CN113236228B - 一种单井产量快速预测方法及系统 - Google Patents
一种单井产量快速预测方法及系统 Download PDFInfo
- Publication number
- CN113236228B CN113236228B CN202110715729.7A CN202110715729A CN113236228B CN 113236228 B CN113236228 B CN 113236228B CN 202110715729 A CN202110715729 A CN 202110715729A CN 113236228 B CN113236228 B CN 113236228B
- Authority
- CN
- China
- Prior art keywords
- parameters
- oil
- parameter
- error
- production
- 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
- 238000000034 method Methods 0.000 title claims abstract description 52
- 238000004519 manufacturing process Methods 0.000 claims abstract description 123
- 239000003129 oil well Substances 0.000 claims abstract description 80
- 230000003068 static effect Effects 0.000 claims abstract description 71
- 238000004364 calculation method Methods 0.000 claims abstract description 62
- 238000010206 sensitivity analysis Methods 0.000 claims abstract description 16
- 239000003921 oil Substances 0.000 claims description 89
- 238000012549 training Methods 0.000 claims description 76
- 230000015654 memory Effects 0.000 claims description 19
- 230000008569 process Effects 0.000 claims description 18
- 230000015572 biosynthetic process Effects 0.000 claims description 16
- 238000003786 synthesis reaction Methods 0.000 claims description 14
- 238000012360 testing method Methods 0.000 claims description 12
- 238000012545 processing Methods 0.000 claims description 10
- 238000007689 inspection Methods 0.000 claims description 9
- 238000013528 artificial neural network Methods 0.000 claims description 8
- 238000004590 computer program Methods 0.000 claims description 8
- 230000006870 function Effects 0.000 claims description 8
- 230000008859 change Effects 0.000 claims description 7
- 239000010779 crude oil Substances 0.000 claims description 7
- 230000035699 permeability Effects 0.000 claims description 7
- 239000007788 liquid Substances 0.000 claims description 6
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 6
- 238000004422 calculation algorithm Methods 0.000 claims description 5
- 230000007774 longterm Effects 0.000 claims description 4
- 230000004913 activation Effects 0.000 claims description 3
- 230000005540 biological transmission Effects 0.000 claims description 3
- 238000013135 deep learning Methods 0.000 claims description 3
- 239000011159 matrix material Substances 0.000 claims description 3
- 230000002441 reversible effect Effects 0.000 claims description 3
- 238000011161 development Methods 0.000 abstract description 4
- 210000004027 cell Anatomy 0.000 description 9
- 230000007423 decrease Effects 0.000 description 9
- 238000010586 diagram Methods 0.000 description 6
- 238000013136 deep learning model Methods 0.000 description 4
- 239000012530 fluid Substances 0.000 description 4
