CN112926771A - 一种基于改进的时空图卷积网络产油量预测方法及系统 - Google Patents
一种基于改进的时空图卷积网络产油量预测方法及系统 Download PDFInfo
- Publication number
- CN112926771A CN112926771A CN202110197198.7A CN202110197198A CN112926771A CN 112926771 A CN112926771 A CN 112926771A CN 202110197198 A CN202110197198 A CN 202110197198A CN 112926771 A CN112926771 A CN 112926771A
- Authority
- CN
- China
- Prior art keywords
- space
- time
- network model
- convolution network
- historical 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.)
- Granted
Links
- 238000004519 manufacturing process Methods 0.000 title claims abstract description 41
- 238000000034 method Methods 0.000 title claims abstract description 34
- 238000010586 diagram Methods 0.000 claims abstract description 38
- 238000000605 extraction Methods 0.000 claims abstract description 23
- 238000002347 injection Methods 0.000 claims abstract description 22
- 239000007924 injection Substances 0.000 claims abstract description 22
- 238000012549 training Methods 0.000 claims abstract description 22
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims abstract description 22
- 238000012545 processing Methods 0.000 claims abstract description 13
- 238000011084 recovery Methods 0.000 claims description 20
- 238000012360 testing method Methods 0.000 claims description 11
- 230000001131 transforming effect Effects 0.000 claims description 6
- 238000005457 optimization Methods 0.000 claims description 4
- 238000010276 construction Methods 0.000 claims description 3
- 230000002093 peripheral effect Effects 0.000 abstract description 3
- 238000013528 artificial neural network Methods 0.000 description 4
- 239000011159 matrix material Substances 0.000 description 4
- 239000000243 solution Substances 0.000 description 3
- 230000007787 long-term memory Effects 0.000 description 2
- 230000006403 short-term memory Effects 0.000 description 2
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
Images
Classifications
-
- 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
- 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
- G06N3/08—Learning methods
