【技术实现步骤摘要】
本专利技术涉及水驱油藏井组产油量预测，尤其涉及一种基于lstm和粒子群算法的水驱油藏智能注采参数优化方法。
技术介绍
1、注采优化是油田稳定产量、控制含水的重要措施。目前国内大部分注水开发油田都已进入高含水期甚至特高含水期阶段，这些油田含水率上升较快、产量下降明显，适时开展注采调整是控制含水率稳定产量的可行途径。目前注采优化方法主要依托数值模拟结果进行，通过多次调用数值模拟器开展注采方案优化，这种研究思路和流程为高含水油田稳产起到支持作用。但是如果一个油藏没有前期的数值模拟资料和数值模拟成果，优化将难以实施。因此如何在没有数值模拟成果情况下建立生产指标预测模型，从而开展注采优化是一个急需解决的问题。
技术实现思路
1、有鉴于此，本专利技术旨在提出了基于lstm和粒子群算法的水驱油藏智能注采参数优化方法，解决了油藏在没有前期的数值模拟资料和数值模拟成果不能进行生产指标预测的问题，本方法能有效结合油田注采水驱生产措施和采油井生产历史数据实现井组产油量预测问题。
2、为达到上述目的，本专利技术的技术方案是这样实现的：基于lstm和粒子群算法的水驱油藏智能注采参数优化方法，包括以下步骤：
3、s1：以井组日产油量为预测目标，根据预测训练周期获取井组所有注水井和采油井生产动态数据，采用相关性分析方法获取井组产油量关键影响因素，确定预测模型特征；
4、s2：获取s1步骤的原始特征数据进行数据预处理，拼接井组不同注水井数据和不同采油井数据，划分数据集为训练集和
5、s3：构建融合长短期记忆网络和注意力机制的预测模型并进行模型训练，对注水井和采油井的时序关系以及关联特征进行提取，通过点积和softmax机制进行注水井和采油井特征融合，融合后的特征采用多次一维卷积提取特征并预测井组日产油量，模型训练采用平均绝对误差作为损失函数，优化器选用adam；
6、s4：将测试集输入到训练好的融合注水井和采油井长短期特征的预测模型，评估测试结果，结合自适应粒子群优化算法，对注水井分层日注水量和井口注水压力两个注采参数优化。
7、进一步的，所述步骤s1包括以下步骤：
8、s11：多源数据收集与整合：采用多源数据集成技术获取生产开发数据、地质勘探数据和生产历史数据，将来自不同数据源的数据整合为油气井日生产动态数据，井组关系数据，以提供全面的数据视图；
9、s12:通过井组关系数据获取某井组包括的m口注水井和n口采油井的编号；
10、s13:基于注水井编号和采油井编号，通过数据库查询语句获取近k年注水井和采油井的原始特征数据，注水井特征包括注水日期、日注水量、注水时长，采油井特征包括日产油量、含水率、日产水量、油压、生产时长；
11、s14:预测模型一个井组至少有一口注水井和一口采油井数据才能进行训练，为完善模型训练数据条件，得到原始特征数据后，进行数据缺失情况判断，判断井组每一口注水井和采油井的特征数据缺失情况是否超过阈值，删除井组缺失严重的注水井和采油井数据，分析存在遗漏信息属性值的样本或特征，采用最近邻填充法、线性插值法、均值法进行井组数据补全；
12、s15：预测生产指标选取井组日产油量；关键影响因素分析需要综合分析油藏静态数据、注采井生产历史数据对井组日产油量的影响；运用机器学习中的特征相关性分析方法选取关键特征；计算注采井生产历史数据与日产油量的皮尔逊相关系数，衡量各特征与井组日产油量之间的关系，如公式(1)所示：
13、
14、式中，ρx，y为x和y的皮尔逊相关系数，小数；rx,i为xi在x的降序排列的秩次，正整数；yx,i为yi在y的降序排列的秩次，正整数；n为数据量，正整数；
15、s16：以井组为单元构建训练样本库：选取注水井的特征，注水井的特征包含分层日注水量、井口注水压力、累计注水量；选取采油井的特征，采油井的特征包含井口压力、日采油量、含水率、油压、套压、油嘴直径、生产方式、生产时长；计算井组所有采油井的日产油量，作为预测目标变量。
16、进一步的，所述步骤s2包括以下步骤：
17、s21:针对井组每口注水井进行数据预处理，再根据日期拼接该井组所有注水井特征数据；
18、s22:针对井组每口采油井进行数据预处理，再根据日期拼接该井组所有采油井特征数据；
19、s23:井组所有采油井的日产油量进行加总，得到井组日产油量特征，并进行异常判断，增加异常标注，获得模型预测目标的初始数据集，包含生产日期、井组日产油量、异常状态；
20、s24:划分模型训练集和测试集。
21、进一步的，所述步骤s21包括以下步骤：
