CN114048932A - 一种基于lstm的煤层气井产气量预测方法 - Google Patents
一种基于lstm的煤层气井产气量预测方法 Download PDFInfo
- Publication number
- CN114048932A CN114048932A CN202210035955.5A CN202210035955A CN114048932A CN 114048932 A CN114048932 A CN 114048932A CN 202210035955 A CN202210035955 A CN 202210035955A CN 114048932 A CN114048932 A CN 114048932A
- Authority
- CN
- China
- Prior art keywords
- data
- neural network
- network model
- lstm
- coal
- 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.)
- Withdrawn
Links
- 238000004519 manufacturing process Methods 0.000 title claims abstract description 51
- 238000000034 method Methods 0.000 title claims abstract description 34
- 238000003062 neural network model Methods 0.000 claims abstract description 87
- 230000006870 function Effects 0.000 claims abstract description 75
- 238000005553 drilling Methods 0.000 claims abstract description 51
- 239000003245 coal Substances 0.000 claims abstract description 23
- 238000012549 training Methods 0.000 claims abstract description 17
- 230000004913 activation Effects 0.000 claims abstract description 14
- 238000007781 pre-processing Methods 0.000 claims abstract description 7
- 239000013598 vector Substances 0.000 claims description 72
- 230000015654 memory Effects 0.000 claims description 15
- 239000011159 matrix material Substances 0.000 claims description 10
- 239000012530 fluid Substances 0.000 claims description 8
- 238000009499 grossing Methods 0.000 claims description 5
- VNWKTOKETHGBQD-UHFFFAOYSA-N methane Chemical compound C VNWKTOKETHGBQD-UHFFFAOYSA-N 0.000 abstract description 12
- 230000009286 beneficial effect Effects 0.000 abstract description 3
- 238000013135 deep learning Methods 0.000 abstract description 2
- 239000007789 gas Substances 0.000 description 83
- 238000010586 diagram Methods 0.000 description 9
- 238000004364 calculation method Methods 0.000 description 5
- 238000011161 development Methods 0.000 description 3