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Molecular Biology (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Data Mining & Analysis (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Artificial Intelligence (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Agronomy & Crop Science (AREA)
- Primary Health Care (AREA)
- Mining & Mineral Resources (AREA)
- Marine Sciences & Fisheries (AREA)
- Animal Husbandry (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于改进的时空图卷积网络产油量预测方法及系统,该方法包括:获取目标井网的历史数据;所述历史数据包括采油速率、注水速率、压力数据以及不同时刻的连通性信息;对所述历史数据进行标准化处理;建立时空图卷积网络模型;所述时空图卷积网络模型的输入为三阶张量以及不同时刻的连通性信息,所述三阶张量包括采油速率、注水速率和压力数据,所述时空图卷积网络模型的输出为采油速率;通过处理后的历史数据对所述时空图卷积网络模型进行训练;通过训练好的时空图卷积网络模型预测产油量。本发明不仅能够考虑到时间因素对产油量的影响,而且还能够考虑到周边注水井对生产井产油量的影响,从而对油田生产措施调整提供技术支持。
Description
技术领域
本发明涉及产油量预测技术领域,特别是涉及一种基于改进的时空图卷积网络产油量预测方法及系统。
背景技术
目前在油田生产井产油量预测中使用的机器学习方法主要有反向传播神经网络和长短期记忆神经网络,但是反向传播神经网络在预测过程中无法考虑到数据在时间上的相关性,而长短期记忆神经网络虽然可以考虑时间上的因素,但是无法考虑周边注水井对于生产井产生的影响。
发明内容
本发明的目的是提供一种基于改进的时空图卷积网络产油量预测方法及系统,通过改进的时空图卷积网络,利用井网的历史生产数据、连通性信息来进行生产井的产油量预测,不仅能够考虑到时间因素对产油量的影响,而且还能够考虑到周边注水井对生产井产油量的影响,从而对油田生产措施调整提供技术支持。
为实现上述目的,本发明提供了如下方案:
一种基于改进的时空图卷积网络产油量预测方法,包括:
获取目标井网的历史数据;所述历史数据包括采油速率、注水速率、压力数据以及不同时刻的连通性信息;
对所述历史数据进行标准化处理;
建立时空图卷积网络模型;所述时空图卷积网络模型的输入为三阶张量以及不同时刻的连通性信息,所述三阶张量包括采油速率、注水速率和压力数据,所述时空图卷积网络模型的输出为采油速率;
通过处理后的历史数据对所述时空图卷积网络模型进行训练;
通过训练好的时空图卷积网络模型预测产油量。
可选地,还包括:
通过处理后的历史数据对训练好的时空图卷积网络模型进行测试。
可选地,所述时空图卷积网络模型包括两个时空卷积块以及一个输出层;各所述时空卷积块依次进行一个时间上的一维卷积,一个空间上的图卷积和一个时间上的一维卷积,所述空间上的图卷积过程包含将输入的所述三阶张量与t时刻的连通性信息进行爱因斯坦求和得到一个表示不同井点在不同时刻的三阶张量特征,然后通过一个全连接层将特征数量进行变换。
可选地,所述通过处理后的历史数据对所述时空图卷积网络模型进行训练,具体包括:
将处理后的历史数据输入至所述时空图卷积网络模型,得到预测采油速率;
判断所述预测采油速率与实际采油速率的误差是否在阈值范围内;
若否,则对所述时空图卷积网络模型的参数进行优化。
本发明还提供了一种基于改进的时空图卷积网络产油量预测系统,包括:
数据获取模块,用于获取目标井网的历史数据;所述历史数据包括采油速率、注水速率、压力数据以及不同时刻的连通性信息;
数据处理模块,用于对所述历史数据进行标准化处理;
模型构建模块,用于建立时空图卷积网络模型;所述时空图卷积网络模型的输入为三阶张量以及不同时刻的连通性信息,所述三阶张量包括采油速率、注水速率和压力数据,所述时空图卷积网络模型的输出为采油速率;
训练模块,用于通过处理后的历史数据对所述时空图卷积网络模型进行训练;
预测模块,用于通过训练好的时空图卷积网络模型预测产油量。
可选地,还包括:
测试模块,用于通过处理后的历史数据对训练好的时空图卷积网络模型进行测试。
可选地,所述时空图卷积网络模型包括两个时空卷积块以及一个输出层;各所述时空卷积块依次进行一个时间上的一维卷积,一个空间上的图卷积和一个时间上的一维卷积,所述空间上的图卷积过程包含将输入的所述三阶张量与t时刻的连通性信息进行爱因斯坦求和得到一个表示不同井点在不同时刻的三阶张量特征,然后通过一个全连接层将特征数量进行变换。
可选地,所述训练模块具体包括:
输入单元,用于将处理后的历史数据输入至所述时空图卷积网络模型,得到预测采油速率;
判断单元,用于判断所述预测采油速率与实际采油速率的误差是否在阈值范围内;
优化单元,用于对所述时空图卷积网络模型的参数进行优化。
根据本发明提供的具体实施例,本发明公开了以下技术效果:
