CN109948841A - 一种基于深度学习的水驱开发油田剩余油分布的预测方法 - Google Patents

Abstract

本发明公开了一种基于深度学习的水驱开发油田剩余油分布的预测方法，包括以下步骤：资料的收集与整理；储层的网格化；数据的预处理；建立判断单元体是否见水的SVM分类模型；建立剩余油分布预测的神经网络模型；SVM分类模型和神经网络模型的训练与参数调整；以预测准确率和预测耗时为评价指标，选取目标区块进行模型验证。本发明能利用油田现场资料快速准确地预测剩余油分布。

Description

一种基于深度学习的水驱开发油田剩余油分布的预测方法

技术领域

本发明属于油气田开发领域，具体地说，涉及一种基于深度学习的水驱开发油田剩余油分布的预测方法。

背景技术

随着水驱开发的进行，国内大多数油田皆已进入高含水、高采出程度的“双高”阶段，针对二次采油未能采出的未波及区的剩余油和波及区的残余油，认识剩余油为油田二次采油及三次采油提供重要依据尤为重要。剩余油分布的研究方法有多种，主要采用油藏数值模拟、井间示踪剂法、物理模拟、试井分析、测井法等方法。近年来虽有学者开始将神经网络技术用于油气田开发中，但国内外相关研究非常少，而运用深度学习方法来预测剩余油分布的实例尚未有报道。

深度学习自2006年产生之后就受到科研机构、工业界的高度关注。最初，深度学习的应用主要是在图像和语音领域，从2011年开始，谷歌研究院和微软研究院的研究人员先后将深度学习应用到语音识别，使识别错误率下降了20％-30％。2012年，深度学习开始应用到图像识别领域，它的应用，使得图片识别错误率下降了14％。而如今，深度学习已经在图像、语音、自然语言处理、CTR预估、大数据特征提取等方面获得广泛的应用。

剩余油分布是指剩余油在地层中的分布情况，影响剩余油分布的因素众多，主要受静态储层(地质的)和动态注采状况(开发的)双重因素的影响。静态储层因素是根本的、内在的因素，注采状况(开发条件)是影响剩余油分布的外部因素。地质因素主要包括储层构造的差异性、孔渗分布的非均质性、微观孔喉结构的差异、相对渗透率的差异、油水粘度差异、边界条件、储层韵律性、沉积相等因素；开发条件主要包括井网形式、层间液量分配、注采强度、射孔方案、开发方式和开采时间等。在这些影响因素中，大多数参数数据是可以获取的。这样就将深度学习技术应用到剩余油分布预测中，寻找这些影响因素与剩余油分布的潜在关系，从而利用现场数据快速准确地预测剩余油分布。

剩余油分布是油田开发工作者历来关注的最主要的问题之一，前人经过多年研究，形成了综合分析法、实测资料法、数值模拟法等各种寻找剩余油分布的方法，为提高油藏采收率起到巨大作用。在油田开发过程中，目前油田只出现了利用简单的人工神经网络进行数据挖掘，且使用的特征向量少，研究内容相对简单。还没有对于深度学习方法的应用。

因此，需要提供一种基于深度学习的水驱开发油田剩余油分布的预测方法。

发明内容

有鉴于此，本发明针对上述的问题，提供了一种基于深度学习的水驱开发油田剩余油分布的预测方法，该方法使用油田生产资料、地层和流体参数生成了学习样本，应用深度算法建立了预测模型，利用学习样本对深度学习模型训练后用以剩余油分布预测，本发明实用性强，操作可行，对于剩余油的研究与挖潜具有重要意义。

