本發(fā)明涉及油氣田開(kāi)發(fā)，特別是涉及一種試井解釋模型的參數(shù)自動(dòng)擬合方法。

背景技術(shù)：

1、試井解釋模型可以評(píng)估井及油氣藏的特征參數(shù)，作為分析油氣藏模型特征的重要組成部分，試井解釋模型主要包括模型識(shí)別和參數(shù)擬合兩個(gè)部分。試井解釋參數(shù)擬合實(shí)質(zhì)上是尋求最佳參數(shù)情況下的理論曲線值和實(shí)際曲線值擬合呈現(xiàn)最優(yōu)，并達(dá)到最小殘差平方和。對(duì)于試井而言，可構(gòu)建正向模型和逆向模型，正向模型是通過(guò)求解方程得到的壓力瞬態(tài)模型函數(shù)，而逆向模型是根據(jù)觀察實(shí)際數(shù)據(jù)所推測(cè)出的未知模型參數(shù)的值。

2、高效地獲取準(zhǔn)確的擬合參數(shù)依賴于試井解釋參數(shù)自動(dòng)擬合系統(tǒng)，目前，盡管有一些較為成熟的自動(dòng)擬合算法，但存在擬合速度慢，擬合結(jié)果不準(zhǔn)確，擬合效果不穩(wěn)定等情況?？偟膩?lái)說(shuō)，目前關(guān)于試井解釋參數(shù)自動(dòng)擬合的算法均存在一定的局限性。

技術(shù)實(shí)現(xiàn)思路

1、為了克服現(xiàn)有技術(shù)的不足，本發(fā)明的目的是提供一種試井解釋模型的參數(shù)自動(dòng)擬合方法，解決了目前試井解釋參數(shù)擬合因人為因素和擬合困難導(dǎo)致的試井解釋效率低和質(zhì)量差的問(wèn)題，可以在有限時(shí)間內(nèi)獲取準(zhǔn)確的擬合參數(shù)，并且適用于多種試井解釋模型，具有很好的實(shí)用性，提高了試井解釋模型的效率和質(zhì)量。

2、為實(shí)現(xiàn)上述目的，本發(fā)明提供了如下方案：

3、一種試井解釋模型的參數(shù)自動(dòng)擬合方法，包括以下步驟：

4、獲取不同試井解釋模型擬合的主要影響參數(shù)；

5、對(duì)所述不同試井解釋模型擬合的主要影響參數(shù)進(jìn)行分析試算；

6、通過(guò)遺傳算法對(duì)分析試算后的試井解釋模型所有參數(shù)進(jìn)行初次擬合，得到初次擬合的擬合結(jié)果；

7、通過(guò)levenberg-marquarelt算法對(duì)所述初次擬合的擬合結(jié)果進(jìn)行二次擬合，獲得所述試井解釋模型的擬合參數(shù)結(jié)果，得到所述試井解釋模型準(zhǔn)確的解釋參數(shù)。

8、優(yōu)選地，獲取不同試井解釋模型擬合的主要影響參數(shù)，包括：

9、根據(jù)不同試井解釋模型的理論和特征，確定不同試井解釋模型擬合的參數(shù)；所述參數(shù)包括滲透率、表皮系數(shù)、井筒儲(chǔ)集系數(shù)、內(nèi)區(qū)半徑、流度比、導(dǎo)壓系數(shù)比、裂縫導(dǎo)流能力、裂縫半長(zhǎng)、裂縫儲(chǔ)容比、竄流系數(shù)、邊界距離；

10、根據(jù)不同試井解釋模型擬合參數(shù)對(duì)流動(dòng)階段的影響，獲取所述不同試井解釋模型擬合的主要影響參數(shù)。

11、優(yōu)選地，對(duì)所述不同試井解釋模型擬合的主要影響參數(shù)進(jìn)行分析試算，包括：

12、對(duì)原始試井?dāng)?shù)據(jù)進(jìn)行小波變換和磨光，獲取光滑的解釋曲線；

13、按照區(qū)間隨機(jī)分割的方式對(duì)所述光滑的解釋曲線進(jìn)行隨機(jī)分割，獲取得到特征點(diǎn)以及主要影響參數(shù)控制的流動(dòng)階段數(shù)據(jù)；

14、基于所述主要影響參數(shù)控制的流動(dòng)階段數(shù)據(jù)，通過(guò)dts技術(shù)分析試算所述主要影響參數(shù)，若不存在所述主要影響參數(shù)控制的流動(dòng)階段數(shù)據(jù)，則通過(guò)誤差分析對(duì)所述主要影響參數(shù)進(jìn)行分析試算。

15、優(yōu)選地，通過(guò)遺傳算法對(duì)分析試算后的試井解釋模型所有參數(shù)進(jìn)行初次擬合，得到初次擬合的擬合結(jié)果，包括：

