基于数据库的指数递减模型进行采油井批量产量预测方法与流程

计算;推算;计数设备的制造及其应用技术1.本发明属于采油井批量产量预测技术领域，具体涉及一种基于数据库的指数递减模型进行采油井批量产量预测方法。背景技术：2.油田开发的全过程，需要经历产量上升阶段、稳产阶段、产量递减阶段和油田开发后期阶段。具体如下：1、产量上升阶段(油井大量投产，1-2年)2、稳产阶段(采油速度＞设计80％)；3、产量递减阶段(含水低于90％)；4、油田开发后期阶段(递减转缓，可采速度＜1.5)。3.产量递减分析方法是预测和分析油藏动态的一种数理统计方法，即可预测油气田未来时间的产量和累积产量的变化，又可对油气田的可采储量和剩余可采储量做出有效的判断。4.现有的油气田产量预测方式为：利用excel自带功能，将单井产量数据导入到excle表中，通过手工方式，绘制每口单井产量趋势的拟合曲线，得到拟合方程，再根据拟合方程预测单井产量。5.以上油气田产量预测方式，具有以下问题：油气田产量预测效率低，费时费力，需要很长时间才能得到预测的产油产量。技术实现要素：6.针对现有技术存在的缺陷，本发明提供一种基于数据库的指数递减模型进行采油井批量产量预测方法，可有效解决上述问题。7.本发明采用的技术方案如下：8.本发明提供一种基于数据库的指数递减模型进行采油井批量产量预测方法，包括以下步骤：9.步骤1，对采油井在产油量递减阶段的产油量变化趋势进行分析研究，得到指数递减预测模型y＝aebx；其中，x为产油开采时间；y为产油量；b为指数；a为系数；e为自然常数；10.对指数递减预测模型y＝aebx的等式两边取自然对数，得到公式：lny＝ln(aebx)＝lna+bx；11.令y＝lny，a＝lna；其中，y和a分别为中间参数值；12.由此得到线性回归方程：y＝bx+a；其中，b为待求的目标值；13.步骤2，对于产油量待预测的n个采油井，分别在数据库中存储每个采油井的最近m个月的实际月产油量数据，表示为：(x1,y1)，(x2,y2),…,(xm,ym)；14.其中:15.(x1,y1)含义为：在最近的第x1＝1个月，其实际月产油量为y1；16.(x2,y2)含义为：在最近的第x2＝2个月，其实际月产油量为y2；17.依此类推18.(xm,ym)含义为：在最近的第xm＝m个月，其实际月产油量为ym；19.步骤3，根据oracle自带求斜率的函数regr_slope，采用下式，分别求出每个采油井的指数b，其中，指数b也称为月变化率：20.b＝regr_slope(y,x)＝regr_slope(lny,x)＝regr_slope((lny1,x1)，ln y2,x2),…,ln(ym,xm))；21.步骤4，判断月变化率b是否小于0，如果是，则执行步骤5；否则结束流程；22.步骤5，此时的月变化率b也称为月递减率；根据下式，得到年递减率d：23.年递减率d＝1-(1-月递减率b)1224.步骤6，根据月递减率b，对下一个月的月产油量进行预测；根据年递减率d，对下一年的年产油量进行预测；25.步骤7，批量输出每个采油井的月产油量和年产油量的预测结果。26.优选的，步骤6具体为：27.假设对于被预测的采油井，其在最近一个月的月实际产油量为p1，采用下式，得到下一个月的月产油量预测值q1：28.q1＝p1(1-b)29.假设对于被预测的采油井，其在最近一年的年实际产油量为p2，采用下式，得到下一年的年产油量预测值q2：30.q2＝p2(1-d)31.由此得到月产油量预测值和年产油量预测值。32.本发明提供的基于数据库的指数递减模型进行采油井批量产量预测方法具有以下优点：33.本发明提供一种基于数据库的指数递减模型进行采油井批量产量预测方法，本发明通过oracle数据库函数批量计算单井月递减率、年递减率，并预测月产量和年产量，由于不需要通过excle绘制拟合曲线以及求拟合方程，因此，本发明采油井批量产量预测效率高。附图说明34.图1为本发明提供的基于数据库的指数递减模型进行采油井批量产量预测方法的流程示意图。具体实施方式35.为了使本发明所解决的技术问题、技术方案及有益效果更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。36.本发明提供一种基于数据库的指数递减模型进行采油井批量产量预测方法，本发明通过oracle数据库函数批量计算单井月递减率、年递减率，并预测月产量和年产量，由于不需要通过excle绘制拟合曲线以及求拟合方程，因此，本发明采油井批量产量预测效率高。37.参考图1，本发明提供一种基于数据库的指数递减模型进行采油井批量产量预测方法，包括以下步骤：38.步骤1，对采油井在产油量递减阶段的产油量变化趋势进行分析研究，得到指数递减预测模型y＝aebx；其中，x为产油开采时间；y为产油量；b为指数；a为系数；e为自然常数；39.对指数递减预测模型y＝aebx的等式两边取自然对数，得到公式：lny＝ln(aebx)＝lna+bx；40.令y＝lny，a＝lna；其中，y和a分别为中间参数值；41.由此得到线性回归方程：y＝bx+a；其中，b为待求的目标值；42.步骤2，对于产油量待预测的n个采油井，分别在数据库中存储每个采油井的最近m个月的实际月产油量数据，表示为：(x1,y1)，(x2,y2),…,(xm,ym)；43.其中:44.(x1,y1)含义为：在最近的第x1＝1个月，其实际月产油量为y1；45.(x2,y2)含义为：在最近的第x2＝2个月，其实际月产油量为y2；46.依此类推47.(xm,ym)含义为：在最近的第xm＝m个月，其实际月产油量为ym；48.步骤3，根据oracle自带求斜率的函数regr_slope，采用下式，分别求出每个采油井的指数b，其中，指数b也称为月变化率：49.b＝regr_slope(y,x)＝regr_slope(lny,x)＝regr_slope((lny1,x1)，ln y2,x2),…,ln(ym,xm))；50.步骤4，判断月变化率b是否小于0，如果是，则执行步骤5；否则结束流程；51.步骤5，此时的月变化率b也称为月递减率；根据下式，得到年递减率d：52.年递减率d＝1-(1-月递减率b)1253.步骤6，根据月递减率b，对下一个月的月产油量进行预测；根据年递减率d，对下一年的年产油量进行预测；54.步骤6具体为：55.假设对于被预测的采油井，其在最近一个月的月实际产油量为p1，采用下式，得到下一个月的月产油量预测值q1：56.q1＝p1(1-b)57.假设对于被预测的采油井，其在最近一年的年实际产油量为p2，采用下式，得到下一年的年产油量预测值q2：58.q2＝p2(1-d)59.由此得到月产油量预测值和年产油量预测值。60.步骤7，批量输出每个采油井的月产油量和年产油量的预测结果。61.本发明提供一种基于数据库的指数递减模型进行采油井批量产量预测方法，具有以下特点：根据指数递减预测模型y＝aebx，将其变形为线性回归方程y＝bx+a，针对该线性回归方程，巧妙的采用oracle自带求斜率的函数regr_slope，可直接简单高效的求出月递减率，最终实现月产油量和年产油量的预测。因此，具有月产油量和年产油量预测简单高效的优点。62.综上所述，本发明提供一种基于数据库的指数递减模型进行采油井批量产量预测方法，本发明通过oracle数据库函数批量计算单井月递减率、年递减率，并预测月产量和年产量，由于不需要通过excle绘制拟合曲线以及求拟合方程，因此，本发明采油井批量产量预测效率高。63.以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视本发明的保护范围。









