本发明属于老油田区块整体重复改造，具体为一种老井重复压裂后最终可采储量预测方法及相关设备。
背景技术：
1、重复压裂技术可有效提高致密油藏水平井的最终可采储量，但重复压裂改造后地层渗流过程较复杂，利用经验递减曲线法及解析模型法很难描述其产量变化规律，而准确预测水平井的重复压裂产量对于技术政策制定及方案优化调整具有重要意义。
技术实现思路
1、本发明的提供了一种老井重复压裂后最终可采储量预测方法及相关设备，解决了致密油藏油井重复压裂后单井最终可采储量eur预测难度大、精度低的问题。
2、为实现上述目的，本发明提供如下技术方案：
3、一种老井重复压裂后最终可采储量预测方法，包括
4、获取井信息；
5、将所述井信息输入至预先训练好的老井重复压裂eur预测模型，获得井最终采储量预测数据；
6、其中，所述老井重复压裂eur预测模型为通过训练和检测的单井eur预测模型，所述老井重复压裂eur预测模型基于bp神经网络算法。
7、优选地，所述老井重复压裂eur预测模型的建立具体为：
8、获取历史开发水平井的油藏地质、压裂工程、动态生产和测井数据；
9、根据单井测井数据计算岩石力学相关数据；
10、根据实际井重复压裂后生产动态数据，计算重复压裂后峰值产量、稳产时间、平均递减率，进而通过递减公式计算得到相对应的单井eur；
11、对历史开发水平井的油藏地质、压裂工程、动态生产、测井数据、岩石力学相关数据和单井eur进行数据预处理，获得数据输入集和输出集；
12、分析各输入参数对输出参数的影响重要程度，优选影响复压水平井增产效果显著的参数，完成最终数据集的构建；
13、采用机器学习算法对训练集进行训练，使用测试集进行验证，持续优化算法结构参数，得到老井重复压裂后eur预测模型。
14、优选地，岩石力学参数计算具体为，根据原始测井曲线中纵波时差、横波时差以及密度数据，计算储层动态杨氏模量、泊松比、垂向应力、最大最小主应力，具体步骤如下：
15、
16、
17、式中，△ts为横波时差，μs/ft；△tp为纵波时差，μs/ft，ρ为数据补齐后密度，g/cm3；ρ0为地表岩石密度，g/cm3；ρ2为测井数据岩石密度，g/cm3，b为常数，z为补齐深度，m，sv为垂向主应力，mpa。
18、优选地，所述数据预处理包括对数据进行缺失值智能填补、异常值智能剔除，具体为：
19、首先采用knn算法，对数据中的缺失值进行处理，基本流程是分析样本之间的相似性，使用k个最近邻样本信息来估计缺失值，选择最接近附近观测样本的平均值作为缺失数据的填补值，观测样本的距离公式为：
20、
21、式中，d是观测样本距离；
22、在此基础上，选择z-sore方法对数据中的异常值进行检测和处理，基本流程是计算数据集的均值和标准差、计算z-sore得分、标记及处理异常值；
23、其计算公式为：
24、
25、式中，z是z-sore，x是数据点的值，μ是数据集的均值，σ是数据集的标准差。
26、优选地，运用层次聚类算法，分析各输入参数对输出参数的影响重要程度。
27、优选地，采用机器学习算法对训练集进行训练，使用测试集进行验证，持续优化算法结构参数，得到老井重复压裂后eur预测模型具体为：
28、基于最终数据集，按照误差反向传递的思路，建立各输入参数与单井eur之间的bp神经网络预测模型，调整优化算法结构，进而得到老井重复压裂后eur预测模型。
29、优选地，持续优化算法结构参数具体为：从隐含层节点数、学习率、训练函数和激活函数角度出发，对网络结构进行优化。
30、一种预测老井重复压裂后最终可采储量预测系统，包括：
31、数据获取模块：用于获取井信息；
32、分析模块：用于将所述井信息输入至预先训练好的老井重复压裂eur预测模型，获得井最终采储量预测数据；
33、其中，所述老井重复压裂eur预测模型为通过训练和检测的单井eur预测模型，所述老井重复压裂eur预测模型基于bp神经网络算法。
34、一种计算机设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现一种老井重复压裂后最终可采储量预测方法的步骤。
35、一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现一种老井重复压裂后最终可采储量预测方法的步骤。
36、与现有技术相比，本发明具有以下有益效果：本发明提供一种老井重复压裂后最终可采储量预测方法，直接将地质、初次压裂、生产动态以及重复压裂参数输入到建立好的老井重复压裂eur预测模型到模型中，即可快速预测该井重复压裂后单井eur，相比传统递减模型方法更符合实际生产井情况，预测精度更高。
37、进一步地，数据预处理包括对数据进行缺失值智能填补、异常值智能剔除，保证了数据的准确性和有效性，保证了模型预测的准确性。
38、进一步地，按照误差反向传递的思路，建立各输入参数与单井eur之间的bp神经网络预测模型，调整优化算法结构，进一步提高模型预测的准确性。
1.一种老井重复压裂后最终可采储量预测方法，其特征在于，包括：
2.根据权利要求2所述的一种老井重复压裂后最终可采储量预测方法，其特征在于，所述老井重复压裂eur预测模型的建立具体为：
3.根据权利要求2所述的一种老井重复压裂后最终可采储量预测方法，其特征在于，岩石力学参数计算具体为，根据原始测井曲线中纵波时差、横波时差以及密度数据，计算储层动态杨氏模量、泊松比、垂向应力、最大最小主应力，具体步骤如下：
4.根据权利要求2所述的一种老井重复压裂后最终可采储量预测方法，其特征在于，所述数据预处理包括对数据进行缺失值智能填补、异常值智能剔除，具体为：
5.根据权利要求2所述的一种老井重复压裂后最终可采储量预测方法，其特征在于，运用层次聚类算法，分析各输入参数对输出参数的影响重要程度。
6.根据权利要求2所述的一种老井重复压裂后最终可采储量预测方法，其特征在于，采用机器学习算法对训练集进行训练，使用测试集进行验证，持续优化算法结构参数，得到老井重复压裂后eur预测模型具体为：
7.根据权利要求2所述的一种老井重复压裂后最终可采储量预测方法，其特征在于，持续优化算法结构参数具体为：从隐含层节点数、学习率、训练函数和激活函数角度出发，对网络结构进行优化。
8.一种预测老井重复压裂后最终可采储量预测系统，其特征在于，包括：
9.一种计算机设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1至7任一项所述一种老井重复压裂后最终可采储量预测方法的步骤。
10.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至7任一项所述一种老井重复压裂后最终可采储量预测方法的步骤。