本发明公开了一种基于改进的时空图卷积网络产油量预测方法及系统,该方法包括:获取目标井网的历史数据;所述历史数据包括采油速率、注水速率、压力数据以及不同时刻的连通性信息;对所述历史数据进行标准化处理;建立时空图卷积网络模型;所述时空图卷积网络模型的输入为三阶张量以及不同时刻的连通性信息,所述三阶张量包括采油速率、注水速率和压力数据,所述时空图卷积网络模型的输出为采油速率;通过处理后的历史数据对所述时空图卷积网络模型进行训练;通过训练好的时空图卷积网络模型预测产油量。本发明采用了变化的邻接矩阵(即不同时刻的连通性信息),通过邻接矩阵可以考虑周边注水井的注水参数对产油量的影响,而时空图卷积网络可以通过时间卷积单元考虑到产油量数据在时间上的影响,采用变化的邻接矩阵提高了某区块各生产井产油量的预测精度。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1为本发明实施例基于改进的时空图卷积网络产油量预测方法的流程图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
本发明的目的是提供一种基于改进的时空图卷积网络产油量预测方法及系统,通过改进的时空图卷积网络,利用井网的历史生产数据、连通性信息来进行生产井的产油量预测,不仅能够考虑到时间因素对产油量的影响,而且还能够考虑到周边注水井对生产井产油量的影响,从而对油田生产措施调整提供技术支持。
为使本发明的上述目的、特征和优点能够更加明显易懂,下面结合附图和具体实施方式对本发明作进一步详细的说明。
如图1所示,一种基于改进的时空图卷积网络产油量预测方法包括以下步骤:
步骤101:获取目标井网的历史数据。
对于需要进行产油量预测的目标生产井网,要获取采油速率、注水速率、压力数据以及不同时刻的连通性信息。
步骤102:对所述历史数据进行标准化处理。
对采油速率、注水速率和压力数据,需要将每口井的数据在不同时间组成三阶张量,并将其进行标准化处理,如公式(1)。
X表示数据样本中的某值。
Xmax表示数据样本中的最大值。
Xmin表示数据样本中的最小值。
X*表示经过标准化处理后的值。
对于连通性信息,在不同时刻将每口井对其他井的影响组为二阶张量,对不同时刻的二阶张量进行标准化处理,后将其对自身的影响设为标准化处理后的最大值。
步骤103:建立时空图卷积网络模型;所述时空图卷积网络模型的输入为三阶张量以及不同时刻的连通性信息,所述三阶张量包括采油速率、注水速率和压力数据,所述时空图卷积网络模型的输出为采油速率。
将数据预处理过程中t-M+1到t时刻的M个时刻的各井的采油速率、注水速率、压力数据组成的三阶张量作为井点的特征进行输入,将输入的数据经过两个时空卷积块以及一个输出层。每个时空卷积块依次进行一个时间上的一维卷积,一个空间上的图卷积,一个时间上的一维卷积。时间上的一维卷积的卷积核可以设置为3或4或5;空间卷积过程包含将输入三阶张量与t时刻的邻接矩阵(即不同时刻的连通信息)进行爱因斯坦求和得到一个表示不同井点在不同时刻的三阶张量特征,其次通过一个全连接层将特征数量进行变换。输出层包括一个时间上的一维卷积和一个全连接层,此处全连接层的输出数量为H。从而得到t+1到t+H的H个时刻的生产井的采油速率。
步骤104:通过处理后的历史数据对所述时空图卷积网络模型进行训练。具体包括:将处理后的历史数据输入至所述时空图卷积网络模型,得到预测采油速率;判断所述预测采油速率与实际采油速率的误差是否在阈值范围内;若否,则对所述时空图卷积网络模型的参数进行优化。
基于Pytorch建立模型后进行训练,训练过程首先将处理后的数据划分为训练集和测试集,其中训练集占85%,测试集占15%。计算预测值与实际值的均方误差进行梯度优化,使用Adam优化器,学习率设置为0.0001至0.05之间,并可设置为每100次训练将学习率降低为原来的0.1到0.7之间,在测试集验证其预测精度,并对训练过程次数进行调试以获得最优解。
步骤105:通过训练好的时空图卷积网络模型预测产油量。
本发明还提供了一种基于改进的时空图卷积网络产油量预测系统,包括:
数据获取模块,用于获取目标井网的历史数据;所述历史数据包括采油速率、注水速率、压力数据以及不同时刻的连通性信息。
数据处理模块,用于对所述历史数据进行标准化处理。
模型构建模块,用于建立时空图卷积网络模型;所述时空图卷积网络模型的输入为三阶张量以及不同时刻的连通性信息,所述三阶张量包括采油速率、注水速率和压力数据,所述时空图卷积网络模型的输出为采油速率。
训练模块,用于通过处理后的历史数据对所述时空图卷积网络模型进行训练。
预测模块,用于通过训练好的时空图卷积网络模型预测产油量。
还包括:
测试模块,用于通过处理后的历史数据对训练好的时空图卷积网络模型进行测试。
其中,所述时空图卷积网络模型包括两个时空卷积块以及一个输出层;各所述时空卷积块依次进行一个时间上的一维卷积,一个空间上的图卷积和一个时间上的一维卷积,所述空间上的图卷积过程包含将输入的所述三阶张量与t时刻的连通性信息进行爱因斯坦求和得到一个表示不同井点在不同时刻的三阶张量特征,然后通过一个全连接层将特征数量进行变换。
其中,所述训练模块具体包括:
输入单元,用于将处理后的历史数据输入至所述时空图卷积网络模型,得到预测采油速率;
判断单元,用于判断所述预测采油速率与实际采油速率的误差是否在阈值范围内;
