1.本发明属于油气田勘探开发领域，尤其涉及海上油田水驱采收率预测方法。
背景技术：2.采收率是评价一个油田开发效果的重要参数，在开发方案设计以及调整工作中，一直是油藏工作者关心的问题。
3.由于渤海油田天然能量不足，86％的储量需要注水开发补充能量；且由于海上油田投资成本较高，需要确定合理采收率以及各种措施开发效果，做好工程预留。因此，研究海上油田水驱采收率计算模型，为注水开发油田提供评价依据具有重要意义。
4.目前，针对采收率的预测方法主要包括：静态法和动态法，其中，静态法适用于未开发油田和开发早期油田，主要包括：类比法和经验公式法；动态法则适用于油田具有一定开发时间、生产动态资料丰富、具有一定开发规律的油田，主要包括：水驱曲线法，递减曲线法以及数值模拟法等。但是，目前的采收率预测方法在海上应用时，均存在一定程度的不适应性，如：静态法中的类比法：其是在定量预测采收率时主观性较强；经验公式法：一般来源于陆地油田，与海上油田相比，措施相对较多，井网密度相对较大。而动态法：则要求生产动态资料较多，而海上油田受到成本的制约，资料录取相对较少。因此，急需建立一种海上油田的采收率预测方法，以指导海上油田的采收率预测。
技术实现要素：5.本发明目的在于提供一种海上油田水驱采收率预测方法,以解决海上油田水驱采收率预测的技术问题。
6.为实现上述目的，本发明的海上油田水驱采收率预测方法的具体技术方案如下：
7.一种海上油田水驱采收率预测方法，包括：以下步骤：
8.第一步：根据研究对象地质油藏特征，确定类比油田；
9.第二步：对类比油田生产动态数据进行历史拟合；
10.第三步：预测类比油田的采收率，并开展采收率敏感性分析；
11.第四步：基于采收率预测结果构建机器学习模型；
12.第五步：利用训练好的机器学习模型对研究对象采收率进行预测。
13.进一步，所述第一步中，其研究对象为：结合钻井、录井、测井以及地震资料，以确定研究对象的地质油藏特征，用于表征地质油藏特征的主要参数；包括：含油层位、沉积相、油藏类型、储层岩性、驱动类型、油藏埋深、有效厚度、孔隙度、渗透率和地层原油粘度，其中，特征参数含油层位、沉积相、油藏类型、储层岩性、驱动类型采用定性指标进行衡量，另外5个特征参数油藏埋深、有效厚度、孔隙度、渗透率和地层原油粘度采用定量指标进行衡量。
14.进一步，所述第一步中，在选取类比油田时要求研究对象和类比油田，用定性指标衡量的参数相同，对于用于定量指标进行衡量的参数很难找到相同的油田，并按以下步骤
选择：
15.1.首先，按照国标、行标或者企标对这些参数进行定性表征，在选取类比油田时要求研究对象和类比油田，用定量指标进行衡量的参数的定性划分结果相同；
16.2.根据油藏埋深，将油藏划分为5类：一类为浅层油藏，即：油藏埋深小于500米；二类为中浅层油藏，即：油藏埋深大于等于500米，且小于2000米；三类为中深层油藏，即：油藏埋深大于等于2000米，且小于3500米；四类为深层油藏，即：油藏埋深大于等于3500米，且小于4500米，五类为超深层油藏，即：油藏埋深大于等于4500米；
17.3.根据油藏厚度将油藏划分4类：一类为薄层油藏，即：油藏厚度小于5米；二类为中厚层油藏，即：油藏厚度大于等于5米且小于20米；三类为厚层油藏，即：油藏厚度大于等于20米且小于40米；四类为特厚层油藏，即：油藏厚度大于等于40米；
18.4.根据孔隙度将油藏划分为4类：一类为特低孔隙度油藏，即：油藏孔隙度小于10％；二类为低孔隙度油藏，即：油藏孔隙度大于等于10％，且小于15％；三类为中孔隙度油藏，即：油藏孔隙度大于等于15％，且小于25％；四类为高孔隙度油藏，即：油藏孔隙度大于等于25％；
