基于条件生成式对抗网络的油气藏产量预测方法及装置制造方法及图纸

本发明专利技术实施例公开了一种基于条件生成式对抗网络的油气藏产量预测方法及装置，该方法包括：获取目标新井的生命周期中每个月各自对应的生产参数，其中，所述目标新井的生命周期为T个月；将所述目标新井的生命周期中每个月各自对应的生产参数输入到预先训练出的生成器中，得到所述生成器输出的所述目标新井的生命周期中每个月各自对应的产量预测值，其中，所述预先训练出的生成器为采用训练样本进行多次迭代训练得到的，训练样本包括已投产油气井历史上T个月中每个月各自对应的生产参数及产量。本发明专利技术能够实现对新井进行全生命周期的产量预测。产量预测。产量预测。

【技术实现步骤摘要】
基于条件生成式对抗网络的油气藏产量预测方法及装置


[0001]本专利技术涉及油气藏开发
，具体而言，涉及一种基于条件生成式对抗网络的油气藏产量预测方法及装置。

技术介绍

[0002]在油气藏的开发过程中，由于地层的强非均质性，流体渗流规律变得极其复杂，使得产量受多种因素的控制，而这些因素内部之间也存在着一定的联系，种种原因导致该类油气藏的产量无法用公式进行定量计算，预测难度大，传统的产能预测方法预测精度低，严重制约了油气藏的高效开发。
[0003]近年来，随着人工智能在科学和工程领域的广泛应用，且具有数据广、数据量大、多样性、真实可靠性等特点，大数据和机器学习己经成为石油和天然气工业的热点。大数据和机器学习已在地质特征预测、岩性判断、油气井产量主控因素、油气井产量预测分析取得了显著的成果。目前，应用在石油方面的机器学习方法主要有支持向量机、全连接神经网络(FCNN)、卷积神经网络(CNN)、长短期记忆神经网络(LSTM)、随机森林(RF)等算法。其中，神经网络算法应用得最为频繁。
[0004]现今基于机器学习的油气藏产量预测模型，虽能考虑多种影响因素和非线性关系，但是只能对已经有生产历史的老井进行产量预测，不能对新井，即从来没有生产过的井，进行全生命周期的产量预测，使用范围很有限。
[0005]因此，现有技术缺少一种能够对新井进行全生命周期的产量预测的方法。

