一种基于高斯分布的电容模型反演井间连通性方法及装置

摘要

本发明公开了一种基于高斯分布的电容模型反演井间连通性方法及装置，包括：获取注水井组的初始相关数据，包括：所述注水井组的注水量、产液量、流压、注水段起始时间和连通性关系；从所述初始相关数据中筛选出目标注采数据；所述目标注采数据为与注水段中初始注水日期匹配的注水量、产液量和流压；将所述目标注采数据带入电容模型，通过高斯分布算法对所述电容模型进行求解，从而计算出连通性参数；所述连通性参数用于表征所述注水井和产液井之间的连通性强弱。本发明提供的方法及装置用以解决现有技术中油藏井间动态连通性的获取方法，存在准确度低，影响正常生产和费用高等技术问题。实现了降低成本，简化工作量和保证了准确性的技术效果。

说明书

技术领域

本发明涉及地球物理学物探开发技术领域，尤其涉及一种基于高斯分布的电容模型反演井间连通性方法及装置。

背景技术

油藏是一个动力学平衡系统，在油田开发中，每一口井可能与周围一口或多口井相连，每一口井并不是完全孤立的，注水井注水时会对其周围与之相连产油井造成一定的波动，产油井波动大小与注采井之间的连通性有一定的联系。

油藏的井间连通性包括静态连通性和动态连通性。通常静态连通性指应用地质和物探方法得到的连通性结果，是由油藏地质特征和储层特点决定。由于缝洞型油藏储集层复杂的特点，传统地质和物探(如测井、试井、地质建模等方法)研究得到的地层连通属于静态范畴，无法有效认识缝洞体的连通性。而油藏井间动态连通性是指油藏开发后井间储层流体的连通程度。目前国内外常用的油藏井间动态连通性研究方法主要包括示踪剂测试、压力测试、干扰试井和脉冲试井等多种连通性识别方法。

但示踪剂测试、压力测试、干扰试井和脉冲试井这些方法研究注采连通关系时，存在多井间的干扰，生产制度差异或多井时，连通程度难以确定等问题；同时影响正常生产，费用高；使用井次有限，数据不丰富，对于低含水井无法确定连通与否等问题；并且还会影响到油田的正常生产运营。

也就是说，现有技术中油藏井间动态连通性的获取，存在准确度低，影响正常生产和费用高等技术问题。

发明内容

本申请实施例通过提供一种基于高斯分布的电容模型反演井间连通性方法及装置，解决了现有技术中油藏井间动态连通性的获取方法，存在准确度低，影响正常生产和费用高等技术问题。

一方面，本申请实施例提供了如下技术方案：

一种基于高斯分布的电容模型反演井间连通性方法，包括：

获取注水井组的初始相关数据；所述初始相关数据包括：所述注水井组的注水量、产液量、流压、注水段起始时间和连通性关系；

从所述初始相关数据中筛选出目标注采数据；所述目标注采数据为与注水段中初始注水日期匹配的注水量、产液量和流压；

将所述目标注采数据带入电容模型，通过高斯分布算法对所述电容模型进行求解，从而计算出连通性参数；所述连通性参数用于表征所述注水井组内注水井和产液井之间的连通性强弱。

可选的，所述方法还包括：判断是否将流压作为用于计算所述连通性参数的所述目标注采数据，获得第一判断结果；如果所述第一判断结果为是，则所述初始相关数据还包括：所述注水井组的流压和所述流压对应的采集时间；所述电容模型为考虑流压的电容模型；如果所述第一判断结果为否，则所述电容模型为不考虑流压的电容模型。

