CN110400006B - 基于深度学习算法的油井产量预测方法 - Google Patents

Abstract

本发明提供一种基于深度学习算法的油井产量预测方法，该基于深度学习算法的油井产量预测方法包括：步骤1，获取数据并进行质量检查；步骤2，进行数据处理及划分；步骤3，建立学习模型；步骤4，采用步骤3搭建的模型开展训练，并进行验证；步骤5，预测油井产量。该基于深度学习算法的油井产量预测方法通过训练建立储层物性、工作制度、开发阶段等因素与产油量、产液量之间的关系，发挥数据驱动算法的优势，建立多因素油井产量预测模型。

Description

基于深度学习算法的油井产量预测方法

技术领域

本发明涉及油田开发技术领域，特别是涉及到一种基于深度学习算法的油井产量预测方法。

背景技术

油井及油田产量预测是油田生产管理最重要的工作之一，预测结果直接决定了后续油田的开发决策。然而受地质条件、工艺水平、开发历史、数据质量等条件限制，油井产量随时间变化非常难预测。目前矿场常用的方法包括：油藏工程方法、数值模拟方法。以Arps递减曲为代表的油藏工程方法，是对油井产量递减现象的直接拟合，操作简单且不受油气藏类型限制，该方法的缺陷非常明显，预测必须假定历史生产条件在未来保持不变，递不能用来分析不稳定流状态下的数据。虽然后续改进方法不同程度上弥补油藏类型、流动阶段的差异，但始终限制在典型数学模型-现场数据拟合的基本流程，典型理论模型建立的假设条件就是该方法的限制条件。油藏数值模拟建立在地下多孔介质真实流动过程认识基础，是典型的物理驱动数据分析方法，能够更加细致考虑更多因素，预测结果较油藏工程更加客观，然而建模数模过程非常耗费时间，特别当地质情况复杂或渗流机理不明确时，预测结果仍有待提高。为此我们发明了一种新的基于深度学习算法的油井产量预测方法，解决了以上技术问题。

发明内容

本发明的目的是提供一种发挥数据驱动算法的优势，建立多因素油井产量预测模型的基于深度学习算法的油井产量预测方法。

本发明的目的可通过如下技术措施来实现：基于深度学习算法的油井产量预测方法，该基于深度学习算法的油井产量预测方法包括：步骤1，获取数据并进行质量检查；步骤2，进行数据处理及划分；步骤3，建立学习模型；步骤4，采用步骤3搭建的模型开展训练，并进行验证；步骤5，预测油井产量。

本发明的目的还可通过如下技术措施来实现：

在步骤1中，针对目标研究区，从数据库获取以下原始数据，井位参数、层位物性参数、月度生产动态数据。

在步骤1中，井位参数包括井位平面横坐标(x)、平面纵坐标(y)，井位平面横坐标(x)、平面纵坐标(y)对应油井地下所在平面位置，直井采用井口地面坐标，定向井、大位移井采用生产层位的地下坐标；层位[L](L₁，L₂，L₃...L_n)是指通过地质研究划分的含油砂层组或小层，根据测井解释资料，可获得各小层的平均物性参数，包括渗透率[K](K₁，K₂，K₃...K_n)、含油饱和度[S_o](S_o1，S_o2，S_o3…S_on)；月度生产动态数据，是指按月记录的油井生产状态的参数，包括工作时间(t)，动液面深度(H_d)，月产液量(Q_L)，月产油量(Q_o)，该月份对应的累积产油量(N_o)，累产水量(N_w)，其中月产油量Q_o是深度学习预测的目标。

在步骤1中，数据获取后采用聚类分析或箱型图这些异常点监测算法，对原始数据进行异常值分析，根据分析结果剔除异常值。

在步骤2中，油井生产时分阶段将各层投入开发，并记录某个层段生产开始和结束的时间，需要累加各时间段内各月的实际工作天数(t),从而获得各层投入工作的累积时间[T](T₁，T₂，T₃...T_n)；

以预处理后的月度数据为基准，将井位参数和层位参数填入其中，形成满足学习要求的特征数据集，每条数据记录包含9组特征数据(x，y，[K]，[S_o]，[T]，H_d，Q_L，N_o，N_w)；将特征数据集对应月度产油量Qo数据作为学习标签单独存放入另一数据集中，作为标签数据集；

针对特征数据集，通过协方差矩阵分析任意两列的相关性，如结果显示有很强的相关性，则需要重新检查数据的来源及质量，并考虑去除某一列特征参数；特征数据列确定后对数据做归一化处理，消除单位差异的影响，归一化处理方法见公式(1)：

