrates the effectiveness,practicality,and universality of this method.Keywords:well testi
11、ng model;one-dimensional convolutional neural network;intelligent identification;deep learning;automatic interpretation;model identification;sample library 在油田开发中,试井是掌握油气开发动态的重要依据,它以渗流力学理论为基础,研究试井数据第 33 卷 第 2 期齐占奎等:一种基于一维卷积神经网络的试井模型智能识别方法内在规律,从而解释油藏参数1-3。试井解释包括油藏模型识别、试井参数解释两个阶段。油藏模型识别是试井解释的基础,是由试井人员
12、进行判断,结果因人而异4-6。虽然深度学习在油气田渗流方程求解中的应用较晚7,早在 20 世纪 90 年代,人工神经网络(ANN)已开始在试井中应用。很多学者研究了试井模型的自动识别。Allian 和 Houze 将神经网络和符号方法组合,使用人工神经网络识别油藏模型,并使用符号方法估计储层参数8。Vaferi 等9应用多层感知器网络(MLP)对不同外边界的均质和双孔隙油藏模型进行自动识别,将压力导数曲线作为网络的输入,每个模型仅有 120 个样本,从而无法包含所有情形。Ghaffarian 等10在单个 MLP 和耦合MLP 中引入了拟压力导数来区分不同的凝析气藏模型。Vaferi 等11应
13、用压力导数图的离散小波系数作为神经网络的输入进行油藏模型识别。基于传统人工神经网络的试井分析方法存在以下问题:首先,不是使用所有的原始压力及其导数数据,而是选择曲线的部分特征参数作为网络的输入,这需要复杂的人工计算,无法实现试井自动化。例如,Adibifard 方法,要从实测压力数据中获取Chebysehv 多项式系数。其次,人工所提取的特征只对简单模型适应,对稍微复杂的径向复合模型就难以适用,更不用说更为复杂的模型。最后,试井曲线复杂多变,需要大量的数据训练才能得到可靠的网络。然而,传统的人工神经网络通常只有一个隐藏层,不能学习大量试井数据所对应的油藏模型,解释精度不高。在大数据时代下,深度
14、学习技术和理论取得了突破性进展,其在计算机视觉、自然语言处理、语音识别和语义分析等方面都取得了杰出的成就。近年来,深度学习在油田领域的应用越来越多,如DUAN 等12利用测井数据,提出了一种基于深度学习神经网络和粒子群优化的机械钻速优化方法,可以有效地预测钻速,优化钻井参数;ZHA 等13采用CNN-LSTM 神经网络结构自动捕获采出程度,出水井数,生产井数与产量之间的隐藏关系,并同时用于预测产气和产水;Ricard 等14提出一种生成神经网络与分割任务相结合的新方法用于地震解释,该方法可以有效减少带注释的训练数据和未解释的目标数据之间的差距;Janssens 等15使用生成对抗神经网络(GA
15、Ns)的超分辨率方法人工提高计算机断层扫描(CT)的岩石图像分辨率;SHEN 等16提出了一种基于两个网络模块的以单源或单汇为边界条件求解多孔渗流方程的物理方法等。目前,深度学习已经开始在油藏模型识别中应用。2019 年,CHU 等17将卷积神经网络(CNN)用于识别致密储层的试井模型;2021 年 Alizadeh 等18利用 GoogleNet(一种连续小波变换和深度卷积神经网络的新组合)进行油藏模型识别,网络输入为关井压力二维图;同年,LIU 等19将双对数曲线中压力数据与压力导数数据转化为二维矩阵作为二维卷积神经网络(2D CNN)的输入,建立8 种油藏的识别模型。二维卷积存在计算速度
16、慢、占用空间大等缺点。一维卷积神经网络在实时心电图(ECG)分类、多季节高光谱图像分类、轴承故障检测、自然语言处 理 和 语 音 识 别 等 许 多 领 域 取 得 了 良 好成就20-22。同时,在使用传统神经网络进行模型识别时,受限于网络,一般所需样本都很小。这样训练后的网络不能包容所有情形,因而不具有实用价值。对深度学习网络,样本数量可达十万、百万、甚至千万,因而样本能包含各种情形,从而训练后的神经网络对实测数据具有普适性,从而具有实用价值。这也带来另一难题,如何获得如此数量的样本?显然,这只能基于理论曲线进行构建。详细的构建过程将另文详述。现简要给出样本库建立的原则与方法。基于一维卷积
