CN112761628B - 基于长短期记忆神经网络的页岩气产量确定方法、装置 - Google Patents
基于长短期记忆神经网络的页岩气产量确定方法、装置 Download PDFInfo
- Publication number
- CN112761628B CN112761628B CN202110096222.8A CN202110096222A CN112761628B CN 112761628 B CN112761628 B CN 112761628B CN 202110096222 A CN202110096222 A CN 202110096222A CN 112761628 B CN112761628 B CN 112761628B
- Authority
- CN
- China
- Prior art keywords
- target
- yield
- shale gas
- data set
- data
- 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
Links
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 77
- 238000000034 method Methods 0.000 title claims abstract description 52
- 230000006403 short-term memory Effects 0.000 title claims abstract description 32
- 230000007787 long-term memory Effects 0.000 title claims abstract description 30
- 238000012549 training Methods 0.000 claims abstract description 61
- 238000007781 pre-processing Methods 0.000 claims abstract description 19
- 238000004519 manufacturing process Methods 0.000 claims description 73
- 230000015654 memory Effects 0.000 claims description 58
- 238000004088 simulation Methods 0.000 claims description 52
- 238000012360 testing method Methods 0.000 claims description 9
- 238000012795 verification Methods 0.000 claims description 7
- 238000003795 desorption Methods 0.000 claims description 6
- 238000001179 sorption measurement Methods 0.000 claims description 6
- 239000007789 gas Substances 0.000 description 134
- 230000035699 permeability Effects 0.000 description 17
- 230000006870 function Effects 0.000 description 16
- 238000012986 modification Methods 0.000 description 15
- 230000004048 modification Effects 0.000 description 15
- 238000011161 development Methods 0.000 description 11
- 239000011159 matrix material Substances 0.000 description 10
- 230000000694 effects Effects 0.000 description 9
- 238000010586 diagram Methods 0.000 description 8
- 238000007637 random forest analysis Methods 0.000 description 7
- 238000005070 sampling Methods 0.000 description 6
- 230000015572 biosynthetic process Effects 0.000 description 5
- 230000007246 mechanism Effects 0.000 description 5
- 230000008569 process Effects 0.000 description 5
- 238000004458 analytical method Methods 0.000 description 4
- 238000004891 communication Methods 0.000 description 3
- 238000004590 computer program Methods 0.000 description 3
- 239000010410 layer Substances 0.000 description 3
- 238000013178 mathematical model Methods 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 230000004913 activation Effects 0.000 description 2
- 238000003066 decision tree Methods 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 230000007774 longterm Effects 0.000 description 2
- VNWKTOKETHGBQD-UHFFFAOYSA-N methane Chemical compound C VNWKTOKETHGBQD-UHFFFAOYSA-N 0.000 description 2
- 238000003062 neural network model Methods 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 230000000306 recurrent effect Effects 0.000 description 2
- 238000010200 validation analysis Methods 0.000 description 2
- 230000003213 activating effect Effects 0.000 description 1
- 230000008033 biological extinction Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000001364 causal effect Effects 0.000 description 1
- 239000007795 chemical reaction product Substances 0.000 description 1
