CN114331071A - 模型训练方法、压裂参数确定方法、装置和计算机设备 - Google Patents

模型训练方法、压裂参数确定方法、装置和计算机设备 Download PDF

Info

Publication number
CN114331071A
CN114331071A CN202111569769.1A CN202111569769A CN114331071A CN 114331071 A CN114331071 A CN 114331071A CN 202111569769 A CN202111569769 A CN 202111569769A CN 114331071 A CN114331071 A CN 114331071A
Authority
CN
China
Prior art keywords
oil
prediction model
gas
prior knowledge
gas productivity
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
CN202111569769.1A
Other languages
English (en)
Inventor
王天宇
田守嶒
张文宏
李根生
盛茂
王海柱
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 CN202111569769.1A priority Critical patent/CN114331071A/zh
Publication of CN114331071A publication Critical patent/CN114331071A/zh
Pending legal-status Critical Current

Links

Images

Landscapes

  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本说明书实施例公开了一种油气产能预测模型训练方法、压裂参数确定方法、装置和计算机设备。所述油气产能预测模型训练方法包括：确定影响油气产能的主控因素；根据理论先验知识和经验先验知识，构建目标函数；其中，所述理论先验知识用于表示主控因素下油气产能的理论值，所述经验先验知识用于表示油气产能随主控因素的变化情况；利用目标函数对油气产能预测模型进行训练。本说明书实施例可以提高油气产能预测精度，可以利用油气产能预测模型确定压裂参数。