19.5.根据渗透率将油藏划分5类：一类为特低渗透油藏，即：油藏渗透率小于5毫达西；二类为低渗透油藏，即：油藏渗透率大于等于5毫达西，且小于50毫达西；三类为中渗透油藏，即：油藏渗透率大于等于50毫达西，且小于500毫达西；四类为高渗透油藏，即：油藏渗透率大于等于500毫达西，且小于1000毫达西；五类为特高渗透油藏，即：油藏渗透率大于等于1000毫达西；
20.6.根据地层原油粘度将油藏划分4类：一类为低粘油油藏，即：地层原油粘度小于5毫帕秒；二类为中粘油油藏，即：地层原油粘度大于等于5毫帕秒，且小于20毫帕秒；三类为高粘油油藏，即：地层原油粘度大于等于20毫帕秒，且小于50毫帕秒；四类为稠油油藏，即：地层原油粘度大于等于50毫帕秒；
21.并根据研究对象的地质油藏特征，确定类比油田，选取层位、沉积相、油藏类型、储层岩性、驱动类型、油藏埋深、有效厚度、孔隙度、渗透率和地层原油粘度相同或者相近的在生产油田作为类比对象。
22.进一步，所述第二步中，对类比油田生产动态数据进行历史拟合过程：由于在建模时对油藏地质情况认识的局限性，数值模拟的模型不能够真实的反应油藏的实际情况，需要通过反复不断调整油藏的静态参数，使得油田开发的主要动态指标压力、产油量、含水的计算值和实际值相匹配。
23.进一步，所述第二步中，将数个油田的历史数据输入到相应地质模型中，并开展历史拟合工作，历史拟合包含有：油田拟合和单井拟合二种方式。
24.进一步，所述第三步中，在第二步历史拟合的基础上，开展采收率预测，并通过调整模型参数对数个油田开展敏感性分析。
25.进一步，所述第三步中，预测类比油田的采收率，并开展采收率敏感性分析：在历史拟合的基础上，开展数值模拟研究，预测现有模型的采收率，并开展水平渗透率、水平与垂直渗透率比值、表皮、地层原油粘度、井网密度、生产压差、注水时机、提液倍数等参数对采收率敏感性分析，预测不同条件下的水驱采收率。
26.进一步，所述第四步中，将第三步的数个油田基础模型采收率预测结果以及敏感
性分析结果输入到机器学习模型中，并选取的机器学习模型为：bp神经网络；基于采收率预测结果构建机器学习模型：将所有类比油田的采收率预测结果以及敏感性分析预测的采收率构成样本集，随机选取部分样本作为训练集，其余样本作为测试集，选取第三步敏感性分析的参数作为采收率预测的特征值，利用机器学习模型对训练集进行训练，采用训练好的机器学习模型对测试集开展采收率预测，计算测试集的预测精度，若测试精度达到预期要求，停止训练，若测试精度达不到预期要求，调整机器学习模型的相关参数，直到测试集的预测精度达到预期要求。
27.进一步，所述第五步中，利用训练好的机器学习模型对研究对象采收率进行预测：将研究对象的特征参数输入到第四步训练好的机器学习模型中，特征参数为第三步敏感性分析的参数，得到采收率预测结果。
28.本发明的海上油田水驱采收率预测方法具有以下优点：
29.1.本发明选取海上油田作为类比油田，充分考虑了海上油田开发的特殊性，其与经验公式预测采收率相比，适用性更强；
30.2.本发明在定量化预测采收率时，构建了机器学习模型，机器学习的样本来源于类比油田，但与常规类比法相比，一定程度上避免了主观因素，具有较强的客观性；
31.3.本发明在使用机器学习时，采用了采收率敏感性分析的结果，避免了常规采用机器学习样本点少的问题。
附图说明
32.图1为本发明的流程示意图；
33.图2为本发明的油田压力拟合示意图；(其为屏幕上的实际图形)
34.图3为本发明的油田产量拟合示意图；(其为屏幕上的实际图形)
35.图4为本发明的油田含水拟合示意图；(其为屏幕上的实际图形)
36.图5为本发明的油田单井压力拟合示意图；(其为屏幕上的实际图形)