- 238000012790 confirmation Methods 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 238000009792 diffusion process Methods 0.000 description 1
- 230000008034 disappearance Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000004880 explosion Methods 0.000 description 1
- 239000012530 fluid Substances 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 229910052500 inorganic mineral Inorganic materials 0.000 description 1
- 239000011229 interlayer Substances 0.000 description 1
- 230000014759 maintenance of location Effects 0.000 description 1
- 239000011707 mineral Substances 0.000 description 1
- 239000003345 natural gas Substances 0.000 description 1
- 239000011148 porous material Substances 0.000 description 1
- 239000011435 rock Substances 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 239000013589 supplement Substances 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Images
Classifications
-
- E—FIXED CONSTRUCTIONS
- E21—EARTH OR ROCK DRILLING; MINING
- E21B—EARTH OR ROCK DRILLING; OBTAINING OIL, GAS, WATER, SOLUBLE OR MELTABLE MATERIALS OR A SLURRY OF MINERALS FROM WELLS
- E21B49/00—Testing the nature of borehole walls; Formation testing; Methods or apparatus for obtaining samples of soil or well fluids, specially adapted to earth drilling or wells
-
- 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
-
- 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
-
- 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
- G06Q50/06—Energy or water supply
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Economics (AREA)
- General Health & Medical Sciences (AREA)
- Mining & Mineral Resources (AREA)
- Evolutionary Computation (AREA)
- Geology (AREA)
- General Engineering & Computer Science (AREA)
- Computer Hardware Design (AREA)
- Mathematical Physics (AREA)
- Geochemistry & Mineralogy (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- General Life Sciences & Earth Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Geometry (AREA)
- Software Systems (AREA)
- Fluid Mechanics (AREA)
- Environmental & Geological Engineering (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本说明书实施例提供了一种基于长短期记忆神经网络的页岩气产量确定方法、装置，其中，该方法包括：获取目标页岩气水平井在目标时刻前一周期中各个时刻的产量数据；对在所述目标时刻前一周期中各个时刻的产量数据进行预处理，得到目标产量数据集；其中，所述目标产量数据集中包括按时间排列的多个时刻的产量数据；根据所述目标产量数据集，利用预先训练得到的产量预测模型确定所述目标页岩气水平井在所述目标时刻的产量；其中，产量预测模型为基于长短期记忆神经网络训练得到的，用于根据目标时刻前多个时刻的产量数据预测目标时刻的产量。在本说明书实施例中，考虑了目标时刻前多个时刻的产量对目标时刻产量的影响，有效提高了产量预测的准确性。
Description
技术领域
本说明书实施例涉及页岩气勘探开发技术领域，特别涉及一种基于长短期记忆神经网络的页岩气产量确定方法、装置。
背景技术
近年来页岩气开发逐渐成为世界能源开发的新热点，页岩气主要存在于富有机质的泥页岩及夹层中，以吸附气和游离气存在。页岩气的勘探开发具有重要的社会经济意义，准确进行页岩气的产能预测，对指导页岩气勘探开发具有重大的指导意义。
现有技术中通常采用解析公式法预测页岩气的产能，解析公式法是通过建立数学模型，推导出页岩气产能公式的解析解。但是在数学模型的建立前，必须依靠理想化的物理模型假设，对页岩气井的限制较多，建立的数学模型仅是一种理论模型，与实际情况存在较大偏差。从而使得采用现有技术中的解析公式法适用性较低，无法准确地预测页岩气的产能。
针对上述问题，目前尚未提出有效的解决方案。
发明内容
本说明书实施例提供了一种基于长短期记忆神经网络的页岩气产量确定方法、装置，以解决现有技术中无法准确地预测页岩气的产能的问题。
本说明书实施例提供了一种基于长短期记忆神经网络的页岩气产量确定方法，包括：获取目标页岩气水平井在目标时刻前一周期中各个时刻的产量数据；对在所述目标时刻前一周期中各个时刻的产量数据进行预处理，得到目标产量数据集；其中，所述目标产量数据集中包括按时间排列的多个时刻的产量数据；根据所述目标产量数据集，利用预先训练得到的产量预测模型确定所述目标页岩气水平井在所述目标时刻的产量；其中，产量预测模型为基于长短期记忆神经网络训练得到的，用于根据目标时刻前多个时刻的产量数据预测目标时刻的产量。
本说明书实施例还提供了一种基于长短期记忆神经网络的页岩气产量确定装置，包括：获取模块，用于获取目标页岩气水平井在目标时刻前一周期中各个时刻的产量数据；预处理模块，用于对在所述目标时刻前一周期中各个时刻的产量数据进行预处理，得到目标产量数据集；其中，所述目标产量数据集中包括按时间排列的多个时刻的产量数据；确定模块，用于根据所述目标产量数据集，利用预先训练得到的产量预测模型确定所述目标页岩气水平井在所述目标时刻的产量；其中，产量预测模型为基于长短期记忆神经网络训练得到的，用于根据目标时刻前多个时刻的产量数据预测目标时刻的产量。