Description

模型训练方法、压裂参数确定方法、装置和计算机设备
技术领域
本说明书实施例涉及计算机技术领域，特别涉及一种油气产能预测模型训练方法、压裂参数确定方法、装置和计算机设备。
背景技术
非常规油气资源是我国油气勘探开发的重点发展领域，准确预测油气产能是制定和调整油气井开发方案及评价其生产动态的前提。由于储层压裂缝网难以准确识别和表征，导致传统油气产能计算存在许多的不确定因素。页岩储层具有跨尺度孔隙结构(包括微纳米级的有机质孔、毫米级的天然裂缝和厘米级的人工裂缝等)，油气产能的模拟计算是典型的高耗时计算问题，计算效率低且计算效果不理想，从而导致油气产能预测精度不高。
发明内容
本说明书实施例提供一种油气产能预测模型训练方法、压裂参数确定方法、装置和计算机设备，以提高油气产能预测精度，另外，还可以利用油气产能预测模型确定压裂参数。
本说明书实施例的第一方面，提供了一种油气产能预测模型训练方法，包括：
确定影响油气产能的主控因素；
根据理论先验知识和经验先验知识，构建目标函数；其中，所述理论先验知识用于表示主控因素下油气产能的理论值，所述经验先验知识用于表示油气产能随主控因素的变化情况；
利用目标函数对油气产能预测模型进行训练。
本说明书实施例的第二方面，提供了一种压裂参数确定方法，包括：
根据油气产能预测模型确定压裂参数，其中，所述油气产能预测模型基于第一方面所述方法训练得到。
本说明书实施例的第三方面，提供了一种油气产能预测模型训练装置，包括：
确定单元，用于确定影响油气产能的主控因素；
构建单元，用于根据理论先验知识和经验先验知识，构建目标函数；其中，所述理论先验知识用于表示主控因素下油气产能的理论值，所述经验先验知识用于表示油气产能随主控因素的变化情况；
训练单元，用于利用目标函数对油气产能预测模型进行训练。
本说明书实施例的第四方面，提供了一种压裂参数确定装置，包括：
确定单元，用于根据油气产能预测模型确定压裂参数，其中，所述油气产能预测模型基于第一方面所述方法训练得到。
本说明书实施例的第四方面，提供了一种计算机设备，包括：
至少一个处理器；
存储有程序指令的存储器，其中，所述程序指令被配置为适于由所述至少一个处理器执行，所述程序指令包括用于执行如第一方面或者第二方面所述方法的指令。
本说明书实施例提供的技术方案，可以确定影响油气产能的主控因素；可以根据理论先验知识和经验先验知识，构建目标函数；其中，所述理论先验知识用于表示主控因素下油气产能的理论值，所述经验先验知识用于表示油气产能随主控因素的变化情况；可以利用目标函数对油气产能预测模型进行训练。由于目标函数是根据理论先验知识和经验先验知识构建得到的，从而避免了传统机器学习模型的反复调参且调参效率低以及传统机器学习模型完全依赖于样本数据的问题，有利于提高油气产能预测模型的训练效率，同时增加了油气产能预测模型的可解释性。另外，还可以根据油气产能预测模型确定压裂参数。
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，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为本说明书实施例中油气产能预测模型训练方法的流程示意图；
图2为本说明书实施例中压裂参数确定方法的流程示意图；
图3为本说明书实施例中油气产能预测模型训练装置的结构示意图；
图4为本说明书实施例中压裂参数确定装置的结构示意图；
图5为本说明书实施例中计算机设备的结构示意图。
具体实施方式
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。
请参阅图1。本说明书实施例提供一种油气产能预测模型训练方法。所述方法可以应用于计算机设备，所述计算机设备可以包括台式机、笔记本电脑、服务器或者服务器集群等。
所述油气产能预测模型训练方法可以包括以下步骤。
步骤S11：确定影响油气产能的主控因素。
在一些实施例中，所述主控因素可以包括渗透率、孔隙度、压裂段数等。
所述主控因素可以选自地质参数和工程参数。所述地质参数可以包括储层厚度、总含碳量(TOC)、孔隙度、渗透率、饱和度、甜点分布、成熟度(Ro)、含气量等。所述工程参数可以包括水平段长度、压裂段数、段间距、单段簇数、簇间距、施工排量、总液量、总砂量、加砂强度等。考虑到地质参数和工程参数的数量和种类较多，可以通过主成分分析方法从地质参数和工程参数选择关键参数作为主控因素，从而降低特征参数的维度。
在实际应用中，可以对油气产能与地质参数和工程参数之间的相关性进行分析；可以根据分析结果，确定影响油气产能的主控因素。例如，可以对油气产能与地质、工程等参数之间的相关性进行分析，获得各个参数对油气产能的影响比重；根据影响比重提取主成分，得到主控因素。具体的，例如，可以确定油气产能随每个参数的变化的散点图；可以将散点图进行拟合，得到关系曲线和拟合度。进而，可以筛选出拟合度大于或等于预定值的参数。
所述油气产能可以包括产液量、含水率、采油指数等。
步骤S13：根据理论先验知识和经验先验知识，构建目标函数。
在一些实施例中，所述理论先验知识可以用于表示主控因素下油气产能的理论值。所述理论先验知识可以包括油气产量解析模型。例如，所述油气产量解析模型可以包括Bello and Wattenbarger模型。所述Bello and Wattenbarger模型可以表示为
Figure BDA0003422997840000031
其中，nF为系数，s为拉普拉斯变量，h为有效储层宽度，
Figure BDA0003422997840000032
表示地层的几何类型。
在一些实施例中，所述经验先验知识可以包括经验先验知识。所述经验先验知识用于表示油气产能随主控因素的变化情况。例如，所述经验先验知识用于表示油气产能随渗透率、孔隙度和压裂段数中的一个或多个的单调变化情况。
以3层神经网络为例，所述经验先验知识可以表示为：
Figure BDA0003422997840000033
其中，k表示渗透率、α表示孔隙度，m表示压裂段数，w和b表示模型参数，X表示样本数据中的特征数据。
在一些实施例中，所述目标函数用于确定油气产能预测模型的模型参数。可以以理论先验知识和经验先验知识为约束条件，构建目标函数。所述目标函数可以包括
