所谓静态模型, 是与动态 (时序) 模型相对应, 只需要考虑某个时间点的结构化数据即可.
本贴数据格式由罗皓整理.
1. 基于结构化地质数据的储量预测模型
表 1. 油田总产量与基础数据的关系
油田编号 | 静态地质储量 | 动态地质储量 | 孔隙度 | 渗透率 | 裂缝发育程度 | 溶洞发育程度 | 束缚水饱和度 | 岩石压缩系数 |
---|---|---|---|---|---|---|---|---|
1 | 2 × 1 0 7 2 × 10^7 2×107 t | 0.8 × 10^7 t | 0.15 | 30 mD | 0.1 | 0 | 0.25 | 1 × 1 0 − 4 1 × 10^{-4} 1×10−4 MPa − 1 ^{-1} −1 |
表 1 (续). 油田总产量与基础数据的关系
油田编号 | 原油相对密度 | 粘度 | 饱和压力 | 原油体积系数 | 原油压缩系数 |
---|---|---|---|---|---|
1 | 0.9 | 70 mPa·s | 25.0 MPa | 1.35 | 6 × 1 0 − 4 6 × 10^{-4} 6×10−4 MPa − 1 ^{-1} −1 |
假设有 m m m 个油田, 就可以获得一张 m m m 个实例的二维表, 用许多经典的机器学习方法就可以预测储量了 (如果储量就是动态地质储量).
2. 基于油井实时数据的产量预测模型
油井实时数据既可以包括静态数据, 也可以包括动态数据.
表 2. 油田动态数据与产量之间的关系 (静态数据如表 1 所示)
拥有前面静态数据的油田,在下面的前四组的动态参数下得到的产量为:
已开采天数 | 泵速 | 井底流动压力 | 日注水量 | 日产量 |
---|---|---|---|---|
1143 | 30 | 24.61 MPa | 200 m 3 ^3 3/d | 49.8 t/d |
1144 | 29 | 24.53 MPa | 198 m 3 ^3 3/d | 49.1 t/d |
1145 | 31 | 24.55 MPa | 201 m 3 ^3 3/d | 49.5 t/d |
… | … | … | … | … |
1218 | 40 | 17.21 MPa | 240 m 3 ^3 3/d | 28.1 t/d |
… | … | … | … | … |
与第 1 节同理, 这类结构化数据也是容易处理的. 为进行数据挖掘, 应将多张表 1 与 表 2 的数据合在一起构成一个大表. 最简单的方式, 设有 m m m 个油田, 每个油田有 n n n 天的生产数据, 则该表有 m n mn mn 个实例.
注意: 虽然我们使用到了变化的数据, 但在这里并未将其按时间序列进行建模. 例如, 第 1143 天与 1144 天的数据, 我们并未从时序的角度考虑其时间相邻性.
未完待续