基于RNN-DTW的注采井间连通性判断

明确注采井间连通情况对油田稳产、控水、提高采收率具有重要意义,而传统的判断方法施工较繁琐,且费用高。应用机器学习方法,基于RNN-DTW进行井间连通性分析,通过训练RNN神经网络模型并预测油井未来产液量,避免DTW算法由于注水传播见效延迟导致的注水量与注水见效后油井产液量的差异,并使用DTW算法分析注水量与产液量的相似程度,确定井间连通状况。现场应用结果表明,该方法的计算结果符合井组物性特征,可以作为油田现场判断注采井间连通性的一种方法。

基于反距离加权法的DTW-RNN神经网络吸水剖面预测模型

基于同位素吸水剖面法和分层注水量计算法在应用中存在这样或那样的不足,创新了一种油水井多层合注合采液量劈分技术方法。该方法是在实测吸水剖面资料的基础上,选取油层有效厚度、有效渗透率、措施系数、原油粘度等共8个因素作为建立预测模型的主要影响因素,以注入井的注水数据为输入值,通过反距离加权法以及时间规整算法对输入值进行距离计算,得到相关性较大的输入,最终通过循环神经网络进行预测建模。应用结果表明,该模型得到的各小层累积吸水量比传统KH计算值更接近实测吸剖结果,说明其具有一定的有效性。