(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202211216243.X (22)申请日 2022.09.30 (71)申请人 常州大学 地址 213100 江苏省常州市武进区湖塘镇 滆湖中路21号 (72)发明人 王相　芮诚　邵志伟　 (74)专利代理 机构 南京禹为知识产权代理事务 所(特殊普通 合伙) 32272 专利代理师 褚晓英 (51)Int.Cl. G06F 30/27(2020.01) G06F 16/215(2019.01) G06N 3/04(2006.01) G06N 3/08(2006.01) G06Q 10/06(2012.01)G06Q 50/02(2012.01) (54)发明名称 一种基于数据驱动 的侧钻井井位优选方法 及装置 (57)摘要 本发明公开了一种基于数据驱动 的侧钻井 井位优选方法及装置， 包括： 根据专家经验和油 藏工程理论确定指标体系， 根据指标体系构建样 本集并对样 本集数据整理清洗并进行预处理； 对 预处理后的数据进行深度学习训练得到适用于 选井原则的神经网络模型， 基于适用于选井原则 的神经网络模型构建侧钻井井位效果智能预测 模型； 根据侧钻井井位效果智能预测模型的预测 结果构建新井指标参数优化数学模 型， 对侧钻井 新井指标数据进行迭代， 生 成最优侧钻井变流线 方案。 本发 明将侧钻井井位效果预测模型和 智能 优化算法相结合， 通过不断寻优获得最佳新井参 数得到最优侧钻井变流线 方案， 油田侧钻井方案 准确性高、 可靠性和客观性强， 提高了油田开采 效率和生产效益。 权利要求书3页 说明书8页 附图3页 CN 115510752 A 2022.12.23 CN 115510752 A 1.一种基于数据驱动的侧钻井 井位优选方法， 其特 征在于， 包括： 根据专家经验和油藏工程理论确定指标体系， 根据 所述指标体系构建样本集并对所述 样本集数据整理清洗并进行 预处理； 对所述预处理后的数据进行深度学习训练得到适用于选井原则的神经网络模型， 基于 所述适用于选井原则的神经网络模型构建侧钻井 井位效果智能预测模型； 根据所述侧钻井井位效果智能预测模型的预测结果构建新井指标参数优化数学模型， 对侧钻井新井指标 数据进行迭代， 生成最优侧钻井 变流线方案 。 2.如权利要求1所述的一种基于数据驱动的侧钻井井位优选方法， 其特征在于， 所述指 标体系包括： 原 始地质参数指标、 侧钻新井指标和开发效果指标三个一级指标； 所述原始地质参数指标包括： 剩余可采储量、 单井控制面积、 采出程度、 综合含水率、 地 层压力五个二级指标； 所述侧钻新井指标包括： 靶点 位置、 靶点、 老井点的距离三个二级指标； 所述开发效果指标包括： 平均产油量 一个二级指标。 3.如权利要求2所述的一种基于数据驱动的侧钻井井位优选方法， 其特征在于， 根据 所 述指标体系构建样本集， 对所述样本集数据整理清洗并进行 预处理， 包括： 样本集为侧钻井的动态和静态数据； 数据整理清洗包括： 数据缺失值的分析处 理、 异常值的分析、 一 致性分析； 所述数据缺失值的分析处理包括： 删除缺失值所在的记录， 均值替换和插补对缺失值 的处理； 所述异常值的分析包括： 删除含有异常值的记录， 插补把异常值视为 缺失值； 所述一致性分析包括： 当数据 出现不一致性 时， 对数据进行清洗和集成操作， 去除冗余 数据、 统一变量名、 统一数据的计量单位， 并使用最 新的数据消除不 一致性。 对所述样本数据进行归一 化预处理， 表示为： 其中， Xn为归一化的结果， X为要归一化的数据， Xmin为每列中的最小值组成的行向量， Xmax为每列中的最大值组成的行向量。 