Figure BDA0003422997840000041
其中，(Q-Qtrue)2表示样本数据的初始约束，即初始的目标函数。λ·(Q-Qtheory)2表示理论先验知识约束条件，
Figure BDA0003422997840000042
表示经验先验知识约束条件。
Figure BDA0003422997840000043
表示油气产能随渗透率的单调变化情况，
Figure BDA0003422997840000044
表示油气产能随孔隙度的单调变化情况，
Figure BDA0003422997840000045
表示油气产能随压裂段数的单调变化情况。w、b表示油气产能预测模型的模型参数，λ为超参数，表示惩罚因子，Qtrue表示标签，Q表示油气产能预测模型的输出，n表示样本数据的数量。
这样，可以将油气产能随渗透率、孔隙度和压裂段数等单调变化特性作为经验先验知识，以约束条件的形式嵌入油气产能预测模型；可以将油气流动机理模型作为物理先验知识，以约束条件的形式嵌入油气产能预测模型。通过耦合先验知识和油气产能预测模型，可以建立具有先验知识基础的油气产能预测模型，避免了传统机器学习模型的反复调参且调参效率低以及传统机器学习模型完全依赖于样本数据的问题，有利于提高油气产能预测模型的训练效率，同时增加了油气产能预测模型的可解释性，从而实现油气产能的实时、准确、快速预测，为产能评价和完井参数精细设计提供理论基础和科学依据。
步骤S15：利用目标函数对油气产能预测模型进行训练。
在一些实施例中，所述油气产能预测模型可以通过将多层感知器和长短期记忆神经网络进行叠加得到。这样，针对油气压裂产能数据多源异构特征，通过将多层感知器和长短期记忆神经网络进行叠加，可以建立不同类型神经网络叠加的油气产能预测模型，从而优化油气产能预测模型组合，使二者同时发挥各自优势，有望增强油气产能的预测效果。
在一些实施例中，可以从产能数据库中获取主控因素的数值以及与主控因素的数值相对应的油气产能数据，作为样本数据；可以利用样本数据和目标函数对油气产能预测模型进行训练。其中，主控因素的数值可以作为样本数据中的特征数据，油气产能数据可以作为样本数据中的标签。在实际应用中，可以将样本数据代入目标函数，利用梯度下降法、牛顿法或者粒子群算法对目标函数进行求解，得到油气产能预测模型的模型参数。
在实际应用中，收集生产区块的地质参数、工程参数和历史生产数据，建立地质-工程-生产动态数据库。可以对所述数据库中数据进行预处理。所述预处理可以包括异常值清洗和缺失值补全等。可以从预处理后的数据库中获取主控因素的数值以及相对应的油气产能数据。
在一些实施例中，可以选取性能评价指标评价油气产能预测模型的训练效果。
所述性能评价指标可以包括平均绝对误差(Mean Absolute Error，MAE)等。
例如，所述平均绝对误差可以表示为
Figure BDA0003422997840000051
其中，n表示样本数据的数量，
Figure BDA0003422997840000052
表示模型预测值，
Figure BDA0003422997840000053
表示真实值。
本说明书实施例的油气产能预测模型训练方法，可以确定影响油气产能的主控因素；可以根据理论先验知识和经验先验知识，构建目标函数；其中，所述理论先验知识用于表示主控因素下油气产能的理论值，所述经验先验知识用于表示油气产能随主控因素的变化情况；可以利用目标函数对油气产能预测模型进行训练。由于目标函数是根据理论先验知识和经验先验知识构建得到的，从而避免了传统机器学习模型的反复调参且调参效率低以及传统机器学习模型完全依赖于样本数据的问题，有利于提高油气产能预测模型的训练效率，同时增加了油气产能预测模型的可解释性。
请参阅图2。本说明书实施例还提供一种压裂参数确定方法。所述方法可以应用于计算机设备，所述计算机设备可以包括台式机、笔记本电脑、服务器或者服务器集群等。
所述压裂参数确定方法可以包括以下步骤。
步骤S21：根据油气产能预测模型确定压裂参数。
在一些实施例中，所述油气产能预测模型基于图1所对应的实施例训练得到。利用油气产能预测模型，以油气产能最大化为目标，形成不同储层条件下的压裂施工参数，优化出油气产能最大条件下的压裂施工参数，从而指导压裂参数设计。其中，所述压裂参数可以包括工程参数中的一个或多个。例如，所述压裂参数可以包括水平段长度、压裂段数、段间距、单段簇数、簇间距、施工排量、总液量、总砂量、加砂强度中的一个或多个。值得说明的是，所述压裂参数可以为属于主控因素的工程参数。
在一些实施例中，可以根据油气产能预测模型，获取在油气产能最大的情况下的压裂参数。例如，在目标工区内，实际的地质参数是确定的。压裂参数的数量可以为一个或多个。每个压裂参数可以具有多个取值。所述一个或多个压裂参数的多个取值可以构成多个取值组合。可以根据油气产能预测模型，分别预测每个取值组合所对应的油气产能。可以选取最大油气产能所对应的取值组合。再比如，在目标工区内，实际的地质参数是确定的。压裂参数的数量可以为一个或多个。每个压裂参数可以具有多个取值。根据油气产能预测模型，可以采用粒子群算法等优化算法，优化得到油气产能最大的情况下的压裂参数的取值。
本说明书实施例的压裂参数确定方法，可以根据油气产能预测模型确定压裂参数。从而可以实现机理和数据联合驱动的压裂参数设计。
请参阅图3。本说明书实施例提供一种油气产能预测模型训练装置，包括以下单元。
确定单元31，用于确定影响油气产能的主控因素；
构建单元33，用于根据理论先验知识和经验先验知识，构建目标函数；其中，所述理论先验知识用于表示主控因素下油气产能的理论值，所述经验先验知识用于表示油气产能随主控因素的变化情况；
训练单元35，用于利用目标函数对油气产能预测模型进行训练。
请参阅图4。本说明书实施例还提供一种压裂参数确定装置，包括以下单元。
确定单元41，用于根据油气产能预测模型确定压裂参数，其中，所述油气产能预测模型基于图1所对应的实施例训练得到。
下面介绍本说明书计算机设备的一个实施例。图5是该实施例中计算机设备的硬件结构示意图。如图5所示，该计算机设备可以包括一个或多个(图中仅示出一个)处理器、存储器和传输模块。当然，本领域普通技术人员可以理解，图5所示的硬件结构仅为示意，其并不对上述计算机设备的硬件结构造成限定。在实际中该计算机设备还可以包括比图5所示更多或者更少的组件单元；或者，具有与图5所示不同的配置。
