CN112464552B - 一种适用于地下水封储油库渗流场时序预测方法及系统 - Google Patents

一种适用于地下水封储油库渗流场时序预测方法及系统 Download PDF

Info

Publication number
CN112464552B
CN112464552B CN202011172701.5A CN202011172701A CN112464552B CN 112464552 B CN112464552 B CN 112464552B CN 202011172701 A CN202011172701 A CN 202011172701A CN 112464552 B CN112464552 B CN 112464552B
Authority
CN
China
Prior art keywords
time sequence
underground water
water level
prediction model
seepage
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN202011172701.5A
Other languages
English (en)
Other versions
CN112464552A (zh
Inventor
邱道宏
傅康
薛翊国
李志强
宁泽旭
周炳桦
陶宇帆
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shandong University
Original Assignee
Shandong University
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Shandong University filed Critical Shandong University
Priority to CN202011172701.5A priority Critical patent/CN112464552B/zh
Publication of CN112464552A publication Critical patent/CN112464552A/zh
Application granted granted Critical
Publication of CN112464552B publication Critical patent/CN112464552B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/28—Design optimisation, verification or simulation using fluid dynamics, e.g. using Navier-Stokes equations or computational fluid dynamics [CFD]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/049—Temporal neural networks, e.g. delay elements, oscillating neurons or pulsed inputs
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
    • G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/02—Agriculture; Fishing; Forestry; Mining
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2113/00—Details relating to the application field
    • G06F2113/08—Fluids
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
    • G06F2119/14—Force analysis or force optimisation, e.g. static or dynamic forces

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • Human Resources & Organizations (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Strategic Management (AREA)
  • Economics (AREA)
  • Artificial Intelligence (AREA)
  • General Health & Medical Sciences (AREA)
  • Computing Systems (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Molecular Biology (AREA)
  • Biomedical Technology (AREA)
  • General Business, Economics & Management (AREA)
  • Tourism & Hospitality (AREA)
  • Marketing (AREA)
  • Data Mining & Analysis (AREA)
  • Development Economics (AREA)
  • Computational Linguistics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Biophysics (AREA)
  • Game Theory and Decision Science (AREA)
  • Educational Administration (AREA)
  • Geometry (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Computer Hardware Design (AREA)
  • Animal Husbandry (AREA)
  • Medical Informatics (AREA)
  • Agronomy & Crop Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Marine Sciences & Fisheries (AREA)
  • Mining & Mineral Resources (AREA)
  • Primary Health Care (AREA)

Abstract

本公开提出了一种适用于地下水封储油库渗流场时序预测方法及系统，包括：针对库区每一水位测井，基于LSTM网络建立该测井地下水位的时序预测模型，最终建立库区地下水位时序预测模型；针对库区每一渗压监测点，基于LSTM网络建立测点渗压的时序预测模型，最终建立库区渗压时序预测模型；基于渗流场时序样本库的数据，根据库区地下水位时序预测模型和渗压时序预测模型输入、输出变量的个数确定LSTM网络结构，调试LSTM模型参数；获得地下水封储油库库区测井的地下水位和各个测点的渗压时间序列数据的预测数据。从而避免油气泄露问题和洞库涌水量过大问题，增加储油库运营的安全性，同时降低储油库的运营成本。