- 239000003345 natural gas Substances 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 230000003247 decreasing effect Effects 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000002343 natural gas well Substances 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 239000002994 raw material Substances 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000012795 verification Methods 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"
-
- 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
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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
- G06N3/044—Recurrent networks, e.g. Hopfield networks
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Data Mining & Analysis (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Human Resources & Organizations (AREA)
- General Engineering & Computer Science (AREA)
- Strategic Management (AREA)
- Geology (AREA)
- Economics (AREA)
- Mining & Mineral Resources (AREA)
- Mathematical Physics (AREA)
- Entrepreneurship & Innovation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biophysics (AREA)
- Software Systems (AREA)
- Biomedical Technology (AREA)
- Development Economics (AREA)
- Health & Medical Sciences (AREA)
- Game Theory and Decision Science (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computational Linguistics (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Environmental & Geological Engineering (AREA)
- Fluid Mechanics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- General Life Sciences & Earth Sciences (AREA)
- Geochemistry & Mineralogy (AREA)
Abstract
本发明涉及一种基于LSTM的煤层气井产气量预测方法，属于计算机深度学习领域。解决了煤层气单井每日的产气量无法预测的问题；本发明的技术方案为：收集单井钻井数据；对单井钻井数据进行预处理，建立数据集；建立LSTM神经网络模型，建立全连接神经网络模型；设置LSTM神经网络模型的输入维度、隐藏层数、中间层维度、激活函数以及损失函数；训练LSTM神经网络模型，直到LSTM神经网络模型同煤层气井的日产量数据相拟合；将数据集中的后1/4的数据放入LSTM神经网络模型中，进行对煤层气井日产气量的预测。与现有发明相比，本发明具有以下有益效果：准确度高；高效快捷；利用实际数据进行训练，通单井实际情况更加符合。
Description
技术领域
本发明涉及一种基于LSTM的煤层气井产气量预测方法，属于计算机深度学习领域。
背景技术
煤层气是近二十年来在世界越来越被重视的新型能源，其成分与常规天然气基本相同，完全可以作为与常规天然气同等质量的优质能源和化工原料。准确预测煤层气的产能是煤层气资源开发的关键，煤层气作为一种非常规天然气资源，其产能预测方式与常规的天然气井的预测方式存在着不同，因此必须了解煤层气井产量变化规律以及影响因素，才能建立更加符合煤储层地质特征的煤层气井产能预测模型。
