油藏采收率预测方法及装置

技术领域

本发明涉及石油工程技术领域，尤其涉及一种油藏采收率预测方法及装置。

背景技术

油藏采收率是衡量油田开发效果和开发水平的最重要的综合指标，其预测方法主要为静态法和动态法，其中静态法适用于新区和开采时间较短的单元，动态法优于静态法，适用于开发中后期。

现行石油行业标准《石油可采储量计算方法》(SY/T 5367-2010)中，给出了具体的计算方法，其中静态法主要采用理论公式、经验公式、类比等方法；动态法主要有递送减曲线法、水驱特征曲线法、童宪章图版法、注采关系法等。动态法主要是根据油藏的开采历史动态资料及其变化规律，预测未来开发动态趋势、计算油藏采收率，其具体方法的选择取决于开采动态资料的质量、数量及油藏的成熟度。

虽然技术人员在采收率预测研究上取得了一些成果，制定了行业标准，但其中所给出的静态法应用过程中需人为给定某个/某些参数的取值或人为设定某个/某些参数的取值范围，产生人为误差；且随技术进步，油藏分类更为精细，开发方式转换已成常态，而经验公式只适用于特定的油藏类型/开发方式，有限的经验公式难以适应开发现实；动态法对历史数据拟合的完整性、持续性、可靠性要求较高，各类计算方法均有其各自的适用性及局限性。

因此，目前缺乏一种适用于各类油藏、不同开发方式、不同开发阶段的采收率预测方法。

发明内容

本发明实施例提出一种油藏采收率预测方法，用以预测油藏采收率，适用于各类油藏、不同开发方式、不同开发阶段，准确度高，该方法包括：

基于预先确定的多个参数变量，构建油藏采收率预测的多元线性回归模型的原始模型，所述参数变量包括定量参数变量和定性参数变量；

根据所述定量参数变量和所述原始模型，建立定量参数变量模型；

根据所述定性参数变量，建立虚拟变量模型；

将虚拟变量模型引入参数变量模型，获得含虚拟变量的参数模型；

对所述含虚拟变量的参数模型进行多重共线性检验，获得第四模型；

对所述第四模型进行异方差检验，获得第五模型；

对所述第五模型进行自相关检验，获得油藏采收率预测模型；

在获得油藏采收率预测模型的参数变量值后，输入至油藏采收率预测模型，获得油藏采收率预测值。

本发明实施例提出一种油藏采收率预测装置，用以预测油藏采收率，适用于各类油藏、不同开发方式、不同开发阶段，准确度高，该装置包括：

原始模型确定模型，拥有基于预先确定的多个参数变量，构建油藏采收率预测的多元线性回归模型的原始模型，所述参数变量包括定量参数变量和定性参数变量；

定量参数变量模型建立模块，用于根据所述定量参数变量和所述原始模型，建立定量参数变量模型；

虚拟变量模型建立模块，用于根据所述定性参数变量，建立虚拟变量模型；

含虚拟变量的参数模型获得模块，用于将虚拟变量模型引入参数变量模型，获得含虚拟变量的参数模型；

第四模型获得模块，用于对所述含虚拟变量的参数模型进行多重共线性检验，获得第四模型；

第五模型获得模块，用于对所述第四模型进行异方差检验，获得第五模型；

油藏采收率预测模型获得模块，用于对所述第五模型进行自相关检验，获得油藏采收率预测模型；

油藏采收率预测模块，用于在获得油藏采收率预测模型的参数变量值后，输入至油藏采收率预测模型，获得油藏采收率预测值。

本发明实施例还提出了一种计算机设备，包括存储器、处理器及存储在存储器上并可在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上述油藏采收率预测方法。

本发明实施例还提出了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执行上述油藏采收率预测方法的计算机程序。

