【技术实现步骤摘要】
本专利技术涉及计算机，具体涉及一种基于cnn-lstm模型预测页岩油产量的方法、系统、电子设备及存储介质。
技术介绍
1、页岩油产量预测是油田开发和生产管理中的重要任务之一，现有预测页岩油产量的方法包括：使用油藏数值模拟技术模拟页岩油储层的动态行为，预测页岩油产量，但油藏数值模拟技术对时间、数据和劳动力的要求很高；
2、通过产量递减模型分析过去的生产数据来预测未来的页岩油产量；但产量递减模型在页岩油中的应用有限，需要进一步验证。
3、通过机器学习方法学习历史数据中的模式预测页岩油产量，机器学习方法在回归生产与其影响因素之间的关系方面取得了显著成果，但是，通常会忽略时间序列的动态变化。
4、通过构建神经网络模型预测页岩油产量。但，卷积神经网络（cnn）在处理序列数据时可能忽略了数据的时序性，递归神经网络（rnn）虽然能够考虑时序关系但在处理长序列时容易出现梯度消失或爆炸的问题，而长短时记忆网络（lstm）虽然缓解了梯度问题，但对大规模标注数据和高计算资源的需求较高，且模型的复杂性使得其解释性相对较差。
5、因此，亟需一种能够准确预测页岩油产量的方法。
技术实现思路
1、本专利技术实施例的目的在于提供一种基于cnn-lstm模型预测页岩油产量的方法、系统、电子设备和存储介质，用以解决现有技术中无法准确预测页岩油产量的问题。
2、为实现上述目的，本专利技术实施例提供一种基于cnn-lstm模型预测页岩油产量的方法，所述方法具体包
3、获取一定时间段的页岩油生产数据，对所述页岩油生产数据进行数据预处理，得到预处理数据；
4、构建cnn-lstm模型，其中，所述cnn-lstm模型包括cnn、lstm和全连接层，将duong模型纳入所述cnn-lstm模型的损失函数中，增加所述cnn-lstm模型的物理可解释性；
5、将所述预处理数据输入所述cnn-lstm模型进行训练，得到训练好的cnn-lstm模型；
6、将待预测页岩油生产数据输入训练好的所述cnn-lstm模型，得到待预测页岩油生产数据的预测产量结果。
7、在上述技术方案的基础上，本专利技术还可以做如下改进：
8、进一步地，所述获取一定时间段的页岩油生产数据，对所述页岩油生产数据进行数据预处理，得到预处理数据，包括：
9、对所述页岩油生产数据进行归一化处理，将所述页岩油生产数据转换为[0, 1]内的归一化的页岩油生产数据。
10、进一步地，所述构建cnn-lstm模型，包括;
11、所述cnn包括依次连接的一层卷积层和一层最大池化层，通过所述cnn对所述预处理数据进行空间特征的提取；
12、通过所述lstm对所述预处理数据进行时间特征的提取；
13、通过所述全连接层生成预测产量结果。
14、进一步地，所述将所述预处理数据输入所述cnn-lstm模型进行训练，得到训练好的cnn-lstm模型，包括：
15、将所述预处理数据划分为训练集和测试集；
16、基于所述训练集训练所述cnn-lstm模型；
17、基于所述测试集评估满足性能条件的所述cnn-lstm模型的诊断结果，得到所述cnn-lstm模型所对应的评价指数。
18、进一步地，所述将所述训练集输入所述cnn-lstm模型进行训练，得到训练好的cnn-lstm模型，还包括:
19、通过确定系数、均方根误差、平均绝对误差和平均绝对百分比误差评价所述cnn-lstm模型的预测精度。
20、进一步地，所述将所述训练集输入所述cnn-lstm模型进行训练，得到训练好的cnn-lstm模型，还包括:
21、通过公式1计算所述cnn-lstm模型的损失值；
22、 公式1；
23、式中，为cnn-lstm模型的损失值，n为样本数量，为cnn-lstm模型的预测值；为实际产值，为duong模型的损失值，为的尺度系数，的大小决定对cnn-lstm模型的影响。
24、一种基于cnn-lstm模型预测页岩油产量的系统，包括：
25、预处理模块，用于获取一定时间段的页岩油生产数据，对所述页岩油生产数据进行数据预处理，得到预处理数据；
26、构建模块，用于构建cnn-lstm模型，其中，所述cnn-lstm模型包括cnn、lstm和全连接层，将duong模型纳入所述cnn-lstm模型的损失函数中，增加所述cnn-lstm模型的物理可解释性；
27、训练模块，用于将所述预处理数据输入所述cnn-lstm模型进行训练，得到训练好的cnn-lstm模型；