在过去几十年的探索中，提出了很多煤层气井产能预测方面的理论方法，主要包括体积计算法、产量递减分析法、物质平衡法以及数值模拟计算法等。
体积计算法是估算储量的最简单的方法。在开发初期往往要用体积计算来估算出与开发投资和财务决定相关的储量。体积计算法最大的优点是使用简单，它只需几个参数和几个假设。缺点是在引入不完全知道的关键参数或必须的主观评价时，可能产生较大的错误。
数值模拟法是煤层气井未来产量计算的一个重要方法，这种方法是在计算机中利用专用软件对已获得的储层参数和早期的生产数据进行拟合匹配，最后获取气井的预计生产曲线。
产量递减法是通过研究煤层气井的产气规律、分析其生产特征和历史资料预测井的未来产量，一般是在煤层气井经历了产气高峰、稳产并出现递减后，利用产量递减曲线和斜率对未来产量进行计算。
在现有的基础上，上述采用的传统煤层气产量预测方式需要极为苛刻的数据条件为前提，同时，获得的产量预测局限于一定范围内，无法精确到对每日煤层气产量的预测。
发明内容
本发明目的是：为了解决现有的对一口井煤层气未来每日的产气量无法预测的问题，本发明基于Long Short-Term Memory（简称LSTM）神经网络模型，通过训练已有参数，建立时序网络模型，实现对煤层气每日产气量的预测。
为实现上述目的，本发明提供了一种基于LSTM的煤层气井产气量预测方法，该方法包括以下步骤：
S100、收集单井钻井数据，单井钻井数据包括泵效、井底压力、套管压力、动液面高度和日产气量；
S200、将收集的单井钻井数据存入列数为5的二维矩阵中，对单井钻井数据进行预处理，建立数据集；
S300、建立LSTM神经网络模型，LSTM由遗忘门函数、记忆门函数、输出门函数三部分组成；建立全连接神经网络模型，设定全连接神经网络模型的输入特征数目为20、全连接神经网络模型的隐藏层数为1和输出维度为1；
S400、设置LSTM神经网络模型的输入维度为5、LSTM神经网络模型的隐藏层数为5、LSTM神经网络模型的中间层维度为20、建立的LSTM神经网络模型的激活函数和损失函数，激活函数为relu函数以及损失函数为均方损失函数；所述激活函数为
，式中，x为特征向量，无量纲量；max为取数据最大值函数；f(x)为通过激活函数计算后的数据，无量纲量；所述损失函数为
，式中，f(x)为通过激活函数计算后的数据，无量纲量；y为真实值，无量纲量；N为样本个数，无量纲量；MSE为均方损失值，无量纲量；
S500、用数据集的前3/4的数据训练LSTM神经网络模型，当LSTM神经网络模型同煤层气井的日产量数据相拟合时，完成模型的训练；
S600、在完成LSTM神经网络模型的训练后，将数据集中的后1/4的数据放入训练好的LSTM神经网络模型中，进行对煤层气井日产气量的预测。
上述的一种基于LSTM的煤层气井产气量预测方法，所述对单井钻井数据的预处理包括以下步骤；
S201、将存储单井钻井数据的二维矩阵中单列的空值转移至该列的末端，得到每列都连续的单井钻井数据；
S202、平滑单井钻井数据，当当前数据与前一个数据的比值大于2时，更改当前数据的值为当前数据与前一个数据相加和的平均值，直到当前数据与前一个数据的比值小于2；
S203、将单井钻井数据进行归一化；
S204、将单井钻井数据中的日产量数据作为LSTM神经网络模型的标签数据，将单井钻井数据中的泵效、井底压力、套管压力、动液面以及日产气量作为LSTM神经网络模型的特征向量，完成了数据集的建立；
上述的一种基于LSTM的煤层气井产气量预测方法，所述遗忘门函数为
，式中，W f 为隐藏层与输入特征向量的权重向量，无量纲量；ht-1为t-1时刻隐藏层向量，无量纲量；xt为t时刻的输入特征向量，无量纲量；b f 为偏置量向量，无量纲量；e为自然对数的底数，常数；f t为遗忘门函数处理后的数据向量，无量纲量。
上述的一种基于LSTM的煤层气井产气量预测方法，所述记忆门函数为
，式中，WU为隐藏层与输入特征向量的权重向量，无量纲量；ht-1为t-1时刻隐藏层向量，无量纲量；xt为t时刻的输入特征向量，无量纲量；bU为偏置量向量，无量纲量；Ut为记忆门函数处理后的数据向量，无量纲量；
上述的一种基于LSTM的煤层气井产气量预测方法，所述输出门函数为
，式中，ft为遗忘门函数处理后的数据向量，无量纲量；Ct-1为t-1时刻的输出数据向量，无量纲量；Ct为t时刻的输出数据向量，无量纲量；Ut为记忆门函数处理后的数据向量，无量纲量。
本发明具有以下有益效果：（1）考虑了煤层气井的综合数据因素，准确度高；（2）最终的煤层气井日产气量预测模型由已有数据集进行训练，通单井实际情况更加符合；（3）由LSTM神经网络模型能更快速高效的对后续每日的产气量进行预测。
附图说明
图1是本发明的技术路线图。