Description

一种适用于地下水封储油库渗流场时序预测方法及系统
技术领域
本公开属于地下水封储油库领域，尤其涉及一种适用于地下水封储油库渗流场时序预测方法及系统。
背景技术
本部分的陈述仅仅是提供了与本公开相关的背景技术信息，不必然构成在先技术。
地下水封储油洞库是当前世界主流的储油方式之一。与地上库相比，地下库所需土地更少，运行成本更低，安全性更高，能更好的满足战备要求。为了避免油气泄露，地下水封储油洞库必须建在稳定的地下水位以下，以确保洞室周围的水压高于洞室内储存介质的压力。
目前常常通过设置水平或者垂直的水幕系统来保证地下水位的稳定。在储油库运营过程中需要对地下水位、水质以及洞室附近的渗压进行监测，根据地下水位、渗压的变化及时调整水幕系统的注水量可以有效避免油气泄露问题和洞库涌水量过大问题。然而水幕系统对于地下水位和渗压的调节作用需要一定的响应时间，存在水幕系统作用效果的滞后性问题。
发明内容
为克服上述现有技术的不足，本公开提供了一种适用于地下水封储油库渗流场时序预测方法，解决了水幕系统作用效果的滞后性问题，降低了储油库油气泄露风险和运营成本。
为实现上述目的，本公开的一个或多个实施例提供了如下技术方案：
第一方面，公开了一种适用于地下水封储油库渗流场时序预测方法，包括：
获取地下水封储油库库区测井的地下水位和各个测点的渗压时间序列数据，建立渗流场时序样本库；
针对库区每一水位测井，基于LSTM网络建立该测井地下水位的时序预测模型，最终建立库区地下水位时序预测模型；
针对库区每一渗压监测点，基于LSTM网络建立测点渗压的时序预测模型，最终建立库区渗压时序预测模型；
基于渗流场时序样本库的数据，根据库区地下水位时序预测模型和渗压时序预测模型输入、输出变量的个数确定LSTM网络结构，调试LSTM模型参数；
将待测实际工程的时间序列监测数据输入调试LSTM模型参数后的库区地下水位时序预测模型和渗压时序预测模型，获得地下水封储油库库区测井的地下水位和各个测点的渗压时间序列数据的预测数据。
进一步的技术方案，基于LSTM网络建立该测井地下水位的时序预测模型时，选取目标地下水位测井的地下水位未来值作为LSTM模型的输出变量，选取该测井地下水位的历史值、相邻测井地下水位的历史值、相邻测点渗压的历史值作为LSTM模型的输入变量，建立该测井地下水位的时序预测模型。
进一步的技术方案，基于LSTM网络建立测点渗压的时序预测模型时，选取目标渗压监测点的渗压未来值作为LSTM模型的输出变量，选取该测点渗压的历史值、相邻测点渗压的历史值、相邻测井地下水位的历史值作为LSTM模型的输入变量，基于LSTM网络建立该测点渗压的时序预测模型。
进一步的技术方案，输入变量需要选择距离目标测井或目标测点相近的，保证输入变量与输出变量之间的相关性。
进一步的技术方案，调试LSTM模型参数时，选择相对误差率、决定系数和平均绝对百分比误差三个指标对模型预测结果进行评价。
进一步的技术方案，渗流场时序样本库所记录的地下水位和渗压时序监测数据采取相同的时间间隔，同时时间间隔在设定的范围内，以免造成模型重复性。
进一步的技术方案，通过建立渗流场即各个测井的地下水位和各个测点的渗压与水幕系统工作参数、水封效果指标、储油库洞室排水量、库区降雨量之间的映射关系，即可实现利用渗流场时序预测值调整水幕系统操作参数。
第二方面，公开了一种适用于地下水封储油库渗流场时序预测系统，包括：
样本库构建模块，被配置为：获取地下水封储油库库区测井的地下水位和各个测点的渗压时间序列数据，建立渗流场时序样本库；
地下水位时序预测模型构建模块，被配置为：针对库区每一水位测井，基于LSTM网络建立该测井地下水位的时序预测模型，最终建立库区地下水位时序预测模型；
