[发明专利]基于深度学习和图论的全井网注水开发优化方法

权利要求书

1.一种基于深度学习和图论的全井网注水开发优化方法，其特征在于，具体方法如下：

(1)获取全注采目标井网的几何信息，构建得到深度卷积神经网络模型；具体包括：根据长周期内全注采井网特点，构建包括输入层、输出层、三层卷积层和池化层的卷积神经网络模型；

所述几何信息包括注水井数量、生产井数量、各个井点之间的距离和各个井点之间的相对位置；所述卷积层用于提取数据特征；池化层用于特征降维；

(2)根据全注采井网注水井和生产井的位置关系，以单个五点注采井网为基本单位对目标井网进行划分，并以基本单元五点网构建点汇有向图；所述有向图的不同节点代表不同生产井点和注水井点；

(3)获取目标井网的历史生产数据，并进行数据处理；具体为在历史生产数据中选择60％作为训练集，剩余40％作为验证集；

(4)利用步骤(3)所述的历史生产数据对所述卷积神经网络模型进行训练，建立应用于全井网注水开发优化的卷积神经网络模型，具体如下：

(41)根据基本单元五点网的点汇有向图结构构建得到度矩阵，同时确定卷积神经网络各个节点的输入特征中心值；

(42)根据基本单元的五点有向图结构，将与采油井相邻的四口注水井的注水量作为卷积神经网络的输入端，采油井的采油量和含水率作为卷积神经网络的输出端，设计得到目标函数；所述目标函数：

loss(x₁,x₂,x₃,x₄,y)＝w(θ)[J(x₁,x₂,x₃,x₄)-y]²

其中，x_i是第i号注水井的注水量；y是已知产油量；J代表神经网络所得到的预测产油量；Loss表示目标函数；w(θ)表示预测产油量的权值，即卷积神经网络中输出层前一层的权值；

(43)设置目标函数阈值，将步骤(3)所述训练集分为N组，并利用每一组的数据对单个五点注采井网的卷积神经网络进行迭代训练，直至步骤(42)所述目标函数值小于目标函数阈值，表示训练完成，得到卷积神经网络模型；

(44)设定准确率阈值，利用步骤(3)所述验证集对步骤(43)所述卷积神经网络进行验证，得到卷积神经网络模型的准确率，并判断卷积神经网络模型的准确率与设定准确率阈值大小；若卷积神经网络模型的准确率小于设定准确率阈值，表示卷积神经网络模型符合要求；否则返回步骤(43)重新对卷积神经网络进行训练。

2.根据权利要求1所述的一种基于深度学习和图论的全井网注水开发优化方法，其特征在于，步骤(1)所述构建得到深度卷积神经网络模型需要对注水井的注水参数进行卷积核扫描，添加虚拟井以保证注水井井位坐标呈m×n排列；其中m，n都是正整数；虚拟井的注水参数以0表示，表示不进行注水。

3.根据权利要求1所述的一种基于深度学习和图论的全井网注水开发优化方法，其特征在于，步骤(3)所述历史生产数据包括注水量、采油量、产液量和含水率。