16、根據(jù)不同試井解釋模型擬合參數(shù)的個(gè)數(shù)，選用自適應(yīng)遺傳算法或并行自適應(yīng)遺傳算法；

17、向所選用的遺傳算法中配置基礎(chǔ)參數(shù)，動(dòng)態(tài)調(diào)整所選用的遺傳算法；

18、將輪盤(pán)賭博法作為選擇方法，向所選用的遺傳算法中設(shè)定迭代與終止條件，獲取遺傳算法初步擬合結(jié)果。

19、優(yōu)選地，向所選用的遺傳算法中配置基礎(chǔ)參數(shù)，動(dòng)態(tài)調(diào)整所選用的遺傳算法，包括：

20、根據(jù)所選用的遺傳算法中目標(biāo)函數(shù)誤差表達(dá)式，計(jì)算目標(biāo)函數(shù)的誤差值；

21、通過(guò)目標(biāo)函數(shù)的誤差值定義適應(yīng)度函數(shù)；

22、通過(guò)所述適應(yīng)度函數(shù)和設(shè)定種群規(guī)模為基礎(chǔ)參數(shù)，動(dòng)態(tài)調(diào)整所選用的遺傳算法中交叉和變異系數(shù)表達(dá)式。

23、優(yōu)選地，所述目標(biāo)函數(shù)誤差表達(dá)式為：

24、

25、其中，e為擬合誤差；δp(measured)為實(shí)際觀測(cè)壓力值；δp(calculated)為理論計(jì)算壓力值；δp'(measured)為實(shí)際觀測(cè)壓力導(dǎo)數(shù)值；δp'(calculated)為理論計(jì)算壓力導(dǎo)數(shù)值；a為計(jì)算系數(shù)，取值為0.2；

26、所述適應(yīng)度函數(shù)為：

27、f＝e-1；

28、其中，f為適應(yīng)度函數(shù)，e為擬合誤差。

29、優(yōu)選地，通過(guò)所述適應(yīng)度函數(shù)和設(shè)定種群規(guī)模為基礎(chǔ)參數(shù)，動(dòng)態(tài)調(diào)整所選用的遺傳算法中交叉和變異系數(shù)表達(dá)式，包括：

30、種群規(guī)模設(shè)定為n×10，n為基礎(chǔ)參數(shù)個(gè)數(shù)，所述交叉和變異系數(shù)表達(dá)式為：

31、

32、其中，pc為交叉系數(shù)；pm為變異系數(shù)；f為適應(yīng)度函數(shù)；fmax為每代種群中最佳適應(yīng)度值；fave為每代種群的平均適應(yīng)度值；f’為進(jìn)行交叉?zhèn)€體中適應(yīng)度較大值；f”為進(jìn)行變異個(gè)體適應(yīng)度值；k1，k2，k3，k4均為相關(guān)系數(shù)，k1＝k2＝0.8，k3＝k4＝0.1。

33、優(yōu)選地，將輪盤(pán)賭博法作為選擇方法，向所選用的遺傳算法中設(shè)定迭代與終止條件，獲取遺傳算法初步擬合結(jié)果，包括：

34、確定遺傳算法的選擇方法為輪盤(pán)賭博法，設(shè)定最大迭代次數(shù)為15，最小迭代次數(shù)為5，通過(guò)試井解釋模型擬合誤差表達(dá)式進(jìn)行擬合：

35、

36、其中，εm為模型擬合誤差；n為擬合參數(shù)個(gè)數(shù)；an,c為當(dāng)前代最優(yōu)個(gè)體各擬合參數(shù)值；an,p為上一代最優(yōu)個(gè)體各擬合參數(shù)值；

37、通過(guò)上式，確定每相鄰兩代試井解釋模型擬合誤差，設(shè)定擬合誤差小于0.01為終止條件，以獲取遺傳算法初步擬合結(jié)果。

38、優(yōu)選地，通過(guò)levenberg-marquarelt算法對(duì)所述初次擬合的擬合結(jié)果進(jìn)行二次擬合，獲得所述試井解釋模型的擬合參數(shù)結(jié)果，確定所述試井解釋模型準(zhǔn)確的解釋參數(shù)，包括：

39、將所述初次擬合的擬合結(jié)果作為levenberg-marquarelt算法的初始值，進(jìn)行二次參數(shù)擬合，當(dāng)擬合相對(duì)誤差小于0.01％時(shí)，最終獲取所述試井解釋模型的解釋參數(shù)。