所述存储器可以包括高速随机存储器；或者，还可以包括非易失性存储器，例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。当然，所述存储器还可以包括远程设置的网络存储器。所述存储器可以用于存储应用软件的程序指令或模块，例如本说明书图1或者图2所对应实施例的程序指令或模块。
所述处理器可以按任何适当的方式实现。例如，所述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 IntegratedCircuit，ASIC)、可编程逻辑控制器和嵌入微控制器的形式等等。所述处理器可以读取并执行所述存储器中的程序指令或模块。
所述传输模块可以用于经由网络进行数据传输，例如经由诸如互联网、企业内部网、局域网、移动通信网等网络进行数据传输。
本说明书还提供计算机存储介质的一个实施例。所述计算机存储介质包括但不限于随机存取存储器(Random Access Memory,RAM)、只读存储器(Read-Only Memory,ROM)、缓存(Cache)、硬盘(Hard Disk Drive,HDD)、存储卡(Memory Card)等等。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实现：本说明书图1或者图2所对应实施例的程序指令或模块。
需要说明的是，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或相似的部分互相参见即可，每个实施例重点说明的都是与其它实施例的不同之处。尤其，对于装置实施例、计算机设备实施例、以及计算机存储介质实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。另外，可以理解的是，本领域技术人员在阅读本说明书文件之后，可以无需创造性劳动想到将本说明书列举的部分或全部实施例进行任意组合，这些组合也在本说明书公开和保护的范围内。
在20世纪90年代，对于一个技术的改进可以很明显地区分是硬件上的改进(例如，对二极管、晶体管、开关等电路结构的改进)还是软件上的改进(对于方法流程的改进)。然而，随着技术的发展，当今的很多方法流程的改进已经可以视为硬件电路结构的直接改进。设计人员几乎都通过将改进的方法流程编程到硬件电路中来得到相应的硬件电路结构。因此，不能说一个方法流程的改进就不能用硬件实体模块来实现。例如，可编程逻辑器件(Programmable Logic Device,PLD)(例如现场可编程门阵列(Field Programmable GateArray，FPGA))就是这样一种集成电路，其逻辑功能由用户对器件编程来确定。由设计人员自行编程来把一个数字系统“集成”在一片PLD上，而不需要请芯片制造厂商来设计和制作专用的集成电路芯片。而且，如今，取代手工地制作集成电路芯片，这种编程也多半改用“逻辑编译器(logic compiler)”软件来实现，它与程序开发撰写时所用的软件编译器相类似，而要编译之前的原始代码也得用特定的编程语言来撰写，此称之为硬件描述语言(Hardware Description Language，HDL)，而HDL也并非仅有一种，而是有许多种，如ABEL(Advanced Boolean Expression Language)、AHDL(Altera Hardware DescriptionLanguage)、Confluence、CUPL(Cornell University Programming Language)、HDCal、JHDL(Java Hardware Description Language)、Lava、Lola、MyHDL、PALASM、RHDL(RubyHardware Description Language)等，目前最普遍使用的是VHDL(Very-High-SpeedIntegrated Circuit Hardware Description Language)与Verilog。本领域技术人员也应该清楚，只需要将方法流程用上述几种硬件描述语言稍作逻辑编程并编程到集成电路中，就可以很容易得到实现该逻辑方法流程的硬件电路。
上述实施例阐明的系统、装置、模块或单元，具体可以由计算机芯片或实体实现，或者由具有某种功能的产品来实现。一种典型的实现设备为计算机。具体的，计算机例如可以为个人计算机、膝上型计算机、蜂窝电话、相机电话、智能电话、个人数字助理、媒体播放器、导航设备、电子邮件设备、游戏控制台、平板计算机、可穿戴设备或者这些设备中的任何设备的组合。
通过以上的实施方式的描述可知，本领域的技术人员可以清楚地了解到本说明书可借助软件加必需的通用硬件平台的方式来实现。基于这样的理解，本说明书的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在存储介质中，如ROM/RAM、磁碟、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本说明书各个实施例或者实施例的某些部分所述的方法。
本说明书可用于众多通用或专用的计算机系统环境或配置中。例如：个人计算机、服务器计算机、手持设备或便携式设备、平板型设备、多处理器系统、基于微处理器的系统、置顶盒、可编程的消费电子设备、网络PC、小型计算机、大型计算机、包括以上任何系统或设备的分布式计算环境等等。
本说明书可以在由计算机执行的计算机可执行指令的一般上下文中描述，例如程序模块。一般地，程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践本说明书，在这些分布式计算环境中，由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中，程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。
虽然通过实施例描绘了本说明书，本领域普通技术人员知道，本说明书有许多变形和变化而不脱离本说明书的精神，希望所附的权利要求包括这些变形和变化而不脱离本说明书的精神。

