一种基于静态油气田数据的新井动态产量预测方法技术

本发明专利技术提出了一种基于静态油气田数据的新井动态产量预测方法。该方法包括：油气井数据的汇总与预处理；进行BP神经网络累产量预测模型的训练与模型超参数的优化；进行BP

【技术实现步骤摘要】
一种基于静态油气田数据的新井动态产量预测方法


[0001]本专利技术涉及油气开采
，更为具体地，涉及一种基于静态油气田数据的新井动态产量预测方法。

技术介绍

[0002]在油气田区块的实际开发中已包含很多成熟的动静态产量预测方法。在预测油气井产能方面，近十年来应用次数较多的机器学习的方法包括多元回归分析、RF模型以及神经网络等，而其他机器学习的方法如支持向量回归(SVM)、梯度提升回归(GBM)等模型也有所涉及。Alatrach等人选取了位于阿联酋阿布扎比的一个低渗透碳酸盐油气藏，通过分析将井位坐标、静态信息(TVD，初始饱和度等)等参数输入到了ANN预测模型中，并将油、气以及水的产量、储层压力与水饱和度作为模型的输出参数，分别建立模型进行了预测，最终表明了神经网络模型的有良好的非线性拟合性。Chakra等人为了克服传统神经网络在油气产量预测方面的局限性，应用高阶神经网络(HONN)对累积产油量进行预测。所建立的高阶神经网络模型克服了传统方法的局限性，它可以对线性数据以及非线性数据分别进行表征。谷建伟等人为了解决常规产量预测方法无法考虑时序影响因素的非同步性以及滞后性的问题，提出使用时间序列分析方法对产量进行预测，他将时间序列与卡尔曼滤波器结合在一起，根据历史产量数据建立时间序列中的产量差分自回归积分移动平均模型，这之后又将ARIMA模型与Kalman滤波器相结合构建了产量预测模型，在实际油田数据上开展了机器学习模型的应用研究，最终采用数据拟合及预测检验的方法评价了算法合理性，并且对产量数据的做出了预测。现有技术中，一种单井产量快速预测方法及系统(202110715729.7)提供了一种采用LSTM模型预测产量的方法，具体包括：1)分别获取每一油井的静态参数和动态参数，并分别构建对应的LSTM模型；2)对各LSTM模型的网络计算参数进行敏感性分析；3)建立日产油波动程度与最优网络计算参数之间的相关关系，形成日产油波动程度与最优网络计算参数之间的关系图版；4)确定最优的LSTM模型；5)获取待预测油井的静态参数和动态参数，并输入至最优的LSTM模型，得到待预测油井的产量预测值。该方法虽然也采用了LSTM，但该方法依赖于完善的油气田开采历史数据，必须要使用静态数据和动态参数才能实现对油井的产量预测，对于仅有静态数据的新井的动态产量预测具有局限性。
[0003]虽然传统的模型在产量预测问题上已经取得一定的成果，但是这些方法均包含各自的短板，主要体现在：适用的范围即区块特征不同，适用油气田生产开发的阶段不同，预测要求的条件及流程复杂程度不同等方面。上述现有技术只考虑了静态油气数据或者动态油气田数据中的一方面对产能预测的影响，在仅仅已知静态油气田数据的情况下，现有技术无法对新井动态产量做出预测。

