CN113779881A - 致密含水气藏产能预测方法、装置及设备 - Google Patents

致密含水气藏产能预测方法、装置及设备 Download PDF

Info

Publication number
CN113779881A
CN113779881A CN202111060542.4A CN202111060542A CN113779881A CN 113779881 A CN113779881 A CN 113779881A CN 202111060542 A CN202111060542 A CN 202111060542A CN 113779881 A CN113779881 A CN 113779881A
Authority
CN
China
Prior art keywords
capacity
evaluation index
data set
sample data
gas reservoir
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.)
Pending
Application number
CN202111060542.4A
Other languages
English (en)
Inventor
田冷
柴晓龙
张金水
顾岱鸿
王嘉新
蒋丽丽
王恒力
王泽川
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.)
China University of Petroleum Beijing
Original Assignee
China University of Petroleum Beijing
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 China University of Petroleum Beijing filed Critical China University of Petroleum Beijing
Priority to CN202111060542.4A priority Critical patent/CN113779881A/zh
Publication of CN113779881A publication Critical patent/CN113779881A/zh
Pending legal-status Critical Current

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
    • 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
    • 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
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/086—Learning methods using evolutionary algorithms, e.g. genetic algorithms or genetic programming
    • 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

Landscapes

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

Abstract

本说明书实施例公开了一种致密含水气藏产能预测方法、装置及设备，所述方法包括：通过采集致密含水气藏的地质属性数据和压裂属性数据，全面考虑了影响致密含水气藏产能的因素，确定出影响致密含水气藏产能的评价指标，并利用灰色关联主控因素权重分析确定各个评价指标与产能之间的关联度，进而确定出各个评价指标对产能的影响权重值。基于采集的样本数据以及计算出的关联度，进行产能预测模型的训练，构建出致密含水气藏的机器学习模型，并利用构建出的机器学习模型进行致密含水气藏的产能预测，实现了致密含水气藏的准确、全面、快速的产能预测。

