技术新讯 > 计算推算,计数设备的制造及其应用技术 > 一种油田探明储量预测方法、装置、电子设备及存储介质与流程  >  正文

一种油田探明储量预测方法、装置、电子设备及存储介质与流程

  • 国知局
  • 2024-10-21 14:21:55

本申请涉及油气勘探,具体地涉及一种油田探明储量预测方法、装置、电子设备及存储介质。

背景技术:

1、油气勘探规划研究是在地质规律、勘探发现规律、勘探状态、勘探潜力、增储趋势、规划方案研究的基础上的一项综合性研究工作,储量目标的制定是油气勘探规划的出发点也是落脚点,贯穿在整个规划方案编制的过程中。目前应用最广泛的国外油气储量增长趋势的预测方法包括基于生命旋回的哈伯特模型、翁氏模型、逻辑斯谛模型、高斯模型等,基于概率论与蒙特卡洛统计模拟法的油田规模序列法;国内在吸取传统数理模型的基础上建立对储量发现历史数据进行拟合的“帚状”预测模型以及针对勘探发现中储量“多峰”增长问题建立的多旋回哈伯特模型、多旋回高斯模型等。

2、现有的方法技术存在的主要问题包括:目前建立的预测模型常被用来预测盆地整个油气勘探生命旋回的资源量、最终探明储量,但是无法解决中短期储量增长预测的问题,如预测年度储量增长等;针对单一盆地或凹陷进行研究,而缺少对同种类型盆地的研究;目前的方法主要采用一元多项式拟合储量增长趋势,无法解决多变量对储量预测的影响,使得预测结果与客观实际存在差距。

技术实现思路

1、有鉴于此,本申请提供一种油田探明储量预测方法、装置、电子设备及存储介质,以利于解决现有技术中存在的问题。

2、第一方面,本申请实施例提供了一种油田探明储量预测方法,包括:

3、确定影响盆地探明储量增长的主控因素以及研究的基本单元和盆地类型,所述基本单元为油田的年度石油累计探明储量;

4、根据所述主控因素、研究的基本单元和盆地类型,建立机器学习样本数据集;

5、采用所述机器学习样本数据集对机器学习模型进行训练,获得年度石油累计探明储量预测模型;

6、采用所述年度石油累计探明储量预测模型对年度石油累计探明储量进行预测,获得预测结果。

7、在一种可能的实现方式中,所述确定影响盆地探明储量增长的主控因素,包括:

8、通过分析油田储量增长规律和发现历程,确定影响盆地探明储量增长的主控因素。

9、在一种可能的实现方式中,所述根据所述主控因素、研究的基本单元和盆地类型,建立机器学习样本数据集,包括:

10、将所述主控因素与年度石油累计探明储量进行相关性分析,确定与年度石油累计探明储量相关的属性数据;

11、根据所述盆地类型对应的油田的年度石油累计探明储量和属性数据,建立机器学习样本数据集。

12、在一种可能的实现方式中,所述主控因素包括探井数、进尺数和资源量。

13、在一种可能的实现方式中,在所述根据所述主控因素、研究的基本单元和盆地类型,建立机器学习样本数据集之后,所述方法还包括:

14、对所述机器学习样本数据集进行异常值检测;

15、若在所述机器学习样本数据集中检测到异常数据,则在所述机器学习样本数据集中删除所述异常数据。

16、在一种可能的实现方式中,在所述根据所述主控因素、研究的基本单元和盆地类型,建立机器学习样本数据集之后,所述方法还包括:

17、对所述机器学习样本数据集进行完整性分析;

18、若在所述机器学习样本数据集中检测到不完整数据,则将所述不完整数据补全。

19、在一种可能的实现方式中,所述采用所述机器学习样本数据集对机器学习模型进行训练,获得年度石油累计探明储量预测模型,包括:

20、在多种机器学习模型中筛选最优机器学习模型;

21、采用所述机器学习样本数据集对所述最优机器学习模型进行训练,获得年度石油累计探明储量预测模型。

22、在一种可能的实现方式中,所述最优机器学习模型为支持向量机svr。

23、第二方面,本申请实施例提供了一种油田探明储量预测装置,包括:

24、确定模块,用于确定影响盆地探明储量增长的主控因素以及研究的基本单元和盆地类型,所述基本单元为油田的年度石油累计探明储量;