在本发明实施例中，基于预先确定的多个参数变量，构建油藏采收率预测的多元线性回归模型的原始模型，所述参数变量包括定量参数变量和定性参数变量；根据所述定量参数变量和所述原始模型，建立定量参数变量模型；根据所述定性参数变量，建立虚拟变量模型；将虚拟变量模型引入参数变量模型，获得含虚拟变量的参数模型；对所述含虚拟变量的参数模型进行多重共线性检验，获得第四模型；对所述第四模型进行异方差检验，获得第五模型；对所述第五模型进行自相关检验，获得油藏采收率预测模型；在获得油藏采收率预测模型的参数变量值后，输入至油藏采收率预测模型，获得油藏采收率预测值。在上述过程中，建立了准确的油藏采收率预测模型，该油藏采收率预测模型在建立过程中，考虑了定量参数变量和定性参数变量，实现了参数变量选取多样化、动态化，保证了最后油藏采收率预测模型的应用广泛性；并分别构建了定量参数变量模型和虚拟变量模型，运用的数学建模方法消除了人为设定参数/参数值的影响；在形成含虚拟变量的参数模型后，分别进行了多重共线性检验、异方差检验和自相关检验，保证了最后形成的油藏采收率预测模型的有效性、预测的可靠性，且适用于各类油藏、不同开发方式、不同开发阶段。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。在附图中：

图1为本发明实施例中油藏采收率预测方法的流程图；

图2为本发明实施例中油藏采收率预测方法的详细流程图；

图3为本发明实施例中油藏采收率预测装置的示意图；

图4为本发明实施例中定量参数变量模型建立模块的示意图；

图5为本发明实施例中计算机设备的示意图。

具体实施方式

为使本发明实施例的目的、技术方案和优点更加清楚明白，下面结合附图对本发明实施例做进一步详细说明。在此，本发明的示意性实施例及其说明用于解释本发明，但并不作为对本发明的限定。

在本说明书的描述中，所使用的“包含”、“包括”、“具有”、“含有”等，均为开放性的用语，即意指包含但不限于。参考术语“一个实施例”、“一个具体实施例”、“一些实施例”、“例如”等的描述意指结合该实施例或示例描述的具体特征、结构或者特点包含于本申请的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施例或示例。而且，描述的具体特征、结构或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。各实施例中涉及的步骤顺序用于示意性说明本申请的实施，其中的步骤顺序不作限定，可根据需要作适当调整。

图1为本发明实施例中油藏采收率预测方法的流程图，如图1所示，该方法包括：

步骤101，基于预先确定的多个参数变量，构建油藏采收率预测的多元线性回归模型的原始模型，所述参数变量包括定量参数变量和定性参数变量；

步骤102，根据所述定量参数变量和所述原始模型，建立定量参数变量模型；

步骤103，根据所述定性参数变量，建立虚拟变量模型；

步骤104，将虚拟变量模型引入参数变量模型，获得含虚拟变量的参数模型；

步骤105，对所述含虚拟变量的参数模型进行多重共线性检验，获得第四模型；

步骤106，对所述第四模型进行异方差检验，获得第五模型；

步骤107，对所述第五模型进行自相关检验，获得油藏采收率预测模型；

步骤108，在获得油藏采收率预测模型的参数变量值后，输入至油藏采收率预测模型，获得油藏采收率预测值。

在本发明实施例中，建立了准确的油藏采收率预测模型，该油藏采收率预测模型在建立过程中，考虑了定量参数变量和定性参数变量，实现了参数变量选取多样化、动态化，保证了最后油藏采收率预测模型的应用广泛性；并分别构建了定量参数变量模型和虚拟变量模型，运用的数学建模方法消除了人为设定参数/参数值的影响；在形成含虚拟变量的参数模型后，分别进行了多重共线性检验、异方差检验和自相关检验，保证了最后形成的油藏采收率预测模型的有效性、预测的可靠性，且适用于各类油藏、不同开发方式、不同开发阶段。

具体实施时，参数变量包括定量参数变量和定性参数变量，其中，定量参数变量包括但不限定于孔隙度、渗透率、油层有效厚度、原油粘度、油藏埋深、油水粘度比等，定性参数变量包括但不限定于岩性、油藏类型、开发方式、开发阶段等等。