本说明书实施例还提供了一种基于长短期记忆神经网络的页岩气产量确定设备，包括处理器以及用于存储处理器可执行指令的存储器，所述处理器执行所述指令时实现所述基于长短期记忆神经网络的页岩气产量确定方法的步骤。
本说明书实施例还提供了一种计算机可读存储介质，其上存储有计算机指令，所述指令被执行时实现所述基于长短期记忆神经网络的页岩气产量确定方法的步骤。
本说明书实施例提供了一种基于长短期记忆神经网络的页岩气产量确定方法，可以通过获取目标页岩气水平井在目标时刻前一周期中各个时刻的产量数据，并对在目标时刻前一周期中各个时刻的产量数据进行预处理，得到目标产量数据集。其中，上述目标产量数据集中的多个时刻的产量数据可以是按时间排列的。由于产量是随时间变化的，目标时刻的产量不是独立的，因此，可以根据目标产量数据集，利用预先训练得到的产量预测模型确定目标页岩气水平井在目标时刻的产量。其中，上述产量预测模型可以为基于长短期记忆神经网络训练得到的，可以用于根据目标时刻前多个时刻的产量数据预测目标时刻的产量。从而考虑了目标时刻前多个时刻的产量对目标时刻产量的影响，有效提高了产量预测的准确性。
附图说明
此处所说明的附图用来提供对本说明书实施例的进一步理解，构成本说明书实施例的一部分，并不构成对本说明书实施例的限定。在附图中：
图1是根据本说明书实施例提供的基于长短期记忆神经网络的页岩气产量确定方法的步骤示意图；
图2是根据本说明书实施例提供的页岩气藏数值模拟模型的示意图；
图3是根据本说明书实施例提供的长短期记忆神经网络中的参数的调参学习曲线的示意图；
图4是根据本说明书实施例提供的利用训练数据集、测试数据集和验证数据集绘制的产量递减曲线的示意图；
图5是根据本说明书实施例提供的基于长短期记忆神经网络的页岩气产量确定装置的结构示意图；
图6是根据本说明书实施例提供的基于长短期记忆神经网络的页岩气产量确定设备的结构示意图。
具体实施方式
下面将参考若干示例性实施方式来描述本说明书实施例的原理和精神。应当理解，给出这些实施方式仅仅是为了使本领域技术人员能够更好地理解进而实现本说明书实施例，而并非以任何方式限制本说明书实施例的范围。相反，提供这些实施方式是为了使本说明书实施例公开更加透彻和完整，并且能够将本公开的范围完整地传达给本领域的技术人员。
本领域的技术人员知道，本说明书实施例的实施方式可以实现为一种系统、装置设备、方法或计算机程序产品。因此，本说明书实施例公开可以具体实现为以下形式，即：完全的硬件、完全的软件(包括固件、驻留软件、微代码等)，或者硬件和软件结合的形式。
虽然下文描述流程包括以特定顺序出现的多个操作，但是应该清楚了解，这些过程可以包括更多或更少的操作，这些操作可以顺序执行或并行执行(例如使用并行处理器或多线程环境)。
请参阅图1，本实施方式可以提供一种基于长短期记忆神经网络的页岩气产量确定方法。该基于长短期记忆神经网络的页岩气产量确定方法可以用于准确地预测页岩气水平井的产量。上述基于长短期记忆神经网络的页岩气产量确定方法可以包括以下步骤。
S101：获取目标页岩气水平井在目标时刻前一周期中各个时刻的产量数据。
在本实施方式中，可以获取目标页岩气水平井在目标时刻前一周期中各个时刻的产量数据。其中，上述目标页岩气水平井可以为待预测产量的页岩气水平井，上述目标时刻前一周期可以为目标前预设时间步长的多个时刻，例如：目标时刻为t11、预设时间步长为10，那么在目标时刻前一周期中各个时刻可以包括：t1、t2、t3、t4、t5、t6、t7、t8、t9、t10。
在本实施方式中，还可以获取目标页岩气水平井在目标时刻前一周期最后一个时刻的数值模拟产量数据，将目标页岩气水平井在目标时刻前一周期最后一个时刻的数值模拟产量数据和目标时刻前一周期中各个时刻的产量数据一起作为产量预测模型的输入数据。
在本实施方式中，由于会对目标时刻的产量产生影响的数据是有限的，或者会对目标时刻的产量产生较大影响的数据是有限的，因此，上述预设时间步长可以为对长短期记忆神经网络训练训练得到的最佳时间步长，上述预设时间步长可以为5、10等大于0的正整数，具体的可以根据实际情况确定，本说明书实施例对此不作限定。
在本实施方式中，上述时刻可以为某一个具体的日期，例如：2018年10月10日，当然也可以是以月为单位的时刻，或者是以小时为单位的时刻，具体的可以根据实际需求确定，本说明书实施例对此不作限定。
在本实施方式中，获取目标页岩气水平井在目标时刻前一周期中各个时刻的产量数据的方式可以包括：从预设数据库中拉取得到，或者，接收用户输入的目标页岩气水平井在目标时刻前一周期中各个时刻的产量数据。当然可以理解的是，还可以采用其它可能的方式获取上述样本数据集，例如，在网页中按照一定的查找条件搜索目标页岩气水平井在目标时刻前一周期中各个时刻的产量数据，具体的可以根据实际情况确定，本说明书实施例对此不作限定。
S102：对在目标时刻前一周期中各个时刻的产量数据进行预处理，得到目标产量数据集；其中，目标产量数据集中包括按时间排列的多个时刻的产量数据。
在本实施方式中，由于在目标时刻前一周期中各个时刻的产量数据可能在格式上不符合产量预测模型的输入要求，因此，可以对在目标时刻前一周期中各个时刻的产量数据进行预处理，从而得到目标产量数据集。
在本实施方式中，还可以对目标页岩气水平井在目标时刻前一周期最后一个时刻的数值模拟产量数据进行预处理。目标产量数据集中可以包括：按时间排列的多个时刻的产量数据和每个时间步长的周期中最后一个时刻的数值模拟产量数据，其中，数值模拟产量数据可以是利用页岩气藏数值模拟模型进行历史拟合得到的。
在本实施方式中，对在目标时刻前一周期中各个时刻的产量数据的预处理可以包括：填补缺失值、将各个时刻的产量数据按照时间顺序重新排列等。当然，预处理的方式不限于上述举例，所属领域技术人员在本说明书实施例技术精髓的启示下，还可能做出其它变更，但只要其实现的功能和效果与本说明书实施例相同或相似，均应涵盖于本说明书实施例保护范围内。
在一个实施方式中，对在目标时刻前一周期中各个时刻的产量数据进行预处理，得到目标产量数据集，可以包括：将目标时刻前一周期中各个时刻的产量数据按照预设时间步长转换为符合长短期记忆神经网络输入格式的数据，目标产量数据集；其中，目标时刻前一周期包含的时刻数据等于预设时间步长。
在本实施方式中，由于长短期记忆神经网络是一种循环神经网络，要求输入数据是具有时序性的，因此，预处理后得到的目标产量数据中的产量数据可以是按照时间顺序排列的。
S103：根据目标产量数据集，利用预先训练得到的产量预测模型确定目标页岩气水平井在目标时刻的产量；其中，产量预测模型为基于长短期记忆神经网络训练得到的，用于根据目标时刻前多个时刻的产量数据预测目标时刻的产量。
在本实施方式中，由于产量是随时间变化的，目标时刻的产量不是独立的，因此，可以根据上述目标产量数据集，利用预先训练得到的产量预测模型确定目标页岩气水平井在目标时刻的产量，其中，上述产量预测模型可以为基于长短期记忆神经网络训练得到的，用于根据目标时刻前多个时刻的产量数据预测目标时刻的产量，从而有效考虑了目标时刻前多个时刻的产量对目标时刻产量的影响，提高了预测的准确性。
在本实施方式中，上述长短期记忆神经网络(LSTM，Long Short-Term Memory)是一种循环神经网络(RNN)，可以解决长序列训练过程中的梯度消失和梯度爆炸问题，相比普通的RNN，LSTM能够在更长的序列中有更好的表现。LSTM是一种特殊的循环体结构，LSTM中的遗忘门、输入门和输出门可以对信息进行选择。