图2是单个LSTM神经网络模型的结构图。
图3是LSTM神经网络模型的遗忘门函数逻辑示意图。
图4是LSTM神经网络模型的记忆门函数逻辑示意图。
图5是LSTM神经网络模型的输出门函数逻辑示意图。
图6是全连接神经网络模型示意图。
图7是激活函数示意图。
图8是煤层气井X1井通过本方法的预测值与真实值之间的对比图。
图9是煤层气井G3-1井通过本方法预测的产气量曲线图。
图中：1代表特征向量点乘运算；2代表特征向量相加运算；3代表双曲正切函数；4代表Sigmoid函数；5代表t时刻输入的特征向量。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚明白，下面结合实施方式和附图，对本发明进一步详细说明。在此，本发明的示意性实施方式以及其说明用于解释本发明，但并不作为本发明的限定。
如图1所示，是一种基于LSTM的煤层气井产气量预测方法的技术流程图，该方法包括了以下步骤：
S100、收集单井钻井数据，单井钻井数据包括泵效、井底压力、套管压力、动液面高度和日产气量；
S200、将收集的单井钻井数据存入列数为5的二维矩阵中，对单井钻井数据进行预处理，建立数据集；
S300、建立LSTM神经网络模型，LSTM神经网络模型的结构如图2所示，LSTM由遗忘门函数、记忆门函数、输出门函数三部分组成，其中遗忘门函数用于对上一个节点传进来的输入数据进行选择性忘记，其逻辑示意图如图3所示；记忆门函数用于将当前阶段中的数据有选择性的进行记忆，其逻辑示意图如图4所示；输出门函数用于输出当前的状态，其逻辑示意图如图5所示；建立全连接神经网络模型，设定全连接神经网络模型的输入特征数目为20、全连接神经网络模型的隐藏层数为1和输出维度为1；如图6所示。
S400、设置LSTM神经网络模型的输入维度为5、LSTM神经网络模型的隐藏层数为5、LSTM神经网络模型的中间层维度为20、建立的LSTM神经网络模型的激活函数和损失函数，激活函数为relu函数，如图7所示；损失函数为均方损失函数；所述激活函数为
，式中，x为特征向量，无量纲量；max为取数据最大值函数；f(x)为通过激活函数计算后的数据，无量纲量；所述损失函数为
，式中，f(x)为通过激活函数计算后的数据，无量纲量；y为真实值，无量纲量；N为样本个数，无量纲量；MSE为均方损失值，无量纲量；
S500、用数据集的前3/4的数据训练LSTM神经网络模型，当LSTM神经网络模型同煤层气井的日产量数据相拟合时，完成LSTM神经网络模型的训练；
S600、在完成LSTM神经网络模型的训练后，将数据集中的后1/4的数据放入训练好的LSTM神经网络模型中，进行对煤层气井日产气量的预测。
上述的一种基于LSTM的煤层气井产气量预测方法，所述对单井钻井数据的预处理包括以下步骤；
S201、将存储单井钻井数据的二维矩阵中单列的空值转移至该列的末端，得到每列都连续的单井钻井数据；
S202、平滑单井钻井数据，当当前数据与前一个数据的比值大于2时，更改当前数据的值为当前数据与前一个数据相加和的平均值，直到当前数据与前一个数据的比值小于2；
S203、将单井钻井数据进行归一化，归一化的处理函数为
；式中，xi为需要处理的数据，无量纲量；min为取得数据最小值函数；max为取得数据最大值函数；n为数据总数，无量纲量；yi为归一化处理后的数据，无量纲量；
S204、将单井钻井数据中的日产量数据作为LSTM神经网络模型的标签数据，将单井钻井数据中的泵效、井底压力、套管压力、动液面以及日产气量作为LSTM神经网络模型的特征向量，完成了数据集的建立。
上述的一种基于LSTM的煤层气井产气量预测方法，所述遗忘门函数为
，式中，W f 为隐藏层与输入特征向量的权重向量，无量纲量；ht-1为t-1时刻隐藏层向量，无量纲量；xt为t时刻的输入特征向量，无量纲量；b f 为偏置量向量，无量纲量；e为自然对数的底数，常数；f t为遗忘门函数处理后的数据向量，无量纲量。
上述的一种基于LSTM的煤层气井产气量预测方法，所述记忆门函数为
，式中，WU为隐藏层与输入特征向量的权重向量，无量纲量；ht-1为t-1时刻隐藏层向量，无量纲量；xt为t时刻的输入特征向量，无量纲量；bU为偏置量向量，无量纲量；Ut为记忆门函数处理后的数据向量，无量纲量。
上述的一种基于LSTM的煤层气井产气量预测方法，所述输出门函数为
，式中，ft为遗忘门函数处理后的数据向量，无量纲量；Ct-1为t-1时刻的输出数据向量，无量纲量；Ct为t时刻的输出数据向量，无量纲量；Ut为记忆门函数处理后的数据向量，无量纲量。
下面结合具体单井进一步对一种基于LSTM的煤层气井产气量预测方法进行说明。
实施例1 一种基于LSTM的煤层气井产气量预测方法准确度验证
收集煤层气井X1井的单井钻井数据，将收集的单井钻井数据存入列数为5的二维矩阵中；