Description

致密含水气藏产能预测方法、装置及设备
技术领域
本说明书属于油气开采技术领域，尤其涉及一种致密含水气藏产能预测方法、装置及设备。
背景技术
致密气是指储层孔隙度小于10％，渗透率低于0.1mD，含气饱和度小于60％，含水饱和度高于40％的天然气，属于非常规气，具有低孔、低渗、高含水饱和度的特点，常采用水力压裂的方式进行工业化开发。随着油气勘探开发的不断深入，致密气在现有经济技术条件下展示了巨大的潜力，全球天然气资源迎来了二次扩展。致密气具有高含水饱和度的特点，且常采用水力压裂的方式进行开发，压裂后产能的准确预测是致密气高效开发面临的重要问题也是难题。致密气的产能预测对于合理配产、井网井距等开发方案优化有着重要作用。因此，为了提高致密气开发效果，必须解决致密气压裂后产能难以准确预测的问题。
目前对于致密气压裂后产能预测的方法主要有物理模拟法和油藏数值模拟方法，但是，物理模拟法实验周期长，实验成本高；油藏数值模拟方法由于计算能力受限，导致网格尺度较大，无法准确描述储层特征，导致预测精度较低。
因此，如何提供一种方案能够准确预测致密含水气藏压裂后产能是本领域亟需解决的技术问题。
发明内容
本说明书实施例的目的在于提供一种致密含水气藏产能预测方法、装置及设备，提高了致密含水气藏产能预测的准确性。
一方面，本说明书实施例提供了一种致密含水气藏产能预测方法，所述方法包括：
采集致密含水气藏的属性数据，构建出样本数据集；
对所述样本数据集中各个评价指标进行灰色关联主控因素权重分析，确定出所述样本数据集中各个评价指标与产能之间的关联度；
利用所述样本数据集和所述样本数据集中各个评价指标与产能之间的关联度对产能预测模型进行模型训练，构建出产能预测模型；
利用所述产能预测模型对待预测致密含水气藏进行产能预测。
进一步地，所述方法还包括：
所述采集致密含水气藏的属性数据，构建出样本数据集，包括：
对所述属性数据进行缺失处理和异常值处理，构建出所述样本数据集。
进一步地，所述对所述属性数据进行缺失处理和异常值处理，构建出所述样本数据集，包括：
将对所述属性数据进行缺失处理和异常值处理后的数据作为预处理数据集；
计算所述预处理数据集中的各个评价指标与对应的产量数据之间的皮尔逊相关系数；
根据所述皮尔逊相关系数对所述预处理数据集中的异常值进行剔除，获得所述样本数据集。
进一步地，采用下述公式计算所述预处理数据集中的各个评价指标与对应的产量数据之间的皮尔逊相关系数：
Figure BDA0003256192270000021
其中，r表示评价指标x与对应的产量数据y之间的皮尔逊相关系数，N表示各个评价指标对应的样本数量，xi表示评价指标x的第i个取值，yi评价指标x对应的产量数据的第i个取值，C表示奖惩系数，并且，0<C<1。
进一步地，所述利用所述样本数据集和所述样本数据集中各个评价指标与产能之间的关联度对产能预测模型进行模型训练，构建出产能预测模型，包括：
配置所述产能预测模型的模型参数，所述模型参数包括各个评价指标对应的权重值；
将所述样本数据集中各个评价指标对应的取值作为所述产能预测模型的输入，将所述样本数据集中的产量数据作为输出，对所述产能预测模型进行模型训练，在进行模型训练时，基于各个评价指标与产能之间的关联度调整各个评价指标对应的权重值，直至达到训练次数或所述产能预测模型达到指定精度，构建出所述产能预测模型。
进一步地，所述产能预测模型采用遗传算法优化后的神经网络模型。
进一步地，所述对所述样本数据集中各个评价指标进行灰色关联主控因素权重分析，确定出所述样本数据集中各个评价指标与产能之间的关联度，包括：
将所述样本数据集中的数据划分为参考数列和比较数列，其中，所述参考数列中为产量数据，所述比较数列为评价指标数据；
采用下述公式确定出所述样本数据集中各个评价指标与产能之间的关联度：
Figure BDA0003256192270000031
其中，ξi(k)表示第i个评价指标的第k个取值对应的关联度系数，Δ(min)表示第i个评价指标对应参考数列与比较数列的差值最小值的绝对值，Δ(max)表示第i个评价指标对应参考数列与比较数列的差值最大值的绝对值，ρ表示分辨系数，通常ρ取值0.5，Δi(k)表示表示第i个评价指标的第k个取值对应的参考序列与比较序列差值的绝对值，N表示评价指标对应的样本数量，ri表示第i个评价指标与产能之间的关联度，λi表示第i个评价指标的专家评判因子。
进一步地，所述属性数据包括：气层厚度、孔隙度、渗透率、含气饱和度、密度、泥质含量、温度、含砂比、加砂量、砂液量、入地砂量、入地液量、排量中的至少一种。
另一方面，本说明书提供了一种致密含水气藏产能预测装置，所述装置包括：
数据采集模块，用于采集致密含水气藏的属性数据，构建出样本数据集；
关联度计算模块，用于对所述样本数据集中各个评价指标进行灰色关联主控因素权重分析，确定出所述样本数据集中各个评价指标与产能之间的关联度；
模型构建模块，用于利用所述样本数据集和所述样本数据集中各个评价指标与产能之间的关联度对产能预测模型进行模型训练，构建出产能预测模型；
产能预测模块，用于利用所述产能预测模型对待预测致密含水气藏进行产能预测。
再一方面，本说明书实施例提供了一种致密含水气藏产能预测设备，应用于服务器，设备包括至少一个处理器及用于存储处理器可执行指令的存储器，指令被处理器执行时实现包括上述致密含水气藏产能预测方法。
本说明书提供的致密含水气藏产能预测方法、装置及设备，通过采集致密含水气藏的地质属性数据、储层属性数据和压裂属性数据，全面考虑了影响致密含水气藏产能的因素，确定出影响致密含水气藏产能的评价指标，并利用灰色关联主控因素权重分析确定各个评价指标与产能之间的关联度，进而确定出各个评价指标对产能的影响权重值。基于采集的样本数据以及计算出的关联度，进行产能预测模型的训练，构建出致密含水气藏的机器学习模型，并利用构建出的机器学习模型进行致密含水气藏的产能预测，实现了致密含水气藏的准确、全面、快速的产能预测。
附图说明
为了更清楚地说明本说明书实施例或现有技术中的技术方案，下面将对实施例或现有技术描述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说明书中记载的一些实施例，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是本说明书实施例提供的致密含水气藏产能预测方法实施例的流程示意图；