渗压时序预测模型构建模块，被配置为：针对库区每一渗压监测点，基于LSTM网络建立测点渗压的时序预测模型，最终建立库区渗压时序预测模型；
模型调试模块，被配置为：基于渗流场时序样本库的数据，根据库区地下水位时序预测模型和渗压时序预测模型输入、输出变量的个数确定LSTM网络结构，调试LSTM模型参数；
预测模块，被配置为：将待测实际工程的时间序列监测数据输入调试LSTM模型参数后的库区地下水位时序预测模型和渗压时序预测模型，获得地下水封储油库库区测井的地下水位和各个测点的渗压时间序列数据的预测数据。
以上一个或多个技术方案存在以下有益效果：
本公开技术方案收集地下水封储油库渗流场的时间序列监测数据，建立渗流场时序样本库。样本库建好后基于LSTM网络构建库区渗流场时序预测模型，具体为库区地下水位时序预测模型和库区渗压时序预测模型。所建立的渗流场时序预测模型输入变量为输出变量的临近测井或测点的时序监测值。LSTM模型构建完成后通过划分样本库为训练集和测试集对模型进行训练，并对预测结果进行误差分析。当模型预测结果的精度和拟合优度满足误差要求后即可进行工程实例的验证，此时采取相对误差率(RE)、决定系数(R2)和平均绝对百分比误差(MAPE)三个指标对模型预测结果进行评价。实现对地下水封储油洞库渗流场的预测，尤其是对储油库的地下水位及渗压进行预测对于指导水幕系统工作、确保储油库运营安全、降低储油库运营成本具有重要意义。
本公开技术方案提出了一种基于LSTM网络渗流场时序预测模型，解决了对库区地下水位和渗压的时序预测问题。根据地下水位和渗压的时序预测值可以提前调整水幕系统参数，从而避免油气泄露问题和洞库涌水量过大问题，增加储油库运营的安全性，同时降低储油库的运营成本。本公开能够实现对储油库运营期渗流场的时间序列预测，对水幕系统操作参数的调整具有重大指导意义。
本发明附加方面的优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本发明的实践了解到。
附图说明
构成本公开的一部分的说明书附图用来提供对本公开的进一步理解，本公开的示意性实施例及其说明用于解释本公开，并不构成对本公开的不当限定。
图1是本公开实施例子的实施步骤流程图。
具体实施方式
应该指出，以下详细说明都是示例性的，旨在对本公开提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本公开所属技术领域的普通技术人员通常理解的相同含义。
需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本公开的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
在不冲突的情况下，本公开中的实施例及实施例中的特征可以相互组合。
实施例一
本实施例公开了一种适用于地下水封储油库渗流场时序预测方法，本发明收集地下水封储油库库区地下水位测井(如测井1，测井2，···，测井10，···)、渗压监测点(如测点1，测点2，···，测点10，···)的时间序列监测数据，建立渗流场时序样本库。样本库建好后基于LSTM网络构建库区渗流场时序预测模型，具体为库区地下水位时序预测模型和库区渗压时序预测模型。所建立的渗流场时序预测模型输入变量为输出变量临近测井或测点的时序监测值。LSTM模型构建完成后通过划分样本库为训练集和测试集对模型进行训练，通过BPTT(基于时间的误差反传方法)对模型隐含层的权值和阈值进行更新，根据预测结果调整模型的参数，包括网络迭代次数、初始学习率、学习率更新频率、学习率下降因子、迭代验证频率等。当模型预测结果的精度和拟合优度满足误差要求后即可进行工程实例的验证，此时采取相对误差率(RE)、决定系数(R2)和平均绝对百分比误差(MAPE)三个指标对模型预测结果进行评价。