为了解决上述技术问题，本发明公开了一种基于深度学习的水驱开发油田剩余油分布的预测方法，包括以下步骤：

S1、采集数据，生成学习样本库；

S2、将储层进行网格化，网格化后每个单元体对应一个位置；

S3、以单元体为单位，将单元体的厚度、单元体与区块内各井的距离、单元体与各井之间的平均渗透率、单元体与各井之间的平均孔隙度、生产井累积产油量对单元体g油水分布影响的表征参数、生产井累积产水量对单元体g油水分布影响的表征参数、注水井累积注水量对单元体g油水分布影响的表征参数、相对渗透率曲线、油水粘度比、单元体是否被波及的表征参数以及单元体的含水饱和度组合起来，生成不同开发时间不同单元体的分类模型学习样本和预测模型学习样本；

S4、对生成的学习样本进行降噪和归一化处理；

S5、利用支持向量机(SVM)分类器建立判断单元体是否见水的分类模型；

S6、以长短期记忆网络(LSTM)为核心搭建预测油水分布的深度学习模型；

S7、利用分类学习样本，以分类准确率为指标对分类模型进行多组实验，获得适用于学习样本的最优参数组合；

S8、利用预测学习样本，以预测准确率为指标对剩余油分布预测的深度学习模型进行多组实验，获得适用于学习样本的最优参数组合；

S9、获取了最优参数组合后，将学习样本重新喂食给分类模型和预测模型进行训练，训练完成后将模型保存；

S10、以整体预测准确率为目标，选取目标区块进行模型验证。

可选地，所述步骤S1中的数据包括井位分布、开发时间、注采参数油水粘度、储层孔隙度和渗透率、储层厚度、相对渗透率曲线、储层含油面积、储层边界条件。

可选地，所述步骤S3中的单元体与各井之间平均渗透率通过以下步骤计算得到：单元体g与某井w之间的平均渗透率用以单元体g和井w连线为对角线的矩形的平均渗透率来代替，计算公式如下：

式中，k_g为单元体g与井w之间的平均渗透率；n为以单元体g和井w连线为对角线的矩形内单元体的数量；k_i为以单元体g和井w连线为对角线的矩形内单元体i的绝对渗透率；S_i为以单元体g和井w连线为对角线的矩形内单元体i的面积。

单元体与各井之间的平均孔隙度通过以下步骤计算得到：用以单元体g和井w连线为对角线的矩形的平均孔隙度来代替，计算公式如下：

式中，φ_g为单元体g与井w之间的平均孔隙度；n为以单元体g和井w连线为对角线的矩形内单元体的数量；φ_i为以单元体g和井w连线为对角线的矩形内单元体i的孔隙度；h_i为以单元体g和井w连线为对角线的矩形内单元体i的厚度。

可选地，所述步骤S3中的生产井累积产油量对单元体g油水分布影响的表征参数的计算公式如下：

式中，l_op为表征生产井累积产油量对剩余油分布影响的无因次参数，本发明称其为无因次累产油影响因子；n_o为区块内生产井数量；k_gi为单元体g与第i口生产井之间的平均渗透率；N_pi为第i口生产井的累积产油量；d_i为单元体g与第i口生产井或者注水井的距离；φ_gi为单元体g与第i口生产井之间的平均孔隙度；N为地质储量；

生产井累积产水量对单元体g油水分布影响的表征参数的计算公式如下：

式中，l_wp为表征生产井累积产水量对剩余油分布影响的无因次参数，本发明称其为无因次累产水影响因子；W_pi为第i口生产井的累积产水量。

可选地，所述步骤S3中的注水井累积注水量对单元体g油水分布影响的表征参数的计算公式如下：

式中，l_wi为表征注水井累积注水量对剩余油分布影响的无因次参数，本发明称其为无因次累注水影响因子；W_ii为第i口注水井的累积注水量；n_w为区块内注水井数量。

