产量预测建模 2: 静态结构化数据模型

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	$2\times 10^7$ t	0.8 × 10^7 t	0.15	30 mD	0.1	0	0.25	$1\times 10^{-4}$ MPa${}^{-1}$

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	$6\times 10^{-4}$ MPa${}^{-1}$

假设有 $m$ 个油田, 就可以获得一张 $m$ 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${}^3$/d	49.8 t/d
1144	29	24.53 MPa	198 m${}^3$/d	49.1 t/d
1145	31	24.55 MPa	201 m${}^3$/d	49.5 t/d
…	…	…	…	…
1218	40	17.21 MPa	240 m${}^3$/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 $m$ 个油田, 每个油田有 $n$ 天的生产数据, 则该表有 $mn$ 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