17、神经网络(1D CNN),提出新的油藏模型自动识别方法,将双对数曲线中压力数据与压力导数数据直接作为一维卷积神经网络的输入,输出为油藏类别,建立了无限大油藏、变井储无限大油藏、径向复合油藏和变井储径向复合油藏模型识别网络。经过预处理后所构建的样本与实测数据匹配,大大提高了实测数据的识别准确率。1 油藏模型与卷积网络 试井通常包括两个阶段:(1)油藏模型识别;(2)试井解释参数估计。油藏模型识别是试井分析的第一步,也是必不可少的一步。将卷积神经网络应用于油藏模型识别,提出一种新的试井模型智能识别方法。1.1 油藏模型 4 种常用油藏模型分别为定井储无限大油藏、372024 年 4 月变井储无限大
18、油藏、定井储径向复合油藏和变井储径向复合油藏。其他模型如河道油藏、矩形油藏等在实际油田开发中,应用很少,不在考虑范围之内。无限大油藏指具有无限大边界的均质油藏。径向复合模型是指油藏由两个独立的区域组成:以井为中心的圆形内区、无限大的外区。变井储是在压力恢复试井过程中,当液体和气体同时流动,井筒流体从稳定流转变为不稳定流时发生的井筒储存改变的现象23-24。同样的油藏模型,井储改变使得类型曲线井储段不再为直线,需要采用变井储模型进行解释。1.2 卷积神经网络 深度学习是目标识别的有力工具,它的灵感来自生命的生物机制,强大的数据驱动能力是其独特优势。卷积神经网络是最具有代表性的深度学习算法之一,在
19、大规模图像处理中有着优异的性能。卷积神经网络基本架构是由五个不同的层组成:输入层、卷积层、池化层、全连接层、输出层。卷积层和池化层可以有效提取特征,全连接层将捕获的特征映射到最终输出25-26。卷积层包括多个卷积滤波器,这些滤波器在输入信号上滑动并使用滤波器对输入信号执行卷积操作。卷积层受局部视野的启发,忽略局部区域外的微弱影响,保留空间位置信息,大大减少了参数的数量。在卷积层之后通常使用激活函数对输出进行非线性变换,提高网络的表达能力。池化层通过降低特征面的分辨率来获得具有空间不变性的特征,同时也减少了参数的数量。例如,最大池化方法只提供相邻矩阵区域的最大值,以简化网络,减少计算量。全连接层
20、将前一层中所有激活的神经元完全连接起来,其目的是整合卷积层或池化层提取的特征。1.3 基于卷积神经网络的油藏模型自动识别方法 很多论文研究了试井模型识别,但样本数量少,所训练模型难以具有实用价值。为此,采用理论曲线构建训练样本,使得样本数量可扩大至 10 万量级。为减少网络复杂度,采用一维卷积网络构建试井模型自动识别方法。1.3.1 样本库构建方法样本库构建十分困难。深度学习所需样本量巨大,实测数据很难满足需求。采用试井软件生产理论试井曲线,然后基于理论数据构建样本库。由于实测数据往往只有 23 天,所截取的样本库里的数据也只有 23 天。从理论试井曲线所截取的样本可能会重合。例如,对半无限大
21、油藏,当井离边界很远时,由于只截取 3 天的数据,其边界特征可能不会出现,从而与无限大油藏的某条试井曲线重合。截取数据时,要考虑三个原则:(1)理论数据的起点要与实测数据的起点分布相同:由于压力计的采样频率、噪音等影响,实测曲线的时间起点各异。在截取理论数据时,截取数据与实测曲线的时间起点应在同样的范围内,理论数据与实测数据的起点分布范围相同。(2)在每个理论数据上截取多条数据,以满足多变的实测数据。(3)实测曲线与理论曲线在井储段时间应相似:实测曲线与理论曲线的井储段的时间差异很大,截取理论数据时需要匹配井储段,使理论数据与实测数据在井储段的时间处于相同的范围。截取后的数据须进行系列处理:(
22、1)删除同一模型的相同数据:对无限大模型,不同的井储、表皮、渗透率的组合参数可能相同,从而导致相同的试井曲线;(2)删除不同模型间的相同数据:由于截取原因,径向复合模型的曲线可能与无限大模型相同,为此就需要删除径向复合模型里的试井曲线,而无限大模型的曲线保留;(3)数据加噪音,以模拟实测数据的噪音:一般来说,实测数据的噪音主要在早期段,可适当加大噪音。后期段压力数据噪音小,所加噪音也应小些。1.3.2 模型训练与识别基于卷积神经网络的油藏模型自动识别方法的实现步骤如下:首先生成并预处理 4 个油藏模型的试井数据;其次,利用处理后的数据对卷积神经网络进行训练和优化;最后,训练得到的最优卷积神经网
23、络可以用于油藏模型的自动识别。下面分别详细论述。(1)数据生成和预处理每个油藏模型分别采集 10 万个双对数曲线,其中 99.8%是利用解析试井计算得到的模拟数据,0.2%为实测数据。模拟数据的参数取值范围如表1 所示。每条双对数由压力变化曲线和压力导数曲线组成,每条曲线有 7 个对数周期,140 个数据点。然而,实测数据曲线大多不完整,只有 4 个对数周期,80 个数据点。为了保持输入维数的一致性,对47第 33 卷 第 2 期齐占奎等:一种基于一维卷积神经网络的试井模型智能识别方法每个油藏的双对数图截取连续的 80 个点。同时,由于实测数据曲线大多不光滑且有噪声,因此在模拟数据中加入高斯噪