可选地，所述步骤S3中的相对渗透率曲线通过以下方法计算得到：

把相对渗透率曲线转换为如式(6)所示的直线形式，获取c和d连同相对渗透率曲线中的束缚水饱和度S_wc和等渗点S_wo作为相对渗透率曲线的特征参数。

式中，k_ro，k_rw分别为油、水的相对渗透率，无因次；S_w为含水饱和度，小数；c，d为与储层和流体物性有关的常数。

可选地，所述步骤S3中的表征单元体是否见水的标签的计算公式如下：

式中，label为表征某一时刻单元体是否被水波及的参数，取值为0时表示该时刻该单元体未被水波及，取值为1时表示该时刻该单元体已被水波及；S_w为该时刻该单元体的含水饱和度，小数。

可选地，所述步骤S3中的分类模型学习样本包括以下参数：l_op、l_wp、l_wi、μ_o/μ_w(μ_o为地层油粘度，μ_w为地层水粘度)、c、d、S_wc、S_wo、h_nori和label。

可选地，所述步骤S3中的预测模型学习样本包括以下参数：l_op、l_wp、l_wi、μ_o/μ_w、c、d、S_wc、S_wo、h_nori和S_w。

可选地，步骤S4中的降噪过程先采用箱形图方法找出异常值，然后对异常值采用均值代替，归一化过程采用离差标准化的方法，对原始数据的线性变换，使得结果映射到0～1之间；具体的转换函数如下：

式中，X为样本数据原始值，x为将样本数据归一化之后的值，max为样本数据的最大值，min为样本数据的最小值，Mean表示数据的均值。

可选地，步骤S7中的分类模型需要优化的主要有以下几个参数：惩罚参数C、核函数kernel、核函数参数gamma，分类准确率的计算公式如下：

式中，Acc₁为模型分类准确率，n_true为模型分类正确的单元体的数量，n为单元体总数。

可选地，步骤S8中的深度学习模型要调整的参数主要有：LSTM的层数以及各层神经元数量、控制输入线性变换的神经元断开比例的dropout、激活函数Activation、损失函数loss、优化器Optimizer以及模型训练时的epochs和batch_size。预测准确率的计算公式如下：

式中，Acc为某一时刻模型预测准确率，S_opi为某一时刻模型预测的单元体i的含油饱和度，S_ori为某一时刻商业数模软件计算的单元体i的含油饱和度，n为单元体数量。

与现有技术相比，本发明可以获得包括以下技术效果：

1)本发明提供了一种新的剩余油分布的预测方法；

2)本发明模型可以实现实时训练和保存，在进行预测时可以直接读取保存好的模型，预测耗时短，效率高；

3)本发明预测模型所需要的数据现场均可以获取，模型预测精度高，实用性强。

当然，实施本发明的任一产品并不一定需要同时达到以上所述的所有技术效果。

附图说明

此处所说明的附图用来提供对本发明的进一步理解，构成本发明的一部分，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。在附图中：

图1是本发明平均渗透率计算示意图；

图2是本发明实施技术路线；

图3是本发明储层网格化示意图；

图4是本发明储层相对渗透率曲线；

图5是本发明储层井位分布图。

具体实施方式

以下将配合实施例来详细说明本发明的实施方式，藉此对本发明如何应用技术手段来解决技术问题并达成技术功效的实现过程能充分理解并据以实施。

本发明公开了一种基于深度学习的水驱开发油田剩余油分布的预测方法，如图2所示，包括以下步骤：

S1、选取某区块某一小层为例，采集其储层构造及井位分布图(见图5)、井位分布、开发时间、注采参数油水粘度、储层孔隙度和渗透率、储层厚度、相对渗透率曲线、储层含油面积、储层边界条件，生成学习样本库；

S2、将储层进行网格化，网格化后每个单元体对应一个位置；实例地层进行网格化后示意图见图3。

S3、以单元体为单位，将单元体的厚度、单元体与区块内各井的距离、单元体与各井之间的平均渗透率、单元体与各井之间的平均孔隙度、生产井累积产油量对单元体g油水分布影响的表征参数、生产井累积产水量对单元体g油水分布影响的表征参数、注水井累积注水量对单元体g油水分布影响的表征参数、相对渗透率曲线、油水粘度比、单元体是否被波及的表征参数以及单元体的含水饱和度组合起来，生成不同开发时间不同单元体的分类模型学习样本和预测模型学习样本。