从以上的描述中，可以看出，本说明书实施例实现了如下技术效果：可以通过获取目标页岩气水平井在目标时刻前一周期中各个时刻的产量数据，并对在目标时刻前一周期中各个时刻的产量数据进行预处理，得到目标产量数据集。其中，上述目标产量数据集中的多个时刻的产量数据可以是按时间排列的。由于产量是随时间变化的，目标时刻的产量不是独立的，因此，可以根据目标产量数据集，利用预先训练得到的产量预测模型确定目标页岩气水平井在目标时刻的产量。其中，上述产量预测模型可以为基于长短期记忆神经网络训练得到的，可以用于根据目标时刻前多个时刻的产量数据预测目标时刻的产量。从而考虑了目标时刻前多个时刻的产量对目标时刻产量的影响，有效提高了产量预测的准确性。
在一个实施方式中，在根据目标产量数据集，利用预先训练得到的产量预测模型确定目标页岩气水平井在目标时刻的产量之前，还可以包括：设置模型的属性参数，并根据属性参数建立页岩气藏数值模拟模型；其中，页岩气藏数值模拟模型中设置有一个页岩气水平井。可以获取目标页岩气水平井的历史产量数据集，并利用目标页岩气水平井的历史产量数据集对页岩气藏数值模拟模型进行历史拟合得到目标页岩气水平井在预设时间段内的数值模拟产量数据。可以根据目标页岩气水平井的历史产量数据集和目标页岩气水平井在预设时间段内的数值模拟产量数据，生成训练数据集。进一步的，可以根据训练数据集训练长短期记忆神经网络，得到目标产量预测模型。利用历史拟合的数值模拟结果进一步约束LSTM神经网络的训练，在长期预测方面是有利于提高预测的准确性。
在本实施方式中，可以根据目标页岩气水平井实际的历史产量数据和经过历史拟合的数值模拟数据一起训练长短期记忆神经网络，得到目标产量预测模型。在进行未来时刻的产量预测时，可以将历史产量数据与产量预测模型的历史拟合的数值模拟结果进行结合，作为目标产量预测模型的输入进行训练和预测。形成物理机理和数据联合驱动的方法，对于页岩气这种比较复杂的非常规渗流问题可以提高预测的准确性。
在本实施方式中，由于模型训练需要大量的样本数据，在已有大量实际的产量历史数据的情况下，可以直接使用实际的产量历史数据对长短期记忆神经网络进行训练。在实际的常年数据不充足的情况下可以采用数值模拟的方式获取训练数据，以确保训练数据的准确性。当然也可以结合上述两种方式获取训练数据，具体的可以根据实际情况确定，本说明书实施例对此不作限定。
在本实施方式中，上述模型的属性参数可以为页岩气藏数值模拟模型的基本参数，可以包括表征模型大小的参数、构造参数等。上述特征参数可以为影响页岩气水平井产能的地质参数和/或工程参数，利用特征参数可以根据准确地模拟页岩气水平井的产量。利用嵌入式离散裂缝模型的页岩气藏数值模拟软件，上述页岩气藏数值模拟模型可以直接计算得出预设年限的产量数据。例如，预设年限为页岩气水平井自开发投产时间点开始15年内，利用基于嵌入式离散裂缝模型的页岩气藏数值模拟软件可以模拟得到页岩气水平井自开发投产时间点开始15年内每天的产量数据。
在本实施方式中，可以预先设置模型的属性参数，并根据设置的属性参数建立页岩气藏数值模拟模型，建立的页岩气藏数值模拟模型可以如图2中所示，页岩气藏数值模拟模型中包含一个页岩气水平井，其中，PERMX(mD)为x方向的网格渗透率，mD为毫达西，渗透率单位。进一步的，可以根据目标页岩气水平井的历史产量数据集中的实际产量数据对页岩气藏数值模拟模型进行历史拟合，得到目标页岩气水平井在预设时间段内的数值模拟产量数据。页岩气藏数值模拟模型可以用于模拟真实的页岩气藏，可以根据典型的页岩气藏设置属性参数，也可以根据目标页岩气水平井设置属性参数，具体的可以根据实际情况确定，本说明书实施例对此不作限定。
在本实施方式中，在建立页岩气藏数值模拟模型时，可以考虑页岩的Langmuir(朗格缪尔)吸附解吸、努森扩散、裂缝应力敏感、气水两相渗流等特殊渗流机理，以使建立的页岩气藏数值模拟模型更符合实际页岩气藏的特征。上述模型的属性参数可以包括以下至少之一：网格大小、网格数量、页岩气水平井在水平方向上的长度、朗格缪尔压力、极限吸附浓度、临界解吸附压力和定压生产的压力。例如，网格大小可以包括单位网格在横向和纵向上的长度等，网格数量可以包括横向上的网格数和纵向上的网格数等。当然，模型的属性参数不限于上述举例，所属领域技术人员在本说明书实施例技术精髓的启示下，还可能做出其它变更，但只要其实现的功能和效果与本说明书实施例相同或相似，均应涵盖于本说明书实施例保护范围内。
在本实施方式中，横向上的网格数和纵向上的网格数、单位网格在横向和纵向上的长度的具体数值可以是根据经验设定的，但是网格整体在横向上的长度要比水平井的长度要长，网格整体在纵向上的长度需要比垂直于水平井的裂缝的长度要长，页岩气水平井的长度合理设置即可。极限吸附浓度、朗格缪尔压力和临界解吸压力可以参考了文章和实验的结果进行设置，设置在合理的范围内即可。模型定压生产的压力设置为小于临界解吸压力即可，这样气体才能解吸。模型的属性参数在后续阶段是不会再进行改变的，仅需改变页岩气水平井的地质参数(如孔隙度、渗透率等)和工程参数(如压裂裂缝段数、裂缝半长)，给定一组地质参数与工程参数的组合(特征参数的值)，利用数值模拟模型就可以得到这组参数所对应的产量。再利用实际产量数据进行历史拟合，对以上参数进行更新，从而使得该数值模拟结果可以作为长短期记忆神经网络的输入，再利用长短期记忆神经网络对未来时刻进行预测，从而可以在时间跨度较大的情况下确保训练得到的产量预测模型的准确性。
在一个实施方式中，由于页岩中的天然气以三种形式存在：岩石孔隙中的游离气、天然裂缝中的游离气和有机质矿物表面的吸附气，这些不同的储集机理直接影响着页岩气开发的方式、速度和效率。而页岩气的储集机理、渗流机理和开发方式是产能影响因素分析的基础，因此，可以从地质和工程两个方面分析确定影响目标页岩气水平井产能的多个特征参数。
在本实施方式中，上述地质参数可以为地质勘探数据，可以是通过各种手段、方法对地质进行勘查、探测得到的数据。在一些实施例中，上述地质参数可以包括但不限于以下至少之一：页岩储层厚度、地层压力、储层物性。
在本实施方式中，上述工程参数可以为工程设计数据，可以是在页岩气水平井开发之前针对页岩气水平井制定的开发方案或者是设计的数据。在一些实施例中，上述工程参数可以包括但不限于以下至少之一：水平井长度、压裂级数、裂缝半长、裂缝的高度、导流能力、压裂改造体积(SRV，Stimulated Reservoir Volume)区域的大小。当然还可以理解的是，上述工程参数中还可以包括：压裂改造体积区域渗透率、压裂改造体积区域孔隙度、裂缝渗透率、裂缝数量等，具体的可以根据实际情况确定，本申请对此不作限定。
在一个实施方式中，上述多个特征参数可以为预先从地质参数和/或工程参数中分析确定出的多个影响目标页岩气水平井产能的参数。在一些实施例中，上述多个特征参数可以包括：储层厚度、初始地层压力、基质渗透率、基质孔隙度、压裂改造体积区域渗透率、压裂改造体积区域孔隙度、裂缝渗透率、裂缝半长、裂缝数量。当然，特征参数不限于上述举例，所属领域技术人员在本说明书实施例技术精髓的启示下，还可能做出其它变更，但只要其实现的功能和效果与本说明书实施例相同或相似，均应涵盖于本说明书实施例保护范围内。
在本实施方式中，上述储层厚度、初始地层压力、基质渗透率、基质孔隙度可以属于地质参数，其中，基质渗透率、基质孔隙度属于储层物性。上述压裂改造体积区域渗透率、压裂改造体积区域孔隙度、裂缝渗透率、裂缝半长、裂缝数量可以属于工程参数。