其中，

为所在列所有数据的平均值，x为原始数据，x′为归一化后的数据；

将特征数据和标签数据集按照一定比例划分为训练集、测试集，至此，完成数据的准备工作，深度学习的目的就是建立归一化后特征数据(x′，y′，[K]′，[S_o]′，[T]′，H_d′，Q_L′，N_o′，N_W′)与标签数据Q_o之间的函数关系，见公式(2)：

f(x′，y′，[K]′，[S_o]′，[T]′，H_d′，Q_L′，N_o′，N_w′)＝Q_o (2)。

在步骤3中，采用人工神经网络算法工具模块搭建学习网络，网络结构包含输入层、隐藏层、输出层，其中输入层包含神经元个数等于特征数据个数，输出层包含1个神经元，隐藏层数和隐藏层内包含个神经元的个数是根据训练效果调节。

在步骤3中，每个隐藏层都配有激活函数，以达到非线性拟合的目的，激活函数有Sigmoid、Tanh和Relu，公式(3)-(5)，根据训练效果优化搭配组合激活函数：

Sigmoid:

Tanh:

Relu:y＝max(0，x) (5)。

x代表输入值,具体指经过公式(1)处理后的各种归一化参数,y代表输出值，该值带入神经网络的下一步进行计算。

在步骤3中，模型的效果评价指选用均方误差MSE公式(6)：

其中，x′通过网络学习后预测的数据，x是真实的标签数据；MSE代表训练结果与真实结果之间的差异程度，MSE值越小代表训练结果越准确；N代表所有数据的序号。

在步骤4中，采用步骤3搭建的人工神经网络针对训练集针开展训练，训练优化算法包括：梯度下降法，共轭梯度法，Momentum算法，Adadelta，RMSprop算法，采用反向传播算法不断调节输入层、隐藏层、输出层之间连线的权值，降低训练预测结果与真实结果之间的均方误差。

在步骤4中，训练过程结束后，将测试集带入优化后的神经网络模型中，通过均方误差验证预测的效果；当预测准确度满足要求时，进入下一步油井产量预测环节；未达到精度要求，返回步骤3调节神经网络的隐藏层的个数及神经元的个数，重新开始训练过程，直到满足要求。

在步骤5中，按照特征数据的格式要求准备预测数据，做归一化处理后代入步骤4训练完成的模型，预测油井下一月度的产量，重复以上预测过程，直到完成一定生产时间的预测产量。

本发明中的基于深度学习算法的油井产量预测方法，尝试使用深度学习算法，通过训练建立储层物性、工作制度、开发阶段等因素与产油量、产液量之间的关系，发挥数据驱动算法的优势，建立多因素油井产量预测模型。采用该模型可以有效预测产量与各种影响因素的关系，直接通过该模型预测油藏或油井生产动态变化，大大节省了人工分析的效率并提高了精度。

附图说明

图1为本发明的基于深度学习算法的油井产量预测方法的一具体实施例的流程图；

图2为本发明的一具体实施例中油井产量预测人工神经网络结构图。

具体实施方式

为使本发明的上述和其他目的、特征和优点能更明显易懂，下文特举出较佳实施例，并配合附图所示，作详细说明如下。

如图1所示，图1为本发明的基于深度学习算法的油井产量预测方法的流程图。

步骤101、数据获取及质量检查

针对目标研究区，从数据库获取以下原始数据，井位参数(平面横坐标、平面纵坐标)、层位物性参数(渗透率、含油饱和度)、月度生产动态数据(工作时间、动液面、月产液、月产油、累产油、累产水)。

井位平面横坐标(x)、平面纵坐标(y)对应油井地下所在平面位置，通常直井采用井口地面坐标，定向井、大位移井采用生产层位的地下坐标。

层位[L](L₁，L₂，L₃...L_n)是指通过地质研究划分的含油砂层组或小层，根据测井解释资料，可获得各小层的平均物性参数，包括渗透率[K](K₁，K₂，K₃...K_n)、含油饱和度[S_o](S_o1，S_o2，S_o3...S_on)。

月度生产动态数据，是指按月记录的油井生产状态的参数，包括工作时间(t)，动液面深度(H_d)，月产液量(Q_L)，月产油量(Q_o)，该月份对应的累积产油量(N_o)，累产水量(N_w)，其中月产油量Q_o是深度学习预测的目标。数据获取后采用聚类分析或箱型图等异常点监测算法，对原始数据进行异常值分析，根据分析结果剔除异常值。

步骤102、数据处理及划分

油井生产通常分阶段将各层投入开发，并记录某个层段生产开始和结束的时间，需要累加各时间段内各月的实际工作天数(t),从而获得各层投入工作的累积时间[T](T₁，T₂，T₃...T_n)。

以预处理后的月度数据为基准，将井位参数和层位参数填入其中，形成满足学习要求的特征数据集，每条数据记录包含9组特征数据(x，y，[K]，[S_o]，[T]，H_d，Q_L，N_o，N_w)。将特征数据集对应月度产油量Qo数据作为学习标签单独存放入另一数据集中，作为标签数据集。