其中，对于单元体与井之间平均渗透率的求取，以某个单元体g与某口井(生产井或注水井)w为例，单元体g与井w之间的平均渗透率用以单元体g和井w连线为对角线的矩形的平均渗透率来代替，具体示意图如图1，计算公式如下

式中，k_g为单元体g与井w之间的平均渗透率；n为以单元体g和井w连线为对角线的矩形内单元体的数量；k_i为以单元体g和井w连线为对角线的矩形内单元体i的绝对渗透率，S_i为以单元体g和井w连线为对角线的矩形内单元体i的面积。

同样的，对于储层中某个单元体g与某口井w(生产井或注水井)之间的平均孔隙度，本发明用以单元体g和井w连线为对角线的矩形的平均孔隙度来代替，计算公式如下：

式中，φ_g为单元体g与井w之间的平均孔隙度；n为以单元体g和井w连线为对角线的矩形内单元体的数量；φ_i为以单元体g和井w连线为对角线的矩形内单元体i的孔隙度；h_i为以单元体g和井w连线为对角线的矩形内单元体i的厚度。

生产井累积产油量对单元体g油水分布影响的表征参数的计算公式如下：

式中，l_op为表征生产井累积产油量对剩余油分布影响的无因次参数，本发明称其为无因次累产油影响因子；n_o为区块内生产井数量；k_gi为单元体g与第i口生产井之间的平均渗透率；N_pi为第i口生产井的累积产油量；d_i为单元体g与第i口生产(注水)井的距离；φ_gi为单元体g与第i口生产井之间的平均孔隙度；N为地质储量。

生产井累积产水量对单元体g油水分布影响的表征参数的计算公式如下：

式中，l_wp为表征生产井累积产水量对剩余油分布影响的无因次参数，本发明称其为无因次累产水影响因子；W_pi为第i口生产井的累积产水量。

注水井累积注水量对单元体g油水分布影响的表征参数的计算公式如下：

式中，l_wi为表征注水井累积注水量对剩余油分布影响的无因次参数，本发明称其为无因次累注水影响因子；W_ii为第i口注水井的累积注水量；n_w为区块内注水井数量。

对于相对渗透率曲线的处理，把相对渗透率曲线转换为如式(6)所示的直线形式，获取c和d连同相对渗透率曲线中的束缚水饱和度S_wc和等渗点S_wo(油相相对渗透率与水相相对渗透率相等时所对应的含水饱和度)作为相对渗透率曲线的特征参数，如图4所示。

式中，k_ro，k_rw分别为油、水的相对渗透率，无因次；S_w为含水饱和度，小数；c，d为与储层和流体物性有关的常数。

表征单元体是否见水的标签的计算公式如下：

式中，label为表征某一时刻单元体是否被水波及的参数，取值为0时表示该时刻该单元体未被水波及，取值为1时表示该时刻该单元体已被水波及；Sw为该时刻该单元体的含水饱和度，小数。

分类模型学习样本包括以下参数：l_op、l_wp、l_wi、μ_o/μ_w(μ_o为地层油粘度，μ_w为地层水粘度)、c、d、S_wc、S_wo、h_nori和label。

预测模型学习样本包括以下参数：l_op、l_wp、l_wi、μ_o/μ_w、c、d、S_wc、S_wo、h_nori和S_w。

S4、对生成的学习样本进行降噪和归一化处理，其中降噪过程先采用箱形图方法找出异常值，然后对异常值采用均值代替。归一化过程采用离差标准化的方法，对原始数据的线性变换，使得结果映射到0～1之间。具体的转换函数如下：