- 238000004891 communication Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 230000002829 reductive effect Effects 0.000 description 2
- 238000012216 screening Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 230000000670 limiting effect Effects 0.000 description 1
- 230000007787 long-term memory Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000036961 partial effect Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 230000002194 synthesizing effect Effects 0.000 description 1
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
- E21B47/00—Survey of boreholes or wells
-
- 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
- E21B47/00—Survey of boreholes or wells
- E21B47/06—Measuring temperature or pressure
-
- 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
- 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Mining & Mineral Resources (AREA)
- Life Sciences & Earth Sciences (AREA)
- Geology (AREA)
- Theoretical Computer Science (AREA)
- General Life Sciences & Earth Sciences (AREA)
- Geochemistry & Mineralogy (AREA)
- Geophysics (AREA)
- Business, Economics & Management (AREA)
- Environmental & Geological Engineering (AREA)
- Fluid Mechanics (AREA)
- General Physics & Mathematics (AREA)
- Animal Husbandry (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- Agronomy & Crop Science (AREA)
- Geometry (AREA)
- Marine Sciences & Fisheries (AREA)
- General Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Economics (AREA)
- Computer Hardware Design (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
本发明涉及一种单井产量快速预测方法及系统，其特征在于，包括以下内容：1)分别获取每一油井的静态参数和动态参数，并分别构建对应的LSTM模型；2)对各LSTM模型的网络计算参数进行敏感性分析；3)建立日产油波动程度与最优网络计算参数之间的相关关系，形成日产油波动程度与最优网络计算参数之间的关系图版；4)获取待预测油井的日产油波动程度，并确定最优的网络计算参数，进而确定最优的LSTM模型；5)获取待预测油井的静态参数和动态参数，并输入至最优的LSTM模型，得到待预测油井的产量预测值，本发明可以广泛应用于油气田开发领域中。
Description
技术领域
本发明是关于一种单井产量快速预测方法及系统，属于油气田开发领域。
背景技术
油井产量预测贯穿油田开发生产全过程。影响油井产量变化的因素很多，包括静态参数和动态参数，例如有效厚度、渗透率、原油粘度等储层流体参数、井口压力、井底流压等生产限制条件、地层能量变化和矿场操作等，这导致实际油井的产量变化既有确定性又有随机性，油井产量变化成为一个受多因素共同影响的非线性问题。与之相对应的油井产量预测，也是一个受多因素影响的非线性预测问题。目前在油田实际生产过程中，大量参数例如产油量、产液量、温度和压力变化等，通过多种监测方式记录下来，急需将这些大量的静态和动态参数整合起来加以利用，以指导油井产量预测。
目前，油井产量预测方法较多，不同方法具有不同的局限性。现有技术公开的数理统计分析方法，仅依据历史产量变化进行回归预测，对选取预测阶段的数据量、时间长短有较强依赖性，经验性强、多解性强且该方法大部分应用于已进入产量递减阶段的油田。现有技术公开的数值模拟方法需要建立地质模型和油藏数值模型，资料需求量大、工作量大且耗时长，油井产量预测效率低。
发明内容
针对上述问题，本发明的目的是提供一种能够提升油井产量预测效率的单井产量快速预测方法及系统。
为实现上述目的，本发明采取以下技术方案：一种单井产量快速预测方法，包括以下内容：
1)分别获取每一油井的静态参数和动态参数，并分别构建对应的LSTM模型；
2)对各LSTM模型的网络计算参数进行敏感性分析，得到每一网络计算参数与综合误差之间的相关关系，形成每一网络计算参数与综合误差之间的关系图版，并将综合误差最小值对应的参数值作为该油井对应的最优网络计算参数；
3)建立日产油波动程度与最优网络计算参数之间的相关关系，形成日产油波动程度与最优网络计算参数之间的关系图版；
4)获取待预测油井的日产油波动程度，并根据每一网络计算参数与综合误差之间的关系图版以及日产油波动程度与最优网络计算参数之间的关系图版，确定最优的网络计算参数，进而确定最优的LSTM模型；
5)获取待预测油井的静态参数和动态参数，并输入至最优的LSTM模型，得到待预测油井的产量预测值。
进一步地，所述步骤1)的具体过程为：