针对特征数据集，通过协方差矩阵分析任意两列的相关性，如结果显示有很强的相关性，则需要重新检查数据的来源及质量，并考虑去除某一列特征参数。特征数据列确定后对数据做归一化处理，消除单位差异的影响，常用的归一化处理方法见公式(1)。

其中，

为所在列所有数据的平均值，x为原始数据，x′为归一化后的数据。

将特征数据和标签数据集按照一定比例划分为训练集、测试集。至此，完成数据的准备工作，深度学习的目的就是建立归一化后特征数据(x′，y′，[K]′，[S_o]′，[T]′，H_d′，Q_L′，N_o′，N_W′)与标签数据Q_o之间的函数关系，见公式(2)。

f(x′，y′，[K]′，[S_o]′，[T]′，H_d′，Q_L′，N_o′，N_w′)＝Q_o (2)

步骤103、学习模型建立

采用开源成熟的人工神经网络算法工具模块搭建学习网络，如图2所示，网络结构包含输入层、隐藏层、输出层，其中输入层包含神经元个数等于特征数据个数，输出层包含1个神经元，隐藏层数和隐藏层内包含个神经元的个数是需要根据训练效果调节。通常神经网络越复杂其对复杂非线性问题的拟合能力更强，但过复杂的网络也带来“过拟合问题”，模拟结果过分追求细节而忽略了数据发展的总体趋势，因而训练过程中坚持简单的原则。

每个隐藏层都配有激活函数，以达到非线性拟合的目的，常见的激活函数有Sigmoid、Tanh和Relu，公式(3)-(5)，根据训练效果优化搭配组合激活函数。

Sigmoid:

Tanh:

Relu:y＝max(0，x) (5)

模型的效果评价指选用均方误差MSE(Mean Squared Error)，公式(6)

其中，x′通过网络学习后预测的数据，x是真实的标签数据。MSE代表训练结果与真实结果之间的差异程度，MSE值越小代表训练结果越准确。

步骤104、模型训练与验证

采用步骤103搭建的人工神经网络针对训练集针开展训练，常用的训练优化算法包括：梯度下降法(Gradient Descent)，共轭梯度法(Conjugate Gradient)，Momentum算法，Adadelta，RMSprop等算法，采用反向传播算法(Back Propagat ion)不断调节输入层、隐藏层、输出层之间连线的权值，降低训练预测结果与真实结果之间的均方误差(MSE)。

训练过程结束后，将测试集带入优化后的神经网络模型中，通过均方误差验证预测的效果。当预测准确度满足要求时，进入下一步油井产量预测环节；未达到精度要求，返回步骤103调节神经网络的隐藏层的个数及神经元的个数，重新开始训练过程，直到满足要求。

步骤105、油井产量预测

按照特征数据的格式要求准备预测数据，做归一化处理后代入步骤104训练完成的神经网络模型，预测油井下一月度的产量，重复以上预测过程，直到完成一定生产时间(3-5年)的预测产量。

以下为基于深度学习算法的油井产量预测方法应用具体实例。

针对胜利油田某天然边水断块油藏开展应用研究，开发经历了35年，历史上采油井46口，投入生产的小层数5个，通过深度学习算法开展各井产量预测研究：步骤如图1表示：

步骤101，数据获取及质量检查，研究区原始月度生产数据13660条，经过异常值监测，去除异常值20条，剩余数据13640条，

步骤102，数据处理及划分，按照月度数据将井位和层位表填入获得得特征包含数据21列数据，(x,y,[K×5],[So×5],[T×5],Hd,QL,No,Nw)，相关性检验后无明显相关特征，因而保留各列数据，经过归一化处理，划分为训练集10912条，测试集合2728条。

步骤103，学习模型建立，采用反馈神经网络搭建学习模型，模型输入层21个神经元，隐藏层3个(隔层结构50+50+50)，隐藏层的激活函数分别为(Tanh+ReLu+ReLu)，输出层1个神经元。

步骤104，模型训练与验证，带入训练集，经历2000次训练后MSE不满足精度要求，返回步骤103重新调整网络结构，将隐藏层增加到10层后满足要求。

步骤105，准备预测数据，按要求准备某口井21列数据(x,y,[K×5],[So×5],[T×5],Hd,QL,No,Nw)，经归一化处理后代入训练模型，计算获得下个月的产油量Q_o，根据结果修改累产油No和累产水Nw，重新代入模型获得再下个月的产量，重复以上过程直到获得3年的预测产量。

Claims (5)