油藏采收率预测的多元线性回归模型一般采用如下公式表示：

y

其中，y

在上述公式(1)中，参数变量个数为k-1个。

上述多元线性回归模型是针对每个油藏采样点的采收率计算公式，对于每个采样点，可以直接应用如下的公式(2)：

y＝β

在步骤102中，根据所述定量参数变量和所述原始模型，建立定量参数变量模型，在一实施例中，根据所述定量参数变量和所述原始模型，建立定量参数变量模型，包括：

构建每个定量参数变量对应的单因素参数方程；

基于每个定量参数变量对应的单因素参数方程，以及所述原始模型，建立定量参数变量模型。

为了充分考虑每个定量参数变量，对每个定量参数变量都构造一个单因素参数方程，以提高最后油藏采收率预测模型的精度。每个定量参数变量都是一种影响因素。

在一实施例中，构建每个定量参数变量对应的单因素参数方程，包括：

若定量参数变量与采收率为线性关系，获得该线性关系对应的线性模型，对该线性模型进行线性回归，重复执行以下步骤，直至线性回归后的线性模型通过检验，并确定通过检验的线性模型为该定量参数变量对应的单因素参数方程：对线性回归后的线性模型进行检验(例如，R值、F检验、T检验)，在检验不通过时，修改线性回归后的线性模型；

若定量参数变量与采收率为能够线性化处理的非线性关系，获得该能够线性化处理的非线性关系对应的非线性模型，对所述非线性模型进行线性化处理，对线性化处理后的非线性模型进行线性回归，重复执行以下步骤，直至线性回归后的非线性模型通过检验，并确定通过检验的非线性模型为该定量参数变量对应的单因素参数方程：对线性回归后的非线性模型进行检验(例如，R值、F检验、T检验)，在检验不通过后，修改线性回归后的非线性模型；

若定量参数变量与采收率为不能够线性化处理的非线性关系，采用高斯－牛顿迭代法构建该定量参数变量对应的单因素参数方程。

在上述实施例中，每个单因素参数方程都是通过检验的，提高了对各类油藏、不同开发方式、不同开发阶段的油藏的适用性。若定量参数变量与采收率为线性关系，获得该线性关系对应的线性模型，对该线性模型直接进行线性回归。

若定量参数变量与采收率为能够线性化处理的非线性关系，获得该能够线性化处理的非线性关系对应的非线性模型，在一实施例中，能线性化处理的非线性关系包括指数型关系、对数型关系、幂函数型、双曲型或多项式型。每种能线性化处理的非线性关系用函数表示，表1为多种能线性化处理的非线性关系的函数线性化表。

表1

若定量参数变量与采收率为不能够线性化处理的非线性关系，采用高斯－牛顿迭代法构建该定量参数变量对应的单因素参数方程，具体实施时，高斯－牛顿迭代法的基本模型为：

将公式(2)初始值(a

y

之后以利用OLS法(最小二乘法)估计上述公式(3)表示的基本模型得到第一组估值

最后，基于每个定量参数变量对应的单因素参数方程，以及所述原始模型，建立定量参数变量模型。

在一实施例中，根据所述定性参数变量，建立虚拟变量模型，包括：

对所述定性参数变量进行赋值，获得虚拟变量；

基于虚拟变量，建立虚拟变量模型；

对虚拟变量模型进行回归，重复执行以下步骤，直至回归后的虚拟变量模型通过检验：对虚拟变量模型进行检验(例如，对于单变量模型应用R值、F检验、T检验，若为多变量模型，还需进行DW检验)，在检验不通过后，修改虚拟变量模型。

在上述实施例中，首先，在步骤101中，预先确定了多个参数变量，包括定性参数变量，进行赋值时，一般根据因素的属性类型，构造只取“0”或“1”的人工变量，称为虚拟变量，记为D

之后，基于虚拟变量，建立如下的虚拟变量模型：

Y＝(α

(5)

其中：D

最后，对虚拟变量模型进行回归，重复执行以下步骤，直至回归后的虚拟变量模型通过检验：对虚拟变量模型进行检验，在检验不通过后，修改虚拟变量模型

在一实施例中，对所述含虚拟变量的参数模型进行多重共线性检验，获得第四模型，包括：

对所述含虚拟变量的参数模型进行多重共线性检验；

在多重共线性检验结果为所述含虚拟变量的参数模型存在多重共线性时，执行以下步骤，获得第四模型：

采用逐步回归法确定参数变量加入的顺次；

根据参数变量加入的顺次，对所述含虚拟变量的参数模型进行多元回归；

依据多元回归计算的R值及参数变量的T检验结果，消除不符合R值或T检验结果要求的参数变量，获得第四模型。

在上述实施例中，对所述含虚拟变量的参数模型进行多元回归指的是依次进行一元、二元、三元…回归，依据多元回归计算的R值及参数变量的T检验结果，消除不符合R值或T检验结果要求的参数变量，获得第四模型，相当于第四模型中参数变量的个数变少了，使得最后模型的精度更高。