1.1)针对每一油井，分别获取影响生产过程中油井产量变化的静态参数和动态参数，并对选取的参数进行标准化处理；
1.2)分别构建每一油井对应的LSTM模型，并根据标准化后的静态参数和动态参数，对构建的LSTM模型进行训练和检验。
进一步地，所述步骤1.1)的具体过程为：
1.1.1)选取静态参数和动态参数作为油井产量预测的约束条件，其中，静态参数包括有效厚度、渗透率和原油粘度，动态参数包括油压、流压、含水率、气油比和日产液量；
1.1.2)对选取的参数进行标准化处理：
式中，X为选取的某口生产油井的某一动态参数或静态参数；X*为标准化后的该动态参数或静态参数；min(X)为该动态参数或静态参数的最小值；max(X)为该动态参数或静态参数的最大值。
进一步地，所述步骤1.2)的具体过程为：
1.2.1)构建LSTM模型；
1.2.2)选取LSTM模型的网络计算参数，包括隐藏层个数、学习率和训练步数；
1.2.3)根据标准化后的静态参数和动态参数，对构建的LSTM模型进行训练和检验。
进一步地，所述步骤1.2.3)的具体过程为：
a)将标准化后的静态参数和动态参数样本分为训练集和检验集两个集合，通过训练集对构建的LSTM模型进行训练，并计算训练误差error训练：
式中，n为训练集的样本个数；i为训练集中的第i个样本；oili-真实值为第i个样本的油井实际产量；oili-预测值为第i个样本的油井预测产量；
b)通过检验集对训练后的LSTM模型进行检验，并计算检验误差error检验：
式中，m为检验集的样本个数；j为检验集中的第j个样本；oilj-真实值为第j个样本的油井实际产量；oilj-预测值为第j个样本的油井预测产量。
进一步地，所述步骤2)中的综合误差error综合为：
error综合＝(error训练+error检验)/2≤error目标
式中，error目标为预先设定的误差目标。
进一步地，所述步骤3)中的日产油波动程度v为：
式中，v为统计时间范围内日产油波动程度；k、k+1为第k、k+1天；xk、xk+1为第k、k+1天的日产油量；m为统计时间范围内的天数。
一种单井产量快速预测系统，包括：
模型建立模块，用于分别获取每一油井的静态参数和动态参数，并分别构建对应的LSTM模型；
第一关系图版建立模块，用于对各LSTM模型的网络计算参数进行敏感性分析，得到每一网络计算参数与综合误差之间的相关关系，形成每一网络计算参数与综合误差之间的关系图版，并将综合误差最小值对应的参数值作为该油井对应的最优网络计算参数；
第二关系图版建立模块，用于建立日产油波动程度与最优网络计算参数之间的相关关系，形成日产油波动程度与最优网络计算参数之间的关系图版；
最优参数确定模块，用于获取待预测油井的日产油波动程度，并根据每一网络计算参数与综合误差之间的关系图版以及日产油波动程度与最优网络计算参数之间的关系图版，确定最优的网络计算参数，进而确定最优的LSTM模型；
产量预测模块，用于获取待预测油井的静态参数和动态参数，并输入至最优的LSTM模型，得到待预测油井的产量预测值。
一种处理器，包括计算机程序指令，其中，所述计算机程序指令被处理器执行时用于实现上述单井产量快速预测方法对应的步骤。
一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序指令，其中，所述计算机程序指令被处理器执行时用于实现上述单井产量快速预测方法对应的步骤。
本发明由于采取以上技术方案，其具有以下优点：
1、本发明考虑影响产油量的主要储层流体静态参数(有效厚度、渗透率、原油粘度)和生产动态参数(油压、井底流压、含水率、气油比、产液量)，采用构建的最优的长短时记忆神经网络深度学习模型对产油量进行准确预测。
2、本发明在采用长短时记忆神经网络深度学习模型对多口生产油井日产油量的拟合训练和检验过程中，能够得到最优网络计算参数的关系图版，进而能够快速指导网络计算参数的选取，提升油井产量预测的效率，可以广泛应用于油气田开发领域中。
附图说明
图1是本发明一实施例提供的计算误差与隐藏层节点数的关系图版示意图，其中，图1(a)为训练误差与隐藏层节点数的关系图版，图1(b)为预测误差与隐藏层节点数的关系图版，图1(c)为综合误差与隐藏层节点数的关系图版；
图2是本发明一实施例提供的计算误差与学习率的关系图版示意图，其中，图2(a)为训练误差与学习率的关系图版，图2(b)为预测误差与学习率的关系图版，图2(c)为综合误差与学习率的关系图版；
图3是本发明一实施例提供的计算误差与训练步数的关系图版示意图，其中，图3(a)为训练误差与训练步数的关系图版，图3(b)为预测误差与训练步数的关系图版，图3(c)为综合误差与训练步数的关系图版；
图4是本发明一实施例提供的日产油波动与最优隐藏层节点数的关系图版示意图，其中，图4(a)为散点统计示意图，图4(b)为公式回归示意图。
具体实施方式
下面将参照附图更详细地描述本发明的示例性实施方式。虽然附图中显示了本发明的示例性实施方式，然而应当理解，可以以各种形式实现本发明而不应被这里阐述的实施方式所限制。相反，提供这些实施方式是为了能够更透彻地理解本发明，并且能够将本发明的范围完整的传达给本领域的技术人员。
应理解的是，文中使用的术语仅出于描述特定示例实施方式的目的，而无意于进行限制。除非上下文另外明确地指出，否则如文中使用的单数形式“一”、“一个”以及“所述”也可以表示包括复数形式。术语“包括”、“包含”、“含有”以及“具有”是包含性的，并且因此指明所陈述的特征、步骤、操作、元件和/或部件的存在，但并不排除存在或者添加一个或多个其它特征、步骤、操作、元件、部件、和/或它们的组合。文中描述的方法步骤、过程、以及操作不解释为必须要求它们以所描述或说明的特定顺序执行，除非明确指出执行顺序。还应当理解，可以使用另外或者替代的步骤。
本发明实施例提供的单井产量快速预测方法及系统采用长短时记忆神经网络深度学习模型，借助其具有长期时间序列记忆的能力，考虑油田获取数据的类别、难易程度、体量和质量，以油井产油量为目标函数，以有效厚度、渗透率、原油粘度等储层流体参数作为静态参数，以井底流压、含水率、气油比、日产液等生产参数作为动态参数，通过对算法模型神经网络参数的敏感性分析，得到模型最优网络参数筛选图版，以快速指导油井产量的预测，提升油井产量预测效率。
实施例1
如图1所示，本实施例提供一种单井产量快速预测方法，包括以下步骤：
1)针对每一油井，分别获取影响生产过程中油井产量变化的静态参数和动态参数，并对选取的参数进行标准化处理，具体为：
