Die Ermittlung der Verbindungsbeziehungen zwischen Injektions- und Produktionsbohrungen in mehrschichtigen Öllagerstätten trägt nicht nur zur Erstellung von Injektions- und Produktionsplänen sowie zur Beurteilung der Verteilung des verbleibenden Öls bei, sondern dient auch zur Analyse der dynamischen Veränderungen im Lagerstätten, um so wissenschaftliche Leitlinien für Entwicklungspläne zu liefern und die Entwicklungseffizienz der Lagerstätten zu verbessern. Da herkömmliche Deep-Learning-Methoden keine Durchströmungsmechanismen und andere physikalische Zwänge integrieren, was zu geringer Interpretierbarkeit und Schwierigkeiten bei der Rückrechnung von Parametern führt, wurde eine auf physikalisch informierten neuronalen Netzwerken basierende Methode zur Analyse der Verbindungsbeziehungen zwischen Bohrungen in mehrschichtigen Wassereingetriebenen Lagerstätten vorgeschlagen: Durch die Integration der Massenbilanzen mit dem neuronalen Netzwerk und die Multiplikation der Bohrungsgruppendaten mit den Netztgewichten wird der Fokus nur auf die Produktionsbohrungen gelegt, die mit den Injektionsbohrungen verbunden sind, was die Beeinträchtigung durch umliegende Bohrungen reduziert und den Datenverarbeitungsaufwand senkt; eine Verlustfunktion mit eingebetteten physikalischen Zwängen wurde entworfen, die die Produktionsflüssigkeitsraten der Produktionsbohrungen in vertikaler Richtung segmentiert, um die Einhaltung der Massenbilanz in vertikaler Richtung im mehrschichtigen wasserangetriebenen Lagerstätten sicherzustellen und so die Interpretierbarkeit und Zuverlässigkeit des Modells zur Analyse der Bohrungsverbindungen zu erhöhen. Zur Validierung der Methode wurde ein realer Feldblock für die Analyse ausgewählt, und durch Modelltraining und Vorhersage wurden die Ergebnisse der Verbindungsbeziehungen zwischen Injektions- und Produktionsbohrungen in den einzelnen Schichten sowie die Produktionsflüssigkeitsraten der Produktionsbohrungen erhalten. Die Ergebnisse zeigen, dass die Ergebnisse der Bohrungsverbindungen im Wesentlichen mit den Tracer-Überwachungsdaten übereinstimmen und die prognostizierten Kurven der Produktionsflüssigkeitsraten eine hohe Genauigkeit aufweisen. Dies bietet eine starke technische Unterstützung für die Analyse der Bohrungsverbindungen in der tatsächlichen Produktion des Ölfelds.

Mehrschichtige wasserangetriebene Lagerstätten;Bohrungsgruppe;Verbindungsbeziehungen zwischen Bohrungen;Massenbilanzgleichung;Neuronales Netzwerk