之后，对所述第四模型进行异方差检验，获得第五模型。

在后续的自相关检验中，需要用到OLS(最小二乘法)估计，但是，异方差的存在已经使数据违背了OLS(最小二乘法)估计的五大基本原则，若不对数据进行处理就进行OLS估计，则参数变量的估计量非有效(方差不再是估计值中最小的)，使参数变量的显著性检验失去意义导致油藏采收率预测模型预测失效。因此，需要对所述第四模型进行异方差检验，在存在异方差时，则需对第四模型进行修正(对于异方差的修正，一般采用加权最小二乘法)，直至第四模型不存在异方差，获得第五模型。

在一实施例中，对所述第五模型进行自相关检验，获得油藏采收率预测模型，包括：

对所述第五模型进行自相关检验；

在自相关检验结果为存在自相关时，采用杜宾两步法对所述第五模型进行修正，获得油藏采收率预测模型。

在上述实施例中，自相关性的存在会导致扰动项之间的协方差不为0，T检验与F检验失效，也会使高斯马尔科夫定理不成立。因此，要对所述第五模型进行自相关检验，采用杜宾两步法对所述第五模型进行修正的具体过程如下：

第五模型的广义方程表示为：

将公式(6)作为一个多元模型进行普通最小二乘估计，将Y

之后，使用广义差分法对公式(6)进行修正，即

令

β

进行广义差分估计，并对公式(6)采用步骤106的思路进行异方差检验并修正，保证油藏采收率预测模型的有效性，最后得到油藏采收率预测模型。

基于上述实施例，本发明提出如下一个实施例来说明油藏采收率预测方法的详细流程，图2为本发明实施例中油藏采收率预测方法的详细流程图，如图2所示，包括：

步骤201，基于预先确定的多个参数变量，构建油藏采收率预测的多元线性回归模型的原始模型，所述参数变量包括定量参数变量和定性参数变量；转至步骤202和步骤203；

步骤202，根据所述定量参数变量和所述原始模型，建立定量参数变量模型，具体包括：步骤2021-步骤2022；

步骤2021，构建每个定量参数变量对应的单因素参数方程，具体包括：

步骤20211，若定量参数变量与采收率为线性关系，获得该线性关系对应的线性模型，对该线性模型进行线性回归，重复执行以下步骤，直至线性回归后的线性模型通过检验，并确定通过检验的线性模型为该定量参数变量对应的单因素参数方程：对线性回归后的线性模型进行检验，在检验不通过时，修改线性回归后的线性模型；转至步骤2022；

步骤20212，若定量参数变量与采收率为能够线性化处理的非线性关系，获得该能够线性化处理的非线性关系对应的非线性模型，对所述非线性模型进行线性化处理，对线性化处理后的非线性模型进行线性回归，重复执行以下步骤，直至线性回归后的非线性模型通过检验，并确定通过检验的非线性模型为该定量参数变量对应的单因素参数方程：对线性回归后的非线性模型进行检验，在检验不通过后，修改线性回归后的非线性模型；转至步骤2022；