1.1)根据影响生产过程中油井产量变化的因素，综合考虑矿场实际获得参数的难易程度，选取部分静态参数和动态参数作为油井产量预测的约束条件，其中，静态参数包括有效厚度、渗透率和原油粘度，这三个参数是决定油井初期产能的关键参数，是衡量油井初期生产水平的重要指标；动态参数包括油压、流压、含水率、气油比和日产液量。这五个参数可从地层能量、生产操作调整和生产限制等方面反映对产油量的影响水平。
1.2)由于考虑的参数较多，各参数量纲不同，为进一步适应神经网络模型的应用，对选取的参数进行标准化处理：
式中，X为选取的某口生产油井的某一动态参数或静态参数；X*为标准化后的该动态参数或静态参数；min(X)为该动态参数或静态参数的最小值；max(X)为该动态参数或静态参数的最大值。
2)分别构建每一油井对应的LSTM模型(长短时记忆神经网络深度学习模型)，并根据标准化后的静态参数和动态参数，对构建的LSTM模型进行训练和检验，具体为：
2.1)构建LSTM模型：
LSTM模型包括输入层、隐藏层和输出层，其中，隐藏层包括两个模块，一个模块为常规记忆单元状态，另一个模块由三个控制“门”组成，也可称之为长期记忆单元状态，用于判别延续信息和即时输入信息的有用程度，以及向下传递信息的程度，从而更加有效的处理长期时间序列问题。三个控制“门”分别为：遗忘门，用于决定上一时刻的单元状态有多少保留到当前时刻单元状态；输入门，决定当前时刻网络的输入有多少保留到当前时刻单元状态；输出门，控制并决定当前时刻单元状态有多少作为输出值输出：
ft＝σ(Wf·[ht-1,xt]+bf) (2)
it＝σ(Wi·[ht-1,xt]+bi) (3)
ot＝σ(Wo·[ht-1,xt]+bo) (4)
式中，ft、it和ot分别为t时刻的遗忘门、输入门和输出门；xt为t时刻的输入值，即某一动态参数或静态参数；Wf、Wi和Wo分别为遗忘门、输入门和输出门的权重矩阵；bf、bi和bo分别为遗忘门、输入门和输出门的偏置项；ht-1为t-1时刻网络的输出值，即日产油；σ为激活函数。
单元状态ct、为：
式中，ct为t时刻的单元状态；ct-1为t-1时刻的单元状态；为t时刻的输入单元状态；Wc为单元状态的权重矩阵；t时刻的单元状态由t-1时刻的单元状态及t时刻的输入单元状态共同决定。通过公式(5)，确定单元状态的更新。
在考虑前续信息和即时输入信息，对单元状态更新后，由上述公式(4)和(5)，确定t时刻网络的输出值ht：
ht＝ot·tan h(ct) (7)
式中，tanh为一个函数。
由上述公式(2)至(7)，即构成长短时记忆神经网络深度学习计算模型，利用向前和反向算法对LSTM模型进行学习和训练。
2.2)选取LSTM模型的网络计算参数，包括隐藏层个数、学习率和训练步数：
在LSTM模型中，遗忘门、输入门、输出门和记忆单元的权重以及偏置项由计算机随机给定，而隐藏层神经元的个数以及利用向前和向后算法中的学习率、训练步数则需要优化确定。
2.3)根据标准化后的静态参数和动态参数，对构建的LSTM模型进行训练和检验：
2.3.1)在模型应用过程中，将标准化后的静态参数和动态参数样本分为训练集和检验集两个集合，通过训练集对构建的LSTM模型进行训练，并计算训练误差error训练：
式中，n为训练集的样本个数；i为训练集中的第i个样本；oili-真实值为第i个样本的油井实际产量；oili-预测值为第i个样本的油井预测产量。
2.3.2)通过检验集对训练后的LSTM模型进行检验，并计算检验误差error检验：
式中，m为检验集的样本个数；j为检验集中的第j个样本；oilj-真实值为第j个样本的油井实际产量；oilj-预测值为第j个样本的油井预测产量。
3)对每一油井进行产量预测时，对对应LSTM模型的网络计算参数进行敏感性分析，即给定其中两个网络计算参数的参数值，改变另外一个网络计算参数的参数值进行试算和结果统计，得到每一网络计算参数与综合误差error综合之间的相关关系，形成每一网络计算参数与综合误差error综合之间的关系图版，并将每一网络计算参数试算过程中综合误差error综合的最小值对应的参数值作为该口油井对应的最优网络计算参数，其中，综合误差error综合为：
error综合＝(error训练+error检验)/2≤error目标 (10)
式中，error目标为预先设定的误差目标，例如5％、10％等，可以根据研究精度的需要设定。
4)由于每一油井的产量波动程度不同，在训练每一油井的LSTM模型过程中，网络计算参数的选取也不同，为进一步快速确定最优网络计算参数，在对每一油井最优网络计算参数统计的基础上，引入日产油波动程度v，建立日产油波动程度与最优网络计算参数之间的相关关系，形成日产油波动程度与最优网络计算参数之间的关系图版，依此，即可根据油井日产油波动程度，快速选取最优网络计算参数，其中，日产油波动程度v为：
式中，v为统计时间范围内日产油波动程度，无因次；k、k+1为第k、k+1天；xk、xk+1为第k、k+1天的日产油量，单位为方/天；m为统计时间范围内的天数。
5)获取待预测油井的日产油波动程度v，并根据每一网络计算参数与综合误差error综合之间的关系图版以及日产油波动程度与最优网络计算参数之间的关系图版，确定最优的网络计算参数，进而确定最优的LSTM模型。
6)获取待预测油井的静态参数和动态参数，并输入至最优的LSTM模型，得到待预测油井的产量预测值。
下面以渤海某油田生产井为具体实施例详细说明本发明的单井产量快速预测方法：
1)对所有生产油井的静态参数进行标准化处理，如下表1所示：
表1：生产油井静态参数及标准化处理
对所有生产油井的动态参数，以单井为处理单元，对整个生产时间内的动态参数分别进行标准化处理，以油井W-1为例，该油井自2011年5月投产，生产至2019年8月。由于数据较多，选取部分数据为例，如下表2所示：
表2：动态参数及标准化处理
2)针对油井W-1，构建LSTM模型，并根据标准化后的静态参数和动态参数，对构建的LSTM模型进行训练和检验：
根据上述公式(2)至(7)，构建LSTM模型并利用matlab软件编写程序，以日产油为目标函数，以上述三个静态参数和五个动态参数为输入参数，对网络计算参数进行初始赋值并计算，例如隐藏层个数10、学习率0.1、训练步数5000，通过改变网络计算参数，根据上述公式(8)至(10)，得到综合误差最小的LSTM模型作为最优产量预测模型。
3)对LSTM模型的网络计算参数进行敏感性分析
3.1)对隐藏层节点数进行敏感性分析：