40、根據(jù)本發(fā)明提供的具體實(shí)施例，本發(fā)明公開(kāi)了以下技術(shù)效果：

41、本發(fā)明提供了一種試井解釋模型的參數(shù)自動(dòng)擬合方法，基于選擇的試井解釋模型，通過(guò)特征點(diǎn)提取技術(shù)，并結(jié)合dts技術(shù)或者誤差分析試算擬合主要影響參數(shù)，根據(jù)擬合參數(shù)數(shù)量結(jié)合遺傳算法或者并行遺傳算法，得到擬合的較優(yōu)解，再結(jié)合levenberg-marguarelt算法進(jìn)行二次擬合，獲取模型準(zhǔn)確的解釋參數(shù)，實(shí)現(xiàn)了實(shí)際觀測(cè)值和理論模型計(jì)算值在允許誤差范圍內(nèi)，同時(shí)該方法解決了目前試井解釋參數(shù)擬合因人為因素和擬合困難導(dǎo)致的試井解釋效率低和質(zhì)量差的問(wèn)題，可以在有限時(shí)間內(nèi)獲取準(zhǔn)確的擬合參數(shù)，適用于多種試井解釋模型，具有很好的實(shí)用性，提高了試井解釋模型的效率和質(zhì)量。

技術(shù)特征：

1.一種試井解釋模型的參數(shù)自動(dòng)擬合方法，其特征在于，包括以下步驟：

2.根據(jù)權(quán)利要求1所述的一種試井解釋模型的參數(shù)自動(dòng)擬合方法，其特征在于，獲取不同試井解釋模型擬合的主要影響參數(shù)，包括：

3.根據(jù)權(quán)利要求1所述的一種試井解釋模型的參數(shù)自動(dòng)擬合方法，其特征在于，對(duì)所述不同試井解釋模型擬合的主要影響參數(shù)進(jìn)行分析試算，包括：

4.根據(jù)權(quán)利要求1所述的一種試井解釋模型的參數(shù)自動(dòng)擬合方法，其特征在于，通過(guò)遺傳算法對(duì)分析試算后的試井解釋模型所有參數(shù)進(jìn)行初次擬合，得到初次擬合的擬合結(jié)果，包括：

5.根據(jù)權(quán)利要求4所述的一種試井解釋模型的參數(shù)自動(dòng)擬合方法，其特征在于，向所選用的遺傳算法中配置基礎(chǔ)參數(shù)，動(dòng)態(tài)調(diào)整所選用的遺傳算法，包括：

6.根據(jù)權(quán)利要求5所述的一種試井解釋模型的參數(shù)自動(dòng)擬合方法，其特征在于，所述目標(biāo)函數(shù)誤差表達(dá)式為：

7.根據(jù)權(quán)利要求6所述的一種試井解釋模型的參數(shù)自動(dòng)擬合方法，其特征在于，通過(guò)所述適應(yīng)度函數(shù)和設(shè)定種群規(guī)模為基礎(chǔ)參數(shù)，動(dòng)態(tài)調(diào)整所選用的遺傳算法中交叉和變異系數(shù)表達(dá)式，包括：

8.根據(jù)權(quán)利要求4所述的一種試井解釋模型的參數(shù)自動(dòng)擬合方法，其特征在于，將輪盤(pán)賭博法作為選擇方法，向所選用的遺傳算法中設(shè)定迭代與終止條件，獲取遺傳算法初步擬合結(jié)果，包括：

9.根據(jù)權(quán)利要求1所述的一種試井解釋模型的參數(shù)自動(dòng)擬合方法，其特征在于，通過(guò)levenberg-marquarelt算法對(duì)所述初次擬合的擬合結(jié)果進(jìn)行二次擬合，獲得所述試井解釋模型的擬合參數(shù)結(jié)果，得到所述試井解釋模型準(zhǔn)確的解釋參數(shù)，包括：

技術(shù)總結(jié)
本發(fā)明提供了一種試井解釋模型的參數(shù)自動(dòng)擬合方法，屬于油氣田開(kāi)發(fā)技術(shù)領(lǐng)域，包括：獲取不同試井解釋模型擬合的主要影響參數(shù)；對(duì)不同試井解釋模型擬合的主要影響參數(shù)進(jìn)行分析試算；通過(guò)遺傳算法對(duì)分析試算后的試井解釋模型所有參數(shù)進(jìn)行初次擬合，得到初次擬合的擬合結(jié)果；通過(guò)Levenberg?Marquarelt算法對(duì)初次擬合的擬合結(jié)果進(jìn)行二次擬合，獲得試井解釋模型的擬合參數(shù)結(jié)果，得到試井解釋模型準(zhǔn)確的解釋參數(shù)。本發(fā)明解決了目前試井解釋參數(shù)擬合因人為因素和擬合困難導(dǎo)致的試井解釋效率低和質(zhì)量差的問(wèn)題，可以在有限時(shí)間內(nèi)獲取準(zhǔn)確的擬合參數(shù)，適用于多種試井解釋模型，具有很好的實(shí)用性，提高了試井解釋的效率和質(zhì)量。

技術(shù)研發(fā)人員：劉啟國(guó),葉東錦,楊思涵,王勁帆,李明
受保護(hù)的技術(shù)使用者：西南石油大學(xué)
技術(shù)研發(fā)日：
技術(shù)公布日：2024/12/19