CN119514743A 基于机器学习的油气藏井位部署方法、装置、设备及介质 (中国石油天然气股份有限公司)_第1页
CN119514743A 基于机器学习的油气藏井位部署方法、装置、设备及介质 (中国石油天然气股份有限公司)_第2页
CN119514743A 基于机器学习的油气藏井位部署方法、装置、设备及介质 (中国石油天然气股份有限公司)_第3页
CN119514743A 基于机器学习的油气藏井位部署方法、装置、设备及介质 (中国石油天然气股份有限公司)_第4页
CN119514743A 基于机器学习的油气藏井位部署方法、装置、设备及介质 (中国石油天然气股份有限公司)_第5页
已阅读5页,还剩27页未读, 继续免费阅读

下载本文档

版权说明:本文档由用户提供并上传,收益归属内容提供方,若内容存在侵权,请进行举报或认领

文档简介

基于机器学习的油气藏井位部署方法、装本发明公开了一种基于机器学习的油气藏待预测井位匹配的产量控制因素以及预先建立藏井已部署井位的产量控制因素以及产量控制因素匹配的井位产量进行回归训练得到的决策油气藏井位部署精度的同时,提升油气开采效2根据待预测井位匹配的产量控制因素以及预先建立的井位产量预测其中,所述井位产量预测模型是基于油气藏井已部署井位的根据目标特征子集以及目标特征子集中各产量控制因素匹配的井位产依次将目标特征集合中各目标产量控制因素输入至随机森林回根据第一重要性评估结果,移除目标特征集合中的至少一若本次递归匹配的目标特征集合非空,则返回执行依次将目若本次递归匹配的目标特征集合为空,则输出历次递归匹配的将目标特征子集中的目标产量控制因素作为决策树模型的输入,得3依次将参数种群中的模型参数组合作为决策树模型的参定各模型参数组合匹配的候选井位产量预测模型以及各候选井位产量预测模型的根据各模型参数组合匹配的候选井位产量预测模型以及各候选井位产量预测模型的匹配的候选井位产量预测模型作为井位产量预预测结果确定模块,用于根据待预测井位匹配的产量控制因素以其中,所述井位产量预测模型是基于油气藏井已部署井位的所述存储器存储有可被所述至少一个处理器执行的计算机程序,所述述至少一个处理器执行,以使所述至少一个处理器能够执行权利要求1_7中任一项所述的令,所述计算机指令用于使处理器执行时实现权利要求1_7中任一项所述的基于机器学习4量控制因素匹配的井位产量进行回归训练得到量控制因素匹配的井位产量进行回归训练得到5[0018]应当理解,本部分所描述的内容并非旨在标识本发明的实施例的关键或重要特[0020]图1是根据本发明实施例一提供的一种基于机器学习的油气藏井位部署方法的流[0021]图2A是根据本发明实施例二提供的一种基于机器学习的油气藏井位部署方法的[0025]图3是根据本发明实施例三提供的一种基于机器学习的油气藏井位部署装置的结[0026]图4是实现本发明实施例的基于机器学习的油气藏井位部署方法的电子设备的结员在没有做出创造性劳动前提下所获得的所有其他实施例,都应当属于本发明保护的范6[0030]图1为本发明实施例一提供了一种基于机器学习的油气藏井位部署方法的流程[0033]S120、根据待预测井位匹配的产量控制因素以及预先建[0034]电子设备可以将待预测井位匹配的产量控制因素作为井署井位的产量控制因素以及产量控制因素匹配的井位产量进行回归训练得到的决策树模Ω(ft)表示第t棵决策树的模型复杂度,w表示各叶子节点的预7[0043]图2A为本发明实施例二提供的一种基于机器学习的油气藏井位部署方法的流程8[0061]可以理解的,将目标特征集合中目标产量控制因素输入[0063]S230、根据目标特征子集以及目标特征子集中各产量控9证的方式来训练决策树模型。N折交叉验证的方式对决策树模型进行训练可以保证模型训及目标特征子集中各产量控制因素匹配的井位产量,对决策树模型进行至少一次回归训[0072]根据各模型参数组合匹配的候选井位产量预测模型以及各候选井位产量预测模组合匹配的候选井位产量预测模型作为井位产量产量预测模型,电子设备可以将误差最小的候选井位产量预测模型匹配的模型参数组合,[0079]S250、根据待预测井位匹配的产量控制因素以及预先建[0089]将每个井位控制因素作为一个特征,筛选的k个特征作为初始特征子集输入到随[0094]本实施例通过对油气开采过程中各项数据的预处理和分析,使用XGBoost算法对[0096]图3为本发明实施例三提供的一种基于机器学习的油气藏井位部署装置的结构示[0098]预测结果确定模块320,用于根据待预测井位匹配的产量控制因素以及预先建立量控制因素匹配的井位产量进行回归训练得到及目标特征子集中各产量控制因素匹配的井位产量,对决策树模型进行至少一次回归训[0117]根据各模型参数组合匹配的候选井位产量预测模型以及各候选井位产量预测模组合匹配的候选井位产量预测模型作为井位产量[0119]数据清洗模块,用于在获取油气藏井已部署井位的至少[0120]本发明实施例所提供的基于机器学习的油气藏井位部署装置可执行本发明任意有可被至少一个处理器执行的计算机程序,处理器411可以根据存储在只读存储器(ROM)412中的计算机程序或者从存储单元418加载到随机访问存储器(RAM)413中的计算机程序,通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息[0125]处理器411可以是各种具有处理和计算能力的通用和/或专用处理组件。处理器[0126]在一些实施例中,基于机器学习的油气藏井位部署方法的部分或者全部可以经由ROM412和/或通信单元419而被载入和/或安装到电子设备410机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释,该可编程处理器[0128]用于实施本发明的方法的计算机程序可以采用一个或多个编程语言的任何组合的油气藏井位部署装置的处理器,使得计算机程序当由处理器执行时使流程图和/或框图作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部字数据通信(例如,

温馨提示

  • 1. 本站所有资源如无特殊说明,都需要本地电脑安装OFFICE2007和PDF阅读器。图纸软件为CAD,CAXA,PROE,UG,SolidWorks等.压缩文件请下载最新的WinRAR软件解压。
  • 2. 本站的文档不包含任何第三方提供的附件图纸等,如果需要附件,请联系上传者。文件的所有权益归上传用户所有。
  • 3. 本站RAR压缩包中若带图纸,网页内容里面会有图纸预览,若没有图纸预览就没有图纸。
  • 4. 未经权益所有人同意不得将文件中的内容挪作商业或盈利用途。
  • 5. 人人文库网仅提供信息存储空间,仅对用户上传内容的表现方式做保护处理,对用户上传分享的文档内容本身不做任何修改或编辑,并不能对任何下载内容负责。
  • 6. 下载文件中如有侵权或不适当内容,请与我们联系,我们立即纠正。
  • 7. 本站不保证下载资源的准确性、安全性和完整性, 同时也不承担用户因使用这些下载资源对自己和他人造成任何形式的伤害或损失。

评论

0/150

提交评论