在对隐藏层节点数进行敏感性分析时，以学习率0.1、训练步数5000为基础。通过运算，得到训练误差、检验误差与隐藏层节点数关系的图版如图1所示，从图1中可以看出，训练误差随隐藏层节点数的增加逐渐减小，预测误差随隐藏层节点数增加先减小后增大，综合误差随隐藏层节点数先减小后增大。隐藏层节点数为20左右，模型预测效果较好。
3.2)对学习率进行敏感性分析：
在对学习率进行敏感性分析时，以隐藏层节点数20、训练步数5000为基础。通过运算，得到训练误差、检验误差与隐藏层节点数关系图版如图2所示，从图2中可以看出，训练误差、预测误差和综合误差均随学习率的增加逐渐减小。学习率大于0.01后，误差减小幅度降低。学习率为0.1，模型预测效果较好。
3.3)对训练步数进行敏感性分析：
在对训练步数进行敏感性分析时，以隐藏层节点数20、学习率0.1为基础。通过运算，得到训练误差、检验误差与隐藏层节点数关系图版如图所示，从图3中可以看出，训练误差随训练步数的增加逐渐减小，预测误差随隐藏层节点数增加先减小后增大，综合误差随隐藏层节点数先减小后增大。训练步数越大，模型预测结果越稳定，误差范围越小，但容易出现过度拟合现象，导致误差增大。训练步数为5000，模型预测效果较好。
按照上述步骤3.1)～3.3)，对所有油井的LSTM模型进行隐藏层节点数、学习率和训练步数的敏感性分析，到每一油井的每一网络计算参数与综合误差error综合之间的相关关系，形成每一油井的每一网络计算参数与综合误差error综合之间的关系图版。
在模型训练过程中，日产油波动将对LSTM模型训练造成显著影响。由上述分析可知，综合误差随隐藏层节点数先减小后增大，随学习率的增加逐渐减小，随训练步数增加，预测结果逐渐稳定，误差范围逐渐减小，即综合误差随隐藏层节点数的变化将出现更显著的非单调性和不确定性。因此，通过对日产油波动程度进行定量化表征，建立日产油波动程度与最优网络计算参数之间的相关关系，形成日产油波动程度与最优网络计算参数之间的关系图版。
统计结果如图4所示，从图中可以看出，当日产油波动程度小于3，最优隐藏层节点数集中在10；当日产油波动程度为3～6，最优隐藏层节点数集中在20；当日产油波动程度大于6，最优隐藏层节点数集中在30。对结果进行统计回归，如图4(b)和下述公式(12)所示。可利用该公式，针对不同日产油波动程度，快速选取最优隐藏层节点数，以提高模型训练效率，节省模型对于隐藏层节点数的筛选时间。
y＝4.7596a-2.3161 (12)
式中，a为历史日产油波动程度；y为最优隐藏层节点数。
实施例2
本实施例提供一种单井产量快速预测系统，其特征在于，包括：
模型建立模块，用于分别获取每一油井的静态参数和动态参数，并分别构建对应的LSTM模型。
第一关系图版建立模块，用于对各LSTM模型的网络计算参数进行敏感性分析，得到每一网络计算参数与综合误差之间的相关关系，形成每一网络计算参数与综合误差之间的关系图版，并将综合误差最小值对应的参数值作为该油井对应的最优网络计算参数。
第二关系图版建立模块，用于建立日产油波动程度与最优网络计算参数之间的相关关系，形成日产油波动程度与最优网络计算参数之间的关系图版。
最优参数确定模块，用于获取待预测油井的日产油波动程度，并根据每一网络计算参数与综合误差之间的关系图版以及日产油波动程度与最优网络计算参数之间的关系图版，确定最优的网络计算参数，进而确定最优的LSTM模型。
产量预测模块，用于获取待预测油井的静态参数和动态参数，并输入至最优的LSTM模型，得到待预测油井的产量预测值。
实施例3
本实施例提供一种与本实施例1所提供的单井产量快速预测方法对应的处理设备，处理设备可以是用于客户端的处理设备，例如手机、笔记本电脑、平板电脑、台式机电脑等，以执行实施例1的方法。
所述处理设备包括处理器、存储器、通信接口和总线，处理器、存储器和通信接口通过总线连接，以完成相互间的通信。存储器中存储有可在处理器上运行的计算机程序，处理器运行计算机程序时执行本实施例1所提供的单井产量快速预测方法。
在一些实现中，存储器可以是高速随机存取存储器(RAM：Random AccessMemory)，也可能还包括非不稳定的存储器(non-volatile memory)，例如至少一个磁盘存储器。
在另一些实现中，处理器可以为中央处理器(CPU)、数字信号处理器(DSP)等各种类型通用处理器，在此不做限定。
实施例4
本实施例1的单井产量快速预测方法可被具体实现为一种计算机程序产品，计算机程序产品可以包括计算机可读存储介质，其上载有用于执行本实施例1所述的单井产量快速预测方法的计算机可读程序指令。
计算机可读存储介质可以是保持和存储由指令执行设备使用的指令的有形设备。计算机可读存储介质例如可以是但不限于电存储设备、磁存储设备、光存储设备、电磁存储设备、半导体存储设备或者上述的任意组合。
上述各实施例仅用于说明本发明，其中各部件的结构、连接方式和制作工艺等都是可以有所变化的，凡是在本发明技术方案的基础上进行的等同变换和改进，均不应排除在本发明的保护范围之外。
Claims (4)
1.一种单井产量快速预测方法，其特征在于，包括以下内容：
1)分别获取每一油井的静态参数和动态参数，并分别构建对应的LSTM模型，具体过程为：
1.1)针对每一油井，分别获取影响生产过程中油井产量变化的静态参数和动态参数，并对选取的参数进行标准化处理，具体过程为：
1.1.1)选取静态参数和动态参数作为油井产量预测的约束条件，其中，静态参数包括有效厚度、渗透率和原油粘度，动态参数包括油压、流压、含水率、气油比和日产液量；
1.1.2)对选取的参数进行标准化处理：
式中，X为选取的某口生产油井的某一动态参数或静态参数；X*为标准化后的该动态参数或静态参数；min(X)为该动态参数或静态参数的最小值；max(X)为该动态参数或静态参数的最大值；
1.2)分别构建每一油井对应的LSTM模型，并根据标准化后的静态参数和动态参数，对构建的LSTM模型进行训练和检验，具体过程为：
1.2.1)构建LSTM模型：
LSTM模型包括输入层、隐藏层和输出层，其中，隐藏层包括两个模块，一个模块为常规记忆单元状态，另一个模块由三个控制“门”组成，用于判别延续信息和即时输入信息的有用程度，以及向下传递信息的程度，从而更加有效的处理长期时间序列问题；三个控制“门”分别为：遗忘门，用于决定上一时刻的单元状态有多少保留到当前时刻单元状态；输入门，决定当前时刻网络的输入有多少保留到当前时刻单元状态；输出门，控制并决定当前时刻单元状态有多少作为输出值输出：
ft＝σ(Wf·[ht-1，xt]+bf)
it＝σ(Wi·[ht-1，xt]+bi)
ot＝σ(Wo·[ht-1，xt]+bo)