1.基于深度学习算法的油井产量预测方法，其特征在于，该基于深度学习算法的油井产量预测方法包括：

步骤1，获取数据并进行质量检查；

步骤2，进行数据处理及划分；

步骤3，建立学习模型；

步骤4，采用步骤3搭建的模型开展训练，并进行验证；

步骤5，预测油井产量；

在步骤1中，井位参数包括井位平面横坐标(X_H)、平面纵坐标(Y_Z)，井位平面横坐标(X_H)、平面纵坐标(Y_Z)对应油井地下所在平面位置，直井采用井口地面坐标，定向井、大位移井采用生产层位的地下坐标；层位[L](L₁，L₂，L₃...L_n)是指通过地质研究划分的含油砂层组或小层，根据测井解释资料，可获得各小层的平均物性参数，包括渗透率[K](K₁，K₂，K₃...K_n)、含油饱和度[S_o](S_o1，S_o2，S_o3...S_on)；月度生产动态数据，是指按月记录的油井生产状态的参数，包括工作时间(t)，动液面深度(H_d)，月产液量(Q_L)，月产油量(Q_o)，该月度对应的累积产油量(N_o)，累产水量(N_w)，其中月产油量(Q_o)是深度学习预测的目标；

在步骤2中，油井生产时分阶段将各层投入开发，并记录某个层段生产开始和结束的时间，需要累加各时间段内各月的工作时间(t)，从而获得各层投入工作的累积时间[T](T₁，T₂，T₃...T_n)；

以预处理后的月度数据为基准，将井位参数和层位参数填入其中，形成满足学习要求的特征数据集，每条数据记录包含9组特征数据(X_H，Y_Z，[K]，[S_o]，[T]，H_d，Q_L，N_o，N_w)；将特征数据集对应月产油量(Q_o)数据作为学习标签单独存放入另一数据集中，作为标签数据集；

针对特征数据集，通过协方差矩阵分析任意两列的相关性，确定特征数据列，则需要重新检查数据的来源及质量，并考虑去除某一列特征参数；特征数据列确定后对数据做归一化处理，消除单位差异的影响，归一化处理方法见公式(1)：

其中，

为所在列所有数据的平均值，c为原始数据，c′为归一化后的数据；

将特征数据和标签数据集按照划分为训练集、测试集，至此，完成数据的准备工作，深度学习的目的就是建立归一化后特征数据(X_H′，Y_Z′，[K]′，[S_o]′，[T]′，H_d′，Q_L′，N_o′，N_w′)′与标签数据Q_o之间的函数关系，见公式(2)：

f(X_H′，Y_Z′，[K]′，[S_o]′，[T]′，H_d′，Q_L′，N_o′，N_w′)＝Q_o (2)；

在步骤3中，采用人工神经网络算法工具模块搭建学习网络，网络结构包含输入层、隐藏层、输出层，其中输入层包含神经元个数等于特征数据个数，输出层包含1个神经元，隐藏层数和隐藏层内包含个神经元的个数是根据训练效果调节；

在步骤4中，采用步骤3搭建的人工神经网络针对训练集针开展训练，训练优化算法包括：梯度下降法，共轭梯度法，Momentum算法，Adadelta，RMSprop算法，采用反向传播算法不断调节输入层、隐藏层、输出层之间连线的权值，降低训练预测结果与真实结果之间的均方误差；

在步骤5中，按照特征数据的格式要求准备预测数据，做归一化处理后代入步骤4训练完成的模型，预测油井下一月度的产量，重复以上预测过程，直到完成预设生产时间段的预测产量。

2.根据权利要求1所述的基于深度学习算法的油井产量预测方法，其特征在于，在步骤1中，数据获取后采用聚类分析或箱型图这些异常点监测算法，对原始数据进行异常值分析，根据分析结果剔除异常值。

3.根据权利要求1所述的基于深度学习算法的油井产量预测方法，其特征在于，在步骤3中，每个隐藏层都配有激活函数，以达到非线性拟合的目的，激活函数有Sigmoid、Tanh和Relu，公式(3)-(5)，根据训练效果优化搭配组合激活函数：

Relu：y＝max(0，x) (5)

x代表输入值，具体指经过公式(1)处理后的各种归一化参数，y代表输出值，该值带入神经网络的下一步进行计算。

4.根据权利要求1所述的基于深度学习算法的油井产量预测方法，其特征在于，在步骤3中，模型的效果评价指选用均方误差MSE公式(6)：

其中，x′通过网络学习后预测的数据，x₀是真实的标签数据；MSE代表训练结果与真实结果之间的差异程度，MSE值越小代表训练结果越准确；N代表所有数据的序号。

5.根据权利要求1所述的基于深度学习算法的油井产量预测方法，其特征在于，在步骤4中，训练过程结束后，将测试集带入优化后的神经网络模型中，通过均方误差验证预测的效果；当预测准确度满足要求时，进入下一步油井产量预测环节；未达到精度要求，返回步骤3调节神经网络的隐藏层的个数及神经元的个数，重新开始训练过程，直到满足要求。

Images