可选的，所述不考虑流压的电容模型为：所述考虑流压的电容模型为：$>{\hat{q}}_i\left(n\right)={\lambda }_{p}q\left(n_0\right)e^{\frac{-\left(n-n_0\right)}{{\tau }_p}}+\underset{i=1}{\overset{i=l}{\Sigma }}{\lambda }_{ij}{i}_{ij}^{\prime }\left(n\right)+\underset{k=1}{\overset{k=K}{\Sigma }}{\upsilon }_{ki}\left[p_{{\mathrm{wf}}_{ij}}\left(n_0\right)e^{\frac{-\left(n-n_0\right)}{{\tau }_{kj}}}-p_{{\mathrm{wf}}_{ki}}\left(n\right)+p_{{\mathrm{wf}}_{ki}}^{\prime }\left(n\right)\right];$>其中，为注水井i在n时刻的注水量；i_ij(n)为注水井组i中的产油井j在n时刻的产液量；n₀为初始时刻；为所述产液量i_ij(n)的卷积；λ是窜流系数；τ是时滞常数；λ_ij是注水井i和产油井j之间的窜流系数；τ_ij是注水井i和产油井j之间的时滞常数；为注水井第一次注水的影响，的值等于不平衡常数；其中，为注水井组i中对应的产油井k的流压；为所述流压的卷积；υ_ki为权重；υ_ki的值等于λ_ki；λ_ki是注水井i和产油井k之间的窜流系数；τ_ki是注水井i和产油井k之间的时滞常数。

可选的，所述获取注水井组的初始相关数据具体为：通过注采响应法获取注水井组的初始相关数据；或通过示踪剂获取注水井组的初始相关数据。

可选的，所述连通性参数包括：所述注水井组的窜流系数。

可选的，所述将所述目标注采数据带入电容模型，通过高斯分布算法对所述电容模型进行求解，从而计算出连通性参数包括：运用高斯分布随机生成每个产油井的预估窜流系数和预估时滞常数，作为初始参数；按预设范围，从所述初始参数中，筛选出符合要求的数据，作为目标参数；将所述目标注采数据中的部分数据和所述目标参数带入所述电容模型，计算出注水量估计值；计算所述注水量与所述目标注采数据中的所述注水量的误差值；根据所述误差值，通过高斯分布算法，从所述目标参数中确定出所述注水井组的所述窜流系数。

另一方面，本申请实施例还提供了一种基于高斯分布的电容模型反演井间连通性装置，包括：

获取模块，用于获取注水井组的初始相关数据；所述初始相关数据包括：所述注水井组的注水量、产液量和所述注水量及所述产液量对应的采集时间；

筛选模块，用于从所述初始相关数据中筛选出目标注采数据；所述目标注采数据为所述初始相关数据中与所述注水井组的初始注水时间匹配的数据；

计算模块，用于将所述目标注采数据带入电容模型，通过高斯分布算法对所述电容模型进行求解，从而计算出连通性参数；所述连通性参数用于表征所述注水井组内注水井和产液井之间的连通性强弱。

可选的，所述装置还包括：判断模块，用于判断是否将流压作为用于计算所述连通性参数的所述目标注采数据，获得第一判断结果；如果所述第一判断结果为是，则所述电容模型为考虑流压的电容模型；如果所述第一判断结果为否，则所述电容模型为不考虑流压的电容模型。

可选的，所述获取模块包括：第一获取单元，用于通过注采响应法获取注水井组的初始相关数据；或第二获取单元，用于通过示踪剂获取注水井组的初始相关数据。

可选的，所述装置还包括：高斯计算模块，用于运用高斯分布随机生成每个产油井的预估窜流系数和预估时滞常数，作为初始参数；按预设范围，从所述初始参数中，筛选出符合要求的数据，作为目标参数；将所述目标注采数据中的部分数据和所述目标参数带入所述电容模型，计算出注水量估计值；计算所述注水量与所述目标注采数据中的所述注水量的误差值；根据所述误差值，通过高斯分布算法，从所述目标参数中确定出所述注水井组的窜流系数和时滞常数。

本申请实施例中提供的一个或多个技术方案，至少具有如下技术效果或优点：

1、本申请实施例提供的方法及装置，基于生产动态资料，即获取的初始相关数据，对井间连通强弱进行定量分析，基于电容模型结合高斯分布等算法计算得到注水受效及波及情况，克服了传统井间连通判断方法影响正常生产施工作业的问题，大大降低注采连通强弱判别的成本，简化传统注采连通关系判别的工作量。进一步，该方法利用概率统计学的思想，使用高斯分布算法对所述电容模型进行求解，计算出所述连通性参数，保证了井间连通性定量分析的准确性。

