-
题名一种基于机器学习的井间水驱优势通道识别方法
被引量：1
- 1
-
-
作者
杨二龙
陈柄君
董驰
曾傲
张梓彤
-
机构
东北石油大学·提高油气采收率教育部重点实验室
东北石油大学三亚海洋油气研究院
-
出处
《钻采工艺》
北大核心
2025年第1期157-164,共8页
-
基金
海南省科技计划三亚崖州湾科技城联合项目“海上油气藏复杂流场分布规律研究”(编号:2021JJLH0059)
黑龙江省博士后科研启动资金项目“大庆油田二类油层聚合物驱窜聚动态识别与优化控制”(编号:LBH-Q21012)。
-
文摘
井间优势渗流通道的形成受多方面的因素综合影响,识别过程中需要分析的因素众多、过程复杂,最直观可靠的做法是通过剖面测试数据结合生产动态分析来判定,或者通过措施见效井来验证是否存在优势渗流通道,但是实际生产中剖面测试数据量不足,措施见效井分析结果又属于后验知识,时效性差,导致识别的精度和效率较低。因此,本文以大庆油田特高含水典型区块M区块为例,结合主控因素分析方法构建特征参数集,应用粒子群算法(PSO)优化深度置信神经网络(DBN)的结构参数,通过逐层递推和全局优化融合、有监督和无监督学习算法融合提升模型性能,形成了一种基于机器学习算法的注采井间优势通道识别的方法。构建的优势通道识别PSO-DBN模型应用于典型区块,识别准确率比未经过优化的DBN神经网络模型预测准确率提高了2.8%,比MLP神经网络模型预测准确率提高了8.6%,通过增补无标注样本、实现有监督和无监督学习算法融合,可以进一步提升识别精度。
-
关键词
特高含水油藏
井间优势通道
深度置信神经网络
算法融合
机器学习
-
Keywords
ultra high water cut reservoir
interwell dominant seepage channel
Deep Belief Network
algorithm fusion
machine learning
-
分类号
TE357.6
[石油与天然气工程—油气田开发工程]
TP181
[自动化与计算机技术—控制理论与控制工程]
-