技术实现思路

[0006]本专利技术为了解决上述
技术介绍
中的技术问题，提出了一种基于条件生成式对抗网络的油气藏产量预测方法及装置。
[0007]为了实现上述目的，根据本专利技术的一个方面，提供了一种基于条件生成式对抗网络的油气藏产量预测方法，该方法包括：
[0008]获取目标新井的生命周期中每个月各自对应的生产参数，其中，所述目标新井的生命周期为T个月；
[0009]将所述目标新井的生命周期中每个月各自对应的生产参数输入到预先训练出的生成器中，得到所述生成器输出的所述目标新井的生命周期中每个月各自对应的产量预测值，其中，所述预先训练出的生成器为采用训练样本进行多次迭代训练得到的，训练样本包括已投产油气井历史上T个月中每个月各自对应的生产参数及产量。
[0010]可选的，该基于条件生成式对抗网络的油气藏产量预测方法，还包括：
[0011]获取训练样本，其中，所述训练样本为已投产油气井的历史生产数据，所述训练样本由第一数据和第二数据组成，所述第一数据包括所述已投产油气井历史上T个月中每个月各自对应的生产参数，所述第二数据包括所述已投产油气井历史上T个月中每个月各自对应的产量；
[0012]根据所述训练样本进行多次迭代训练，得到所述预先训练出的生成器，其中，在每一次迭代训练中，先对判别器的网络权重进行训练，然后在由判别器和生成器组成的组合模型中对生成器的网络权重进行训练。
[0013]可选的，生成器的输入为T个月中每个月各自对应的生产参数，生成器的输出为产量预测数据，产量预测数据为T个月中每个月各自对应的产量预测值；判别器的输入为由T个月中每个月各自对应的生产参数与产量预测数据组合而成的组合数据，判别器的输出为组合数据为真实数据的概率。
[0014]可选的，所述对判别器的网络权重进行训练，具体包括：
[0015]将所述第一数据和生成器根据所述第一数据输出的产量预测数据进行组合，得到组合数据，并将该组合数据的标签设置为0，其中，生成器根据所述第一数据输出的产量预测数据包括所述已投产油气井历史上T个月中每个月各自对应的产量预测值；
[0016]将所述训练样本的标签设置为1；
[0017]将设置完标签后的组合数据以及设置完标签后的所述训练样本输入到判别器中，对判别器的网络权重进行训练。
[0018]可选的，所述在由判别器和生成器组成的组合模型中对生成器的网络权重进行训练，具体包括：
[0019]将所述第一数据输入到生成器中，得到生成器输出的产量预测数据，其中，生成器根据所述第一数据输出的产量预测数据包括所述已投产油气井历史上T个月中每个月各自对应的产量预测值；
[0020]将所述第一数据和生成器根据所述第一数据输出的产量预测数据进行组合，得到组合数据，并将该组合数据的标签设置为1；
[0021]将设置完标签后的组合数据输入到判别器中，得到判别器输出的该组合数据为真实数据的概率。
[0022]可选的，所述生产参数包括：注水量、渗透率、孔隙度、油藏含油饱和度以及油藏厚度。
[0023]为了实现上述目的，根据本专利技术的另一方面，提供了一种基于条件生成式对抗网络的油气藏产量预测装置，该装置包括：
[0024]新井数据获取模块，用于获取目标新井的生命周期中每个月各自对应的生产参数，其中，所述目标新井的生命周期为T个月；
[0025]新井全周期产量预测模块，用于将所述目标新井的生命周期中每个月各自对应的生产参数输入到预先训练出的生成器中，得到所述生成器输出的所述目标新井的生命周期中每个月各自对应的产量预测值，其中，所述预先训练出的生成器为采用训练样本进行多次迭代训练得到的，训练样本包括已投产油气井历史上T个月中每个月各自对应的生产参数及产量。
[0026]可选的，该基于条件生成式对抗网络的油气藏产量预测装置，还包括：
[0027]训练样本获取模块，用于获取训练样本，其中，所述训练样本为已投产油气井的历史生产数据，所述训练样本由第一数据和第二数据组成，所述第一数据包括所述已投产油气井历史上T个月中每个月各自对应的生产参数，所述第二数据包括所述已投产油气井历史上T个月中每个月各自对应的产量；
[0028]训练模块，用于根据所述训练样本进行多次迭代训练，得到所述预先训练出的生成器，其中，在每一次迭代训练中，所述训练模块先对判别器的网络权重进行训练，然后在由判别器和生成器组成的组合模型中对生成器的网络权重进行训练。
[0029]为了实现上述目的，根据本专利技术的另一方面，还提供了一种计算机设备，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基于条件生成式对抗网络的油气藏产量预测方法中的步骤。
[0030]为了实现上述目的，根据本专利技术的另一方面，还提供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计算机程序，所述计算机程序在计算机处理器中执行时实现上述基于条件生成式对抗网络的油气藏产量预测方法中的步骤。
[0031]本专利技术的有益效果为：本专利技术将条件生成式对抗网络与油气藏产量预测相结合，训练出条件生成式对抗网络的生成器作为产量预测模型，能够实现对新井全生命周期的产量进行预测。
附图说明
[0032]为了更清楚地说明本专利技术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，下面描述中的附图是本专利技术的一些实施例，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，还可以根据这本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于条件生成式对抗网络的油气藏产量预测方法，其特征在于，包括：获取目标新井的生命周期中每个月各自对应的生产参数，其中，所述目标新井的生命周期为T个月；将所述目标新井的生命周期中每个月各自对应的生产参数输入到预先训练出的生成器中，得到所述生成器输出的所述目标新井的生命周期中每个月各自对应的产量预测值，其中，所述预先训练出的生成器为采用训练样本进行多次迭代训练得到的，训练样本包括已投产油气井历史上T个月中每个月各自对应的生产参数及产量。2.根据权利要求1所述的基于条件生成式对抗网络的油气藏产量预测方法，其特征在于，还包括：获取训练样本，其中，所述训练样本为已投产油气井的历史生产数据，所述训练样本由第一数据和第二数据组成，所述第一数据包括所述已投产油气井历史上T个月中每个月各自对应的生产参数，所述第二数据包括所述已投产油气井历史上T个月中每个月各自对应的产量；根据所述训练样本进行多次迭代训练，得到所述预先训练出的生成器，其中，在每一次迭代训练中，先对判别器的网络权重进行训练，然后在由判别器和生成器组成的组合模型中对生成器的网络权重进行训练。3.根据权利要求2所述的基于条件生成式对抗网络的油气藏产量预测方法，其特征在于，生成器的输入为T个月中每个月各自对应的生产参数，生成器的输出为产量预测数据，产量预测数据为T个月中每个月各自对应的产量预测值；判别器的输入为由T个月中每个月各自对应的生产参数与产量预测数据组合而成的组合数据，判别器的输出为组合数据为真实数据的概率。4.根据权利要求2所述的基于条件生成式对抗网络的油气藏产量预测方法，其特征在于，所述对判别器的网络权重进行训练，具体包括：将所述第一数据和生成器根据所述第一数据输出的产量预测数据进行组合，得到组合数据，并将该组合数据的标签设置为0，其中，生成器根据所述第一数据输出的产量预测数据包括所述已投产油气井历史上T个月中每个月各自对应的产量预测值；将所述训练样本的标签设置为1；将设置完标签后的组合数据以及设置完标签后的所述训练样本输入到判别器中，对判别器的网络权重进行训练。5.根据权利要求2所述的基于条件生成式对抗网络的油气藏产量预测方法，其特征在于，所述在由判别器和生成器组成的组合模型中对生成器的网络权重进行训练，具体包括：将所...

【专利技术属性】
技术研发人员：田冷，黄灿，王恒力，顾岱鸿，王嘉新，柴晓龙，蒋丽丽，王义鹏，
申请(专利权)人：中国石油大学北京，
类型：发明
国别省市：