式中，X为样本数据原始值，x为将样本数据归一化之后的值，max为样本数据的最大值，min为样本数据的最小值，Mean表示数据的均值。

S5、利用SVM(支持向量机)分类器建立判断单元体是否见水的分类模型；

本发明选择使用Python语言编程，模型可以通过如下具体代码建立SVM分类器：

clf＝sklearn.svm.SVC(C＝20,kernel＝'rbf',gamma＝0.9)

代码中的C、kernel和gamma均为SVM分类器的参数。

S6、以LSTM(长短期记忆网络)为核心搭建预测油水分布的深度学习模型；本发明中搭建的模型包括两层LSTM层和一层dense层；

油水分布预测模型可以通过如下代码实现：

model＝Sequential()

model.add(LSTM(shenjing1,input_shape＝(train_x.shape[1],train_x.shape[2]),return_sequences＝True))

model.add(Dropout(0.1))

model.add(LSTM(shenjing2,return_sequences＝False))

model.add(Dropout(0.1))

model.add(Dense(output_dim＝train_y.shape[1]))

model.add(Activation('sigmoid'))

model.compile(loss＝'mae',optimizer＝'RMSprop')

上述代码中shenjing1为第一层LSTM网络中神经元数量，shenjing2为第二层LSTM网络中神经元数量，input_shape为限制输入的数据的形状，train_x为训练集的自变量部分，train_y为训练集的因变量部分，output_dim为限制输出的维度，Activation为激活函数，loss为损失函数，optimizer为优化器，Dropout控制输入线性变换的神经元断开比例。

S7、利用学习样本，以分类准确率为指标对分类模型进行多组实验，获得适用于学习样本的最优参数组合，分类模型需要优化的主要有以下几个参数：惩罚参数C、核函数kernel、核函数参数gamma，分类准确率的计算公式如下：

式中，Acc₁为模型分类准确率，n_true为模型分类正确的单元体的数量，n为单元体总数。

通过优化实验，最终确定了分类模型针对实例地层的参数取值，具体取值如下：C取值为10，核函数kernel选择rbf函数，gamma取值为0.8。对于不同的数据，最优参数取值是不一样的，但优化过程一致，因此在遇到新的数据时，采用同样的方法进行参数优化即可。

S8、利用学习样本，以预测准确率为指标对剩余油分布预测的深度学习模型进行多组实验，获得适用于学习样本的最优参数组合，深度学习模型要调整的参数主要有：LSTM的层数以及各层神经元数量、控制输入线性变换的神经元断开比例的dropout、激活函数Activation、损失函数loss、优化器Optimizer以及模型训练时的epochs和batch_size。预测准确率的计算公式如下：

式中，Acc为某一时刻模型预测准确率，S_opi为某一时刻模型预测的单元体i的含油饱和度，S_ori为某一时刻商业数模软件计算的单元体i的含油饱和度，n为单元体数量。

通过优化实验，得到的最终参数取值如下：两层LSTM层神经元数量均为100个，dropout取值为0.1，激活函数Activation选择为sigmoid函数，损失函数loss选择为mae函数，优化器Optimizer选择为RMSprop优化器，模型训练时的epochs取值为50，batch_size取值为10。

S9、获取了最优参数组合后，将学习样本重新喂食给分类模型和预测模型进行训练，训练完成后将模型保存；

模型的保存可以通过以下代码实现：

model_json＝model.to_json()

with open("model.json","w")as json_file:

json_file.write(model_json)

model.save_weights("model.h5")

上述代码中，将剩余油分布预测模型model分成两个部分保存，模型的结构通过model.to_json函数保存到model_json中并将model_json保存到model.json文件内；模型的权重通过model.save_weights函数保存在model.h5文件中。

预测油水动态分布时，需要先读取保存好的模型，可以通过以下代码来完成读取：

json_file0＝open('model.json','r')

loaded_model_json0＝json_file0.read()

json_file0.close()

loaded_model＝model_from_json(loaded_model_json0)

loaded_model.load_weights("model.h5")

loaded_model.compile(loss＝'mae',optimizer＝'adam',metrics＝['accuracy'])