式中，ft、it和ot分别为t时刻的遗忘门、输入门和输出门；xt为t时刻的输入值，即某一动态参数或静态参数；Wf、Wi和Wo分别为遗忘门、输入门和输出门的权重矩阵；bf、bi和bo分别为遗忘门、输入门和输出门的偏置项；ht-1为t-1时刻网络的输出值，即日产油；σ为激活函数；
单元状态ct、为：
式中，ct为t时刻的单元状态；ct-1为t-1时刻的单元状态；为t时刻的输入单元状态；Wc为单元状态的权重矩阵；t时刻的单元状态由t-1时刻的单元状态及t时刻的输入单元状态共同决定；通过公式/>确定单元状态的更新；
对单元状态更新后，确定t时刻网络的输出值ht：
ht＝ot·tanh(ct)
式中，tanh为一个函数；
由上述公式构成长短时记忆神经网络深度学习计算模型，利用向前和反向算法对LSTM模型进行学习和训练；
1.2.2)选取LSTM模型的网络计算参数，包括隐藏层个数、学习率和训练步数；
1.2.3)根据标准化后的静态参数和动态参数，对构建的LSTM模型进行训练和检验，具体过程为：
a)将标准化后的静态参数和动态参数样本分为训练集和检验集两个集合，通过训练集对构建的LSTM模型进行训练，并计算训练误差error训练：
式中，n为训练集的样本个数；i为训练集中的第i个样本；oili-真实值为第i个样本的油井实际产量；oili-预测值为第i个样本的油井预测产量；
b)通过检验集对训练后的LSTM模型进行检验，并计算检验误差error检验：
式中，m为检验集的样本个数；j为检验集中的第j个样本；oilj-真实值为第j个样本的油井实际产量；oilj-预测值为第j个样本的油井预测产量；
2)对各LSTM模型的网络计算参数进行敏感性分析，得到每一网络计算参数与综合误差之间的相关关系，形成每一网络计算参数与综合误差之间的关系图版，并将综合误差最小值对应的参数值作为该油井对应的最优网络计算参数，综合误差error综合为：
error综合＝(error训练+error检验)/2≤error目标
式中，error目标为预先设定的误差目标；
3)建立日产油波动程度与最优网络计算参数之间的相关关系，形成日产油波动程度与最优网络计算参数之间的关系图版，日产油波动程度v为：
式中，v为统计时间范围内日产油波动程度；k、k+1为第k、k+1天；xk、xk+1为第k、k+1天的日产油量；m为统计时间范围内的天数；
4)获取待预测油井的日产油波动程度，并根据每一网络计算参数与综合误差之间的关系图版以及日产油波动程度与最优网络计算参数之间的关系图版，确定最优的网络计算参数，进而确定最优的LSTM模型；
5)获取待预测油井的静态参数和动态参数，并输入至最优的LSTM模型，得到待预测油井的产量预测值。
2.一种单井产量快速预测系统，其特征在于，包括：
模型建立模块，用于分别获取每一油井的静态参数和动态参数，并分别构建对应的LSTM模型，具体过程为：
1.1)针对每一油井，分别获取影响生产过程中油井产量变化的静态参数和动态参数，并对选取的参数进行标准化处理，具体过程为：
1.1.1)选取静态参数和动态参数作为油井产量预测的约束条件，其中，静态参数包括有效厚度、渗透率和原油粘度，动态参数包括油压、流压、含水率、气油比和日产液量；
1.1.2)对选取的参数进行标准化处理：
式中，X为选取的某口生产油井的某一动态参数或静态参数；X*为标准化后的该动态参数或静态参数；min(X)为该动态参数或静态参数的最小值；max(X)为该动态参数或静态参数的最大值；
1.2)分别构建每一油井对应的LSTM模型，并根据标准化后的静态参数和动态参数，对构建的LSTM模型进行训练和检验，具体过程为：
1.2.1)构建LSTM模型：
LSTM模型包括输入层、隐藏层和输出层，其中，隐藏层包括两个模块，一个模块为常规记忆单元状态，另一个模块由三个控制“门”组成，用于判别延续信息和即时输入信息的有用程度，以及向下传递信息的程度，从而更加有效的处理长期时间序列问题；三个控制“门”分别为：遗忘门，用于决定上一时刻的单元状态有多少保留到当前时刻单元状态；输入门，决定当前时刻网络的输入有多少保留到当前时刻单元状态；输出门，控制并决定当前时刻单元状态有多少作为输出值输出：
ft＝σ(Wf·[ht-1，xt]+bf)
it＝σ(Wi·[ht-1，xt]+bi)
ot＝σ(Wo·[ht-1，xt]+bo)
式中，ft、it和ot分别为t时刻的遗忘门、输入门和输出门；xt为t时刻的输入值，即某一动态参数或静态参数；Wf、Wi和Wo分别为遗忘门、输入门和输出门的权重矩阵；bf、bi和bo分别为遗忘门、输入门和输出门的偏置项；ht-1为t-1时刻网络的输出值，即日产油；σ为激活函数；
单元状态ct、为：
式中，ct为t时刻的单元状态；ct-1为t-1时刻的单元状态；为t时刻的输入单元状态；Wc为单元状态的权重矩阵；t时刻的单元状态由t-1时刻的单元状态及t时刻的输入单元状态共同决定；通过公式/>确定单元状态的更新；
对单元状态更新后，确定t时刻网络的输出值ht：
ht＝o，·tanh(ct)
式中，tanh为一个函数；
由上述公式构成长短时记忆神经网络深度学习计算模型，利用向前和反向算法对LSTM模型进行学习和训练；
1.2.2)选取LSTM模型的网络计算参数，包括隐藏层个数、学习率和训练步数；
1.2.3)根据标准化后的静态参数和动态参数，对构建的LSTM模型进行训练和检验，具体过程为：
a)将标准化后的静态参数和动态参数样本分为训练集和检验集两个集合，通过训练集对构建的LSTM模型进行训练，并计算训练误差error训练：
式中，n为训练集的样本个数；i为训练集中的第i个样本；oiloi-真实值为第i个样本的油井实际产量；oili-预测值为第i个样本的油井预测产量；
b)通过检验集对训练后的LSTM模型进行检验，并计算检验误差error检验：
式中，m为检验集的样本个数；j为检验集中的第j个样本；olij-真实值为第j个样本的油井实际产量；olij-预测值为第j个样本的油井预测产量；
第一关系图版建立模块，用于对各LSTM模型的网络计算参数进行敏感性分析，得到每一网络计算参数与综合误差之间的相关关系，形成每一网络计算参数与综合误差之间的关系图版，并将综合误差最小值对应的参数值作为该油井对应的最优网络计算参数，综合误差error综合为：
error综合＝(error训练+error检验)/2≤error目标
式中，error目标为预先设定的误差目标；
第二关系图版建立模块，用于建立日产油波动程度与最优网络计算参数之间的相关关系，形成日产油波动程度与最优网络计算参数之间的关系图版，日产油波动程度v为：