2、本申请实施例提供的方法及装置，利用概率统计学的思想，使用高斯分布算法对所述电容模型进行求解，先随机生成每个产油井的预估窜流系数和预估时滞常数，再在随机取值中寻找出最优解，确定出所述注水井组的窜流系数和时滞常数，与实际应用结合更加紧密，保证了井间连通性定量分析的准确性。

附图说明

图1为本申请实施例中基于高斯分布的电容模型反演井间连通性方法的流程图；

图2为本申请实施例中高斯分布计算流程图；

图3为本申请实施例中高斯分布求解电容方程流程图；

图4为本申请实施例中基于高斯分布的电容模型反演井间连通性装置的结构图。

具体实施方式

本申请实施例通过提供一种基于高斯分布的电容模型反演井间连通性方法及装置，解决了现有技术中油藏井间动态连通性的获取，存在准确度低，影响正常生产和费用高等技术问题。实现了降低成本，简化工作量和保证了准确性的技术效果。

为了解决上述现有技术存在的技术问题，本申请实施例提供的技术方案的总体思路如下：

一种基于高斯分布的电容模型反演井间连通性方法，包括：

获取注水井组的初始相关数据；所述初始相关数据包括：所述注水井组的注水量、产液量、流压、注水段起始时间和连通性关系；

从所述初始相关数据中筛选出目标注采数据；所述目标注采数据为与注水段中初始注水日期匹配的注水量、产液量和流压；

将所述目标注采数据带入电容模型，通过高斯分布算法对所述电容模型进行求解，从而计算出连通性参数；所述连通性参数用于表征所述注水井组内注水井和产液井之间的连通性强弱。

通过上述内容可以看出，基于生产动态资料，即获取的初始相关数据，对井间注采间连通强弱进行定量分析，基于电容模型结合高斯分布等算法计算得到注水受效及波及情况，克服了传统井间连通判断方法影响正常生产施工作业的问题，大大降低注采连通强弱判别的成本，简化传统注采连通关系判别的工作量。进一步，该方法利用概率统计学的思想，使用高斯分布算法对所述电容模型进行求解，计算出所述连通性参数，保证了井间连通性定量分析的准确性。

为了更好的理解上述技术方案，下面将结合说明书附图以及具体的实施方式对上述技术方案进行详细的说明。

实施例一：

在实施例一中，提供了一种基于高斯分布的电容模型反演井间连通性方法，请参考图1，如图1所示，所述方法包括：

步骤S101，获取注水井组的初始相关数据；所述初始相关数据包括：所述注水井组的注水量、产液量、流压、注水段起始时间和连通性关系；

步骤S102，从所述初始相关数据中筛选出目标注采数据；所述目标注采数据为与注水段中初始注水日期匹配的注水量、产液量和流压；

步骤S103，将所述目标注采数据带入电容模型，通过高斯分布算法对所述电容模型进行求解，从而计算出连通性参数；所述连通性参数用于表征所述注水井组内注水井和产液井之间的连通性强弱。

本申请提供的方法的基本原理是注水井注入量的变化会引起周围油井产液量的波动，波动幅度越大，连通程度越好，利用生产动态数据，即初始相关数据，可以通过数学方法来量化表征注采间连通关系。

对于水驱油藏来说，通常水井注水量与周围油井的产液量是存在一定的关系，可将油藏视为一个注水井发出刺激和周围油井接受刺激的系统即注采系统，通过采用数学方法来实现注采连通关系的量化表征。利用油田开发数据、结合统计学的方法如基于多元回归模型等来反演注采连通关系。

本申请提供的方法，基于上述原理，在现有井间连通性研究的基础上，针对非均质性和井网不规则形较强的缝洞型油藏开展定性，定量动态反演算法研究。通过建立新的井间连通性模型，计算井间连通参数，定量描述井间的连通程度。