优化单元,用于对所述时空图卷积网络模型的参数进行优化。
本说明书中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似部分互相参见即可。对于实施例公开的系统而言,由于其与实施例公开的方法相对应,所以描述的比较简单,相关之处参见方法部分说明即可。
本文中应用了具体个例对本发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的方法及其核心思想;同时,对于本领域的一般技术人员,依据本发明的思想,在具体实施方式及应用范围上均会有改变之处。综上所述,本说明书内容不应理解为对本发明的限制。
Claims (8)
1.一种基于改进的时空图卷积网络产油量预测方法,其特征在于,包括:
获取目标井网的历史数据;所述历史数据包括采油速率、注水速率、压力数据以及不同时刻的连通性信息;
对所述历史数据进行标准化处理;
建立时空图卷积网络模型;所述时空图卷积网络模型的输入为三阶张量以及不同时刻的连通性信息,所述三阶张量包括采油速率、注水速率和压力数据,所述时空图卷积网络模型的输出为采油速率;
通过处理后的历史数据对所述时空图卷积网络模型进行训练;
通过训练好的时空图卷积网络模型预测产油量。
2.根据权利要求1所述的基于改进的时空图卷积网络产油量预测方法,其特征在于,还包括:
通过处理后的历史数据对训练好的时空图卷积网络模型进行测试。
3.根据权利要求1所述的基于改进的时空图卷积网络产油量预测方法,其特征在于,所述时空图卷积网络模型包括两个时空卷积块以及一个输出层;各所述时空卷积块依次进行一个时间上的一维卷积,一个空间上的图卷积和一个时间上的一维卷积,所述空间上的图卷积过程包含将输入的所述三阶张量与t时刻的连通性信息进行爱因斯坦求和得到一个表示不同井点在不同时刻的三阶张量特征,然后通过一个全连接层将特征数量进行变换。
4.根据权利要求1所述的基于改进的时空图卷积网络产油量预测方法,其特征在于,所述通过处理后的历史数据对所述时空图卷积网络模型进行训练,具体包括:
将处理后的历史数据输入至所述时空图卷积网络模型,得到预测采油速率;
判断所述预测采油速率与实际采油速率的误差是否在阈值范围内;
若否,则对所述时空图卷积网络模型的参数进行优化。
5.一种基于改进的时空图卷积网络产油量预测系统,其特征在于,包括:
数据获取模块,用于获取目标井网的历史数据;所述历史数据包括采油速率、注水速率、压力数据以及不同时刻的连通性信息;
数据处理模块,用于对所述历史数据进行标准化处理;
模型构建模块,用于建立时空图卷积网络模型;所述时空图卷积网络模型的输入为三阶张量以及不同时刻的连通性信息,所述三阶张量包括采油速率、注水速率和压力数据,所述时空图卷积网络模型的输出为采油速率;
训练模块,用于通过处理后的历史数据对所述时空图卷积网络模型进行训练;
预测模块,用于通过训练好的时空图卷积网络模型预测产油量。
6.根据权利要求5所述的基于改进的时空图卷积网络产油量预测系统,其特征在于,还包括:
测试模块,用于通过处理后的历史数据对训练好的时空图卷积网络模型进行测试。
7.根据权利要求5所述的基于改进的时空图卷积网络产油量预测系统,其特征在于,所述时空图卷积网络模型包括两个时空卷积块以及一个输出层;各所述时空卷积块依次进行一个时间上的一维卷积,一个空间上的图卷积和一个时间上的一维卷积,所述空间上的图卷积过程包含将输入的所述三阶张量与t时刻的连通性信息进行爱因斯坦求和得到一个表示不同井点在不同时刻的三阶张量特征,然后通过一个全连接层将特征数量进行变换。
8.根据权利要求5所述的基于改进的时空图卷积网络产油量预测系统,其特征在于,所述训练模块具体包括:
输入单元,用于将处理后的历史数据输入至所述时空图卷积网络模型,得到预测采油速率;
判断单元,用于判断所述预测采油速率与实际采油速率的误差是否在阈值范围内;
优化单元,用于对所述时空图卷积网络模型的参数进行优化。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110197198.7A CN112926771B (zh) | 2021-02-22 | 2021-02-22 | 一种基于改进的时空图卷积网络产油量预测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110197198.7A CN112926771B (zh) | 2021-02-22 | 2021-02-22 | 一种基于改进的时空图卷积网络产油量预测方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112926771A true CN112926771A (zh) | 2021-06-08 |
CN112926771B CN112926771B (zh) | 2022-10-25 |
Family
ID=76170085