在一个实施方式中，在获取多个特征参数的值之前，还可以包括：获取多个地质参数和多个工程参数，并利用随机森林特征重要性分析法从多个地质参数和多个工程参数中筛选出多个影响页岩气水平井产能的参数。可以将多个影响页岩气水平井产能的参数作为特征参数，确定各个特征参数的取值范围。进一步的，可以根据各个特征参数的取值范围，生成一组特征数据集；其中，特征数据集中包含各个特征参数的值。
在本实施方式中，由于不是每个地质参数和工程参数均会对产量产生影响，因此，可以利用随机森林特征重要性分析法从多个地质参数和多个工程参数中筛选出多个影响页岩气水平井产能的参数。利用随机森林进行特征重要性的评估思想为：判断每个特征在随机森林中的每颗树上做了多大的贡献，然后取个平均值，最后比一比特征之间的贡献大小。其中，关于贡献的计算方式可以是袋外数据(在随机抽样时没有被抽到的数据)错误率。首先，对于随机森林中的每一颗决策树，使用相应的袋外数据来计算袋外数据误差；其次，随机地对袋外数据所有样本的特征X加入噪声干扰，随机的改变样本在特征X处的值，再次计算它的袋外数据误差；最终随机森林特征的重要性为所有决策树袋外误差差异的平均值。若给某个特征随机加入噪声之后，袋外的准确率大幅度降低，则说明它的重要程度比较高。基于这个原理，可以利用随机森林特征重要性分析法对所有地质参数和工程参数进行排序，精选影响页岩气水平井产能的特征参数。
在本实施方式中，由于不同的页岩气水平井的特征参数值可能会存在差异，但是页岩气水平井的各个特征参数受实际地质条件的限制都会有一个合理的取值范围，因此，可以确定各个特征参数的取值范围。例如：储层厚度(15～100m)、初始地层压力(350～550bar)、基质渗透率(0.000001～0.001mD)、基质孔隙度(0.054～0.08)、压裂改造体积区域渗透率(0.1～10mD)、压裂改造体积区域孔隙度(0.08～0.15)、裂缝渗透率(1000～50000mD)、裂缝半长(60～280m)、裂缝数量(10～30条)等，上述bar(巴)为压强单位，mD为毫达西，渗透率单位。当然，各个特征参数的取值范围不限于上述举例，所属领域技术人员在本说明书实施例技术精髓的启示下，还可能做出其它变更，但只要其实现的功能和效果与本说明书实施例相同或相似，均应涵盖于本说明书实施例保护范围内。
在本实施方式中，可以根据各个特征参数的取值范围随机生成一组特征数据集，在一些实施例中，可以利用拉丁超立方抽样方法(Latin Hypercube Sampling，LHS)、统计抽样等根据各个特征参数的取值范围进行随机抽样，生成初始集合的模型参数。当然，随机抽样的方式不限于上述举例，所属领域技术人员在本说明书实施例技术精髓的启示下，还可能做出其它变更，但只要其实现的功能和效果与本说明书实施例相同或相似，均应涵盖于本说明书实施例保护范围内。
在一个实施方式中，根据目标页岩气水平井的历史产量数据集和目标页岩气水平井在预设时间段内的数值模拟产量数据，生成训练数据集，可以包括：根据历史产量数据集和在预设时间段内的数值模拟产量数据，生成目标产量数据集。获取预设时间步长，并将目标产量数据集中的产量数据按照预设时间步长转换为长短期记忆神经网络的输入和输出格式，得到样本数据集(因为长短期记忆神经网络属于监督学习，需要给定输入和输出)；其中，样本数据集中可以包含多组数据，每组数据中包含预设时间步长的产量数据、预设时间步长中最后一个时间步的数值模拟产量数据和下一时间步的产量数据。进一步，可以根据样本数据集，按照预设比例随机生成训练数据集、验证数据集和测试数据集。
在本实施方式中，在对未来时刻进行预测时，可以将长短期记忆神经网络的预测输出作为下一时间步的输入，并在输入数据中结合预设时间步长中最后一个时间步的数值模拟产量数据，其中，预设时间步长中最后一个时间步的数值模拟产量数据可以作为长短期记忆神经网络的一个独立输入，从而有效保证了用于训练的数据的准确性。
在本实施方式中，上述样本数据集中可以包括多组样本数据，由于将多个时刻的产量作为输入数据，将下一时刻的产量作为输出数据，因此，每组样本数据中可以包含预设时间步长的产量数据和下一时间步的产量数据，其中，下一时间步的产量数据可以作为标签数据，以测试模型训练结果的准确性。
在本实施方式中，在进行模型训练之前，可以将样本数据集中的多组样本数据按照预设比例随机拆分为训练数据集、验证数据集和测试数据集，其中，可以不设验证集。上述预设比例可以为训练数据集：验证数据集：测试数据集＝3:1:1，当然也可以为4:1:1等，具体的可以根据实际情况确定，本申请对此不作限定。
在一个场景示例中，可以按照以下属性参数建立页岩气藏数值模拟模型：X方向的网格数为150个，Y方向的网格数为60个，单位网格在X与Y方向的长度皆为10m。模型中设置有一页岩气水平井，该页岩气水平井在X水平方向的长度为1000m。该模型通过考虑朗格缪尔吸附解析来模拟页岩气藏，其中极限吸附浓度(单位质量固体吸附的气体质量)设置为0.0019362，朗格缪尔压力设置为18.549bar，临界解吸附压力设置为400bar。模型设置定压300bar生产，模拟15年的页岩气藏生产过程，建立的页岩气藏数值模拟模型可以如图2所示。
在本场景示例中，可以利用拉丁超立方(LHS)方法生成初始集合的模型参数(包括但不限于储层厚度、初始地层压力、基质孔隙度、基质渗透率等)，利用目标页岩气水平井的历史产量数据不断地进行迭代拟合直至收敛，以对初始集合中的模型参数进行更新，得到经过历史拟合后的数值模拟模型和目标页岩气水平井在预设时间段内的产量数据。
在本场景示例中，在t时刻，或者说在t时间步处，对于长短期记忆神经网络，其详细计算过程如下：
(a)在遗忘门ft中确定前期单元状态Ct-1应该丢弃哪些信息，结合输入信息xt和上一步隐层的状态ht-1，通过激活函数，输出一个0到1之间的值传递给细胞状态Ct-1，0表示完全舍弃，1表示完全保留；
ft＝σ(Wfxt+Ufht-1+bf) (1)
(b)在输入门中确定输入xt的哪些信息应存储到单元格状态Ct中，并在其中更新输入信息it和候选单元状态
it＝σ(Wixt+Uiht-1+bi) (2)
(c)根据t时刻输入所得到的候选单元状态
和包含前面所有输入信息的Ct-1，更新得到t时间步的单元状态Ct；
(d)在输出门中使用输出信息ot和单元状态Ct的确认输出结果ht；
ot＝σ(Woxt+Uoht-1+bo) (5)
ht＝ot·tanh(Ct) (6)
其中，W为输入权值，U为递归权值，b为偏置，下标f、i、o分别表示忘记门、输入门、输出门；忘记门、输入门、输出门的主动函数σ，是变量在0到1之间的sigmoid函数；激活函数tanh是将值压缩在-1和1之间的双曲正切函数。利用这两个激活函数来增强网络的非线性，可以表示为：
在本场景示例中，通过对长短期记忆神经网络结构的精细设计，由遗忘门、输入门、输出门调节存储单元状态，解决了RNN的梯度消失问题。因此，对于序列数据中的长期依赖关系问题，长短期记忆神经网络能够更好地捕获和提取历史信息，并预测未来发展。
在本场景示例中，对于实际的产量数据，假设有t个时间步的产量数据，任取一个1到t之间的数T作为时间步长(T不能太大，合理即可)，可以把Q(1)到Q(T)，以及S(T)的产量数据作为模型的第一个输入数据(其中Q(1)表示第一个时间步对应的历史产量数据，Q(T)表示第T个时间步对应的历史产量数据，S(T)表示T时间步对应的数值模拟产量数据)，Q(T+1)作为对应的第一个输出数据；把Q(2)到Q(T+1)的历史产量数据以及S(T+1)的数值模拟产量数据作为模型的第二个输入数据，Q(T+2)作为对应的第二个输出数据，有了输入与输出数据，才能对长短期记忆神经网络进行监督学习。依次进行下去，便可得到模型所需的样本数据集。其中，训练集、验证集、测试集的比例可以为3:1:1。在一些实施例中，也可以不划分验证集，只划分训练集和测试集。