图片声明：本站部分配图来自人工智能系统AI生成,觅知网授权图片,PxHere摄影无版权图库。本站只作为美观性配图使用,无任何非法侵犯第三方意图,一切解释权归图片著作权方,本站不承担任何责任。如有恶意碰瓷者,必当奉陪到底严惩不贷!




内容声明：本文中引用的各种信息及资料（包括但不限于文字、数据、图表及超链接等）均来源于该信息及资料的相关主体（包括但不限于公司、媒体、协会等机构）的官方网站或公开发表的信息。部分内容参考包括:(百度百科,百度知道,头条百科,中国民法典,刑法,牛津词典,新华词典,汉语词典,国家院校,科普平台)等数据,内容仅供参考使用,不准确地方联系删除处理！本站为非盈利性质站点,发布内容不收取任何费用也不接任何广告!




免责声明：我们致力于保护作者版权，注重分享，被刊用文章因无法核实真实出处，未能及时与作者取得联系，或有版权异议的，请联系管理员，我们会立即处理，本文部分文字与图片资源来自于网络，部分文章是来自自研大数据AI进行生成,内容摘自(百度百科,百度知道,头条百科,中国民法典,刑法,牛津词典,新华词典,汉语词典,国家院校,科普平台)等数据,内容仅供学习参考,不准确地方联系删除处理!的,若有来源标注错误或侵犯了您的合法权益，请立即通知我们，情况属实，我们会第一时间予以删除，并同时向您表示歉意,谢谢!