基于长短时记忆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长短时记忆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产量预测模型中，得到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，所述产量预测模型为采用训练样本对预设的长短时记忆网络进行训练得到的，并且在训练时采用贝叶斯优化算法对所述长短时记忆网络的超参数进行优化，所述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。现对新井进行全生命周期的产量预测。现对新井进行全生命周期的产量预测。

【技术实现步骤摘要】
基于长短时记忆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，涉及一种基于长短时记忆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。
[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，提出了一种基于长短时记忆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，提供了一种基于长短时记忆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产量预测模型中，得到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，所述产量预测模型为采用训练样本对预设的长短时记忆网络进行训练得到的，并且在训练时采用贝叶斯优化算法对所述长短时记忆网络的超参数进行优化，所述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，该基于长短时记忆网络的油气藏产量预测方法，还包括：
[0011]获取训练样本集，其中，所述训练样本集包含多个所述训练样本；
[0012]根据所述训练样本集对预设的长短时记忆网络进行训练，并且在训练时采用贝叶斯优化算法对所述长短时记忆网络的超参数进行优化，得到所述产量预测模型。
[0013]可选的，所述采用贝叶斯优化算法对所述长短时记忆网络的超参数进行优化，具体包括：
[0014]结合贝叶斯优化算法，以训练后的长短时记忆网络对验证样本集中的各验证样本的预测平均误差作为目标，对所述长短时记忆网络的超参数进行优化。
[0015]可选的，所述超参数具体包括：网络层数、每层网络的神经元个数、每层网络后防止过拟合的Dropout层的丢失率、Adam优化器的学习率、每次训练网络代入的训练样本集中训练样本的个数以及总的训练周期数。
[0016]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。
[0017]可选的，所述已投产油气井和所述目标新井的生产条件相同，所述生产条件包括：井网条件。
[0018]为了实现上述目的，根据本专利技术的另一方面，提供了一种基于长短时记忆网络的油气藏产量预测装置，该装置包括：
[0019]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；
[0020]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产量预测模型中，得到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，所述产量预测模型为采用训练样本对预设的长短时记忆网络进行训练得到的，并且在训练时采用贝叶斯优化算法对所述长短时记忆网络的超参数进行优化，所述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。
[0021]可选的，该基于长短时记忆网络的油气藏产量预测装置，还包括：
[0022]训练样本集获取模块，用于获取训练样本集，其中，所述训练样本集包含多个所述训练样本；
[0023]训练模块，用于根据所述训练样本集对预设的长短时记忆网络进行训练，并且在训练时采用贝叶斯优化算法对所述长短时记忆网络的超参数进行优化，得到所述产量预测模型。
[0024]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长短时记忆网络的油气藏产量预测方法中的步骤。
[0025]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长短时记忆网络的油气藏产量预测方法中的步骤。
[0026]本专利技术的有益效果为：
[0027]本专利技术将长短时记忆网络与油气藏产量预测相结合，基于长短时记忆网络训练出产量预测模型，能够实现对新井全生命周期的产量进行预测。
附图说明
[0028]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，还可以根据这些附图获得其他的附图。在附图中：
[0029]图1是本专利技术实施例基于长短时记忆网络的油气藏产量预测方法的第一流程图；
[0030]图2是本专利技术实施例基于长短时记忆网络的油气藏产量预测方法的第二流程图；
[0031]图3是本专利技术实施例基于长短时记忆网络的油气藏产量预测装置的第一结构框图；
[0032]图4是本专利技术实施例基于长短时记忆网络的油气藏产量预测装置的第二结构框图；
[0033]图5是本专利技术实施例样本数据示意图；
[0034]图6是本专利技术实施例计算机设备示意图。
具体实施方式
[0035]为了使本
的人员更好地理解本专利技术方案，下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本专利技术一部分的实施例，而不是全部的实施例。基于本专利技术中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本专利技术保护的范围。
[0036]本领域内的技术人员应明白，本专利技术的实施例可提供为方法、系统、或计算机程序产品。因此，本专利技术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，本专利技术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。
[0037]需要本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于长短时记忆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产量预测模型中，得到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，所述产量预测模型为采用训练样本对预设的长短时记忆网络进行训练得到的，并且在训练时采用贝叶斯优化算法对所述长短时记忆网络的超参数进行优化，所述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所述的基于长短时记忆网络的油气藏产量预测方法，其特征在于，还包括：获取训练样本集，其中，所述训练样本集包含多个所述训练样本；根据所述训练样本集对预设的长短时记忆网络进行训练，并且在训练时采用贝叶斯优化算法对所述长短时记忆网络的超参数进行优化，得到所述产量预测模型。3.根据权利要求1所述的基于长短时记忆网络的油气藏产量预测方法，其特征在于，所述采用贝叶斯优化算法对所述长短时记忆网络的超参数进行优化，具体包括：结合贝叶斯优化算法，以训练后的长短时记忆网络对验证样本集中的各验证样本的预测平均误差作为目标，对所述长短时记忆网络的超参数进行优化。4.根据权利要求1所述的基于长短时记忆网络的油气藏产量预测方法，其特征在于，所述超参数具体包括：网络层数、每层网络的神经元个数、每层网络后防止过拟合的Dropout层的丢失率、Adam优化器的学习率、每次训练网络代入的训练样本集中训练样本的个数以及总的训练周期数。5.根据权利要求1所述的基于长短时记忆网络的油气藏产量预测方法，其特征在于，所述生产参数包括：注...

【专利技术属性】
技术研发人员：田冷，黄灿，王恒力，顾岱鸿，蒋丽丽，柴晓龙，王嘉新，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：