37.图6为本发明的油田单井产量拟合示意图；(其为屏幕上的实际图形)
38.图7为本发明的油田单井含水拟合示意图。(其为屏幕上的实际图形)
具体实施方式
39.为了更好地了解本发明的目的、结构及功能，下面结合附图，对本发明一种海上油田水驱采收率预测方法做进一步详细的描述。
40.如图1-图7所示，本发明其采用以下步骤：
41.第一步：根据研究对象地质油藏特征，确定类比油田；
42.其具体是结合钻井、录井、测井以及地震资料，开展地质研究，以确定研究对象x油田的地质油藏特征，用于表征地质油藏特征的主要参数，包括：含油层位、沉积相、油藏类型、储层岩性、驱动类型、油藏埋深、有效厚度、孔隙度、渗透率和地层原油粘度，其中，5个特征参数含油层位、沉积相、油藏类型、储层岩性、驱动类型采用定性指标进行衡量，另外5个特征参数油藏埋深、有效厚度、孔隙度、渗透率和地层原油粘度采用定量指标进行衡量。
43.1)在选取类比油田时要求研究对象和类比油田，用定性指标衡量的参数相同，对于用于定量指标进行衡量的参数很难找到相同的油田，首先，按照国标、行标或者企标对这
些参数进行定性表征，在选取类比油田时要求研究对象和类比油田，用定量指标进行衡量的参数的定性划分结果相同，本实施例的各定量化参数的定性划分结果如下；
44.2)根据油藏埋深，将油藏划分为5类：一类为浅层油藏，即：油藏埋深小于500米；二类为中浅层油藏，即：油藏埋深大于等于500米，且小于2000米；三类为中深层油藏，即：油藏埋深大于等于2000米，且小于3500米；四类为深层油藏，即：油藏埋深大于等于3500米，且小于4500米，五类为超深层油藏，即：油藏埋深大于等于4500米；
45.3)根据油藏厚度将油藏划分4类：一类为薄层油藏，即：油藏厚度小于5米；二类为中厚层油藏，即：油藏厚度大于等于5米且小于20米；三类为厚层油藏，即：油藏厚度大于等于20米且小于40米；四类为特厚层油藏，即：油藏厚度大于等于40米；
46.4)根据孔隙度将油藏划分为4类：一类为特低孔隙度油藏，即：油藏孔隙度小于10％；二类为低孔隙度油藏，即：油藏孔隙度大于等于10％，且小于15％；三类为中孔隙度油藏，即：油藏孔隙度大于等于15％，且小于25％；四类为高孔隙度油藏，即：油藏孔隙度大于等于25％。
47.5)根据渗透率将油藏划分5类：一类为特低渗透油藏，即：油藏渗透率小于5毫达西；二类为低渗透油藏，即：油藏渗透率大于等于5毫达西，且小于50毫达西；三类为中渗透油藏，即：油藏渗透率大于等于50毫达西，且小于500毫达西；四类为高渗透油藏，即：油藏渗透率大于等于500毫达西，且小于1000毫达西；五类为特高渗透油藏，即：油藏渗透率大于等于1000毫达西；
48.6)根据地层原油粘度将油藏划分4类：一类为低粘油油藏，即：地层原油粘度小于5毫帕秒；二类为中粘油油藏，即：地层原油粘度大于等于5毫帕秒，且小于20毫帕秒；三类为高粘油油藏，即：地层原油粘度大于等于20毫帕秒，且小于50毫帕秒，四类为稠油油藏，即：地层原油粘度大于等于50毫帕秒。其中，研究对象x油田的含油层位为：n1m
l
，沉积相为：浅水三角洲，油藏类型为：岩性-构造，储层岩性为：砂岩，驱动类型为：人工注水，油藏埋深为：1672～1753米，属于中浅层油藏；有效厚度为：7.8米，属于中厚层油藏；孔隙度为：31.5％，属于高孔隙度油藏；渗透率为：1471.4毫达西，属于特高渗透油藏；地层原油粘度为：158毫帕秒，属于稠油油藏。
49.并根据研究对象的地质油藏特征，确定类比油田分别为：a、b、c、d四个油田，其中，
50.a油田的含油层位为：n1m
l