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110197198.7A Active CN112926771B (zh) | 2021-02-22 | 2021-02-22 | 一种基于改进的时空图卷积网络产油量预测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112926771B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113435662A (zh) * | 2021-07-14 | 2021-09-24 | 中国石油大学(华东) | 水驱油藏产量预测方法、装置及存储介质 |
CN114662414A (zh) * | 2022-05-25 | 2022-06-24 | 中国石油大学(华东) | 一种基于图小波神经网络模型的油藏生产预测方法 |
CN115186936A (zh) * | 2022-09-08 | 2022-10-14 | 中科数智能源科技(深圳)有限公司 | 基于gnn模型的油田最优井网构建方法 |
CN117726183A (zh) * | 2024-02-07 | 2024-03-19 | 天津生联智慧科技发展有限公司 | 一种基于空间高阶卷积的燃气运行数据预测方法 |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2002077728A1 (en) * | 2001-03-21 | 2002-10-03 | Halliburton Energy Services, Inc. | Field/reservoir optimization utilizing neural networks |
US20180293336A1 (en) * | 2017-04-06 | 2018-10-11 | Qingfeng TAO | Forecasting ultimate recovery of oil and oil production for a multiply-fractured horizontal well |
CN109523072A (zh) * | 2018-11-02 | 2019-03-26 | 中国石油化工股份有限公司 | 基于lstm的油田产油量预测方法 |
CN110400006A (zh) * | 2019-07-02 | 2019-11-01 | 中国石油化工股份有限公司 | 基于深度学习算法的油井产量预测方法 |
CN111639787A (zh) * | 2020-04-28 | 2020-09-08 | 北京工商大学 | 一种基于图卷积网络的时空数据预测方法 |
US10852439B1 (en) * | 2020-04-30 | 2020-12-01 | Beihang University | Global ionospheric total electron content prediction system |
CN112232543A (zh) * | 2020-08-31 | 2021-01-15 | 北京工业大学 | 一种基于图卷积网络的多站点预测方法 |
CN112282714A (zh) * | 2020-11-30 | 2021-01-29 | 河海大学 | 基于深度学习和图论的全井网注水开发优化方法 |
WO2021022763A1 (zh) * | 2019-08-06 | 2021-02-11 | 浙江大学 | 基于cnn和lstm的心内异常激动点定位模型构建方法 |
CN112360411A (zh) * | 2020-11-30 | 2021-02-12 | 河海大学 | 基于图神经网络的局部井网注水开发优化方法 |
-
2021
- 2021-02-22 CN CN202110197198.7A patent/CN112926771B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2002077728A1 (en) * | 2001-03-21 | 2002-10-03 | Halliburton Energy Services, Inc. | Field/reservoir optimization utilizing neural networks |
US20180293336A1 (en) * | 2017-04-06 | 2018-10-11 | Qingfeng TAO | Forecasting ultimate recovery of oil and oil production for a multiply-fractured horizontal well |
CN109523072A (zh) * | 2018-11-02 | 2019-03-26 | 中国石油化工股份有限公司 | 基于lstm的油田产油量预测方法 |
CN110400006A (zh) * | 2019-07-02 | 2019-11-01 | 中国石油化工股份有限公司 | 基于深度学习算法的油井产量预测方法 |
WO2021022763A1 (zh) * | 2019-08-06 | 2021-02-11 | 浙江大学 | 基于cnn和lstm的心内异常激动点定位模型构建方法 |
CN111639787A (zh) * | 2020-04-28 | 2020-09-08 | 北京工商大学 | 一种基于图卷积网络的时空数据预测方法 |