步骤20213，若定量参数变量与采收率为不能够线性化处理的非线性关系，采用高斯－牛顿迭代法构建该定量参数变量对应的单因素参数方程；转至步骤2022；

步骤2022，基于每个定量参数变量对应的单因素参数方程，以及所述原始模型，建立定量参数变量模型；

步骤203，根据所述定性参数变量，建立虚拟变量模型，具体包括步骤2031-步骤2033；

步骤2031，对所述定性参数变量进行赋值，获得虚拟变量；

步骤2032，基于虚拟变量，建立虚拟变量模型；

步骤2033，对虚拟变量模型进行回归，重复执行以下步骤，直至回归后的虚拟变量模型通过检验：对虚拟变量模型进行检验，在检验不通过后，修改虚拟变量模型；

步骤204，将虚拟变量模型引入参数变量模型，获得含虚拟变量的参数模型；

步骤205，对所述含虚拟变量的参数模型进行多重共线性检验，获得第四模型；具体包括：步骤2051-步骤2055；

步骤2051，对所述含虚拟变量的参数模型进行多重共线性检验；

步骤2052，在多重共线性检验结果为所述含虚拟变量的参数模型存在多重共线性时，执行以下步骤，获得第四模型：采用逐步回归法确定参数变量加入的顺次；根据参数变量加入的顺次，对所述含虚拟变量的参数模型进行多元回归；依据多元回归计算的R值及参数变量的T检验结果，消除不符合R值或T检验结果要求的参数变量，获得第四模型；

步骤206，对所述第四模型进行异方差检验，获得第五模型；

步骤207，对所述第五模型进行自相关检验，获得油藏采收率预测模型；具体包括：步骤2071-步骤2072；

步骤2071，对所述第五模型进行自相关检验；

步骤2072，在自相关检验结果为存在自相关时，采用杜宾两步法对所述第五模型进行修正，获得油藏采收率预测模型；

步骤208，在获得油藏采收率预测模型的参数变量值后，输入至油藏采收率预测模型，获得油藏采收率预测值。

当然，可以理解的是，上述详细流程还可以有其他变化例，相关变化例均应落入本发明的保护范围。

下面给出一个具体实施例，来说明本发明实施例中油藏采收率预测方法的具体应用。

基于图2，在步骤201中，首先预先确定了对变质岩油藏影响较大的6项因素构成的参数变量，其中，定量参数变量包括含油饱和度、孔隙度、油水粘度比、油层有效厚度、井网密度，定性参数变量包括4个类别的岩性。然后构建油藏采收率预测的多元线性回归模型的原始模型。

之后，采用步骤202-步骤204，构建含虚拟变量的参数模型，其中，在步骤2021中，要构建每个定量参数变量对应的单因素参数方程，含油饱和度、孔隙度、油层有效厚度、井网密度这几个定量参数变量与采收率为现线性关系，采用步骤20211进行处理获得单因素参数方程；油水粘度比与采收率为对数关系，属于能够线性化处理的非线性关系，采用步骤20212进行处理得到单因素参数方程。4个类别的岩性采用步骤203获得虚拟变量模型。

经过步骤204，最后获得的含虚拟变量的参数模型如下：

E

式中E

采用步骤205，对所述含虚拟变量的参数模型进行多重共线性检验，其中，在步骤2051中，利用Eviews软件进行最小二乘估计，结果显示个别解释参数变量的t统计量并不显著以及相关系数矩阵结论显示部分解释变量之间相关程度较高，所以多重共线性检验结果为存在多重共线性；按照步骤2052进行修正，最后消除的参数变量为含油饱和度(OILSATURATION)和油层有效厚度(THICKNESS)，第四模型如下所示：

E

之后进行步骤206，对所述第四模型进行异方差检验，在本实施例中，采用图示检验法检验第四模型不存在异方差，并进一步利用White检验法检验第四模型不存在异方差，结果显示：在显著性水平α＝0.05的情况下，χ

之后进行步骤207，对所述第五模型进行自相关检验，获得油藏采收率预测模型；具体包括：步骤2071-步骤2072；

步骤2071，对所述第五模型进行自相关检验，这里采用两种自相关检验方法(DW检验法和残差分析图检验)，首先进行DW检验，DW检验计算得DW＝2.237925，查DW检验表得DL＝0.767，DU＝1.779，所以4-DU＝2.221＜DW＜4-DL＝3.233，因此不能确定是否存在自相关性；之后进行残差分析图检验，其结果显示第五模型存在自相关，进入步骤2072，即采用杜宾两步法对所述第五模型进行修正，通过广义差分法计算，修正后的模型DW＝2.046368，即在2～4-DU＝2.136之间，修正后模型不存在自相关，确定修正后的模型为油藏采收率预测模型，如下所示：