，沉积相为：浅水三角洲，油藏类型为：岩性-构造，储层岩性为：砂岩，驱动类型为：人工注水，油藏埋深为：1203～1263米，属于中浅层油藏；a油田取有效厚度为：6米，8米，10米，11米，11.9米，12米，14米，16米，18米，20米，本实施例优选为：11.9米，即：油藏厚度大于等于5米且小于20米范围；属于二类中厚层油藏；孔隙度为：27.7％，属于高孔隙度油藏；a油田取有渗透率为：1000毫达西，1200毫达西，1400毫达西，1600毫达西，1691.0毫达西，1692.0毫达西，1800毫达西，2000毫达西；本实施例优选为：1691.0毫达西，a油藏渗透率大于等于1000毫达西，属于五类的特高渗透油藏；地层原油粘度为：135毫帕秒，属于稠油油藏。
51.b油田的含油层位为：n1m
l
，沉积相为：浅水三角洲，油藏类型为：岩性-构造，储层岩性为：砂岩，驱动类型为：人工注水，油藏埋深为：1420～1485米，属于中浅层油藏；b油田取有效厚度为：6米，8米，9.7米，10米，11米，12米，14米，16米，18米，本实施例优选为：9.7米，即：油藏厚度大于等于5米且小于20米范围；属于二类中厚层油藏；孔隙度为28.8％，属于高
孔隙度油藏；渗透率为1332.0毫达西；属于特高渗透油藏；b油田取地层原油粘度为：50毫帕秒，80毫帕秒，100毫帕秒，120毫帕秒，140毫帕秒，159毫帕秒，180毫帕秒，200毫帕秒，220毫帕秒；本实施例优选为：159毫帕秒，即：地层原油粘度大于等于50毫帕秒，属于四类稠油油藏。c油田的含油层位为n1m
l
，沉积相为：浅水三角洲，油藏类型为：岩性-构造，储层岩性为：砂岩，驱动类型为：人工注水，油藏埋深为：1455～1483米，属于中浅层油藏；c油田的取有效厚度为：6米，8米，8.1米，8.2米，10米，11米，12米，14米，16米，18米，本实施例优选为：8.1米，即：油藏厚度大于等于5米且小于20米范围，属于二类中厚层油藏；孔隙度为：29.9％，属于高孔隙度油藏；渗透率为：1502.9毫达西，属于特高渗透油藏；地层原油粘度为：120毫帕秒，属于稠油油藏。
52.d油田的含油层位为：n1m
l
，沉积相为：浅水三角洲，油藏类型为：岩性-构造，储层岩性为：砂岩，驱动类型为：人工注水，油藏埋深为：1150～1263米，属于中浅层油藏；油田的取有效厚度为：6米，8米，10米，11米，11.2米，11.6米，12米，14米，16米，18米，本实施例优选为：11.2米，即：油藏厚度大于等于5米且小于20米范围；属于二类中厚层油藏；孔隙度为：29.3％，属于高孔隙度油藏；渗透率为：1104.0毫达西，属于特高渗透油藏；地层原油粘度为：130m毫帕秒，属于稠油油藏。
53.研究对象x油田以及类比油田a、b、c、d油田的地质油藏特征参数如以下的表1所示：
54.表1：研究对象以及类比油田地质油藏特征参数
[0055][0056][0057]
上述第一步中，根据研究对象地质油藏特征，确定类比油田：选取层位、沉积相、油藏类型、储层岩性、驱动类型、油藏埋深、有效厚度、孔隙度、渗透率和地层原油粘度相同或者相近的在生产油田作为类比对象。
[0058]
第二步：对类比油田生产动态数据进行历史拟合；
[0059]
对类比油田生产动态数据进行历史拟合过程：由于在建模时对油藏地质情况认识的局限性，数值模拟的模型不能够真实的反应油藏的实际情况，需要通过反复不断调整油藏的静态参数，使得油田开发的主要动态指标压力、产油量、含水的计算值和实际值相匹配。
[0060]
首先，将a、b、c和d油田的历史数据输入到相应地质模型中，并开展历史拟合工作，历史拟合包含有：油田拟合和单井拟合二种方式，以a油田为例，说明历史拟合的过程和结果如下：