US10852439B1 (en) * | 2020-04-30 | 2020-12-01 | Beihang University | Global ionospheric total electron content prediction system |
CN112232543A (zh) * | 2020-08-31 | 2021-01-15 | 北京工业大学 | 一种基于图卷积网络的多站点预测方法 |
CN112282714A (zh) * | 2020-11-30 | 2021-01-29 | 河海大学 | 基于深度学习和图论的全井网注水开发优化方法 |
CN112360411A (zh) * | 2020-11-30 | 2021-02-12 | 河海大学 | 基于图神经网络的局部井网注水开发优化方法 |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113435662A (zh) * | 2021-07-14 | 2021-09-24 | 中国石油大学(华东) | 水驱油藏产量预测方法、装置及存储介质 |
CN114662414A (zh) * | 2022-05-25 | 2022-06-24 | 中国石油大学(华东) | 一种基于图小波神经网络模型的油藏生产预测方法 |
CN115186936A (zh) * | 2022-09-08 | 2022-10-14 | 中科数智能源科技(深圳)有限公司 | 基于gnn模型的油田最优井网构建方法 |
CN115186936B (zh) * | 2022-09-08 | 2022-12-27 | 中科数智能源科技(深圳)有限公司 | 基于gnn模型的油田最优井网构建方法 |
CN117726183A (zh) * | 2024-02-07 | 2024-03-19 | 天津生联智慧科技发展有限公司 | 一种基于空间高阶卷积的燃气运行数据预测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN112926771B (zh) | 2022-10-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112926771B (zh) | 一种基于改进的时空图卷积网络产油量预测方法及系统 | |
CN110852515B (zh) | 基于混合长短时记忆神经网络的水质指标预测方法 | |
CN110807544B (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 | |
CN112541572B (zh) | 基于卷积编码器-解码器网络的剩余油分布预测方法 | |
CN111523713B (zh) | 一种预测油田中剩余油饱和度分布的方法和装置 | |
CN112419242B (zh) | 基于自注意力机制gan网络的无参考图像质量评价方法 | |
KR20180004208A (ko) | 컨볼루션 신경망 기반의 완전 기준 이미지 품질 평가 | |
CN111507884A (zh) | 一种基于深层卷积神经网络的自适应图像隐写分析方法及系统 | |
CN109635763B (zh) | 一种人群密度估计方法 | |
CN114283120B (zh) | 一种基于领域自适应的端到端多源异质遥感影像变化检测方法 | |
CN111783362A (zh) | 一种电动闸阀剩余使用寿命确定方法及系统 | |
CN104200099A (zh) | 基于水文地质台账的矿井涌水量计算方法 | |
CN111427079A (zh) | 一种应用于实验室地震波预测的方法及其装置 | |
CN112949944A (zh) | 一种基于时空特征的地下水位智能预测方法及系统 | |
CN113151842A (zh) | 风光互补电解水制氢的转化效率的确定方法和确定装置 | |
CN117058079A (zh) | 基于改进ResNet模型的甲状腺显像图像自动诊断方法 | |
CN115526435A (zh) | 基于卡尔曼滤波的时空神经网络模型下的油井产量预测方法 | |
CN110598326A (zh) | 一种基于人工智能的试井解释方法 | |
CN116384770A (zh) | 一种提液井产量预测方法、系统、设备及介质 | |
CN116226739A (zh) | 一种基于时空融合的图卷积网络工业过程故障诊断方法 | |
CN113761777B (zh) | 一种基于hp-ovmd的超短期光伏功率预测方法 | |
CN115577612A (zh) | 基于深度学习的隧道电阻率极化率联合反演梯度优化方法 | |
CN115578325A (zh) | 一种基于通道注意配准网络的图像异常检测方法 | |
CN112463643A (zh) | 一种软件质量预测方法 | |
CN112926774A (zh) | 基于长短时记忆神经网络的地热产能预测方法及系统 |
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 |