式中，v为统计时间范围内日产油波动程度；k、k+1为第k、k+1天；xk、xk+1为第k、k+1天的日产油量；m为统计时间范围内的天数；
最优参数确定模块，用于获取待预测油井的日产油波动程度，并根据每一网络计算参数与综合误差之间的关系图版以及日产油波动程度与最优网络计算参数之间的关系图版，确定最优的网络计算参数，进而确定最优的LSTM模型；
产量预测模块，用于获取待预测油井的静态参数和动态参数，并输入至最优的LSTM模型，得到待预测油井的产量预测值。
3.一种处理器，其特征在于，包括计算机程序指令，其中，所述计算机程序指令被处理器执行时用于实现权利要求1所述的单井产量快速预测方法对应的步骤。
4.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有计算机程序指令，其中，所述计算机程序指令被处理器执行时用于实现权利要求1所述的单井产量快速预测方法对应的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110715729.7A CN113236228B (zh) | 2021-06-24 | 2021-06-24 | 一种单井产量快速预测方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110715729.7A CN113236228B (zh) | 2021-06-24 | 2021-06-24 | 一种单井产量快速预测方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113236228A CN113236228A (zh) | 2021-08-10 |
| CN113236228B true CN113236228B (zh) | 2023-07-25 |
Family
ID=77141007
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110715729.7A Active CN113236228B (zh) | 2021-06-24 | 2021-06-24 | 一种单井产量快速预测方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113236228B (zh) |
Families Citing this family (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113537645B (zh) * | 2021-08-23 | 2023-11-24 | 苏州憨云智能科技有限公司 | 基于机器学习融合卫星与天气数据的大豆产量预测方法 |
| CN116151480B (zh) * | 2023-04-04 | 2023-07-18 | 北京科技大学 | 一种页岩油井产量预测方法和装置 |
| CN116109019A (zh) * | 2023-04-12 | 2023-05-12 | 成都英沃信科技有限公司 | 一种基于随机森林的气井日产气量预测方法及设备 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110334431A (zh) * | 2019-07-02 | 2019-10-15 | 西南石油大学 | 一种低渗透致密气藏单井控制储量计算及剩余气分析方法 |
| WO2019199313A1 (en) * | 2018-04-12 | 2019-10-17 | Landmark Graphics Corporation | Recurrent neural network model for bottomhole pressure and temperature in stepdown analysis |
| CN110838155A (zh) * | 2019-10-29 | 2020-02-25 | 中国石油大学(北京) | 一种抽油机地面示功图全复现方法及系统 |
Family Cites Families (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106761733A (zh) * | 2017-01-06 | 2017-05-31 | 中国海洋石油总公司 | 一种稠油油藏水平井蒸汽吞吐初期产能预测方法 |
| WO2020040829A1 (en) * | 2018-08-20 | 2020-02-27 | Landmark Graphics Corporation | Hybrid physics-based and machine learning models for reservoir simulations |
| 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 |
| CN110630244B (zh) * | 2019-07-09 | 2022-12-02 | 东营智图数据科技有限公司 | 一种基于多传感器测量及长短时记忆网络的高产气油井含水率预测系统及方法 |
| US11428078B2 (en) * | 2019-07-11 | 2022-08-30 | Halliburton Energy Services, Inc. | Systems and methods for forecasting well productivity |
| US11556992B2 (en) * | 2019-08-14 | 2023-01-17 | Royal Bank Of Canada | System and method for machine learning architecture for enterprise capitalization |
| CN112394702B (zh) * | 2020-12-10 | 2024-05-17 | 安徽理工大学 | 基于lstm的光缆制造设备故障远程预测系统 |
| CN112733440A (zh) * | 2020-12-30 | 2021-04-30 | 南方海洋科学与工程广东省实验室(湛江) | 海上油气水井智能故障诊断方法、系统、存储介质、设备 |