[0061]
1.将a油田开发参数输入到数值模拟模型中，通过不断优化和改变数值模拟模型的静态参数和表皮进行拟合，拟合结果如图2到图7所示，拟合后a油田数值模拟模型的水平渗透率为：1691.0毫达西、水平与垂直渗透率比值为：10、表皮为：5、地层原油粘度为：135m毫帕秒；
[0062]
2.利用类似的方法得到拟合后，b油田数值模拟模型的水平渗透率为：1332.0毫达西、水平与垂直渗透率比值为：20、表皮为：6、地层原油粘度为：159毫帕秒；
[0063]
3.c油田数值模拟模型的水平渗透率为：1502.9毫达西、水平与垂直渗透率比值为：22、表皮为：7、地层原油粘度为：120毫帕秒；
[0064]
4.d油田数值模拟模型的水平渗透率为：1104.0毫达西、水平与垂直渗透率比值为：18、表皮为：5、地层原油粘度为：130毫帕秒。
[0065]
第三步：预测类比油田的采收率，并开展采收率敏感性分析；
[0066]
在第二步历史拟合的基础上，开展采收率预测，并通过调整模型参数对a、b、c、d油田开展敏感性分析，其中，a油田基础模型采收率预测结果以及敏感性分析结果，如以下的表2所示：
[0067]
表2：a油田基础模型采收率预测结果以及敏感性分析结果
[0068][0069]
b油田基础模型采收率预测结果以及敏感性分析结果，如以下的表3所示：
[0070]
表3：b油田基础模型采收率预测结果以及敏感性分析结果
[0071][0072]
c油田基础模型采收率预测结果以及敏感性分析结果，如以下的表4所示：
[0073]
表4：c油田基础模型采收率预测结果以及敏感性分析结果
[0074][0075]
d油田基础模型采收率预测结果以及敏感性分析结果，如以下的表5所示：
[0076]
表5：d油田基础模型采收率预测结果以及敏感性分析结果
[0077][0078]
上述第三步中，预测类比油田的采收率，并开展采收率敏感性分析：在历史拟合的基础上，开展数值模拟研究，预测现有模型的采收率，并开展水平渗透率、水平与垂直渗透率比值、表皮、地层原油粘度、井网密度、生产压差、注水时机、提液倍数等参数对采收率敏感性分析，预测不同条件下的水驱采收率。
[0079]
第四步：基于采收率预测结果构建机器学习模型；
[0080]
将第三步a、b、c、d油田基础模型采收率预测结果以及敏感性分析结果输入到机器学习模型中，本实施例选取的机器学习模型为：bp神经网络，该bp神经网络的每个油田涉及样本点33个，总计132个样本点，选取其中112个样本点作为训练集，其余20个样本点作为测试集，模型输出节点数为：1，代表采收率，隐含层节点为：5，输入层和隐含层传递函数为：logsig，输出层的传递函数为：purelin，训练函数为：traingd，学习函数为：learngd，学习率为：0.05，最大迭代次数为：20000，利用均方根误差、平均相对误差和平均绝对误差来衡
量插值模型的精度，测试精度要求均方根误差、平均相对误差和平均绝对误差均小于10％，从机器学习模型预测结果来看，均方根误差、平均相对误差和平均绝对误差分别为：7.25％、6.28％和2.86％，测试集的预测精度达到预期要求。
[0081]
上述第四步中，基于采收率预测结果构建机器学习模型：将所有类比油田的采收率预测结果以及敏感性分析结果构成样本集，随机选取部分样本作为训练集，其余样本作为测试集，选取第三步敏感性分析的参数作为采收率预测的特征值，利用机器学习模型对训练集进行训练，采用训练好的机器学习模型对测试集开展采收率预测，计算测试集的预测精度，若测试精度达到预期要求，停止训练，若测试精度达不到预期要求，调整机器学习模型的相关参数，直到测试集的预测精度达到预期要求。