Claims (10)

1.一种油气产能预测模型训练方法，包括：
确定影响油气产能的主控因素；
根据理论先验知识和经验先验知识，构建目标函数；其中，所述理论先验知识用于表示主控因素下油气产能的理论值，所述经验先验知识用于表示油气产能随主控因素的变化情况；
利用目标函数对油气产能预测模型进行训练。
2.根据权利要求1所述的方法，所述确定影响油气产能的主控因素，包括：
对油气产能与地质参数和工程参数之间的相关性进行分析；
根据分析结果，确定影响油气产能的主控因素。
3.根据权利要求1所述的方法，所述理论先验知识包括
Figure FDA0003422997830000011
所述经验先验知识用于表示油气产能随渗透率、孔隙度和压裂段数中的一个或多个的单调变化情况。
4.根据权利要求1所述的方法，所述构建目标函数，包括：
以理论先验知识和经验先验知识为约束条件，构建目标函数；所述目标函数包括：
Figure FDA0003422997830000012
5.根据权利要求1所述的方法，所述油气产能预测模型通过将多层感知器和长短期记忆神经网络进行叠加得到。
6.一种压裂参数确定方法，包括：
根据油气产能预测模型确定压裂参数，其中，所述油气产能预测模型基于权利要求1-5中任一项方法训练得到。
7.根据权利要求6所述的方法，所述根据油气产能预测模型确定压裂参数，包括：
根据油气产能预测模型，获取在油气产能最大的情况下的压裂参数。
8.一种油气产能预测模型训练装置，包括：
确定单元，用于确定影响油气产能的主控因素；
构建单元，用于根据理论先验知识和经验先验知识，构建目标函数；其中，所述理论先验知识用于表示主控因素下油气产能的理论值，所述经验先验知识用于表示油气产能随主控因素的变化情况；
训练单元，用于利用目标函数对油气产能预测模型进行训练。
9.一种压裂参数确定装置，包括：
确定单元，用于根据油气产能预测模型确定压裂参数，其中，所述油气产能预测模型基于权利要求1-5中任一项方法训练得到。
10.一种计算机设备，包括：
至少一个处理器；
存储有程序指令的存储器，其中，所述程序指令被配置为适于由所述至少一个处理器执行，所述程序指令包括用于执行根据权利要求1-7中任一项所述方法的指令。
CN202111569769.1A 2021-12-21 2021-12-21 模型训练方法、压裂参数确定方法、装置和计算机设备 Pending CN114331071A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111569769.1A CN114331071A (zh) 2021-12-21 2021-12-21 模型训练方法、压裂参数确定方法、装置和计算机设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111569769.1A CN114331071A (zh) 2021-12-21 2021-12-21 模型训练方法、压裂参数确定方法、装置和计算机设备