22、s211:获取井组某口注水井原始训练数据，对该注水井的日注水量特征进行空值处理，采用前后插值方法进行填充；
23、s212:获取s211步骤输出结果，对日注水量特征进行异常处理，首先获取日注水量前后t天时间窗的24小时日注水量，计算日注水量正常均值，判断日注水量是否在日注水量正常均值异常波动范围内，异常数据需要将其替换为单位小时日注水量正常均值×该日生产时长；
24、s213:获取s212步骤输出结果，基于日注水量构造该口注水井停注状态特征，日注水量为0时，对应的注水井停注状态特征为1，日注水量大于0时，对应的注水井停注状态特征为0，输出该口注水井的初始数据集；
25、s214:迭代处理井组所有注水井数据，得到所有注水井处理后的数据，根据日期对齐拼接；
26、s215:按照最大最小规范化方法，对所有注水井的日注水量特征进行独立的全局归一化处理，如公式(2)所示：
27、
28、其中，x*为归一化后的数据，x为每个特征的时序数据，xmin为最小值，xmax为最大值；
29、s216:得到该井组所有注水井初始数据集，特征包括注水日期、日注水量、停注状态。
30、进一步的，所述步骤s22包括以下步骤：
31、s221:获取井组某一采油井原始训练数据，对该采油井的日产油量特征空值处理后进行异常判断，获取日产油量前后t天时间窗的24小时日产油量，计算日产油量正常均值，判断日产油量是否在正常均值异常波动范围内，异常数据替换为单位小时日产油量正常均值×该日生产时长；
32、s222:获取步骤s221的输出结果,基于日产油量构造产能特征，第i日的产能值等于该日期前10天的日产油量的均值；另外，基于日产油量特征构造该口采油井停产状态特征，日产油量为0时，对应的采油井停产状态为1，日产油量大于0时，则采油井停产状态为0；
33、s223:获取步骤s222的输出结果，以日产油量为基准对油压、生产时长和产水量特征的空值进行插值处理，输出该口采油井的初始数据集；
34、s224:迭代处理井组所有采油井数据，得到处理后的数据，并按照日期进行拼接；
<本文档来自技高网...【技术保护点】
1.基于LSTM和粒子群算法的水驱油藏智能注采参数优化方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的基于LSTM和粒子群算法的水驱油藏智能注采参数优化方法，其特征在于，所述步骤S1包括以下步骤：
3.根据权利要求1所述的基于LSTM和粒子群算法的水驱油藏智能注采参数优化方法，其特征在于，所述步骤S2包括以下步骤：
4.根据权利要求3所述的基于LSTM和粒子群算法的水驱油藏智能注采参数优化方法，其特征在于，所述步骤S21包括以下步骤：
5.根据权利要求4所述的基于LSTM和粒子群算法的水驱油藏智能注采参数优化方法，其特征在于，所述步骤S22包括以下步骤：
6.根据权利要求5所述的基于LSTM和粒子群算法的水驱油藏智能注采参数优化方法，其特征在于，所述步骤S24包括以下步骤：
7.根据权利要求6所述的基于LSTM和粒子群算法的水驱油藏智能注采参数优化方法，其特征在于，所述步骤S3包括以下步骤：
8.根据权利要求7所述的基于LSTM和粒子群算法的水驱油藏智能注采参数优化方法，其特征在于，所述
9.根据权利要求8所述的基于LSTM和粒子群算法的水驱油藏智能注采参数优化方法，其特征在于，所述步骤S4包括以下步骤：
10.根据权利要求9所述的基于LSTM和粒子群算法的水驱油藏智能注采参数优化方法，其特征在于：
...【技术特征摘要】
1.基于lstm和粒子群算法的水驱油藏智能注采参数优化方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的基于lstm和粒子群算法的水驱油藏智能注采参数优化方法，其特征在于，所述步骤s1包括以下步骤：
3.根据权利要求1所述的基于lstm和粒子群算法的水驱油藏智能注采参数优化方法，其特征在于，所述步骤s2包括以下步骤：
4.根据权利要求3所述的基于lstm和粒子群算法的水驱油藏智能注采参数优化方法，其特征在于，所述步骤s21包括以下步骤：
5.根据权利要求4所述的基于lstm和粒子群算法的水驱油藏智能注采参数优化方法，其特征在于，所述步骤s22包括以下步骤：
【专利技术属性】
技术研发人员：李志勇，陈小泉，魏峰，张玉立，李英蕾，于志刚，曾小明，李伟，程朋，孟庆军，
申请(专利权)人：中海油能源发展股份有限公司，
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。