[0082]
第五步：利用训练好的机器学习模型对研究对象采收率进行预测；
[0083]
将研究对象x油田的采收率预测参数，输入到第四步构建的机器学习模型中开展预测，x油田的基础参数设置的水平渗透率为：1471.4毫达西、水平与垂直渗透率比值为：15、表皮为：5、地层原油粘度为：158毫帕秒、井网密度为：3.1口/平方千米、生产压差为：1.2兆帕、注水时机为同步注水、提液倍数为4.5倍。最终，得到研究对象x油田的采收率为28.2％。
[0084]
上述第五步中，利用训练好的机器学习模型对研究对象采收率进行预测：将研究对象的特征参数输入到第四步训练好的机器学习模型中，特征参数为第三步敏感性分析的参数，得到采收率预测结果。
[0085]
上述未作说明的技术为现有技术，故不再赘述。
[0086]
可以理解，本发明是通过一些实施例进行描述的，本领域技术人员知悉的，在不脱离本发明的精神和范围的情况下，可以对这些特征和实施例进行各种改变或等效替换。另外，在本发明的教导下，可以对这些特征和实施例进行修改以适应具体的情况及材料而不会脱离本发明的精神和范围。因此，本发明不受此处所公开的具体实施例的限制，所有落入本技术的权利要求范围内的实施例都属于本发明所保护的范围内。
技术特征：1.一种海上油田水驱采收率预测方法，其特征在于，包括：以下步骤：第一步：根据研究对象地质油藏特征，确定类比油田；第二步：对类比油田生产动态数据进行历史拟合；第三步：预测类比油田的采收率，并开展采收率敏感性分析；第四步：基于采收率预测结果构建机器学习模型；第五步：利用训练好的机器学习模型对研究对象采收率进行预测。2.根据权利要求1所述的海上油田水驱采收率预测方法，其特征在于，所述第一步中，其研究对象为：结合钻井、录井、测井以及地震资料，以确定研究对象的地质油藏特征，用于表征地质油藏特征的主要参数，包括：含油层位、沉积相、油藏类型、储层岩性、驱动类型、油藏埋深、有效厚度、孔隙度、渗透率和地层原油粘度，其中，特征参数含油层位、沉积相、油藏类型、储层岩性、驱动类型采用定性指标进行衡量，另外5个特征参数油藏埋深、有效厚度、孔隙度、渗透率和地层原油粘度采用定量指标进行衡量。3.根据权利要求1或2所述的海上油田水驱采收率预测方法，其特征在于，所述第一步中，按以下步骤选择选取类比油田：1.首先，依据国标、行标或企标油藏分类相关标准，对研究对象油藏类型进行划分；在选取类比油田时，要求研究对象和类比油田特征参数定性指标相同，要求研究对象和类比油田特征参数定量指标划分的油藏类型相同；2.根据油藏埋深，将油藏划分为5类：一类为浅层油藏，即：油藏埋深小于500米；二类为中浅层油藏，即：油藏埋深大于等于500米，且小于2000米；三类为中深层油藏，即：油藏埋深大于等于2000米，且小于3500米；四类为深层油藏，即：油藏埋深大于等于3500米，且小于4500米，五类为超深层油藏，即：油藏埋深大于等于4500米；3.根据油藏厚度将油藏划分4类：一类为薄层油藏，即：油藏厚度小于5米；二类为中厚层油藏，即：油藏厚度大于等于5米且小于20米；三类为厚层油藏，即：油藏厚度大于等于20米且小于40米；四类为特厚层油藏，即：油藏厚度大于等于40米；4.根据孔隙度将油藏划分为4类：一类为特低孔隙度油藏，即：油藏孔隙度小于10％；二类为低孔隙度油藏，即：油藏孔隙度大于等于10％，且小于15％；三类为中孔隙度油藏，即：油藏孔隙度大于等于15％，且小于25％；四类为高孔隙度油藏，即：油藏孔隙度大于等于25％；5.