图2是本说明书一个场景示例中尽职调查的原理示意图；
图3是本说明书一个场景示例中风险等级的确定方法示意图；
图4是本说明书一个场景示例中致密含水气藏产能预测的原理示意图；
图5是本说明书一个实施例中致密含水气藏产能预测装置的结构示意图；
图6是本说明书一个实施例中致密含水气藏产能预测服务器的硬件结构框图。
具体实施方式
为了使本技术领域的人员更好地理解本说明书中的技术方案，下面将结合本说明书实施例中的附图，对本说明书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说明书一部分实施例，而不是全部的实施例。基于本说明书中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都应当属于本说明书保护的范围。
本说明书实施例提供的一个场景示例中，致密含水气藏产能预测方法可以应用于执行致密含水气藏产能预测的设备，设备可以包括一个服务器，也可以包括多个服务器组成的服务器集群。
本说明书实施例提供的致密含水气藏产能预测方法，提供了一种利用智能学习模型对致密含水气藏进行产能预测的方法，实现了准确、全面、快速的产能预测。
图1是本说明书实施例提供的致密含水气藏产能预测方法实施例的流程示意图。虽然本说明书提供了如下述实施例或附图所示的方法操作步骤或装置结构，但基于常规或者无需创造性的劳动在方法或装置中可以包括更多或者部分合并后更少的操作步骤或模块单元。在逻辑性上不存在必要因果关系的步骤或结构中，这些步骤的执行顺序或装置的模块结构不限于本说明书实施例或附图所示的执行顺序或模块结构。的方法或模块结构的在实际中的装置、服务器或终端产品应用时，可以按照实施例或者附图所示的方法或模块结构进行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、甚至包括分布式处理、服务器集群的实施环境)。
具体的一个实施例如图1所示，本说明书提供的致密含水气藏产能预测方法的一个实施例中，方法可以应用于服务器、计算机、智能手机、平板电脑等设备中，所述方法可以包括如下步骤：
步骤102、采集致密含水气藏的属性数据，构建出样本数据集。
在具体的实施过程中，本说明书实施例中的属性数据可以理解为致密含水气藏与产能可能相关的数据，可以采集致密含水气藏中各个井对应的地质属性数据、储层属性数据、压裂属性数据以及产量数据等，本说明书一些实施例中，所述属性数据可以包括：气层厚度、孔隙度、渗透率、含气饱和度、密度、泥质含量、温度、含砂比、加砂量、砂液量、入地砂量、入地液量、排量中的至少一种。围绕地质、压裂两方面产能影响因素，采集生产井地质、压裂和产量相关数据，建立致密含水气藏单井产能评价指标。考虑地质以及压裂对含水气藏产能的影响，全面考虑到影响致密含水气藏产能因素，进而确保后续含水气藏产能预测的准确性。
基于采集到的属性数据，构建出样本数据集。本说明书实施例中可以采集致密含水气藏中已经开采的油气井的属性数据，构建出样本数据集，再基于样本数据集训练构建产能预测模型，再利用构建出的产能预测模型对该致密含水气藏中未开采的油气井的产能进行预测。或者，也可以采集致密含水气藏中部分已经开采的油气井的属性数据，构建出样本数据集，再基于样本数据集训练构建产能预测模型，再利用构建出的产能预测模型对该致密含水气藏中其他油气井的产能进行预测。
本说明书一些实施例中，所述采集致密含水气藏的属性数据，构建出样本数据集，包括：
对所述属性数据进行缺失处理和异常值处理，构建出所述样本数据集。
在具体的实施过程中，对于采集到的属性数据可以进行缺失和异常值处理，如：对于缺少样本数据的井，可以采取直接删除和数据填充两种方式对缺失数据的井进行数据缺失处理。再将数据缺失处理后的数据进行二次处理，将异常值进行删除或修复的方式进行数据异常值处理，以确保采集到的数据的准确性，进而确保后续含水气藏产能预测的准确性。
本说明书一些实施例中，所述对所述属性数据进行缺失处理和异常值处理，构建出所述样本数据集，包括：
将对所述属性数据进行缺失处理和异常值处理后的数据作为预处理数据集；
计算所述预处理数据集中的各个评价指标与对应的产量数据之间的皮尔逊相关系数；
根据所述皮尔逊相关系数对所述预处理数据集中的异常值进行剔除，获得所述样本数据集。
在具体的实施过程中，在对采集到的属性数据进行缺失和异常值处理后，还可以利用皮尔逊相关系数分析，确定出各个数据的准确性。可以将进行缺失处理和异常值处理后的数据作为预处理数据集，计算预处理数据集中的各个评价指标与对应的产量数据之间的皮尔逊相关系数，其中，各个评价指标可以理解为影响致密含水气藏的因素，可以是采集到的属性数据如：气层厚度、孔隙度、渗透率、含气饱和度、密度、泥质含量、温度、含砂比、加砂量、砂液量、入地砂量、入地液量、排量等，每一个评价指标可以采集到多个数值，每一个评价指标对应有产量数据，可以基于每个评价指标对应的数值和对应的产量数据，计算出各个评价指标与产量之间的皮尔逊相关系数。可以一个油气井采集一次各个评价指标对应的数值和产量数据，或者一个油气井在不同阶段采集一次各个评价指标对应的数值和产量数据，具体可以根据实际需要而定，本说明书实施例不做具体限定。
在统计学中，皮尔逊相关系数(Pearson correlation coefficient)，又称皮尔逊积矩相关系数(Pearson product-moment correlation coefficient，简称PPMCC或PCCs)，是用于度量两个变量X和Y之间的相关(线性相关)，其值介于-1与1之间。通过计算各个评价指标与产量之间的皮尔逊相关系数，可以表征各个评价指标与产量即产能之间的相关性，若皮尔逊相关系数不在指定的范围内，则可以认为该评价指标与产量没有太大关联，可以将该评价指标删除，以提升产能预测的准确性，并减少数据处理，提升数据处理效率。
本说明书一些实施例中，可以采用下述公式(1)计算所述预处理数据集中的各个评价指标与对应的产量数据之间的皮尔逊相关系数：
Figure BDA0003256192270000061