在本场景示例中，在预测t+1时刻的产量数据的时候，输入实际的Q(t-T+1)到Q(t)的历史产量数据以及S(t)的数值模拟产量数据，长短期记忆神经网络就能预测出t+1时刻的产量数据，这个数据是由长短期记忆神经网络预测出来的，可以称为Q'(t+1)；在预测t+2时刻的产量数据是，需要输入Q(t-T+2)到Q(t+1)的历史产量数据以及S(t+1)的数值模拟产量数据，由于Q(t+1)的实际产量数据是没有的(实际产量数据只到Q(t))，需要利用长短期记忆神经网络预测的结果Q'(t+1)作为Q(t+1)来补充输入数据，将数据输入长短期记忆神经网络，就可以预测出t+2时刻的产量数据Q'(t+2)。重复上述步骤，可以对未来时刻的产量进行预测。其中，长短期记忆神经网络的建模流程如下：
(1)数据预测处理。收集到的原始数据即产量数据不能直接使用，需要进行处理。首先，在数据采集或仪器记录时会产生误差甚至错误数据，可称为异常值(Outlier)，应将其剔除，减少数据的噪音，然后需对数据进行归一化处理。长短期记忆神经网络对数据的大小尺度敏感，数据的归一化可避免模型被较大或较小的输入参数所影响，归一化的公式如下：
其中，xnew为归一化后的数据；xold为数据的实际值；xmin为数据最小值；xmax为数据最大值。基于长短期记忆神经网络训练得到的产能预测模型可表示为：
Q(t)＝F{S(t-1),Q(t-1),Q(t-2),…,Q(t-T)} (10)
其中，Q(t)为预测得到的第t时间步的日产油数据；F为学习拟合得到的预测函数；Q(t-1),Q(t-2),…,Q(t-T)是前T个时间步的生产数据，S(t-1)表示t-1时刻数值模拟的产量数据。给定输入与输出，才能对LSTM进行监督学习，让其学习到输入与输出之间的规律。T表示时间窗口长度也叫时间迟滞，如时间窗口大小为3时，LSTM长短期记忆神经网络模型的输入日产量数据集需重新整理为以下形式：
(2)训练模型。将上一步预处理好的数据分成两个部分，前80％的数据用作训练集，后20％的数据所对应的输出值作为模型的验证。(可以不划分验证集)
(3)使用建立的LSTM产能预测模型进行训练。在对未来时刻进行预测时，由于t时间步后面的日产量数据是未知的，因此，后面每预测一个时间步时，需要将LSTM长短期记忆神经网络的预测结果加入到下一个时间步的预测数组中去。因此，使用训练好的模型进行预测时，其输入、输出形式为：
其中，Q'(t+n)是第t+n时间步长短期记忆神经网络的预测值，输出的预测值均为归一化后的值。在对输出数据进行去归一化之后，可以获得LSTM长短期记忆神经网络在t+1至t+n这n个时间步的日产油预测值。
(4)模型评估。模型建立后需要对模型的准确性和性能进行评价，可以使用均方根误差(RMSE)来评价模型。
其中，N为样本总数；
是第i个时刻的预测值，yi表示第i个时刻的实际产量数据。
在本场景示例中，如果RMSE没有达到预设的要求则需要调整长短期记忆神经网络中的参数，以优化长短时记忆神经网络。上述长短期记忆神经网络中的参数可以包括：网络层数、LSTM单元数、正则化比例等。其中，各个长短期记忆神经网络中的参数的调参学习曲线可以如图3中所示，分别为网络层数、LSTM单元数、正则化比例(Dropout比例)的调参学习曲线。
在一个实施方式中，利用训练数据集、测试数据集和验证数据集绘制的产量递减曲线可以如图4中所示，横坐标为数据的个数，纵坐标为产气速率，其中，原始数据为每组样本数据中下一时间步的产量，即为标签数据。由于本实施例中样本数据集中有五千多组样本数据，如果将原始数据均绘制出来，会与产量预测模型的预测结果相互重叠，为了更方便观察，原始数据只用有限个点表示出来。根据图4可知利用长短期记忆神经网络模型训练得到的产量预测模型预测出的产量与原始数据相近，即产量预测模型的预测效果较好。
基于同一发明构思，本说明书实施例中还提供了一种基于长短期记忆神经网络的页岩气产量确定装置，如下面的实施例。由于基于长短期记忆神经网络的页岩气产量确定装置解决问题的原理与基于长短期记忆神经网络的页岩气产量确定方法相似，因此基于长短期记忆神经网络的页岩气产量确定装置的实施可以参见基于长短期记忆神经网络的页岩气产量确定方法的实施，重复之处不再赘述。以下所使用的，术语“单元”或者“模块”可以实现预定功能的软件和/或硬件的组合。尽管以下实施例所描述的装置较佳地以软件来实现，但是硬件，或者软件和硬件的组合的实现也是可能并被构想的。图5是本说明书实施例的基于长短期记忆神经网络的页岩气产量确定装置的一种结构框图，如图5所示，可以包括：获取模块501、预处理模块502、确定模块503，下面对该结构进行说明。
获取模块501，可以用于获取目标页岩气水平井在目标时刻前一周期中各个时刻的产量数据；
预处理模块502，可以用于对在目标时刻前一周期中各个时刻的产量数据进行预处理，得到目标产量数据集；其中，目标产量数据集中包括按时间排列的多个时刻的产量数据；
确定模块503，可以用于根据目标产量数据集，利用预先训练得到的产量预测模型确定目标页岩气水平井在目标时刻的产量；其中，产量预测模型为基于长短期记忆神经网络训练得到的，用于根据目标时刻前多个时刻的产量数据预测目标时刻的产量。
本说明书实施例实施方式还提供了一种电子设备，具体可以参阅图6所示的基于本说明书实施例提供的基于长短期记忆神经网络的页岩气产量确定方法的电子设备组成结构示意图，电子设备具体可以包括输入设备61、处理器62、存储器63。其中，输入设备61具体可以用于输入目标页岩气水平井在目标时刻前一周期中各个时刻的产量数据。处理器62具体可以用于对在目标时刻前一周期中各个时刻的产量数据进行预处理，得到目标产量数据集；其中，目标产量数据集中包括按时间排列的多个时刻的产量数据；根据目标产量数据集，利用预先训练得到的产量预测模型确定目标页岩气水平井在目标时刻的产量；其中，产量预测模型为基于长短期记忆神经网络训练得到的，用于根据目标时刻前多个时刻的产量数据预测目标时刻的产量。存储器63具体可以用于存储目标页岩气水平井在目标时刻的产量等参数。
在本实施方式中，所述输入设备具体可以是用户和计算机系统之间进行信息交换的主要装置之一。所述输入设备可以包括键盘、鼠标、摄像头、扫描仪、光笔、手写输入板、语音输入装置等；输入设备用于把原始数据和处理这些数的程序输入到计算机中。所述输入设备还可以获取接收其他模块、单元、设备传输过来的数据。所述处理器可以按任何适当的方式实现。例如，处理器可以采取例如微处理器或处理器以及存储可由该(微)处理器执行的计算机可读程序代码(例如软件或固件)的计算机可读介质、逻辑门、开关、专用集成电路(Application Specific Integrated Circuit，ASIC)、可编程逻辑控制器和嵌入微控制器的形式等等。所述存储器具体可以是现代信息技术中用于保存信息的记忆设备。所述存储器可以包括多个层次，在数字系统中，只要能保存二进制数据的都可以是存储器；在集成电路中，一个没有实物形式的具有存储功能的电路也叫存储器，如RAM、FIFO等；在系统中，具有实物形式的存储设备也叫存储器，如内存条、TF卡等。
在本实施方式中，该电子设备具体实现的功能和效果，可以与其它实施方式对照解释，在此不再赘述。
本说明书实施例实施方式中还提供了一种基于长短期记忆神经网络的页岩气产量确定方法的计算机存储介质，所述计算机存储介质存储有计算机程序指令，在所述计算机程序指令被执行时可以实现：获取目标页岩气水平井在目标时刻前一周期中各个时刻的产量数据；对在所述目标时刻前一周期中各个时刻的产量数据进行预处理，得到目标产量数据集；其中，所述目标产量数据集中包括按时间排列的多个时刻的产量数据；根据所述目标产量数据集，利用预先训练得到的产量预测模型确定所述目标页岩气水平井在所述目标时刻的产量；其中，产量预测模型为基于长短期记忆神经网络训练得到的，用于根据目标时刻前多个时刻的产量数据预测目标时刻的产量。