下面，结合图1对所述基于高斯分布的电容模型反演井间连通性方法的实施步骤进行详细说明：

首先，执行步骤S101，获取注水井组的初始相关数据；所述初始相关数据包括：所述注水井组的注水量、产液量、流压、注水段起始时间和连通性关系。

在本申请实施例中，在执行步骤S101之前，还可以先判断是否加入流压数据反演井间连通性，获得第一判断结果；

如果所述第一判断结果为是，则所述电容模型为考虑流压的电容模型；

如果所述第一判断结果为否，则所述电容模型为不考虑流压的电容模型。

在具体实施过程中，可以是由用户根据需要预先选择是否将流压作为用于计算所述连通性参数的所述目标注采数据。

在本申请实施例中，在执行步骤S101之前，还可以先选择获取所述初始相关数据的方法，可以选择通过注采响应法获取注水井组的初始相关数据；或通过示踪剂获取注水井组的初始相关数据。

在具体实施过程中，初始相关数据的方法可以由用户根据需要预先设定。

接下来，执行步骤S102，从所述初始相关数据中筛选出目标注采数据；所述目标注采数据为与注水段中初始注水日期匹配的注水量、产液量和流压。

具体来讲，通过初始相关数据可以将注水井分成多个注水段，通过读取各个注水段内相关产油井的峰值和注水时间，挑选出匹配的注水量和产液量读入，流压也需根据注水段相关信息来读取匹配日期的产油井流压数据，即筛选出与注水段中初始注水量日期匹配的注水量、产液量和流压。

再下来，执行步骤S103，将所述目标注采数据带入电容模型，通过高斯分布算法对所述电容模型进行求解，从而计算出连通性参数；所述连通性参数用于表征所述注水井组内注水井和产液井之间的连通性强弱。

具体来讲，高斯分布算法主要作用于窜流系数和时滞常数的选取。原理是根据高斯分布均值μ和标准差σ，高斯分布随机生成每个产油井的窜流系数和时滞常数；挑选其中有效部分，舍弃超出一定范围内的数据，比如-0.3。将每一代每一口产油井的最优解的窜流系数和时滞常数求其均值，并设为这一口产油井高斯分布的均值μ。

具体来讲，所述电容模型主要作用于筛选最优解。基本原理是挑选出合适的相关数据，包括与注水段初始注水日期匹配的注水量、产液量和流压；运用高斯分配器随机生成每一轮的每一组的窜流系数和时滞常数；数据带入模型中求解，与真实注水量匹配，获取每一轮每一组累计误差；在每一轮每一组累计误差中挑选N个最优解，也就是最小误差；求N个最优解参数均数并将其赋给高斯分配器中的均值μ；重复循环代数直至结束。

在本申请实施例中，步骤S103中的电容模型，可以分为不考虑流压的电容模型和考虑流压的电容模型两种，下面分别进行说明：

第一种，不考虑流压的电容模型为：

$>{\hat{q}}_i\left(n\right)={\lambda }_{p}q\left(n_0\right)e^{\frac{-(n-n_0)}{{\tau }_p}}+\underset{i=1}{\overset{i=1}{\Sigma }}{\lambda }_{ij}{i}_{ij}^{\prime }\left(n\right);$>

其中，为注水井i在n时刻的注水量；i_ij(n)为注水井组i中的产油井j在n时刻的产液量；n₀为初始时刻；为所述产液量i_ij(n)的卷积；λ是窜流系数；τ是时滞常数；λ_ij是注水井i和产油井j之间的窜流系数,表征井i和井j间的连通性；τ_ij是注水井i和产油井j之间的时滞常数；λ_ij和τ_ij用于估算出注水井i的注水量为注水井第一次注水的影响，的值等于不平衡常数。