25、样本数据集建立模块,用于根据所述主控因素、研究的基本单元和盆地类型,建立机器学习样本数据集;

26、训练模块,用于采用所述机器学习样本数据集对机器学习模型进行训练,获得年度石油累计探明储量预测模型;

27、预测模块,用于采用所述年度石油累计探明储量预测模型对年度石油累计探明储量进行预测,获得预测结果。

28、第三方面,本申请实施例提供了一种电子设备,包括:

29、处理器;

30、存储器;

31、以及计算机程序,其中所述计算机程序被存储在所述存储器中,所述计算机程序包括指令,当所述指令被所述处理器执行时,使得所述电子设备执行第一方面中任意一项所述的方法。

32、第四方面,本申请实施例提供了一种计算机可读存储介质,所述计算机可读存储介质包括存储的程序,其中,在所述程序运行时控制所述计算机可读存储介质所在设备执行第一方面中任意一项所述的方法。

33、本申请实施例提供的技术方案至少存在以下优点:

34、1)将油田按照盆地类型进行归类,将同类盆地作为一个整体进行研究,更能反映出不同类型盆地在储量增长趋势上的差异性,使得预测结果的适用范围更具有针对性。

35、2)在本申请中基于支持向量机算法,能够解决多元函数拟合的问题,相对于以往考虑因素较为单一的一元多项式拟合,更能真实得反映出储量增长是多因素影响叠加下的复杂过程。

36、3)将评价单元细化到油田的年度石油累计探明储量,基于机器学习方法建立的训练模型,通过学习油田的年度石油累计探明储量相关数据,形成的预测模型预测油田的年度石油累计探明储量,精度达到80%以上,从而能够更好得解决年度石油累计探明储量增长的预测问题,满足了年度勘探计划储量目标制定的需求。

技术特征:

1.一种油田探明储量预测方法,其特征在于,包括:

2.根据权利要求1所述的方法,其特征在于,所述确定影响盆地探明储量增长的主控因素,包括:

3.根据权利要求1所述的方法,其特征在于,所述根据所述主控因素、研究的基本单元和盆地类型,建立机器学习样本数据集,包括:

4.根据权利要求1-3任一项所述的方法,其特征在于,所述主控因素包括探井数、进尺数和资源量。

5.根据权利要求1所述的方法,其特征在于,在所述根据所述主控因素、研究的基本单元和盆地类型,建立机器学习样本数据集之后,所述方法还包括:

6.根据权利要求1所述的方法,其特征在于,在所述根据所述主控因素、研究的基本单元和盆地类型,建立机器学习样本数据集之后,所述方法还包括:

7.根据权利要求1所述的方法,其特征在于,所述采用所述机器学习样本数据集对机器学习模型进行训练,获得年度石油累计探明储量预测模型,包括:

8.根据权利要求7所述的方法,其特征在于,所述最优机器学习模型为支持向量机svr。

9.一种油田探明储量预测装置,其特征在于,包括:

10.一种电子设备,其特征在于,包括:

11.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质包括存储的程序,其中,在所述程序运行时控制所述计算机可读存储介质所在设备执行权利要求1至8中任意一项所述的方法。

技术总结本申请实施例提供的一种油田探明储量预测方法、装置、电子设备及存储介质,所述方法包括:确定影响盆地探明储量增长的主控因素以及研究的基本单元和盆地类型,所述基本单元为油田的年度石油累计探明储量;根据所述主控因素、研究的基本单元和盆地类型,建立机器学习样本数据集;采用所述机器学习样本数据集对机器学习模型进行训练,获得年度石油累计探明储量预测模型;采用所述年度石油累计探明储量预测模型对年度石油累计探明储量进行预测,获得预测结果。在本申请实施例中,考虑到不同类型盆地在储量增长趋势上的差异性,将油田按照盆地类型进行归类,把同类盆地作为一个整体进行研究,使得预测结果的适用范围更具有针对性。技术研发人员:石磊,曹晋,马立驰,郭元岭,蔡利学,程喆受保护的技术使用者:中国石油化工股份有限公司技术研发日:技术公布日:2024/10/17

本文地址:https://www.jishuxx.com/zhuanli/20241021/317874.html

版权声明:本文内容由互联网用户自发贡献,该文观点仅代表作者本人。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如发现本站有涉嫌抄袭侵权/违法违规的内容, 请发送邮件至 YYfuon@163.com 举报,一经查实,本站将立刻删除。