4.如权利要求3所述的一种基于数据驱动的侧钻井井位优选方法， 其特征在于， 对所述 预处理后的数据进行深度学习训练得到适用于 选井原则的神经网络模型， 包括： 构建BP神经网络包括： 输入层、 隐含层和输出层； 根据搭建的BP神经网络架构， 从样本 集中随机选取70％的数据构建的训练集带入BP神经网络模型中进行训练建立适用于选井 原则的神经网络模型， 并用剩余的30％的样本集作为验证集， 对训练好的预测模型进行效 果验证。 5.如权利要求 4所述的一种基于数据驱动的侧钻井 井位优选方法， 其特 征在于： 所述输入层数据包括： 剩余可采储量、 单井控制面积、 采出程度、 综合含水率、 地层压 力、 靶点位置、 靶点、 老井点； 所述输出层数据包括： 开发效果指标。 6.如权利要求4或5所述的一种基于数据驱动的侧钻井井位优选方法， 其特征在于， 根 据训练结果构建侧钻井 井位效果智能预测模型， 包括：权　利　要　求　书 1/3 页 2 CN 115510752 A 2当训练效果较好时， 则成功搭建了智能预测模型； 当验证效果 不佳时， 则对BP神经网络架构进行调优直至满足条件。 7.如权利要求6所述的一种基于数据驱动的侧钻井井位优选方法， 其特征在于， 根据 所 述侧钻井 井位效果智能预测模型的预测结果构建新井指标参数优化数 学模型， 包括： 以侧钻后开发效果指标为目标函数， 采用自适应协方差矩阵优化算法CMA ‑ES对侧钻井 新井指标 数据进行优化， 自适应协方差矩阵优化C MA‑ES算法， 表示 为： m(g)+σ(g)N(0,C(g))～N(m(g),( σ(g))2C(g)) 其中， ～为左右服从正态分布， N(0,C(g))为协方差矩阵C(g)的正态分布， 为第g+1 代的第k个后代； m(g)为第g代搜索分布的均值， σ(g)为第g代的步长， C(g)为第g代的协方差矩 阵， λ为抽样数量。 8.如权利要求7所述的一种基于数据驱动的侧钻井井位优选方法， 其特征在于， 对侧钻 井新井指标数据进行迭代， 生成最优侧钻井变流线方案， 包括： 输入优化变量参数包括： 靶 点位置、 靶点与老井点的距离； 设置各个优化变量 参数的初始值、 上 下限、 步长； 初始化CMA‑ES算法相关参数： 种群数目、 迭代次数、 边界约束； 若满足条件则 输出最优参数； 否则继续计算， 当平均产油量值最大时， 得到预测的最优 新井参数， 生成最优侧钻井 变流线方案 。 9.如权利要求8所述的一种基于数据驱动的侧钻井 井位优选方法， 其特 征在于： 所述靶点 位置， 表示 为： 其中， D1为靶点位置即侧钻靶点在目的层的位置即侧钻靶点距顶部的占目的层厚度的 比例， d1为侧钻靶点的垂直深度， d2为侧钻目的层顶部的深度， d3为侧钻目的层底深； 所述靶点与老井点的距离， 表示 为： 其中， D2为靶点与老井点的距离， x1为靶点的横坐标， y1为靶点的纵坐标， x2为老井点的 横坐标， y2为老井点的横坐标。 10.一种基于数据驱动的侧钻井井位优选装置， 其特征在于， 包括： 数据 预处理模块， 用 于根据专家经验和油藏工程理论确定指标体系， 根据所述指标体系构建样本集并对所述样 本集数据整理清洗并进行 预处理； 训练预测模块， 用于对所述预处理后的数据进行深度学习训练得到适用于选井原则的 神经网络模型， 基于所述适用于选井原则的神经网络模型构建侧钻井井位效果智能预测模 型； 数据优化模块， 用于根据所述侧钻井井位效果智能预模型的预测结果构建新井指标参权　利　要　求　书 2/3 页 3 CN 115510752 A 3