第二种，所述考虑流压的电容模型为：

$>{\hat{q}}_i\left(n\right)={\lambda }_{p}q\left(n_0\right)e^{\frac{-\left(n-n_0\right)}{{\tau }_p}}+\underset{i=1}{\overset{i=l}{\Sigma }}{\lambda }_{ij}{i}_{ij}^{\prime }\left(n\right)+\underset{k=1}{\overset{k=K}{\Sigma }}{\upsilon }_{ki}\left[p_{{\mathrm{wf}}_{ij}}\left(n_0\right)e^{\frac{-\left(n-n_0\right)}{{\tau }_{kj}}}-p_{{\mathrm{wf}}_{ki}}\left(n\right)+p_{{\mathrm{wf}}_{ki}}^{\prime }\left(n\right)\right];$>

本方法分析井间连通性是将注水井、产油井和井间连通关系视为一复杂系统，基于油藏渗流与电流流动的相似特征，即水电相似性，利用动态流压、动态注采数据将电容模型的新的应用来描述油藏的特征，同时考虑水体侵入的影响。

其中，为注水井i在n时刻的注水量；i_ij(n)为注水井组i中的产油井j在n时刻的产液量；n₀为初始时刻；为所述产液量i_ij(n)的卷积；λ是窜流系数；τ是时滞常数；λ_ij是注水井i和产油井j之间的窜流系数，表征井i和井j间的连通性；τ_ij是注水井i和产油井j之间的时滞常数；λ_ij和τ_ij用于估算出注水井i的注水量为注水井第一次注水的影响，的值等于不平衡常数；

其中，为注水井组i中对应的产油井k的流压；为所述流压的卷积；υ_ki为权重；υ_ki的值等于λ_ki；λ_ki是注水井i和产油井k之间的窜流系数；τ_ki是注水井i和产油井k之间的时滞常数。

具体来讲，不平衡常数可以根据误差计算获得，主要作用于修正模型误差，分为随机和比例两种方式。随机模式的不平衡常数，是随机每天误差用于修正模型误差；比例模式的不平衡常数，是联系注水井每日的注水量，按一定比例用于修正模型计算后每日误差。

具体来讲，窜流系数λ，表征：量化连通性，即各个产油井与注水井连通性的权重。时滞常数τ，表征：注采井间信号的耗散程度。这两个系数的初始化基于高斯分布算法随机生成一批初始种子，同时依据递归估算的电容模型，演化N代与真实数据对比，选取更小误差的一系列种子，从而进行不断地递归，修改这两个系数，求解出与生产历史拟合匹配的最优解，得到每个注水井组各个产油井与注水井的窜流系数。

在本申请实施例中，所述电容模型的求解思路为：

设为注水井i在n时刻的注水量，t为反演的总时长，模型参数求解可归纳与如下优化问题：

$>\min f\left(n\right)=\left|\underset{n=1}{\overset{t}{\Sigma }}\left[{\hat{q}}_i\left(n\right)-{\lambda }_{p}q\left(n_0\right)e^{\frac{-\left(n-n_0\right)}{{\tau }_p}}-\underset{i=1}{\overset{i=l}{\Sigma }}{\lambda }_{ij}{i}_{ij}^{\prime }\left(n\right)-{\mathrm{pwf}}^{\prime \prime }\right]\right|---\left(3\right)$>

其中，$>{\mathrm{pwf}}^{\prime \prime }=\underset{k=1}{\overset{k=K}{\Sigma }}{\upsilon }_{ki}\left[p_{{\mathrm{wf}}_{ij}}\left(n_0\right)e^{\frac{-\left(n-n_0\right)}{{\tau }_{kj}}}-p_{{\mathrm{wf}}_{ki}}\left(n\right)+p_{{\mathrm{wf}}_{ki}}^{\prime }\left(n\right)\right],$>为所述流压的影响；

在本申请实施例中，基于高斯分布算法的电容模型参数求解原理为：

高斯分布又称正态分布，其作用产生随机变量，从而避免局部最小值的产生。高斯分布有两个参数，即均数μ和标准差σ，均数μ决定正态曲线的中心位置；标准差σ决定正态曲线的陡峭程度，其公式如下：

$>f\left(x\right)=\frac{1}{\sqrt{2\pi }\sigma }\exp \left(\frac{{(x-\mu )}^2}{{\sigma _2}^2}\right)$>