将存储单井钻井数据的二维矩阵中单列的空值转移至该列的末端，得到每列都连续的单井钻井数据；
平滑单井钻井数据，当当前数据与前一个数据的比值大于2时，更改当前数据的值为当前数 据与前一个数据相加和的平均值，直到当前数据与前一个数据的比值小于2；
将单井钻井数据进行归一化；将单井钻井数据中的日产量数据作为LSTM神经网络模型的标签数据，将单井钻井数据中的泵效、井底压力、套管压力、动液面高度和日产气量作为LSTM神经网络模型的特征向量，完成了数据集的建立。
建立LSTM神经网络模型，LSTM神经网络模型由遗忘门函数
、记忆门函数
、输出门函数
三部分组成；建立全连接神经网络模型，设定全连接神经网络模型的输入特征数目为20、全连接神经网络模型的隐藏层数为1和输出维度为1。
设置LSTM神经网络模型相关参数，LSTM神经网络模型参数设置详见表1。
表1
用数据集的前3/4的数据训练LSTM神经网络模型，当LSTM神经网络模型同煤层气井的日产气量数据相拟合时，完成LSTM神经网络模型的训练；
在完成LSTM神经网络模型的训练后，将数据集中的后1/4的数据放入训练好的LSTM神经网络模型中，进行对煤层气井X1井日产气量的预测，其预测结果与X1井实测数据如图8所示，进一步计算得到预测结果与X1井实测数据之前的平均误差为5%，本方法的预测准确度高。
实施例2 煤层气井G3-1井产气量预测
收集煤层气井G3-1井的单井钻井数据，数据截止至2021年11月30日，将收集的单井钻井数据存入列数为5的二维矩阵中；
将存储单井钻井数据的二维矩阵中单列的空值转移至该列的末端，得到每列都连续的单井钻井数据；
平滑单井钻井数据，当当前数据与前一个数据的比值大于2时，更改当前数据的值为当前数 据与前一个数据相加和的平均值，直到当前数据与前一个数据的比值小于2；
将单井钻井数据进行归一化；将单井钻井数据中的日产量数据作为LSTM神经网络模型的标签数据，将单井钻井数据中的泵效、井底压力、套管压力、动液面高度和日产气量作为LSTM神经网络模型的特征向量，完成了数据集的建立。
建立LSTM神经网络模型，LSTM神经网络模型由遗忘门函数、记忆门函数、输出门函数三部分组成；
建立全连接神经网络模型，设定全连接神经网络模型的输入特征数目为20、全连接神经网络模型的隐藏层数为1和输出维度为1。
设置LSTM神经网络模型相关参数，LSTM神经网络模型参数设置详见表1。
用数据集的前3/4的数据训练LSTM神经网络模型，当LSTM神经网络模型同煤层气井的日产气量数据相拟合时，完成LSTM神经网络模型的训练；
在完成LSTM神经网络模型的训练后，将数据集中的后1/4的数据放入训练好的LSTM神经网络模型中，进行对煤层气井G3-1井日产气量的预测，预测其从2021年12月1至2020年3月31日期间的产气量，产气量曲线如图9所示，能够高效的进行煤层气井G3-1井日产气量的预测。
与现有发明相比，本发明具有以下有益效果：（1）考虑了煤层气井的综合数据因素，准确度高；（2）最终的煤层气井日产气量预测模型由已有数据集进行训练，通单井实际情况更加符合；（3）由LSTM神经网络模型能更快速高效的对后续每日的产气量进行预测。
最后所应说明的是：以上实施例仅用以说明而非限制本发明的技术方案，尽管参照上述实施例对本发明进行了详细说明，本领域的普通技术人员应该理解：依然可以对本发明进行修改或者等同替换，而不脱离本发明的精神和范围的任何修改或局部替换，其均应涵盖在本发明的权利要求范围当中。
Claims (5)
1.一种基于LSTM的煤层气井产气量预测方法，其特征在于，所述方法分为以下步骤：
S100、收集单井钻井数据，单井钻井数据包括泵效、井底压力、套管压力、动液面高度和日产气量；
S200、将收集的单井钻井数据存入列数为5的二维矩阵中，对单井钻井数据进行预处理，建立数据集；
S300、建立LSTM神经网络模型，LSTM神经网络模型由遗忘门函数、记忆门函数、输出门函数三部分组成；建立全连接神经网络模型，设定全连接神经网络模型的输入特征数目为20、全连接神经网络模型的隐藏层数为1和输出维度为1；
S400、设置LSTM神经网络模型的输入维度为5、LSTM神经网络模型的隐藏层数为5、LSTM神经网络模型的中间层维度为20、建立的LSTM神经网络模型的激活函数和损失函数，激活函数为relu函数，损失函数为均方损失函数；
S500、用数据集的前3/4的数据训练LSTM神经网络模型，当LSTM神经网络模型同煤层气井的日产气量数据相拟合时，完成LSTM神经网络模型的训练；
S600、在完成LSTM神经网络模型的训练后，将数据集中的后1/4的数据放入训练好的LSTM神经网络模型中，进行对煤层气井日产气量的预测。
2.根据权利要求1所述的一种基于LSTM的煤层气井产气量预测方法，其特征在于，所述对单井钻井数据的预处理包括以下步骤；