进一步的解释说明，测井只是用来监测地下水位的，监测点只是用来监测渗压监测点位置处的地下水渗压的，通过对地下水位和渗压的监测即可获知油库的渗流场情况。测井均布在油库四周，渗压监测点布置于油库(多个洞室)内部呈垂直排列的多组平行阵列。
具体步骤如下：
(1)建立库区渗流场时序样本库。收集地下水封储油库库区地下水位测井(如测井1，测井2，···，测井10，···)、渗压监测点(如测点1，测点2，···，测点10，···)的时间序列监测数据，建立渗流场时序样本库；
(2)建立库区地下水位时序预测模型。选取目标地下水位测井(如测井1)的地下水位未来值作为LSTM模型的输出变量，选取测井1地下水位的历史值、相邻测井(如测井2，测井3，···)地下水位的历史值、相邻测点(如测点1，测点2，···)渗压的历史值作为LSTM模型的输入变量，基于LSTM网络建立测井1地下水位的时序预测模型。同理可建立其余测井地下水位的时序预测模型；
模型建好后，根据输出测井的不同，选择该测井临近测井和渗压监测点作为输入，即可获得该测井的准确预测结果，从而得到整个库区的预测模型，实际过程中只有一个模型，只不过是根据输出的不同选择不同的输入，代入模型后即可得到相应的预测结果。
(3)建立库区渗压时序预测模型。选取目标渗压监测点(如测点1)的渗压未来值作为LSTM模型的输出变量，选取测点1渗压的历史值、相邻测点(如测点2，测点3，···)渗压的历史值、相邻测井(如测井1，测井2，···)地下水位的历史值作为LSTM模型的输入变量，基于LSTM网络建立测点1渗压的时序预测模型。同理可建立其余测点渗压的时序预测模型；
(4)调试LSTM模型参数。根据渗流场时序样本库样本数量划分训练集与测试集；根据库区地下水位时序预测模型和渗压时序预测模型输入、输出变量的个数确定LSTM网络结构；设置LSTM网络迭代次数为100次，设置初始学习率为0.005，10次迭代后学习率进行更新，设置学习率下降因子为0.2，设置LSTM网络每迭代5次进行1次验证；
(5)进行工程实例的验证。将实际工程的时间序列监测数据输入建立好的LSTM模型，并选择相对误差率(RE)、决定系数(R2)和平均绝对百分比误差(MAPE)三个指标对模型预测结果进行评价。
作为可选择的实施方式，所述步骤(1)中库区渗流场时序样本库所记录的地下水位和渗压时序监测数据应采取相同的时间间隔，同时时间间隔不能过大过小，以免造成模型重复性、无效性学习，降低模型识别速度和准确率。
作为可选择的实施方式，所述步骤(2)、(3)中所选取的输入变量尽量选择距离目标测井或目标测点近的，保证输入变量与输出变量之间的相关性。一般情况下，选择距离最近的5-8个测点即可。
作为可选择的实施方式，所述步骤(4)通过以不同比例划分训练集测试集、调试各个参数确保获得最佳的模型输出效果。
具体的，所述步骤(4)中通过BPTT(基于时间的误差反传方法)进行权值和阈值的更新，提升LSTM网络的预测效果。
作为可选择的实施方式，所述步骤(5)中RE取值越接近0，R2取值越接近1，MAPE取值越接近0则说明模型预测效果越好。
作为进一步限定，所述步骤(5)中如果R2取值低于0.8则说明预测值与实际值拟合效果较差，LSTM模型不能对地下水位或渗压的变化趋势进行准确预测；如果RE和MAPE取值大于10％则说明模型的预测精度较低。