其中，x为变量。

高斯分布中34.1％的区域是距平均值小于一个标准差之内的数值范围。在正态分布中，此范围所占比率为全部数值的68％，根据正态分布，两个标准差之内的比率合起来为95％；三个标准差之内的比率合起来为99％，这样就有两个好处：

1.有效的保护了每一轮所选出最优的均值的不会偏离太大；

2.同时随着正态分布随机生成变量不同也避免了陷入局部最优值的危险。

结合高斯分布算法，随机生成第一轮种子，通过带入参数求解电容模型。进而选取一系列最优解，对最优解求其均数，并重新将均数赋值给高斯分布中均数μ，再次调用模块进行第二轮有选择的、有方向的随机生成第二批种子，以此递归，直到找到最优解即井间连通劈分系数算法收敛。

在本申请实施例中，所述连通性参数包括：所述注水井组的窜流系数。

在本申请实施例中，基于高斯分布算法的电容模型参数求解方法为：

运用高斯分布随机生成每个产油井的预估窜流系数和预估时滞常数，作为初始参数；

按预设范围，从所述初始参数中，筛选出符合要求的数据，作为目标参数；

将所述目标注采数据中的部分数据和所述目标参数带入所述电容模型，计算出注水量估计值；

计算所述注水量与所述目标注采数据中的所述注水量的误差值；

根据所述误差值，通过高斯分布算法，从所述目标参数中确定出所述注水井组的所述窜流系数。

具体来讲，基于高斯分布算法求解电容模型，可以是：

先进行数据预处理：

即先读取初始相关数据(包括注水量、产液量、流压、注水段起始时间和连通性关系)；筛选与注水段中初始注水量日期匹配的注水量、产液量和流压作为目标注采数据；再将筛选出的数据带入模型中计算，计算后，若仍有注水段没有计算则再筛选目标注采数据，直至将各个注水段计算结果输出并保存。

如图2所示，基于高斯分布算法的具体实施步骤可以是：

先根据高斯分布均值μ和标准差σ，高斯分布随机生成每个产油井的预估窜流系数和预估时滞常数；挑选其中有效部分，舍弃超出一定范围内的数据，比如-0.3。将每一口产油井的最优解的窜流系数和时滞常数求其均值，并设为这一口产油井高斯分布的均值μ，若模块仍需要初始化下一代时，再随机生成每个产油井的预估窜流系数和预估时滞常数，否则结束。

再进一步，如图3所示，更详细的基于高斯分布求解电容模型的计算方法可以是：

先挑选出合适的相关数据，包括与注水段初始注水日期匹配的注水量、产液量和流压；再运用高斯分配器随机生成每一轮的每一组的预估窜流系数和预估时滞常数；将所述目标注采数据中的部分数据和所述目标参数带入模型中求解，与真实注水量匹配，获取每一轮每一组累计误差；若此轮仍有小组没有累计误差则返回生成所述目标参数；在每一轮每一组累计误差中挑选多个最优解，也就是最小误差；求多个最优解参数均数并将其赋给高斯分配器中的均值μ；检验是否达到循环代数(模块中设定为10代，经过不断分析与实践已经确保循环达到10代时肯定可以收敛)，若达不到则返回，反之结束。

经实践，采用本申请提供的方法，考虑了水体侵入的影响，剔除无效信号，能优化电容模型；使用高斯分布对模型求解，在保留最优解的前提下，同时避免陷入局部最优解的困局。

下面为使用本申请实施例提供的基于高斯分布的电容模型反演井间连通性方法的具体应用实例：

根据TK663井组08年的示踪剂报告与滤波法反演对比

通过带入TK663注水井的某段注水段的注水量和周围四口产液井时间相匹配的产液量后，通过$>\min f\left(n\right)=\left|\underset{n=1}{\overset{t}{\Sigma }}\left[{\hat{q}}_i\left(n\right)-{\lambda }_{p}q\left(n_0\right)e^{\frac{-\left(n-n_0\right)}{{\tau }_p}}-\underset{i=1}{\overset{i=l}{\Sigma }}{\lambda }_{ij}{i}_{ij}^{\prime }\left(n\right)-{\mathrm{pwf}}^{\prime \prime }\right]\right|$>模型求解，求解具体方法：