上述代码中，先读取model.json文件获取剩余油分布预测模型的结构，再读取model.h5文件获取模型的权重，这样就获得了完整的剩余油分布预测模型并重命名为loaded_model。

S10、以整体预测准确率为目标，选取目标区块进行模型验证。

模型预测完成后，按照式9计算模型预测准确率见表1，通过表1可以看出，本发明预测精度高，耗时短，实用性强。

表1模型预测准确率

上述说明示出并描述了发明的若干优选实施例，但如前所述，应当理解发明并非局限于本文所披露的形式，不应看作是对其他实施例的排除，而可用于各种其他组合、修改和环境，并能够在本文所述发明构想范围内，通过上述教导或相关领域的技术或知识进行改动。而本领域人员所进行的改动和变化不脱离发明的精神和范围，则都应在发明所附权利要求的保护范围内。

Claims (10)

1.一种基于深度学习的水驱开发油田剩余油分布的预测方法，其特征在于，包括以下步骤：

S1、采集数据，生成学习样本库；

S2、将储层进行网格化，网格化后每个单元体对应一个位置；

S3、以单元体为单位，将单元体的厚度、单元体与区块内各井的距离、单元体与各井之间的平均渗透率、单元体与各井之间的平均孔隙度、生产井累积产油量对单元体g油水分布影响的表征参数、生产井累积产水量对单元体g油水分布影响的表征参数、注水井累积注水量对单元体g油水分布影响的表征参数、相对渗透率曲线、油水粘度比、单元体是否被波及的表征参数以及单元体的含水饱和度组合起来，生成不同开发时间不同单元体的分类模型学习样本和预测模型学习样本；

S4、对生成的学习样本进行降噪和归一化处理；

S5、利用支持向量机(SVM)分类器建立判断单元体是否见水的分类模型；

S6、以长短期记忆网络(LSTM)为核心搭建预测油水分布的深度学习模型；

S7、利用分类模型学习样本，以分类准确率为指标对分类模型进行多组实验，获得适用于学习样本的最优参数组合；

S8、利用预测模型学习样本，以预测准确率为指标对剩余油分布预测的深度学习模型进行多组实验，获得适用于学习样本的最优参数组合；

S9、获取了最优参数组合后，将学习样本重新喂食给分类模型和预测模型进行训练，训练完成后将模型保存；

S10、以整体预测准确率为目标，选取目标区块进行模型验证。

2.根据权利要求1所述的预测方法，其特征在于，所述步骤S1中的数据包括井位分布、开发时间、注采参数油水粘度、储层孔隙度和渗透率、储层厚度、相对渗透率曲线、储层含油面积、储层边界条件。

3.根据权利要求1所述的预测方法，其特征在于，所述步骤S3中的单元体与各井之间平均渗透率通过以下步骤计算得到：单元体g与某井w之间的平均渗透率用以单元体g和井w连线为对角线的矩形的平均渗透率来代替，计算公式如下：

式中，k_g为单元体g与井w之间的平均渗透率；n为以单元体g和井w连线为对角线的矩形内单元体的数量；k_i为以单元体g和井w连线为对角线的矩形内单元体i的绝对渗透率；S_i为以单元体g和井w连线为对角线的矩形内单元体i的面积。

单元体与各井之间的平均孔隙度通过以下步骤计算得到：用以单元体g和井w连线为对角线的矩形的平均孔隙度来代替，计算公式如下：

式中，φ_g为单元体g与井w之间的平均孔隙度；n为以单元体g和井w连线为对角线的矩形内单元体的数量；φ_i为以单元体g和井w连线为对角线的矩形内单元体i的孔隙度；h_i为以单元体g和井w连线为对角线的矩形内单元体i的厚度。