其中，r表示评价指标x与对应的产量数据y之间的皮尔逊相关系数，N表示样本数量，xi表示评价指标x的第i个取值，yi评价指标x对应的产量数据的第i个取值，C表示奖惩系数，并且，0<C<1。
图2是本说明书一个场景示例中皮尔逊特征参数相关系数热力图，图3是本说明书一个场景示例中皮尔逊特征参数相关系数数据图，其中图3的坐标参数与图2的坐标参数相同。如图2-图3所示，利用上述公式(1)可以计算出各个评价指标与产量之间的皮尔逊相关系数，若皮尔逊相关系数不在1和-1之间，则可以将该评价指标删除，不作为产能预测的影响因素，最终构建出样本数据集，为后续产能预测奠定了数据基础。在实际油藏中，油藏类型、储层物性和压裂改造的特殊性，某些因素对产量的影响会增加，而由于生产的复杂性，该种特性未在产量中表现出来，一般的皮尔逊计算公式，计算结果会存在一定的误差。本说明书实施例通过引入奖惩系数的方法，对目前计算的皮尔逊公式进行修正，使得皮尔逊相关系数的计算更加准确，更加符合油藏的特性，进而为后续油气藏产能的预测奠定了准确的数据基础。本领域专业人员可以基于各个油气藏的产能数据以及地质特点、开采过程中的开采参数等，通过数值模拟、机器学习模型的训练等计算各个油气藏对应的奖惩系数。如：基于已知产能的致密含水气藏的产能以及入地沙量、加砂量和含水饱和度进行机器学习模型的训练，利用训练好的机器学习模型确定出各个致密含水气藏的奖惩系数。当然，奖惩系数的具体取值以及计算方式可以基于实际情况而定，如：采用专家策略或机器学习模型等方式确定，本说明书实施例不做具体限定。
步骤104、对所述样本数据集中各个评价指标进行灰色关联主控因素权重分析，确定出所述样本数据集中各个评价指标与产能之间的关联度。
在具体的实施过程中，构建出样本数据集后，可以通过灰色关联主控因素权重分析方法，评估评价指标的重要性参数，确定出各个评价指标与产能之间的关联度，为后续产能预测奠定数据基础。
本说明书一些实施例中，所述对所述样本数据集中各个评价指标进行灰色关联主控因素权重分析，确定出所述样本数据集中各个评价指标与产能之间的关联度，包括：
将所述样本数据集中的数据划分为参考数列和比较数列，其中，所述参考数列中为产量数据，所述比较数列为评价指标数据；
采用下述公式(2)确定出所述样本数据集中各个评价指标与产能之间的关联度：
Figure BDA0003256192270000071
其中，ξi(k)表示第i个评价指标的第k个取值对应的关联度系数，Δ(min)表示第i个评价指标对应参考数列与比较数列的差值最小值的绝对值，Δ(max)表示第i个评价指标对应参考数列与比较数列的差值最大值的绝对值，ρ表示分辨系数，通常ρ取值0.5，Δi(k)表示表示第i个评价指标的第k个取值对应的参考序列与比较序列差值的绝对值，N表示评价指标对应的样本数量，ri表示第i个评价指标与产能之间的关联度，λi表示第i个评价指标的专家评判因子。
在具体的实施过程中，灰色关联分析方法是基于灰色系统理论发展而来的一种综合评价和影响因素分析方法，通过对动态过程发展趋势进行量化分析，完成对系统内时间序列有关统计数据几何关系的比较，求出参考数列与比较数列之间的灰色关联度。按关联度的大小对各指标进行排序，确定关联序，通过关联度和关联序分析比较数列指标变化对参考数列指标的影响程度。本说明书实施例通过引入专家评判因子的方法，对计算的关联系数和关联度的公式进行修正，如：致密含水气藏中入地沙量、加砂量和含水饱和度会对产能有较大的影响，需要相应的增大其权重，进而提升各个评价指标与产能之间的关联度的计算结果的准确性，为后续产能预测奠定了准确的数据基础，提升产能预测结果的准确性。
利用上述公式(2)计算各个评价指标与产量数据之间的关联度，为后续确定产能影响主控因素和相应的权重奠定了数据基础，进而为产能预测模型的进化度提供权重参数。如表1所示，各个评价智爆对应的灰色关联程度不同，基于计算出的关联度，可以确定出影响油气藏产能的主要因素，为后续产能预测模型奠定了数据基础。
表1各影响因素灰色关联程度表
Figure BDA0003256192270000081
步骤106、利用所述样本数据集和所述样本数据集中各个评价指标与产能之间的关联度对产能预测模型进行模型训练，构建出产能预测模型。
在具体的实施过程中，计算出样本数据集中各个评价指标与产能之间的关联度后，可以基于关联度的大小调整各个评价指标对产能的影响权重，并利用样本数据集对产能预测模型进行模型训练，构建出产能预测模型。产能预测模型可以理解为一种机器学习模型，用于对致密含水气藏进行产能预测，模型的结构可以基于实际需要进行设置。可以预先构建出产能预测模型，设置产能预测模型的模型参数，利用样本数据集中的数据以及各个评价指标与产能之间的关联度对产能预测模型进行模型训练，构建出产能预测模型。
本说明书一些实施例中，可以选择遗传算法优化后的神经网络模型即GA-BP模型，使用遗传算法改进人工神经网络模型，对普通的神经网络模型进行优化，以提高模型的识别精度。传统BP神经网络的权值通过梯度下降来求最佳值，易陷入局部最优。而BP神经网络的拓扑结构，从原理上，只要有足够多的隐层和隐节点，即可实现复杂的映射关系，但是如何根据特定的问题来具体确定网络的结构尚无很好的方法，仍需要凭借经验和试凑。本说明书实施例利用了遗传算法对象模型无关性、鲁棒性强、随机性、全局性以及适用并行处理的优点，能够快速优化网络结构和网络连接权值，提高产能预测模型的预测准确性和计算效率。
本说明书一些实施例中，所述利用所述样本数据集和所述样本数据集中各个评价指标与产能之间的关联度对产能预测模型进行模型训练，构建出产能预测模型，包括：
配置所述产能预测模型的模型参数；
将所述样本数据集中各个评价指标对应的取值作为所述产能预测模型的输入，将所述样本数据集中的产量数据作为输出，对所述产能预测模型进行模型训练，在进行模型训练时，基于各个评价指标与产能之间的关联度调整各个评价指标对应的权重值，直至达到训练次数或所述产能预测模型达到指定精度，构建出所述产能预测模型。