作为进一步限定，所述步骤(5)中可能存在由于实际值在0值附近而导致RE值计算结果偏大的情况，此时应考虑该点预测值与实际值的绝对误差相对于其他样本是否明显偏大，而不应直接认为该点预测误差偏大。
作为可选择的实施方式，通过扩充渗流场时序样本库的样本数量，增加典型工程案例样本，借助于LSTM网络对于典型样本的记忆效果，LSTM模型对于渗流场的预测效果会进一步提升。
作为可选择的实施方式，通过建立渗流场(即各个测井的地下水位和各个测点的渗压)与水幕系统工作参数(如注水量等)、水封效果(水质监测指标)、储油库洞室排水量、库区降雨量等之间的映射关系，即可实现渗流场时序预测值对水幕系统操作参数的指导，进而解决水幕系统作用效果的滞后性问题，降低储油库油气泄露风险和运营成本。
上述映射关系在建立时，根据现场所采集的这些变量的数据，通过机器学习方法(如BPNN、SVM等方法)可以找到这些变量两两之间或者任意多对一之间的映射关系。
根据所建立的映射关系，若水位高，渗压高，降雨量大，那么注水量可以降低，以避免油库排水量过大，以此类推。
实施例二
本实施例的目的是提供还提供一种适用于地下水封储油库渗流场时序预测系统：包括：
样本库构建模块，被配置为对储油库渗流场数据进行收集，剔除不合适的数据，建立测井地下水位和测点渗压时序监测值数据样本库；
地下水位时序预测模型构建模块，被配置为用样本库中的数据对LSTM网络训练得到回归预测模型，从而建立基于LSTM网络的库区地下水位时序预测模型；
渗压时序预测模型构建模块，被配置为用样本库中的数据对LSTM网络训练得到回归预测模型，从而建立基于LSTM网络的库区渗压时序预测模型；
模型调试模块，被配置为根据样本库样本数量划分训练集与测试集，根据库区渗流场(地下水位和渗压)时序预测模型输入、输出变量的个数确定LSTM网络结构，进而根据LSTM模型预测值与实际值的误差大小对模型参数进行调整；
预测模块，被配置为利用最终的LSTM模型，基于实际工程的时间序列监测数据对库区渗流场进行预测。
实施例三
本实施例的目的是提供一种计算机可读存储介质，其中存储有多条指令，所述指令适于由终端设备的处理器加载并执行所述的一种适用于地下水封储油库渗流场时序预测方法的步骤。
实施例四
本实施例的目的是提供一种终端设备，包括处理器和计算机可读存储介质，处理器用于实现各指令；计算机可读存储介质用于存储多条指令，所述指令适于由处理器加载并执行所述的一种适用于地下水封储油库渗流场时序预测方法的步骤。
以上实施例二、三和四的装置中涉及的各步骤与方法实施例一相对应，具体实施方式可参见实施例一的相关说明部分。术语“计算机可读存储介质”应该理解为包括一个或多个指令集的单个介质或多个介质；还应当被理解为包括任何介质，所述任何介质能够存储、编码或承载用于由处理器执行的指令集并使处理器执行本公开中的任一方法。
本领域技术人员应该明白，上述本公开的各模块或各步骤可以用通用的计算机装置来实现，可选地，它们可以用计算装置可执行的程序代码来实现，从而，可以将它们存储在存储装置中由计算装置来执行，或者将它们分别制作成各个集成电路模块，或者将它们中的多个模块或步骤制作成单个集成电路模块来实现。本公开不限制于任何特定的硬件和软件的结合。
以上所述仅为本公开的优选实施例而已，并不用于限制本公开，对于本领域的技术人员来说，本公开可以有各种更改和变化。凡在本公开的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本公开的保护范围之内。
上述虽然结合附图对本公开的具体实施方式进行了描述，但并非对本公开保护范围的限制，所属领域技术人员应该明白，在本公开的技术方案的基础上，本领域技术人员不需要付出创造性劳动即可做出的各种修改或变形仍在本公开的保护范围以内。