在本实施方式中，上述存储介质包括但不限于随机存取存储器(Random AccessMemory，RAM)、只读存储器(Read-Only Memory，ROM)、缓存(Cache)、硬盘(Hard DiskDrive，HDD)或者存储卡(Memory Card)。所述存储器可以用于存储计算机程序指令。网络通信单元可以是依照通信协议规定的标准设置的，用于进行网络连接通信的接口。
在本实施方式中，该计算机存储介质存储的程序指令具体实现的功能和效果，可以与其它实施方式对照解释，在此不再赘述。
显然，本领域的技术人员应该明白，上述的本说明书实施例的各模块或各步骤可以用通用的计算装置来实现，它们可以集中在单个的计算装置上，或者分布在多个计算装置所组成的网络上，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，并且在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤，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。这样，本说明书实施例不限制于任何特定的硬件和软件结合。
虽然本说明书实施例提供了如上述实施例或流程图所述的方法操作步骤，但基于常规或者无需创造性的劳动在所述方法中可以包括更多或者更少的操作步骤。在逻辑性上不存在必要因果关系的步骤中，这些步骤的执行顺序不限于本说明书实施例提供的执行顺序。所述的方法的在实际中的装置或终端产品执行时，可以按照实施例或者附图所示的方法顺序执行或者并行执行(例如并行处理器或者多线程处理的环境)。
应该理解，以上描述是为了进行图示说明而不是为了进行限制。通过阅读上述描述，在所提供的示例之外的许多实施方式和许多应用对本领域技术人员来说都将是显而易见的。因此，本说明书实施例的范围不应该参照上述描述来确定，而是应该参照前述权利要求以及这些权利要求所拥有的等价物的全部范围来确定。
以上所述仅为本说明书实施例的优选实施例而已，并不用于限制本说明书实施例，对于本领域的技术人员来说，本说明书实施例可以有各种更改和变化。凡在本说明书实施例的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本说明书实施例的保护范围之内。
Claims (7)
1.一种基于长短期记忆神经网络的页岩气产量确定方法，其特征在于，包括：
获取目标页岩气水平井在目标时刻前一周期中各个时刻的产量数据；所述目标时刻前一周期为目标时刻前预设时间步长的多个时刻；
对在所述目标时刻前一周期中各个时刻的产量数据进行预处理，得到目标产量数据集；其中，所述目标产量数据集中包括按时间排列的多个时刻的产量数据；
根据所述目标产量数据集，利用预先训练得到的产量预测模型确定所述目标页岩气水平井在所述目标时刻的产量；其中，产量预测模型为基于长短期记忆神经网络训练得到的，用于根据目标时刻前多个时刻的产量数据预测目标时刻的产量；
其中，在根据所述目标产量数据集，利用预先训练得到的产量预测模型确定所述目标页岩气水平井在所述目标时刻的产量之前，还包括：
设置模型的属性参数；
根据所述属性参数建立页岩气藏数值模拟模型；其中，所述页岩气藏数值模拟模型中设置有一个页岩气水平井；
获取所述目标页岩气水平井的历史产量数据集；
利用所述目标页岩气水平井的历史产量数据集对所述页岩气藏数值模拟模型进行历史拟合得到所述目标页岩气水平井在预设时间段内的数值模拟产量数据；
根据所述目标页岩气水平井的历史产量数据集和所述目标页岩气水平井在预设时间段内的数值模拟产量数据，生成训练数据集；
根据所述训练数据集训练所述长短期记忆神经网络，得到目标产量预测模型。
2.根据权利要求1所述的方法，其特征在于，根据所述目标页岩气水平井的历史产量数据集和所述目标页岩气水平井在预设时间段内的数值模拟产量数据，生成训练数据集，包括：
根据所述历史产量数据集和在预设时间段内的数值模拟产量数据，生成目标产量数据集；
获取预设时间步长；
将所述目标产量数据集中的产量数据按照所述预设时间步长转换为所述长短期记忆神经网络的输入输出格式，得到样本数据集；其中，所述样本数据集中包含多组数据，每组数据中包含预设时间步长的产量数据、预设时间步长中最后一个时间步的数值模拟产量数据和下一时间步的产量数据；
根据所述样本数据集，按照预设比例随机生成训练数据集、验证数据集和测试数据集。
3.根据权利要求1所述的方法，其特征在于，所述模型的属性参数包括：网格大小、网格数量、页岩气水平井在水平方向上的长度、朗格缪尔压力、极限吸附浓度、临界解吸附压力、定压生成的压力。
4.根据权利要求1所述的方法，其特征在于，对在所述目标时刻前一周期中各个时刻的产量数据进行预处理，得到目标产量数据集，包括：
将目标时刻前一周期中各个时刻的产量数据按照预设时间步长转换为符合所述长短期记忆神经网络输入格式的数据，目标产量数据集；其中，目标时刻前一周期包含的时刻数据等于所述预设时间步长。
5.一种基于长短期记忆神经网络的页岩气产量确定装置，其特征在于，包括：
获取模块，用于获取目标页岩气水平井在目标时刻前一周期中各个时刻的产量数据；所述目标时刻前一周期为目标时刻前预设时间步长的多个时刻；
预处理模块，用于对在所述目标时刻前一周期中各个时刻的产量数据进行预处理，得到目标产量数据集；其中，所述目标产量数据集中包括按时间排列的多个时刻的产量数据；
确定模块，用于根据所述目标产量数据集，利用预先训练得到的产量预测模型确定所述目标页岩气水平井在所述目标时刻的产量；其中，产量预测模型为基于长短期记忆神经网络训练得到的，用于根据目标时刻前多个时刻的产量数据预测目标时刻的产量；
其中，所述确定模块还用于：
在根据所述目标产量数据集，利用预先训练得到的产量预测模型确定所述目标页岩气水平井在所述目标时刻的产量之前，设置模型的属性参数；
根据所述属性参数建立页岩气藏数值模拟模型；其中，所述页岩气藏数值模拟模型中设置有一个页岩气水平井；
获取所述目标页岩气水平井的历史产量数据集；
利用所述目标页岩气水平井的历史产量数据集对所述页岩气藏数值模拟模型进行历史拟合得到所述目标页岩气水平井在预设时间段内的数值模拟产量数据；
根据所述目标页岩气水平井的历史产量数据集和所述目标页岩气水平井在预设时间段内的数值模拟产量数据，生成训练数据集；
根据所述训练数据集训练所述长短期记忆神经网络，得到目标产量预测模型。
6.一种基于长短期记忆神经网络的页岩气产量确定设备，其特征在于，包括处理器以及用于存储处理器可执行指令的存储器，所述处理器执行所述指令时实现权利要求1至4中任一项所述方法的步骤。
7.一种计算机可读存储介质，其特征在于，其上存储有计算机指令，所述指令被执行时实现权利要求1至4中任一项所述方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110096222.8A CN112761628B (zh) | 2021-01-25 | 2021-01-25 | 基于长短期记忆神经网络的页岩气产量确定方法、装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110096222.8A CN112761628B (zh) | 2021-01-25 | 2021-01-25 | 基于长短期记忆神经网络的页岩气产量确定方法、装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112761628A CN112761628A (zh) | 2021-05-07 |