在具体的实施过程中，可以配置产能预测模型的模型参数，模型参数可以包括各个评价指标对应的权重值，还可以包括网络结构、隐含层数等。将样本数据集中各个评价指标对应的取值作为产能预测模型的输入，将样本数据集中的产量数据作为输出，对所述产能预测模型进行模型训练。其中产能预测模型中可以包括各个评价指标对产能的影响权重参数，在进行模型训练时，基于各个评价指标与产能之间的关联度调整各个评价指标对应的权重值，直至达到训练次数或所述产能预测模型达到指定精度。此外，隐含层数过少或过多，都会影响神经网络的性能，适当隐含层可以用于拟合非线性函数，过少则会导致线性关联权重增大，过多则会造成结构的冗余，影响模型的精度。在模型训练过程中，还可以根据不同的隐含层数，在迭代次数终止前或达到小于误差目标值时，利用模型训练与目标之间的误差度来分析确定网络结构，确定出最佳的隐含层数量。
本说明书一个场景示例中，选择上述实施例中的评价指标作为模型的输入参数，输入层节点为12；产气量为输出参数，输出层节点数为1。隐藏层的节点数由多次组合运行所得精确度和稳定性要求来调试确定，最终确定隐含层节点数为5。
经过多次模拟运行调试，设定结束运行的最大训练次数为5000次，训练要求的精度为0.001。
根据各产能影响主控因素对应的主成分特征值和特征向量，研究各自的贡献率以及内部初始因素的权重，并按贡献率大小依次选出主控因子，直至累计贡献率超过85％。
产能预测要拟合的非线性函数有12个输入参数、1个输出参数，BP神经网络结构为12-5-1，共有12×5+5×1＝65个权值，5+1＝6个阈值。综合考虑模型的精度和稳定性要求，将学习速率设定为0.05，种群规模设定为80，进化次数设定为20，交叉概率设定为0.4，变异概率设定为0.2。利用实数编码方式来编码阈值、权值，采用遗传算法优化获得个体最优解，作为BP(back propagation)网络的初始权值和阈值。BP神经网络预测用遗传算法得到最优个体对网络初试权值和阈值赋值，网络经训练后预测函数输出。
此外，在训练构建出产能预测模型时，可以将样本数据集中的70％组样本数据作为训练集用于训练模型，30％组样本数据作为验证集用于检验预测模型的精度。
步骤108、利用所述产能预测模型对待预测致密含水气藏进行产能预测。
在具体的实施过程中，在构建出产能预测模型后，可以利用构建出的产能预测模型对待预测致密含水气藏进行产能预测，其中，待预测致密含水气藏可以是采集样本数据集时的致密含水气藏，也可以样本数据集对应的致密含水气藏周边的致密含水气藏，或者是其他的同种地质储层属性的致密含水气藏，本说明书实施例不做具体限定。可以利用产能预测模型对待预测致密含水气藏中各个油气井进行产能预测，为油气的开采提供理论依据。
本说明书一些场景示例中，还对通过机器学习得到的致密含水气藏产能预测模型进行准确性验证，选取其他生产井初期产气量作为指标，对比采用GA-BP和采用BP神经网络预测的结果。表2是本说明书一个场景示例中BP神经网络与GA-BP神经网络预测结果对比数据，图4是本说明书一个场景示例中GA-BP神经网络预测结果与期望值的对比示意图，如图4以及表2所示，采用优化后的GA-BP神经网络预测产能误差要明显由于BP神经网络预测值误差，GA-BP神经网络的预测结果与期望值相差不大，可以说明GA-BP神经网络预测结果的准确度比较高。
表2 BP神经网络与GA-BP神经网络预测结果分析
Figure BDA0003256192270000101
本说明书实施例提供了一种致密含水气藏产能预测方法，通过采集致密含水气藏的地质属性数据和压裂属性数据，全面考虑了影响致密含水气藏产能的因素，确定出影响致密含水气藏产能的评价指标，并利用灰色关联主控因素权重分析确定各个评价指标与产能之间的关联度，进而确定出各个评价指标对产能的影响权重值。基于采集的样本数据以及计算出的关联度，进行产能预测模型的训练，构建出致密含水气藏的机器学习模型，并利用构建出的机器学习模型进行致密含水气藏的产能预测，实现了致密含水气藏的准确、全面、快速的产能预测。
本说明书中上述方法的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参考即可，每个实施例重点说明的都是与其他实施例的不同之处。相关之处参考方法实施例的部分说明即可。
基于上述的致密含水气藏产能预测方法，本说明书一个或多个实施例还提供一种用于致密含水气藏产能预测的装置。装置可以包括使用了本说明书实施例方法的系统(包括分布式系统)、软件(应用)、模块、组件、服务器、客户端等并结合必要的实施硬件的装置。基于同一创新构思，本说明书实施例提供的一个或多个实施例中的装置如下面的实施例。由于装置解决问题的实现方案与方法相似，因此本说明书实施例具体的装置的实施可以参考前述方法的实施，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系统、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是本说明书一个实施例中致密含水气藏产能预测装置的结构示意图，如图5所示，本说明书一些实施例中提供的致密含水气藏产能预测装置具体可以包括：
数据采集模块51，用于采集致密含水气藏的属性数据，构建出样本数据集；
关联度计算模块52，用于对所述样本数据集中各个评价指标进行灰色关联主控因素权重分析，确定出所述样本数据集中各个评价指标与产能之间的关联度；
模型构建模块53，用于利用所述样本数据集和所述样本数据集中各个评价指标与产能之间的关联度对产能预测模型进行模型训练，构建出产能预测模型；
产能预测模块54，用于利用所述产能预测模型对待预测致密含水气藏进行产能预测。
本说明书实施例提供的致密含水气藏产能预测装置，通过采集致密含水气藏的地质属性数据和压裂属性数据，全面考虑了影响致密含水气藏产能的因素，确定出影响致密含水气藏产能的评价指标，并利用灰色关联主控因素权重分析确定各个评价指标与产能之间的关联度，进而确定出各个评价指标对产能的影响权重值。基于采集的样本数据以及计算出的关联度，进行产能预测模型的训练，构建出致密含水气藏的机器学习模型，并利用构建出的机器学习模型进行致密含水气藏的产能预测，实现了致密含水气藏的准确、全面、快速的产能预测。
需要说明的，上述的装置根据对应方法实施例的描述还可以包括其他的实施方式。具体的实现方式可以参照上述对应的方法实施例的描述，在此不作一一赘述。
本说明书实施例还提供一种致密含水气藏产能预测设备，设备包括至少一个处理器及用于存储处理器可执行指令的存储器，指令被处理器执行时实现包括上述实施例中的致密含水气藏产能预测方法，如：