Claims (8)

1.一种适用于地下水封储油库渗流场时序预测方法，其特征是，包括：
获取地下水封储油库库区测井的地下水位和各个测点的渗压时间序列数据，建立渗流场时序样本库；
针对库区每一水位测井，基于LSTM网络建立该测井地下水位的时序预测模型，最终建立库区地下水位时序预测模型；基于LSTM网络建立该测井地下水位的时序预测模型时，选取目标地下水位测井的地下水位未来值作为LSTM模型的输出变量，选取该测井地下水位的历史值、相邻测井地下水位的历史值、相邻测点渗压的历史值作为LSTM模型的输入变量，建立该测井地下水位的时序预测模型；
针对库区每一渗压监测点，基于LSTM网络建立测点渗压的时序预测模型，最终建立库区渗压时序预测模型；基于LSTM网络建立测点渗压的时序预测模型时，选取目标渗压监测点的渗压未来值作为LSTM模型的输出变量，选取该测点渗压的历史值、相邻测点渗压的历史值、相邻测井地下水位的历史值作为LSTM模型的输入变量，基于LSTM网络建立该测点渗压的时序预测模型；
基于渗流场时序样本库的数据，根据库区地下水位时序预测模型和渗压时序预测模型输入、输出变量的个数确定LSTM网络结构，调试LSTM模型参数；
将待测实际工程的时间序列监测数据输入调试LSTM模型参数后的库区地下水位时序预测模型和渗压时序预测模型，获得地下水封储油库库区测井的地下水位和各个测点的渗压时间序列数据的预测数据。
2.如权利要求1所述的一种适用于地下水封储油库渗流场时序预测方法，其特征是，输入变量需要选择距离目标测井或目标测点相近的，保证输入变量与输出变量之间的相关性。
3.如权利要求1所述的一种适用于地下水封储油库渗流场时序预测方法，其特征是，调试LSTM模型参数时，选择相对误差率、决定系数和平均绝对百分比误差三个指标对模型预测结果进行评价。
4.如权利要求1所述的一种适用于地下水封储油库渗流场时序预测方法，其特征是，渗流场时序样本库所记录的地下水位和渗压时序监测数据采取相同的时间间隔，同时时间间隔在设定的范围内，以免造成模型重复性。
5.如权利要求1所述的一种适用于地下水封储油库渗流场时序预测方法，其特征是，通过建立渗流场即各个测井的地下水位和各个测点的渗压与水幕系统工作参数、水封效果指标、储油库洞室排水量、库区降雨量之间的映射关系，即可实现利用渗流场时序预测值调整水幕系统操作参数。
6.一种适用于地下水封储油库渗流场时序预测系统，其特征是，包括：
样本库构建模块，被配置为：获取地下水封储油库库区测井的地下水位和各个测点的渗压时间序列数据，建立渗流场时序样本库；
地下水位时序预测模型构建模块，被配置为：针对库区每一水位测井，基于LSTM网络建立该测井地下水位的时序预测模型，最终建立库区地下水位时序预测模型；基于LSTM网络建立该测井地下水位的时序预测模型时，选取目标地下水位测井的地下水位未来值作为LSTM模型的输出变量，选取该测井地下水位的历史值、相邻测井地下水位的历史值、相邻测点渗压的历史值作为LSTM模型的输入变量，建立该测井地下水位的时序预测模型；
渗压时序预测模型构建模块，被配置为：针对库区每一渗压监测点，基于LSTM网络建立测点渗压的时序预测模型，最终建立库区渗压时序预测模型；基于LSTM网络建立测点渗压的时序预测模型时，选取目标渗压监测点的渗压未来值作为LSTM模型的输出变量，选取该测点渗压的历史值、相邻测点渗压的历史值、相邻测井地下水位的历史值作为LSTM模型的输入变量，基于LSTM网络建立该测点渗压的时序预测模型；
模型调试模块，被配置为：基于渗流场时序样本库的数据，根据库区地下水位时序预测模型和渗压时序预测模型输入、输出变量的个数确定LSTM网络结构，调试LSTM模型参数；
预测模块，被配置为：将待测实际工程的时间序列监测数据输入调试LSTM模型参数后的库区地下水位时序预测模型和渗压时序预测模型，获得地下水封储油库库区测井的地下水位和各个测点的渗压时间序列数据的预测数据。
7.一种计算机可读存储介质，其中存储有多条指令，其特征是，所述指令适于由终端设备的处理器加载并执行权利要求1-5任一所述的一种适用于地下水封储油库渗流场时序预测方法的步骤。
8.一种终端设备，包括处理器和计算机可读存储介质，处理器用于实现各指令；计算机可读存储介质用于存储多条指令，其特征是，所述指令适于由处理器加载并执行权利要求1-5任一所述的一种适用于地下水封储油库渗流场时序预测方法的步骤。
CN202011172701.5A 2020-10-28 2020-10-28 一种适用于地下水封储油库渗流场时序预测方法及系统 Active CN112464552B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011172701.5A CN112464552B (zh) 2020-10-28 2020-10-28 一种适用于地下水封储油库渗流场时序预测方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011172701.5A CN112464552B (zh) 2020-10-28 2020-10-28 一种适用于地下水封储油库渗流场时序预测方法及系统