根据渗透率将油藏划分5类：一类为特低渗透油藏，即：油藏渗透率小于5毫达西；二类为低渗透油藏，即：油藏渗透率大于等于5毫达西，且小于50毫达西；三类为中渗透油藏，即：油藏渗透率大于等于50毫达西，且小于500毫达西；四类为高渗透油藏，即：油藏渗透率大于等于500毫达西，且小于1000毫达西；五类为特高渗透油藏，即：油藏渗透率大于等于1000毫达西；6.根据地层原油粘度将油藏划分4类：一类为低粘油油藏，即：地层原油粘度小于5毫帕秒；二类为中粘油油藏，即：地层原油粘度大于等于5毫帕秒，且小于20毫帕秒；三类为高粘油油藏，即：地层原油粘度大于等于20毫帕秒，且小于50毫帕秒，四类为稠油油藏，即：地层原油粘度大于等于50毫帕秒。4.根据权利要求1所述的海上油田水驱采收率预测方法，其特征在于，所述第二步中，对类比油田生产动态数据进行历史拟合过程：由于在建模时对油藏地质情况认识的局限
性，数值模拟的模型不能够真实的反应油藏的实际情况，需要通过反复不断调整油藏的静态参数，使得油田开发的主要动态指标压力、产油量、含水的计算值和实际值相匹配。5.根据权利要求1或4所述的海上油田水驱采收率预测方法，其特征在于，所述第二步中，将数个油田的历史数据输入到相应地质模型中，并开展历史拟合工作，历史拟合包含有：油田拟合和单井拟合二种方式。6.根据权利要求1所述的海上油田水驱采收率预测方法，其特征在于，所述第三步中，在第二步历史拟合的基础上，开展采收率预测，并通过调整模型参数对数个油田开展敏感性分析。7.根据权利要求1或6所述的海上油田水驱采收率预测方法，其特征在于，所述第三步中，预测类比油田的采收率，并开展采收率敏感性分析：在历史拟合的基础上，开展数值模拟研究，预测现有模型的采收率，并开展水平渗透率、水平与垂直渗透率比值、表皮、地层原油粘度、井网密度、生产压差、注水时机、提液倍数等参数对采收率敏感性分析，预测不同条件下的水驱采收率。8.根据权利要求1所述的海上油田水驱采收率预测方法，其特征在于，所述第四步中，将第三步的数个油田基础模型采收率预测结果以及敏感性分析结果输入到机器学习模型中，并选取的机器学习模型为：bp神经网络；基于采收率预测结果构建机器学习模型：将所有类比油田的采收率预测结果以及敏感性分析预测的采收率构成样本集，随机选取部分样本作为训练集，其余样本作为测试集，选取第三步敏感性分析的参数作为采收率预测的特征值，利用机器学习模型对训练集进行训练，采用训练好的机器学习模型对测试集开展采收率预测，计算测试集的预测精度，若测试精度达到预期要求，停止训练，若测试精度达不到预期要求，调整机器学习模型的相关参数，直到测试集的预测精度达到预期要求。9.根据权利要求1所述的海上油田水驱采收率预测方法，其特征在于，所述第五步中，利用训练好的机器学习模型对研究对象采收率进行预测：将研究对象的特征参数输入到第四步训练好的机器学习模型中，特征参数为第三步敏感性分析的参数，得到采收率预测结果。
技术总结一种海上油田水驱采收率预测方法，包括以下步骤：一：根据研究对象地质油藏特征，确定类比油田；二：对类比油田生产动态数据进行历史拟合；三：预测类比油田的采收率，并开展采收率敏感性分析；四：基于采收率预测结果构建机器学习模型；五：利用训练好的机器学习模型对研究对象采收率进行预测。本发明不仅考虑了海上油田开发的特殊性；而且，在定量化预测采收率时，还构建了机器学习模型，避免了主观因素，具有较强的客观性；同时，机器学习时，还避免了常规采用机器学习样本点少的问题；解决了海上油田水驱采收率预测难的问题。田水驱采收率预测难的问题。田水驱采收率预测难的问题。
技术研发人员：吴春新 刘英宪 王少鹏 张宏友 马奎前 罗宪波 侯东梅 邓琪 刘美佳 原建伟
受保护的技术使用者：中海石油（中国）有限公司天津分公司
技术研发日：2022.07.12
技术公布日：2022/11/1