S201、将存储单井钻井数据的二维矩阵中单列的空值转移至该列的末端，得到每列都连续的单井钻井数据；
S202、平滑单井钻井数据，当当前数据与前一个数据的比值大于2时，更改当前数据的值为当前数据与前一个数据相加和的平均值，直到当前数据与前一个数据的比值小于2；
S203、将单井钻井数据进行归一化；
S204、将单井钻井数据中的日产量数据作为LSTM神经网络模型的标签数据，将单井钻井数据中的泵效、井底压力、套管压力、动液面高度和日产气量作为LSTM神经网络模型的特征向量，完成了数据集的建立。
3.根据权利要求1所述的一种基于LSTM的煤层气井产气量预测方法，其特征在于，所述遗忘门函数为
，式中，W f 为隐藏层与输入特征向量的权重向量，无量纲量；ht-1为t-1时刻隐藏层向量，无量纲量；xt为t时刻的输入特征向量，无量纲量；b f 为偏置量向量，无量纲量；e为自然对数的底数，常数；f t为遗忘门函数处理后的数据向量，无量纲量。
4.根据权利要求1所述的一种基于LSTM的煤层气井产气量预测方法，其特征在于，所述记忆门函数为
，式中，WU为隐藏层与输入特征向量的权重向量，无量纲量；ht-1为t-1时刻隐藏层向量，无量纲量；xt为t时刻的输入特征向量，无量纲量；bU为偏置量向量，无量纲量；Ut为记忆门函数处理后的数据向量，无量纲量。
5.根据权利要求1所述的一种基于LSTM的煤层气井产气量预测方法，其特征在于，所述输出门函数为
，式中，ft为遗忘门函数处理后的数据向量，无量纲量；Ct-1为t-1时刻的输出数据向量，无量纲量；Ct为t时刻的输出数据向量，无量纲量；Ut为记忆门函数处理后的数据向量，无量纲量。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210035955.5A CN114048932A (zh) | 2022-01-13 | 2022-01-13 | 一种基于lstm的煤层气井产气量预测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210035955.5A CN114048932A (zh) | 2022-01-13 | 2022-01-13 | 一种基于lstm的煤层气井产气量预测方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN114048932A true CN114048932A (zh) | 2022-02-15 |
Family
ID=80196536
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210035955.5A Withdrawn CN114048932A (zh) | 2022-01-13 | 2022-01-13 | 一种基于lstm的煤层气井产气量预测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114048932A (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115660235A (zh) * | 2022-12-28 | 2023-01-31 | 北京科技大学 | 一种一井多用煤层气井生产全过程产量预测方法 |
| CN116502772A (zh) * | 2023-06-25 | 2023-07-28 | 成都英沃信科技有限公司 | 气井日产气量预测方法、确定装置、电子设备及存储介质 |
| CN116611556A (zh) * | 2023-05-17 | 2023-08-18 | 西南石油大学 | 一种基于混合神经网络的致密气井单井产量预测方法 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110630256A (zh) * | 2019-07-09 | 2019-12-31 | 吴晓南 | 一种基于深度长短时记忆网络的低产气油井井口含水率预测系统及方法 |
| CN112861422A (zh) * | 2021-01-08 | 2021-05-28 | 中国石油大学(北京) | 一种深度学习的煤层气螺杆泵井健康指数预测方法及系统 |
-
2022
- 2022-01-13 CN CN202210035955.5A patent/CN114048932A/zh not_active Withdrawn
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110630256A (zh) * | 2019-07-09 | 2019-12-31 | 吴晓南 | 一种基于深度长短时记忆网络的低产气油井井口含水率预测系统及方法 |