采集致密含水气藏的属性数据，构建出样本数据集；
对所述样本数据集中各个评价指标进行灰色关联主控因素权重分析，确定出所述样本数据集中各个评价指标与产能之间的关联度；
利用所述样本数据集和所述样本数据集中各个评价指标与产能之间的关联度对产能预测模型进行模型训练，构建出产能预测模型；
利用所述产能预测模型对待预测致密含水气藏进行产能预测。
需要说明的，上述的设备根据方法实施例的描述还可以包括其他的实施方式。具体的实现方式可以参照相关方法实施例的描述，在此不作一一赘述。
本说明书提供的上述实施例的方法或装置可以通过计算机程序实现业务逻辑并记录在存储介质上，的存储介质可以计算机读取并执行，实现本说明书实施例所描述方案的效果。
本说明书实施例所提供的方法实施例可以在移动终端、计算机终端、服务器或者类似的运算装置中执行。以运行在服务器上为例，图6是本说明书一个实施例中致密含水气藏产能预测服务器的硬件结构框图，该计算机终端可以是上述实施例中的致密含水气藏产能预测服务器或致密含水气藏产能预测处理装置。如图6所示服务器10可以包括一个或多个(图中仅示出一个)处理器100(处理器100可以包括但不限于微处理器MCU或可编程逻辑器件FPGA等的处理装置)、用于存储数据的非易失性存储器200、以及用于通信功能的传输模块300。本领域普通技术人员可以理解，图6所示的结构仅为示意，其并不对上述电子装置的结构造成限定。例如，服务器10还可包括比图6中所示更多或者更少的组件，例如还可以包括其他的处理硬件，如数据库或多级缓存、GPU，或者具有与图6所示不同的配置。
非易失性存储器200可用于存储应用软件的软件程序以及模块，如本说明书实施例中的打车数据处理方法对应的程序指令/模块，处理器100通过运行存储在非易失性存储器200内的软件程序以及模块，从而执行各种功能应用以及资源数据更新。非易失性存储器200可包括高速随机存储器，还可包括非易失性存储器，如一个或者多个磁性存储装置、闪存、或者其他非易失性固态存储器。在一些实例中，非易失性存储器200可进一步包括相对于处理器100远程设置的存储器，这些远程存储器可以通过网络连接至计算机终端。上述网络的实例包括但不限于互联网、企业内部网、局与网、移动通信网及其组合。
传输模块300用于经由一个网络接收或者发送数据。上述的网络具体实例可包括计算机终端的通信供应商提供的无线网络。在一个实例中，传输模块300包括一个网络适配器(Network Interface Controller，NIC)，其可通过基站与其他网络设备相连从而可与互联网进行通讯。在一个实例中，传输模块300可以为射频(Radio Frequency，RF)模块，其用于通过无线方式与互联网进行通讯。
上述对本说明书特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下，在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外，在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中，多任务处理和并行处理也是可以的或者可能是有利的。
本说明书实施例提供的上述致密含水气藏产能预测方法或装置可以在计算机中由处理器执行相应的程序指令来实现，如使用windows操作系统的c++语言在PC端实现、linux系统实现，或其他例如使用android、iOS系统程序设计语言在智能终端实现，以及基于量子计算机的处理逻辑实现等。
本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参考即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于硬件+程序类实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参考方法实施例的部分说明即可。
虽然本说明书一个或多个实施例提供了如实施例或流程图的方法操作步骤，但基于常规或者无创造性的手段可以包括更多或者更少的操作步骤。实施例中列举的步骤顺序仅仅为众多步骤执行顺序中的一种方式，不代表唯一的执行顺序。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，甚至为分布式资源数据更新环境)。术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、产品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、产品或者设备所固有的要素。在没有更多限制的情况下，并不排除在包括要素的过程、方法、产品或者设备中还存在另外的相同或等同要素。第一，第二等词语用来表示名称，而并不表示任何特定的顺序。
为了描述的方便，描述以上装置时以功能分为各种模块分别描述。当然，在实施本说明书一个或多个时可以把各模块的功能在同一个或多个软件和/或硬件中实现，也可以将实现同一功能的模块由多个子模块或子单元的组合实现等。以上所描述的装置实施例仅仅是示意性的，例如，单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参考即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于系统实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参考方法实施例的部分说明即可。在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本说明书的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外，在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
以上仅为本说明书一个或多个实施例的实施例而已，并不用于限制本说明书一个或多个实施例。对于本领域技术人员来说，本说明书一个或多个实施例可以有各种更改和变化。凡在本说明书的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在权利要求范围之内。