Publications (1)

Publication Number Publication Date
CN114331071A true CN114331071A (zh) 2022-04-12

Family

ID=81054992

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111569769.1A Pending CN114331071A (zh) 2021-12-21 2021-12-21 模型训练方法、压裂参数确定方法、装置和计算机设备

Country Status (1)

Country Link
CN (1) CN114331071A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115146976A (zh) * 2022-07-11 2022-10-04 中国地质大学（北京） 影响待勘测区块评价的主要地质参数的选取方法及设备

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115146976A (zh) * 2022-07-11 2022-10-04 中国地质大学（北京） 影响待勘测区块评价的主要地质参数的选取方法及设备

Similar Documents

Publication Publication Date Title
CN111144542B (zh) 油井产能预测方法、装置和设备
CN110148285B (zh) 一种基于大数据技术的油井参数智能预警系统及其预警方法
CA3010283C (en) Machine learning for production prediction
CN105389349B (zh) 词典更新方法及装置
CN109634924A (zh) 基于机器学习的文件系统参数自动调优方法及系统
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
CN113095593B (zh) 钻井井壁状态确定方法、装置及设备
CN106353820A (zh) 一种基于知识模型的测井解释方法
CN115375031A (zh) 一种产油量预测模型建立方法、产能预测方法及存储介质
CN117171700B (zh) 一种基于深度学习的钻井溢流预测组合模型及模型适时静默更新与迁移学习方法
CN111025409B (zh) 一种水淹层评价方法、装置及存储介质
CN114331071A (zh) 模型训练方法、压裂参数确定方法、装置和计算机设备
CN116911432A (zh) 用于水平井产能的预测方法、存储介质及处理器
Tan et al. Fracturing productivity prediction model and optimization of the operation parameters of shale gas well based on machine learning
WO2022025806A1 (ru) Способ и система моделирования динамики нефтегазовых пластов
CN108131127B (zh) 一种泡沫油型超重油油田的生产气油比的获取方法及装置
EP3850187B1 (en) Method and system for reactively defining valve settings
CN116303626A (zh) 一种基于特征优化和在线学习的固井泵压预测方法
CN112749835B (zh) 一种储层产能预测方法、装置及设备
US20230142526A1 (en) Systems and methods of predictive decline modeling for a well
CN113010501B (zh) 采收率预测模型获取方法、采收率预测方法和产品
US11897818B2 (en) Machine learning concrete optimization
Feder Water, Water Everywhere Using ML and Game Theory To Win at Produced-Water Forecasting
CN114416513B (zh) 搜索数据的处理方法、装置、电子设备和存储介质
WO2023081492A1 (en) Systems and methods for completion optimization for waterflood assets

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