| CN112861422A (zh) * | 2021-01-08 | 2021-05-28 | 中国石油大学(北京) | 一种深度学习的煤层气螺杆泵井健康指数预测方法及系统 |
Non-Patent Citations (2)
| Title |
|---|
| 董维强 等: "基于循环神经网络的煤层气井产气量预测方法研究", 《煤炭科学技术》 * |
| 蒲晓 等: "大倾角煤层地应力及破裂压力研究", 《煤炭技术》 * |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115660235A (zh) * | 2022-12-28 | 2023-01-31 | 北京科技大学 | 一种一井多用煤层气井生产全过程产量预测方法 |
| CN116611556A (zh) * | 2023-05-17 | 2023-08-18 | 西南石油大学 | 一种基于混合神经网络的致密气井单井产量预测方法 |
| CN116502772A (zh) * | 2023-06-25 | 2023-07-28 | 成都英沃信科技有限公司 | 气井日产气量预测方法、确定装置、电子设备及存储介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN114048932A (zh) | 一种基于lstm的煤层气井产气量预测方法 | |
| CN109948841B (zh) | 一种基于深度学习的水驱开发油田剩余油分布的预测方法 | |
| CN110400006B (zh) | 基于深度学习算法的油井产量预测方法 | |
| CN111985610B (zh) | 一种基于时序数据的抽油机井泵效预测系统和方法 | |
| CN110439513B (zh) | 一种柱塞气举排液采气生产制度的优化方法 | |
| CN112966954A (zh) | 一种基于时间卷积网络的防洪调度方案优选方法 | |
| CN113236228B (zh) | 一种单井产量快速预测方法及系统 | |
| CN113722997A (zh) | 一种基于静态油气田数据的新井动态产量预测方法 | |
| CN116658155A (zh) | 一种页岩气井产量预测的方法 | |
| CN112016212A (zh) | 一种基于渗流控制方程的储层纵向非均质性评价方法 | |
| CN115618987A (zh) | 生产井生产数据预测方法、装置、设备和存储介质 | |
| CN112800590B (zh) | 一种机器学习辅助的两相流油藏随机建模的网格粗化方法 | |
| CN113641733A (zh) | 一种河道断面流量实时智能推求方法 | |
| CN112539054A (zh) | 地面管网与地下油藏复杂系统生产优化方法 | |
| CN116303626A (zh) | 一种基于特征优化和在线学习的固井泵压预测方法 | |
| CN111832951A (zh) | 用于评价小断块特低渗储层油藏开发价值的方法和系统 | |
| CN115564136A (zh) | 一种地热历史拟合和产能预测方法 | |
| CN114810008A (zh) | 一种油田分层注水量预测方法 | |
| CN113627640A (zh) | 一种针对缝洞型油藏油气井的产能试井预测方法及系统 | |
| CN116861800B (zh) | 一种基于深度学习的油井增产措施优选及效果预测方法 | |
| CN117684947B (zh) | 一种基于深度学习的油井井底流压软测量方法 | |
| CN115906591B (zh) | 一种基于XGBoost网络的油井动液面计算方法 | |
| CN117093931A (zh) | 一种基于卷积神经网络的试井曲线自动分类方法及装置 | |
| 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 | |
| CN117689913A (zh) | 一种大数据驱动的油井动液面软测量方法 |
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 | ||
| WW01 | Invention patent application withdrawn after publication |
Application publication date: 20220215 |
|
| WW01 | Invention patent application withdrawn after publication |