E

上述油藏采收率预测模型的T检验结果为：

t＝(2.242658)(3.207067)(4.064190)(0.990455)(1.739035)(2.441476)(1.829444)

R值为：R

F检验结果为：F＝82.99791；

DW检验的检验结果为：DW＝1.712541。

上面检验结果显示油藏采收率预测模型的效果好。

最后，在获得油藏采收率预测模型的参数变量值后，输入至油藏采收率预测模型，即可获得油藏采收率预测值。

本发明实施例运用上述方法，对14个油藏样本点进行了采收率预测，与相关行业专家审核认定的结果相比，相对误差<5％，符合率达到100％。

综上所述，在本发明实施例提出的方法中，基于预先确定的多个参数变量，构建油藏采收率预测的多元线性回归模型的原始模型，所述参数变量包括定量参数变量和定性参数变量；根据所述定量参数变量和所述原始模型，建立定量参数变量模型；根据所述定性参数变量，建立虚拟变量模型；将虚拟变量模型引入参数变量模型，获得含虚拟变量的参数模型；对所述含虚拟变量的参数模型进行多重共线性检验，获得第四模型；对所述第四模型进行异方差检验，获得第五模型；对所述第五模型进行自相关检验，获得油藏采收率预测模型；在获得油藏采收率预测模型的参数变量值后，输入至油藏采收率预测模型，获得油藏采收率预测值。在上述过程中，建立了准确的油藏采收率预测模型，该油藏采收率预测模型在建立过程中，考虑了定量参数变量和定性参数变量，实现了参数变量选取多样化、动态化，保证了最后油藏采收率预测模型的应用广泛性；并分别构建了定量参数变量模型和虚拟变量模型，运用的数学建模方法消除了人为设定参数/参数值的影响；在形成含虚拟变量的参数模型后，分别进行了多重共线性检验、异方差检验和自相关检验，保证了最后形成的油藏采收率预测模型的有效性、预测的可靠性，且适用于各类油藏、不同开发方式、不同开发阶段。

本发明实施例还提出一种油藏采收率预测装置，其原理与油藏采收率预测方法类似，这里不再赘述。

图3为本发明实施例中油藏采收率预测装置的示意图，如图3所示，包括：

原始模型确定模型301，拥有基于预先确定的多个参数变量，构建油藏采收率预测的多元线性回归模型的原始模型，所述参数变量包括定量参数变量和定性参数变量；

定量参数变量模型建立模块302，用于根据所述定量参数变量和所述原始模型，建立定量参数变量模型；

虚拟变量模型建立模块303，用于根据所述定性参数变量，建立虚拟变量模型；

含虚拟变量的参数模型获得模块304，用于将虚拟变量模型引入参数变量模型，获得含虚拟变量的参数模型；

第四模型获得模块305，用于对所述含虚拟变量的参数模型进行多重共线性检验，获得第四模型；

第五模型获得模块306，用于对所述第四模型进行异方差检验，获得第五模型；

油藏采收率预测模型获得模块307，用于对所述第五模型进行自相关检验，获得油藏采收率预测模型；

油藏采收率预测模块308，用于在获得油藏采收率预测模型的参数变量值后，输入至油藏采收率预测模型，获得油藏采收率预测值。

如图4所示为本发明实施例中定量参数变量模型建立模块的示意图，在一实施例中，定量参数变量模型建立模块包括：

单因素参数方程构建模块401，用于构建每个定量参数变量对应的单因素参数方程；

变量模型构建模块402，用于基于每个定量参数变量对应的单因素参数方程，以及所述原始模型，建立定量参数变量模型。

在一实施例中，单因素参数方程构建模块具体用于：

若定量参数变量与采收率为线性关系，获得该线性关系对应的线性模型，对该线性模型进行线性回归，重复执行以下步骤，直至线性回归后的线性模型通过检验，并确定通过检验的线性模型为该定量参数变量对应的单因素参数方程：对线性回归后的线性模型进行检验，在检验不通过时，修改线性回归后的线性模型；