首先，通过高斯分布初始化λ和τ带入上述公式中；再录入产液量和流压带入计算；计算结果与真实注水量相减求其绝对值下的最小值；根据最小值，通过高斯分布的方法，不断优化λ和τ；最后得出最优解λ和τ。

计算结果见表1和表2：

表1TK663井组连通关系滤波法和示踪剂法对比表1

表2TK663井组连通关系滤波法和示踪剂法对比表2

经检验，该井连通性结果与示踪剂测试结果较为吻合。井组示踪剂水量分配情况、示踪剂最大峰值浓度与滤波分析得到的结果大小顺序基本一致。

另一方面，基于同一构思，提供了实施例一中的方法对应的装置，详见实施例二。

实施例二：

在本实施例中，提供了一种基于高斯分布的电容模型反演井间连通性装置，请参考图4，图4为所述装置的结构图，所述装置包括：

获取模块401，用于获取注水井组的初始相关数据；所述初始相关数据包括：所述注水井组的注水量、产液量、流压、注水段起始时间和连通性关系；

筛选模块402，用于从所述初始相关数据中筛选出目标注采数据；所述目标注采数据为与注水段中初始注水日期匹配的注水量、产液量和流压；

计算模块403，用于将所述目标注采数据带入电容模型，通过高斯分布算法对所述电容模型进行求解，从而计算出连通性参数；所述连通性参数用于表征所述注水井组内注水井和产液井之间的连通性强弱。

在本申请实施例中，所述装置还包括：

判断模块，用于判断是否加入流压数据反演井间连通性，获得第一判断结果；如果所述第一判断结果为是，则所述电容模型为考虑流压的电容模型；如果所述第一判断结果为否，则所述电容模型为不考虑流压的电容模型。

在本申请实施例中，所述获取模块包括：

第一获取单元，用于通过注采响应法获取注水井组的初始相关数据；或

第二获取单元，用于通过示踪剂获取注水井组的初始相关数据。

在本申请实施例中，所述装置还包括：

高斯计算模块，用于运用高斯分布随机生成每个产油井的预估窜流系数和预估时滞常数，作为初始参数；按预设范围，从所述初始参数中，筛选出符合要求的数据，作为目标参数；将所述目标注采数据中的部分数据和所述目标参数带入所述电容模型，计算出注水量估计值；计算所述注水量与所述目标注采数据中的所述注水量的误差值；根据所述误差值，通过高斯分布算法，从所述目标参数中确定出所述注水井组的窜流系数和时滞常数。

本实施例中提供的装置在实施例一中已经作了详细的描述，所以本领域技术人员可根据前述描述清楚的了解本实施例中的装置的结构，为了说明书的简洁，在此就不再赘述了。

上述本申请实施例中的技术方案，至少具有如下的技术效果或优点：

1、本申请实施例提供的方法及装置，基于生产动态资料，即获取的初始相关数据，对井间注采间连通强弱进行定量分析，基于电容模型结合高斯分布等算法计算得到注水受效及波及情况，克服了传统井间连通判断方法影响正常生产施工作业的问题，大大降低注采连通强弱判别的成本，简化传统注采连通关系判别的工作量。进一步，该方法利用概率统计学的思想，使用高斯分布算法对所述电容模型进行求解，计算出所述连通性参数，保证了井间连通性定量分析的准确性。

2、本申请实施例提供的方法及装置，利用概率统计学的思想，使用高斯分布算法对所述电容模型进行求解，先随机生成每个产油井的预估窜流系数和预估时滞常数，再在随机取值中寻找出最优解，确定出所述注水井组的窜流系数和时滞常数，与实际应用结合更加紧密，保证了井间连通性定量分析的准确性。

本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。

本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。

这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。

这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。

尽管已描述了本发明的优选实施例，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例作出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本发明范围的所有变更和修改。

显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。