| CN112761628B true CN112761628B (zh) | 2023-03-28 |
Family
ID=75707040
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110096222.8A Active CN112761628B (zh) | 2021-01-25 | 2021-01-25 | 基于长短期记忆神经网络的页岩气产量确定方法、装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112761628B (zh) |
Families Citing this family (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113338916A (zh) * | 2021-07-16 | 2021-09-03 | 西南石油大学 | 一种井筒积液预测与诊断方法 |
| CN113503158A (zh) * | 2021-08-23 | 2021-10-15 | 重庆科技学院 | 页岩气储层焖井时间与产量关系的预测分析方法 |
| CN113962148B (zh) * | 2021-10-20 | 2022-09-13 | 中国石油大学(北京) | 基于卷积编码动态序列网络的产量预测方法、装置及设备 |
| CN115929289B (zh) * | 2022-12-05 | 2024-05-28 | 西南石油大学 | 基于时间顺序的页岩气产量预测方法及装置 |
| CN115860280B (zh) * | 2023-02-27 | 2023-05-23 | 中国石油大学(华东) | 一种页岩气产量预测方法、装置、设备及存储介质 |
Family Cites Families (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106351651B (zh) * | 2016-08-26 | 2019-10-11 | 中国石油天然气股份有限公司 | 页岩气井产能的预测方法及装置 |
| CN108664678B (zh) * | 2017-04-01 | 2021-08-31 | 中国石油化工股份有限公司 | 一种产量预测方法 |
| CN108661631B (zh) * | 2017-04-01 | 2021-06-15 | 中国石油化工股份有限公司 | 一种产量预测方法 |
| CN109214026A (zh) * | 2017-07-07 | 2019-01-15 | 中国石油天然气股份有限公司 | 一种页岩气水平井初期产能预测方法 |
| CN108240214A (zh) * | 2018-01-18 | 2018-07-03 | 西南石油大学 | 一种页岩气藏水平井分段压裂压后产能预测方法 |
| CN108595803B (zh) * | 2018-04-13 | 2021-04-23 | 中国石油化工股份有限公司 | 基于递归神经网络的页岩气井生产压力预测方法 |
| CN109472088B (zh) * | 2018-11-12 | 2021-02-23 | 中国石油化工股份有限公司 | 一种页岩气调产井生产压力动态预测方法 |
| CN110533163A (zh) * | 2019-08-02 | 2019-12-03 | 中国石油集团长城钻探工程有限公司 | 基于长短时记忆神经网络的压裂砂堵预警方法 |
| CN112228054B (zh) * | 2020-11-06 | 2022-11-08 | 中国石油大学(北京) | 基于卷积神经网络的页岩气产量确定方法、装置和设备 |
-
2021
- 2021-01-25 CN CN202110096222.8A patent/CN112761628B/zh active Active
Also Published As
| Publication number | Publication date |
|---|---|
| CN112761628A (zh) | 2021-05-07 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112761628B (zh) | 基于长短期记忆神经网络的页岩气产量确定方法、装置 | |
| CN112228054B (zh) | 基于卷积神经网络的页岩气产量确定方法、装置和设备 | |
| CN106407649B (zh) | 基于时间递归神经网络的微震信号到时自动拾取方法 | |
| CN109034194B (zh) | 基于特征分化的交易欺诈行为深度检测方法 | |
| CN112989708B (zh) | 一种基于lstm神经网络的测井岩性识别方法及系统 | |
| CN111832227B (zh) | 基于深度学习的页岩气饱和度确定方法、装置和设备 | |
| CN103617147A (zh) | 一种矿井突水水源层识别方法 | |
| US20230203925A1 (en) | Porosity prediction method based on selective ensemble learning | |
| CN110851176B (zh) | 一种自动构造并利用伪克隆语料的克隆代码检测方法 | |
| CN112016097B (zh) | 一种预测网络安全漏洞被利用时间的方法 | |
| CN111048163B (zh) | 一种基于高阶神经网络的页岩油滞留烃量(s1)评价方法 | |
| CN112712025A (zh) | 一种基于长短期记忆神经网络的复杂岩性识别方法 | |
| CN110807544A (zh) | 一种基于机器学习的油田剩余油饱和度分布的预测方法 | |
| CN113962148B (zh) | 基于卷积编码动态序列网络的产量预测方法、装置及设备 | |
| CN115620068A (zh) | 一种深度学习模式下的岩石岩性自动识别分类方法 | |
| CN115062727A (zh) | 一种基于多阶超图卷积网络的图节点分类方法及系统 | |
| CN110260914A (zh) | 一种基于测点时空特征的工程安全监测系统区域划分方法 | |
| CN117473305A (zh) | 一种近邻信息增强的储层参数预测方法及系统 | |
| CN117235628B (zh) | 一种基于混合贝叶斯深度网络测井曲线预测方法及系统 | |
| CN118551274B (zh) | 一种煤岩石识别系统 | |
| CN116052791A (zh) | 基于深度学习的地浸采矿浸出液金属浓度预测系统及方法 | |
| CN117807480A (zh) | 一种基于深度学习优化的油气田产能预测方法及系统 | |
| Hahn | Use and limitations of various metrics to assess the quality of extreme sparse datasets in geotechnics | |
| CN118673810A (zh) | 一种基于lstm的地铁隧道沉降预测方法 | |
| CN118378154A (zh) | 一种页岩气储层含气饱和度预测方法及装置 |
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 |