24、声,以提高实测数据的分类精度,增强网络泛化能力。表 1 模拟数据的试井参数范围Table 1 Parameter range of theoretical data模型参数CDe2SCDCDMFRf均质模型径向复合油藏最小值0.017 00.000 2-19.868/最大值7.81108354.08220.52/最小值0.010 00.005 7-0.991 10.010.0110最大值1109989.44221.801001001104 将压力变化和压力导数数据直接作为一维卷积神经网络的输入,相应的模型类别标签作为输出进行训练和测试。模型类别标签是一组值的集合,它等于油藏模型种类的数量,标签
25、值根据油藏类型取 0 或 1。例如,如果输入数据属于模型 1,则标签的第一个值为 1,其余值为 0,即为(1,0,0,0),如果输入数据属于模型 2,则第二个标签值为 1,其余值为 0,即为(0,1,0,0),以此类推。(2)一维卷积神经网络的训练和优化随机选取 80%和 20%的数据分别用于训练和测试。通过不断的训练和优化得到的最优的卷积神经网络架构如表 2 所示。该网络有 21 层,其中卷积层 13 层,最大池化层 5 层,全连接层 3 层。对于卷积和最大池化操作,卷积核尺寸设置为 3 和 2,步长分别设置为 1 和 2(第一层卷积层的步长为 2)。表 2 最优的卷积神经网络架构Table
- 配套讲稿:
如PPT文件的首页显示word图标,表示该PPT已包含配套word讲稿。双击word图标可打开word文档。
- 特殊限制:
部分文档作品中含有的国旗、国徽等图片,仅作为作品整体效果示例展示,禁止商用。设计者仅对作品中独创性部分享有著作权。
- 关 键 词:
- 一种 基于 卷积 神经网络 模型 智能 识别 方法
1、咨信平台为文档C2C交易模式,即用户上传的文档直接被用户下载,收益归上传人(含作者)所有;本站仅是提供信息存储空间和展示预览,仅对用户上传内容的表现方式做保护处理,对上载内容不做任何修改或编辑。所展示的作品文档包括内容和图片全部来源于网络用户和作者上传投稿,我们不确定上传用户享有完全著作权,根据《信息网络传播权保护条例》,如果侵犯了您的版权、权益或隐私,请联系我们,核实后会尽快下架及时删除,并可随时和客服了解处理情况,尊重保护知识产权我们共同努力。
2、文档的总页数、文档格式和文档大小以系统显示为准(内容中显示的页数不一定正确),网站客服只以系统显示的页数、文件格式、文档大小作为仲裁依据,平台无法对文档的真实性、完整性、权威性、准确性、专业性及其观点立场做任何保证或承诺,下载前须认真查看,确认无误后再购买,务必慎重购买;若有违法违纪将进行移交司法处理,若涉侵权平台将进行基本处罚并下架。
3、本站所有内容均由用户上传,付费前请自行鉴别,如您付费,意味着您已接受本站规则且自行承担风险,本站不进行额外附加服务,虚拟产品一经售出概不退款(未进行购买下载可退充值款),文档一经付费(服务费)、不意味着购买了该文档的版权,仅供个人/单位学习、研究之用,不得用于商业用途,未经授权,严禁复制、发行、汇编、翻译或者网络传播等,侵权必究。
4、如你看到网页展示的文档有www.zixin.com.cn水印,是因预览和防盗链等技术需要对页面进行转换压缩成图而已,我们并不对上传的文档进行任何编辑或修改,文档下载后都不会有水印标识(原文档上传前个别存留的除外),下载后原文更清晰;试题试卷类文档,如果标题没有明确说明有答案则都视为没有答案,请知晓;PPT和DOC文档可被视为“模板”,允许上传人保留章节、目录结构的情况下删减部份的内容;PDF文档不管是原文档转换或图片扫描而得,本站不作要求视为允许,下载前自行私信或留言给上传者【自信****多点】。
5、本文档所展示的图片、画像、字体、音乐的版权可能需版权方额外授权,请谨慎使用;网站提供的党政主题相关内容(国旗、国徽、党徽--等)目的在于配合国家政策宣传,仅限个人学习分享使用,禁止用于任何广告和商用目的。
6、文档遇到问题,请及时私信或留言给本站上传会员【自信****多点】,需本站解决可联系【 微信客服】、【 QQ客服】,若有其他问题请点击或扫码反馈【 服务填表】;文档侵犯商业秘密、侵犯著作权、侵犯人身权等,请点击“【 版权申诉】”(推荐),意见反馈和侵权处理邮箱:1219186828@qq.com;也可以拔打客服电话:4008-655-100;投诉/维权电话:4009-655-100。