Claims (10)

1.一种致密含水气藏产能预测方法，其特征在于，所述方法包括：
采集致密含水气藏的属性数据，构建出样本数据集；
对所述样本数据集中各个评价指标进行灰色关联主控因素权重分析，确定出所述样本数据集中各个评价指标与产能之间的关联度；
利用所述样本数据集和所述样本数据集中各个评价指标与产能之间的关联度对产能预测模型进行模型训练，构建出产能预测模型；
利用所述产能预测模型对待预测致密含水气藏进行产能预测。
2.如权利要求1所述的方法，其特征在于，所述采集致密含水气藏的属性数据，构建出样本数据集，包括：
对所述属性数据进行缺失处理和异常值处理，构建出所述样本数据集。
3.如权利要求2所述的方法，其特征在于，所述对所述属性数据进行缺失处理和异常值处理，更新构建出所述样本数据集，包括：
将对所述属性数据进行缺失处理和异常值处理后的数据作为预处理数据集；
计算所述预处理数据集中的各个评价指标与对应的产量数据之间的皮尔逊相关系数；
根据所述皮尔逊相关系数对所述预处理数据集中的异常值进行剔除，获得所述样本数据集。
4.如权利要求3所述的方法，其特征在于，采用下述公式计算所述预处理数据集中的各个评价指标与对应的产量数据之间的皮尔逊相关系数：
Figure FDA0003256192260000011
其中，r表示评价指标x与对应的产量数据y之间的皮尔逊相关系数，N表示各个评价指标对应的样本数量，xi表示评价指标x的第i个取值，yi评价指标x对应的产量数据的第i个取值，C表示奖惩系数，并且，0＜C＜1。
5.如权利要求1所述的方法，其特征在于，所述利用所述样本数据集和所述样本数据集中各个评价指标与产能之间的关联度对产能预测模型进行模型训练，构建出产能预测模型，包括：
配置所述产能预测模型的模型参数，所述模型参数包括各个评价指标对应的权重值；
将所述样本数据集中各个评价指标对应的取值作为所述产能预测模型的输入，将所述样本数据集中的产量数据作为输出，对所述产能预测模型进行模型训练，在进行模型训练时，基于各个评价指标与产能之间的关联度调整各个评价指标对应的权重值，直至达到训练次数或所述产能预测模型达到指定精度，构建出所述产能预测模型。
6.如权利要求1所述的方法，其特征在于，所述产能预测模型采用的是遗传算法优化后的神经网络模型。
7.如权利要求1所述的方法，其特征在于，所述对所述样本数据集中各个评价指标进行灰色关联主控因素权重分析，确定出所述样本数据集中各个评价指标与产能之间的关联度，包括：
将所述样本数据集中的数据划分为参考数列和比较数列，其中，所述参考数列中为产量数据，所述比较数列为评价指标数据；
采用下述公式确定出所述样本数据集中各个评价指标与产能之间的关联度：
Figure FDA0003256192260000021
其中，ξi(k)表示第i个评价指标的第k个取值对应的关联度系数，Δ(min)表示第i个评价指标对应参考数列与比较数列的差值最小值的绝对值，Δ(max)表示第i个评价指标对应参考数列与比较数列的差值最大值的绝对值，ρ表示分辨系数，通常ρ取值0.5，Δi(k)表示表示第i个评价指标的第k个取值对应的参考序列与比较序列差值的绝对值，N表示评价指标对应的样本数量，ri表示第i个评价指标与产能之间的关联度，λi表示第i个评价指标的专家评判因子。
8.如权利要求1所述的方法，其特征在于，所述属性数据包括：气层厚度、孔隙度、渗透率、含气饱和度、密度、泥质含量、温度、含砂比、加砂量、砂液量、入地砂量、入地液量、排量中的至少一种。
9.一种致密含水气藏产能预测装置，其特征在于，所述装置包括：
数据采集模块，用于采集致密含水气藏的属性数据，构建出样本数据集；
关联度计算模块，用于对所述样本数据集中各个评价指标进行灰色关联主控因素权重分析，确定出所述样本数据集中各个评价指标与产能之间的关联度；
模型构建模块，用于利用所述样本数据集和所述样本数据集中各个评价指标与产能之间的关联度对产能预测模型进行模型训练，构建出产能预测模型；
产能预测模块，用于利用所述产能预测模型对待预测致密含水气藏进行产能预测。
10.一种致密含水气藏产能预测设备，其特征在于，应用于服务器，设备包括至少一个处理器及用于存储处理器可执行指令的存储器，指令被处理器执行时实现包括上述权利要求1-8任一项方法的步骤。
CN202111060542.4A 2021-09-10 2021-09-10 致密含水气藏产能预测方法、装置及设备 Pending CN113779881A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111060542.4A CN113779881A (zh) 2021-09-10 2021-09-10 致密含水气藏产能预测方法、装置及设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111060542.4A CN113779881A (zh) 2021-09-10 2021-09-10 致密含水气藏产能预测方法、装置及设备