若定量参数变量与采收率为能够线性化处理的非线性关系，获得该能够线性化处理的非线性关系对应的非线性模型，对所述非线性模型进行线性化处理，对线性化处理后的非线性模型进行线性回归，重复执行以下步骤，直至线性回归后的非线性模型通过检验，并确定通过检验的非线性模型为该定量参数变量对应的单因素参数方程：对线性回归后的非线性模型进行检验，在检验不通过后，修改线性回归后的非线性模型；

若定量参数变量与采收率为不能够线性化处理的非线性关系，采用高斯－牛顿迭代法构建该定量参数变量对应的单因素参数方程。

在一实施例中，能线性化处理的非线性关系包括指数型关系、对数型关系、幂函数型、双曲型或多项式型。

在一实施例中，虚拟变量模型具体用于：

根据所述定性参数变量，建立虚拟变量模型；

对虚拟变量模型进行回归，重复执行以下步骤，直至回归后的虚拟变量模型通过检验：对虚拟变量模型进行检验，在检验不通过后，修改虚拟变量模型。

在一实施例中，第四模块获得模块具体用于：

对所述含虚拟变量的参数模型进行多重共线性检验；

在多重共线性检验结果为所述含虚拟变量的参数模型存在多重共线性时，执行以下步骤，获得第四模型：

采用逐步回归法确定参数变量加入的顺次；

根据参数变量加入的顺次，对所述含虚拟变量的参数模型进行多元回归；

依据多元回归计算的R值及参数变量的T检验结果，消除不符合R值或T检验结果要求的参数变量，获得第四模型。

在一实施例中，油藏采收率预测模型具体用于：

对所述第五模型进行自相关检验；

在自相关检验结果为存在自相关时，采用杜宾两步法对所述第五模型进行修正，获得油藏采收率预测模型。

综上所述，在本发明实施例提出的装置中，基于预先确定的多个参数变量，构建油藏采收率预测的多元线性回归模型的原始模型，所述参数变量包括定量参数变量和定性参数变量；根据所述定量参数变量和所述原始模型，建立定量参数变量模型；根据所述定性参数变量，建立虚拟变量模型；将虚拟变量模型引入参数变量模型，获得含虚拟变量的参数模型；对所述含虚拟变量的参数模型进行多重共线性检验，获得第四模型；对所述第四模型进行异方差检验，获得第五模型；对所述第五模型进行自相关检验，获得油藏采收率预测模型；在获得油藏采收率预测模型的参数变量值后，输入至油藏采收率预测模型，获得油藏采收率预测值。在上述过程中，建立了准确的油藏采收率预测模型，该油藏采收率预测模型在建立过程中，考虑了定量参数变量和定性参数变量，实现了参数变量选取多样化、动态化，保证了最后油藏采收率预测模型的应用广泛性；并分别构建了定量参数变量模型和虚拟变量模型，运用的数学建模方法消除了人为设定参数/参数值的影响；在形成含虚拟变量的参数模型后，分别进行了多重共线性检验、异方差检验和自相关检验，保证了最后形成的油藏采收率预测模型的有效性、预测的可靠性，且适用于各类油藏、不同开发方式、不同开发阶段。

本申请的实施例还提供一种计算机设备，图5为本发明实施例中计算机设备的示意图，该计算机设备能够实现上述实施例中的油藏采收率预测方法中全部步骤，所述计算机设备具体包括如下内容：

处理器(processor)501、存储器(memory)502、通信接口(CommunicationsInterface)503和通信总线504；

其中，所述处理器501、存储器502、通信接口503通过所述通信总线504完成相互间的通信；所述通信接口503用于实现服务器端设备、检测设备以及用户端设备等相关设备之间的信息传输；

所述处理器501用于调用所述存储器502中的计算机程序，所述处理器执行所述计算机程序时实现上述实施例中的油藏采收率预测方法中的全部步骤。

本申请的实施例还提供一种计算机可读存储介质，能够实现上述实施例中的油藏采收率预测方法中全部步骤，所述计算机可读存储介质上存储有计算机程序，该计算机程序被处理器执行时实现上述实施例中的油藏采收率预测方法的全部步骤。

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。

以上所述的具体实施例，对本发明的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上所述仅为本发明的具体实施例而已，并不用于限定本发明的保护范围，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。