| CN112819240B (zh) * | 2021-02-19 | 2021-11-26 | 北京科技大学 | 基于物理约束的lstm模型预测页岩油产量的方法 |
-
2021
- 2021-06-24 CN CN202110715729.7A patent/CN113236228B/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2019199313A1 (en) * | 2018-04-12 | 2019-10-17 | Landmark Graphics Corporation | Recurrent neural network model for bottomhole pressure and temperature in stepdown analysis |
| CN110334431A (zh) * | 2019-07-02 | 2019-10-15 | 西南石油大学 | 一种低渗透致密气藏单井控制储量计算及剩余气分析方法 |
| CN110838155A (zh) * | 2019-10-29 | 2020-02-25 | 中国石油大学(北京) | 一种抽油机地面示功图全复现方法及系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113236228A (zh) | 2021-08-10 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN113236228B (zh) | 一种单井产量快速预测方法及系统 | |
| Wei et al. | Predicting injection profiles using ANFIS | |
| CN109214026A (zh) | 一种页岩气水平井初期产能预测方法 | |
| CN110287516B (zh) | 一种页岩气藏压裂水平井可压性综合评价方法 | |
| Brantson et al. | Forecasting of horizontal gas well production decline in unconventional reservoirs using productivity, soft computing and swarm intelligence models | |
| CN115345378B (zh) | 一种基于机器学习的页岩气井产量评价方法 | |
| Fan et al. | Development of PCA-based cluster quantile regression (PCA-CQR) framework for streamflow prediction: Application to the Xiangxi river watershed, China | |
| CN113722997A (zh) | 一种基于静态油气田数据的新井动态产量预测方法 | |
| CN115293197A (zh) | 一种基于长短期记忆网络的钻孔应变数据异常检测方法 | |
| CN111048163A (zh) | 一种基于高阶神经网络的页岩油滞留烃量（s1）评价方法 | |
| Tong et al. | The prediction of concrete dam displacement using Copula-PSO-ANFIS hybrid model | |
| KR20140137210A (ko) | 지능형 생산정 위치 선정 전산 시스템 및 이를 이용한 생산정 위치 선정 방법 | |
| Wang et al. | An interpretable interflow simulated graph neural network for reservoir connectivity analysis | |
| Li et al. | Prediction of shale gas production by hydraulic fracturing in changning area using machine learning algorithms | |
| CN114718556A (zh) | 人工裂缝参数的获取方法、装置及设备 | |
| Wei et al. | Permeability prediction in tight carbonate rocks using gene expression programming (GEP) | |
| CN115271154B (zh) | 一种多项式与偏最小二乘耦合的非线性回归洪水要素预测方法 | |
| Guo et al. | Modified GMDH networks for oilfield production prediction | |
| Jie et al. | Prediction on daily gas production of single well based on LSTM | |
| Xiao et al. | A Comparison study of utilizing optimization algorithms and fuzzy logic for candidate-well selection | |
| Feifei et al. | Application of neural network and fuzzy mathematic theory in evaluating the adaptability of inflow control device in horizontal well | |
| CN114021644A (zh) | 一种基于K-means和去丛聚法的区域代表性地下水位计算方法 | |
| Xiong et al. | Re-Fracturing Wells Selection by Fuzzy Comprehensive Evaluation Based on Analytic Hierarchy Process—Taking Mahu Oilfield as An Example | |
| CN117684947B (zh) | 一种基于深度学习的油井井底流压软测量方法 | |
| CN116757096B (zh) | 深薄致密砂岩气藏开发井型确定方法、装置、设备及介质 |
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 |