28、将待预测页岩油生产数据输入训练好的所述cnn-lstm模型，得到待预测页岩油生产数据的预测产量结果。
29、进一步地，所述cnn包括依次连接的一层卷积层和一层最大池化层，所述cnn用于对所述预处理数据进行空间特征的提取；
30、所述lstm用于对所述预处理数据进行时间特征的提取；
31、所述全连接层用于生成预测产量结果。
32、一种电子设备，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如所述方法的步骤。
33、一种非暂态计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现所述方法的步骤。
34、本专利技术实施例具有如下优点：
35、本专利技术中基于cnn-lstm模型预测页岩油产量的方法，获取一定时间段的页岩油生产数据，对所述页岩油生产数据进行数据预处理，得到预处理数据；构建cnn-lstm模型，其中，所述cnn-lstm模型包括cnn、lstm和全连接层，将duong模型纳入所述cnn-lstm模型的损失函数中，增加所述cnn-lstm模型的物理可解释性；将所述预处理数据输入所述cnn-lstm模型进行训练，得到训练好的cnn-lstm模型；将待预测页岩油生产数据输入训练好的所述cnn-lstm模型，得到待预测页岩油生产数据的预测产量结果；解决了现有技术中无法准确预测页岩油产量的问题。
本文档来自技高网...【技术保护点】
1.一种基于CNN-LSTM模型预测页岩油产量的方法，其特征在于，所述方法具体包括：
2.根据权利要求1所述基于CNN-LSTM模型预测页岩油产量的方法，其特征在于，所述获取一定时间段的页岩油生产数据，对所述页岩油生产数据进行数据预处理，得到预处理数据，包括：
3.根据权利要求1所述基于CNN-LSTM模型预测页岩油产量的方法，其特征在于，所述构建CNN-LSTM模型，包括;
4.根据权利要求1所述基于CNN-LSTM模型预测页岩油产量的方法，其特征在于，所述将所述预处理数据输入所述CNN-LSTM模型进行训练，得到训练好的CNN-LSTM模型，包括：
5.根据权利要求1所述基于CNN-LSTM模型预测页岩油产量的方法，其特征在于，所述将所述训练集输入所述CNN-LSTM模型进行训练，得到训练好的CNN-LSTM模型，还包括:
6.根据权利要求1所述基于CNN-LSTM模型预测页岩油产量的方法，其特征在于，所述将所述训练集输入所述CNN-LSTM模型进行训练，得到训练好的CNN-LSTM模型，还包括:
7.一
8.根据权利要求7所述基于CNN-LSTM模型预测页岩油产量的系统，其特征在于，所述CNN包括依次连接的一层卷积层和一层最大池化层，所述CNN用于对所述预处理数据进行空间特征的提取；
9.一种电子设备，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，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1至6中的任一项所述的方法的步骤。
10.一种非暂态计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至6中的任一项所述的方法的步骤。
...【技术特征摘要】
1.一种基于cnn-lstm模型预测页岩油产量的方法，其特征在于，所述方法具体包括：
2.根据权利要求1所述基于cnn-lstm模型预测页岩油产量的方法，其特征在于，所述获取一定时间段的页岩油生产数据，对所述页岩油生产数据进行数据预处理，得到预处理数据，包括：
3.根据权利要求1所述基于cnn-lstm模型预测页岩油产量的方法，其特征在于，所述构建cnn-lstm模型，包括;
4.根据权利要求1所述基于cnn-lstm模型预测页岩油产量的方法，其特征在于，所述将所述预处理数据输入所述cnn-lstm模型进行训练，得到训练好的cnn-lstm模型，包括：
5.根据权利要求1所述基于cnn-lstm模型预测页岩油产量的方法，其特征在于，所述将所述训练集输入所述cnn-lstm模型进行训练，得到训练好的cnn-lstm模型，还包括:
6....
【专利技术属性】
技术研发人员：龚斌，刘玄，方军龄，
申请(专利权)人：特雷西能源科技股份有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。