4.根据权利要求1所述的预测方法，其特征在于，所述步骤S3中的生产井累积产油量对单元体g油水分布影响的表征参数的计算公式如下：

式中，l_op为表征生产井累积产油量对剩余油分布影响的无因次参数，本发明称其为无因次累产油影响因子；n_o为区块内生产井数量；k_gi为单元体g与第i口生产井之间的平均渗透率；N_pi为第i口生产井的累积产油量；d_i为单元体g与第i口生产井或者注水井的距离；φ_gi为单元体g与第i口生产井之间的平均孔隙度；N为地质储量；

生产井累积产水量对单元体g油水分布影响的表征参数的计算公式如下：

式中，l_wp为表征生产井累积产水量对剩余油分布影响的无因次参数，本发明称其为无因次累产水影响因子；W_pi为第i口生产井的累积产水量。

5.根据权利要求1所述的预测方法，其特征在于，所述步骤S3中的注水井累积注水量对单元体g油水分布影响的表征参数的计算公式如下：

式中，l_wi为表征注水井累积注水量对剩余油分布影响的无因次参数，本发明称其为无因次累注水影响因子；W_ii为第i口注水井的累积注水量；n_w为区块内注水井数量。

6.根据权利要求1所述的预测方法，其特征在于，所述步骤S3中的相对渗透率曲线通过以下方法计算得到：

把相对渗透率曲线转换为如式(6)所示的直线形式，获取c和d连同相对渗透率曲线中的束缚水饱和度S_wc和等渗点S_wo作为相对渗透率曲线的特征参数。

式中，k_ro，k_rw分别为油、水的相对渗透率，无因次；S_w为含水饱和度，小数；c，d为与储层和流体物性有关的常数；

所述步骤S3中的表征单元体是否见水的标签的计算公式如下：

式中，label为表征某一时刻单元体是否被水波及的参数，取值为0时表示该时刻该单元体未被水波及，取值为1时表示该时刻该单元体已被水波及；S_w为该时刻该单元体的含水饱和度，小数。

7.根据权利要求1所述的预测方法，其特征在于，所述步骤S3中的分类模型学习样本包括以下参数：l_op、l_wp、l_wi、μ_o/μ_w、c、d、S_wc、S_wo、h_nori和label，其中，μ_o为地层油粘度，μ_w为地层水粘度；

所述步骤S3中的预测模型学习样本包括以下参数：l_op、l_wp、l_wi、μ_o/μ_w、c、d、S_wc、S_wo、h_nori和S_w。

8.根据权利要求1所述的预测方法，其特征在于，步骤S4中的降噪过程先采用箱形图方法找出异常值，然后对异常值采用均值代替，归一化过程采用离差标准化的方法，对原始数据的线性变换，使得结果映射到0～1之间；具体的转换函数如下：

式中，X为样本数据原始值，x为将样本数据归一化之后的值，max为样本数据的最大值，min为样本数据的最小值，Mean表示数据的均值。

9.根据权利要求1所述的预测方法，其特征在于，步骤S7中的分类模型需要优化的主要有以下几个参数：惩罚参数C、核函数kernel、核函数参数gamma，分类准确率的计算公式如下：

式中，Acc₁为模型分类准确率，n_true为模型分类正确的单元体的数量，n为单元体总数。

10.根据权利要求1所述的预测方法，其特征在于，步骤S8中的深度学习模型要调整的参数主要有：LSTM的层数以及各层神经元数量、控制输入线性变换的神经元断开比例的dropout、激活函数Activation、损失函数loss、优化器Optimizer以及模型训练时的epochs和batch_size。预测准确率的计算公式如下：

式中，Acc为某一时刻模型预测准确率，S_opi为某一时刻模型预测的单元体i的含油饱和度，S_ori为某一时刻商业数模软件计算的单元体i的含油饱和度，n为单元体数量。