Publications (2)

Publication Number Publication Date
CN112464552A CN112464552A (zh) 2021-03-09
CN112464552B true CN112464552B (zh) 2022-10-25

Family

ID=74835581

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011172701.5A Active CN112464552B (zh) 2020-10-28 2020-10-28 一种适用于地下水封储油库渗流场时序预测方法及系统

Country Status (1)

Country Link
CN (1) CN112464552B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114510887B (zh) * 2022-01-20 2022-11-15 哈尔滨工程大学 一种基于代理模型的海洋条件下大容器液位快速预测方法

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110348137A (zh) * 2019-07-15 2019-10-18 西南石油大学 一种基于向量自回归模型的水驱油藏渗流场评价方法
CN111157346A (zh) * 2020-01-03 2020-05-15 山东大学 地下水封储油库水幕系统设计及修正的分析系统及方法
CN111260216A (zh) * 2020-01-15 2020-06-09 山东大学 一种运营期地下水封储油库渗流场综合评价与防治方法

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP6283606B2 (ja) * 2014-12-19 2018-02-21 株式会社日立製作所 ポンプ運用計画システムおよびポンプ運用計画方法
CN108921279A (zh) * 2018-03-26 2018-11-30 西安电子科技大学 水库日入水量预测方法
CN109948863B (zh) * 2019-03-28 2021-08-03 杭州电子科技大学 基于长短期记忆模型lstm的排水管网窨井液位预测方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110348137A (zh) * 2019-07-15 2019-10-18 西南石油大学 一种基于向量自回归模型的水驱油藏渗流场评价方法
CN111157346A (zh) * 2020-01-03 2020-05-15 山东大学 地下水封储油库水幕系统设计及修正的分析系统及方法
CN111260216A (zh) * 2020-01-15 2020-06-09 山东大学 一种运营期地下水封储油库渗流场综合评价与防治方法

Also Published As

Publication number Publication date
CN112464552A (zh) 2021-03-09

Similar Documents

Publication Publication Date Title
CN112308269B (zh) 用于低渗透油气藏的产能预测方法及装置
CN104376420A (zh) 有水气藏气井见水风险评价方法及评价装置
CN101517560A (zh) 利用遗传算法预测油藏产量
CN107291667B (zh) 一种井间连通程度确定方法及系统
CN106980750B (zh) 一种基于典型对应分析的土壤氮储量估算方法
KR101474874B1 (ko) 지능형 생산정 위치 선정 전산 시스템 및 이를 이용한 생산정 위치 선정 방법
CN115659729A (zh) 一种基于结构仿真计算的大坝安全监测分析方法及系统
CN112464552B (zh) 一种适用于地下水封储油库渗流场时序预测方法及系统
CN115526108B (zh) 一种基于多源监测数据的滑坡稳定性智能动态预测方法
CN114638401A (zh) 一种基于历史及预测油藏知识的剩余油分布预测方法及装置
CN116933192A (zh) 混凝土坝运行关键部位分区监控方法及模型
CN107153881B (zh) 一种钻井风险的预测方法
CN114117654A (zh) 一种基于机器学习的水平井射孔优化设计方法及装置
CN113779881A (zh) 致密含水气藏产能预测方法、装置及设备
CN117291417A (zh) 用于确定离岸co2咸水层封存场地的决策方法、装置及介质
CN115456325B (zh) 一种用于非煤矿山的灾害设防能力的分析方法
CN112990631B (zh) 渗流场的评价方法及装置、计算机可读存储介质
CN110410065B (zh) 多层井间动态连通性模型的输入参数分析方法及装置
Chugunov et al. Reducing uncertainty in reservoir model predictions: from plume evolution to tool responses
CN113627585A (zh) 基于长短时记忆神经网络的单井指标预测方法、系统
CN118313699B (zh) 海岸带地下卤水资源开发利用的可持续性评价方法
CN117634321B (zh) 一种水库蓄水顶托作用下的水文站水位流量关系重构方法
CN118627179B (zh) 一种水利工程抗震可靠性预测方法
CN115062552B (zh) 一种缝洞油藏氮气吞吐效果预测方法及系统
TYO et al. Analysis, monitoring and forecasting financial stability

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant