东北石油大学副校长杨二龙：一种基于机器学习的井间水驱优势通道识别方法

本文转载自第四届中国油气人工智能科技大会合作期刊《钻采工艺》油气人工智能技术专刊作者简介：杨二龙（1976—），博士，教授，东北石油大学副校长，本刊编委，主要从事老油田高效开发与提高油气采收率方向的研究。

E-mail：yangerlong@nepu.ed通信作者：董驰（1983—），女，博士，副教授，2022年毕业于东北石油大学石油与天然气工程专业，主要从事智能油气藏工程与提高油气采收率方向的研究。E-mail：dongchi@nepu.edu.cn

基金项目：海南省科技计划三亚崖州湾科技城联合项目“海上油气藏复杂流场分布规律研究”（编号：2021JJLH0059）；黑龙江省博士后科研启动资金项目“大庆油田二类油层聚合物驱窜聚动态识别与优化控制”（编号：LBH-Q21012）。

一种基于机器学习的井间水驱优势通道识别方法

杨二龙1,2, 陈柄君1, 董驰1,2, 曾傲1, 张梓彤1

1 东北石油大学·提高油气采收率教育部重点实验室

2 东北石油大学三亚海洋油气研究院摘要：井间优势渗流通道的形成受多方面的因素综合影响，识别过程中需要分析的因素众多、过程复杂，最直观可靠的做法是通过剖面测试数据结合生产动态分析来判定，或者通过措施见效井来验证是否存在优势渗流通道，但是实际生产中剖面测试数据量不足，措施见效井分析结果又属于后验知识，时效性差，导致识别的精度和效率较低。因此，本文以大庆油田特高含水典型区块M区块为例，结合主控因素分析方法构建特征参数集，应用粒子群算法（PSO）优化深度置信神经网络（DBN）的结构参数，通过逐层递推和全局优化融合、有监督和无监督学习算法融合提升模型性能，形成了一种基于机器学习算法的注采井间优势通道识别的方法。构建的优势通道识别PSO-DBN模型应用于典型区块，识别准确率比未经过优化的DBN神经网络模型预测准确率提高了2.8%，比MLP神经网络模型预测准确率提高了8.6%，通过增补无标注样本、实现有监督和无监督学习算法融合，可以进一步提升识别精度。

关键词：特高含水油藏; 井间优势通道; 深度置信神经网络; 算法融合; 机器学习

引用本文：
杨二龙，陈炳君，董驰，等. 一种基于机器学习的井间水驱优势通道识别方法[J]. 钻采工艺，2025，48（1）：157-164

YANG Erlong, CHEN Bingjun, DONG Chi, et al. A Method of Identifying Interwell Dominant Seepage Channel for Waterflooding Reservoirs Based on Machine Learning[J]. Drilling and Production Technology, 2025, 48(1): 157-164

论文原载于第四届中国油气人工智能科技大会合作期刊《钻采工艺》2025年第1期，访问《钻采工艺》官网，下载全文。

———END———化人工智能技术在油气勘探、开发、生产及管理全链条的创新应用，加速行业智能化升级与高质量发展，中国石油大学（北京）、中国石油天然气集团有限公司勘探开发人工智能技术研发中心、中国石化勘探开发数智技术重点实验室、油气资源与工程全国重点实验室、油气人工智能产学研创新联盟于2025年8月在北京联合举办“2025年第四届中国油气人工智能科技大会”。此次会议与合作期刊联合征稿，评选出的优秀论文将推荐至合作期刊上。

论文摘要截止时间：2025 年 6 月 30 日

论文全文截止时间：2025 年 9 月 1 日

联系人：马老师 15822801766

将论文摘要或全文发到邮箱paper@oilgasai.com

（注：论文摘要与参会回执表需同时投递）扫码添加会议联系人