Publications (1)

Publication Number Publication Date
CN113779881A true CN113779881A (zh) 2021-12-10

Family

ID=78842375

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111060542.4A Pending CN113779881A (zh) 2021-09-10 2021-09-10 致密含水气藏产能预测方法、装置及设备

Country Status (1)

Country Link
CN (1) CN113779881A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116956049A (zh) * 2023-09-19 2023-10-27 中国联合网络通信集团有限公司 工业产能预测模型的训练方法、装置、设备及存储介质
CN117709684A (zh) * 2024-02-04 2024-03-15 四川汉丝服饰有限公司 基于实时产能预估的生产管理方法、系统、设备及介质

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
GB201520368D0 (en) * 2014-11-20 2016-01-06 Petrochina Co Ltd Evaluation method and evaluation device for water breakthrough risk of production wells in aquifer drive gas reservoirs
CN108446797A (zh) * 2018-03-06 2018-08-24 西南石油大学 一种致密油藏水平井体积压裂初期产能预测方法
CN108960651A (zh) * 2018-07-11 2018-12-07 西南石油大学 一种致密油气藏多级压裂水平井完井效率的综合评价方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
GB201520368D0 (en) * 2014-11-20 2016-01-06 Petrochina Co Ltd Evaluation method and evaluation device for water breakthrough risk of production wells in aquifer drive gas reservoirs
CN108446797A (zh) * 2018-03-06 2018-08-24 西南石油大学 一种致密油藏水平井体积压裂初期产能预测方法
CN108960651A (zh) * 2018-07-11 2018-12-07 西南石油大学 一种致密油气藏多级压裂水平井完井效率的综合评价方法

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116956049A (zh) * 2023-09-19 2023-10-27 中国联合网络通信集团有限公司 工业产能预测模型的训练方法、装置、设备及存储介质
CN117709684A (zh) * 2024-02-04 2024-03-15 四川汉丝服饰有限公司 基于实时产能预估的生产管理方法、系统、设备及介质

Similar Documents

Publication Publication Date Title
Johari et al. Modelling the mechanical behaviour of unsaturated soils using a genetic algorithm-based neural network
WO2009128972A1 (en) Markov decision process-based decision support tool for reservoir development planning
CN110414723B (zh) 基于微震事件的裂缝油气藏历史拟合的方法、装置及系统
CN113779881A (zh) 致密含水气藏产能预测方法、装置及设备
CN111832227B (zh) 基于深度学习的页岩气饱和度确定方法、装置和设备
CN117318033B (zh) 一种结合数据孪生的电网数据管理方法及系统
CN112364560A (zh) 矿山凿岩装备作业工时智能预测方法
CN111882157A (zh) 一种基于深度时空神经网络的需求预测方法、系统及计算机可读存储介质
CN115186936B (zh) 基于gnn模型的油田最优井网构建方法
CN116933192A (zh) 混凝土坝运行关键部位分区监控方法及模型
CN115545331A (zh) 控制策略预测方法和装置、设备及存储介质
CN114818418A (zh) 基于主动学习多元自适应回归样条的边坡可靠度分析方法
CN116911216B (zh) 一种储层油井产能因素评估与预测方法
CN117455551A (zh) 一种基于行业关系复杂网络的行业用电量预测方法
CN116070089A (zh) 一种基于ResNet回归模型的地层划分方法、装置和计算机设备
CN114862007A (zh) 一种面向碳酸盐岩气井的短周期产气量预测方法及系统
CN108596781A (zh) 一种电力系统数据挖掘与预测整合方法
CN118300104B (zh) 基于图神经网络的分布式光伏功率预测方法、系统、电子设备及存储介质
CN117522173B (zh) 基于深度神经网络的天然气水合物降压开采产能预测方法
US20220228483A1 (en) Systems and methods for updating reservoir static models
US20230237225A1 (en) Machine learning based reservoir modeling
CN116128162A (zh) 基于小样本的压裂井初期产能预测方法、系统及存储介质
CN114677000A (zh) 砂岩热储层开发利用适宜性量化方法、装置及存储介质
CN115577618A (zh) 高压换流阀厅环境因子预测模型构建方法与预测方法
CN118627418A (zh) 基于集成学习的地下水封油库涌水量预测方法和装置

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