技术实现思路

[0004]本专利技术的目的在于解决上述现有技术无法解决在仅仅已知静态油气田数据的情况下对新井动态产量做出预测的技术问题，提供一种基于静态油气田数据的新井动态产量
预测方法。
[0005]本专利技术是通过下述技术方案实现：一种基于静态油气田数据的新井动态产量预测方法，包括以下步骤：
[0006]步骤S1：油气井静态数据的汇总与预处理；
[0007]步骤S2：进行BP(反向传播)神经网络累产量预测模型的训练与模型超参数的优化；
[0008]步骤S3：进行BP
‑
LSTM(长短时记忆网络)月产量预测模型的训练并优化模型超参数；
[0009]步骤S4：经过反归一化处理得到新井动态月产量数据的预测值。
[0010]在本专利技术的一较佳实施方式中，在所述步骤S1中，所述油气井静态数据包括静态油气田数据以及每口井的累产量数据，并对所述油气井数据进行无量纲化处理，计算公式为：
[0011][0012]式中，x为样本数据，无因次，μ为样本数据的均值，无因次，σ为样本数据的标准差，无因次，x
′
为无量纲化之后的数据，无因次。
[0013]在本专利技术的一较佳实施方式中，在所述步骤S2中，所述BP神经网络累产量预测模型的训练方法为：在隐藏层中选择relu作为中间的激活函数；在输出层选择sigmoid作为激活函数，所述sigmoid可以将输出向量映射到0到1之间方便计算与处理。
[0014]在本专利技术的一较佳实施方式中，在所述步骤S2中，所述隐藏层中的激活函数为：
[0015][0016]式中，x为神经网络隐藏层计算得到的数据，无因次。
[0017]在本专利技术的一较佳实施方式中，在所述步骤S2中，所述输出层中的激活函数为：
[0018][0019]式中，x为神经网络输出层计算得到的数据，无因次。
[0020]在本专利技术的一较佳实施方式中，在所述步骤S2中，所述BP神经网络累产量预测模型的训练过程均包括前向传播与反向传播两个步骤。
[0021]在本专利技术的一较佳实施方式中，在所述步骤S2中，所述前向传播过程中，对于一个含有L层的神经网络，其第L层的第j个神经元处的一般计算公式为：
[0022][0023]式中：n
l
表示第L层的参与计算的神经元个数，表示将第L
‑
1层即上一层的输出值作为第L层的输入值，表示第L
‑
1层中第i个神经元与第L层中的j个神经元之间的权重值，表示第L层中第j个神经元的偏置系数，f表示激活函数。
[0024]在本专利技术的一较佳实施方式中，在所述步骤S2中，所述反向传播的迭代过程中，采用随机梯度下降法对损失函数求导进行更新权重与偏置参数的步骤，所述更新权重公式如
下：
[0025][0026][0025]其中：α为学习率，即为梯度按照一定方向下降时候的步长因子，表示第L
‑
1层中第i个神经元与第L层中的j个神经元之间的权重值，表示第L层中第j个神经元的偏置系数，J
(L)
表示第L层的损失函数，表示对某一项求偏导。
[0028]在本专利技术的一较佳实施方式中，在所述步骤S3中，所述LSTM神经网络的输入层与隐藏层均为LSTM层，所述LSTM层由一个个LSTM储存单元构成，输出层为神经网络的全连接层，多个LSTM层构成了DLSTM模型；所述BP
‑
LSTM月产量预测模型通过Python中的keras包建立。
[0029]先比现有技术，本专利技术的有益效果是：(1)提供了一种基于静态油气田数据的新井动态产量预测方法相较于传统的动静态产量预测方法，使用机器学习方法预测油气田生产动态具有其天然的优势，无需公式推导与地质建模，数据直接来源于实际生产资料，有效避免人为因素干扰，提高产能预测效率等。(2)本专利技术基于神经网络的方法，其中神经网络模型有着较强的非线性拟合能力，其解决在仅仅已知静态油气田数据的情况下对新井月产量动态数据做出非线性预测的问题。
附图说明
[0030]图1为本专利技术一种基于静态油气田数据的新井动态产量预测方法的流程图；
[003本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于静态油气田数据的新井动态产量预测方法，其特征在于，包括以下步骤：步骤S1：油气井静态数据的汇总与预处理；步骤S2：进行BP神经网络累产量预测模型的训练与模型超参数的优化；步骤S3：进行BP
‑
LSTM月产量预测模型的训练并优化模型超参数；步骤S4：经过反归一化处理得到新井动态月产量数据的预测值。2.根据权利要求1所述的基于静态油气田数据的新井动态产量预测方法，其特征在于：在所述步骤S1中，所述油气井静态数据包括静态油气田数据以及每口井的累产量数据，并对所述油气井数据进行无量纲化处理，计算公式为：式中，x为样本数据，无因次，μ为样本数据的均值，无因次，σ为样本数据的标准差，无因次，x
′
为无量纲化之后的数据，无因次。3.根据权利要求2所述的基于静态油气田数据的新井动态产量预测方法，其特征在于：在所述步骤S2中，所述BP神经网络累产量预测模型的训练方法为：在隐藏层中选择relu作为中间的激活函数；在输出层选择sigmoid作为激活函数，所述sigmoid可以将输出向量映射到0到1之间方便计算与处理。4.根据权利要求3所述的基于静态油气田数据的新井动态产量预测方法，其特征在于：在所述步骤S2中，所述隐藏层中的激活函数为：式中，x为神经网络隐藏层计算得到的数据，无因次。5.根据权利要求4所述的基于静态油气田数据的新井动态产量预测方法，其特征在于：在所述步骤S2中，所述输出层中的激活函数为：式中，x为神经网络输出层计算得到的数据，无因次。6.根据权利要求5所述的基于静态油气田数据的新井动态产量预测方法，其特征在于：在所述步骤S2中，所述BP神经网络累产...

【专利技术属性】
技术研发人员：罗怡雯，田志欣，
申请(专利权)人：北京中地金石科技有限公司，
类型：发明
国别省市：