CN115169761B - 基于gnn和lstm的复杂井网油田产量预测方法 - Google Patents

Abstract

本发明实施例公开了一种基于GNN和LSTM的复杂井网油田产量预测方法，包括：获取目标区域内各生产井和各注入井的控制条件和渗透率，生成各生产井和各注入井的特征向量；通过训练好的第一MLP和第二MLP，分别对各生产井和各注入井的特征向量进行扩展编码，得到各生产井和各注入井的编码特征；根据生产井之间的第一关系图，以及注入井与生产井之间的第二关系图，采用AGG操作对各井的编码特征进行合并，得到不同时间点下各生产井的合并特征；根据所述合并特征，采用训练好的长短记忆神经网络得到不同时间点下的各生产井的产量。本实施例提高大规模复杂井网油田的产量预测精度。

Description

基于GNN和LSTM的复杂井网油田产量预测方法

技术领域

本发明实施例涉及油藏模拟领域，尤其涉及一种基于GNN和LSTM的复杂井网油田产量预测方法。

背景技术

目前的油田产量预测，大都使用一些商业软件或基于深度学习的网络模型。其中，商业软件计算速度慢，且付费昂贵。而目前的基于深度学习的产量预测模型，主要针对小油藏效果较好，油藏规模和油井数量受限；且现有模型主要是基于油田的压力和饱和度分布，使用Peaceman公式进行产量预测。由于该公式适用范围和一些近似计算的限制，使得预测结果误差较大。

发明内容

本发明实施例提供一种基于GNN和LSTM的复杂井网油田产量预测方法，提高大规模复杂井网油田的产量预测精度。

第一方面，本发明实施例提供了一种基于GNN和LSTM的复杂井网油田产量预测方法，包括：

获取目标区域内各生产井和各注入井的控制条件和渗透率，生成各生产井和各注入井的特征向量；

通过训练好的第一MLP和第二MLP，分别对各生产井和各注入井的特征向量进行扩展编码，得到各生产井和各注入井的编码特征；

根据生产井之间的第一关系图，以及注入井与生产井之间的第二关系图，采用聚合AGG操作对各井的编码特征进行合并，得到不同时间点下各生产井的合并特征；

根据所述合并特征，采用训练好的长短记忆神经网络得到不同时间点下的各生产井的产量；

其中，所述第一关系图用于反映生产井与生产井之间的连通关系，所述第二关系图应用于反映注入井与生产井之间的连通关系。

第二方面，本发明实施例提供一种电子设备，包括：

一个或多个处理器；

存储器，用于存储一个或多个程序，

当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现上述的基于GNN和LSTM的复杂井网油田产量预测方法。

第三方面，本发明实施例提供一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现上述的基于GNN和LSTM的复杂井网油田产量预测方法。

本发明实施例首先采用GNN的方式表达井网的联通性，反映井之间的影响，然后以LSTM模型对井产量的时间序列进行演化。在使用GNN时，分别构建了生产井到注入井的关系图以及生产井到生产井的关系图，充分考虑了不同种类井之间相互影响；同时，由于生产井和注入井的特征向量维度不同，分别设置了两个不同的MLP对特征进行上采样，然后分别对两个图的节点进行赋值，再进行图的聚合操作。整个模型的作用机理清晰明了，更符合真实的自然规律，具有很强的解释性。

附图说明

为了更清楚地说明本发明具体实施方式或现有技术中的技术方案，下面将对具体实施方式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，下面描述中的附图是本发明的一些实施方式，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1是本发明实施例提供的一种基于GNN和LSTM的复杂井网油田产量预测模型的示意图。

图2是本发明实施例提供的一种基于GNN和LSTM的复杂井网油田产量预测方法的流程图。

图3是本发明实施例提供的一个复杂井网油田的工况示意图。

图4是本发明实施例提供的利用MLP进行特征扩展的示意图。

图5是本发明实施例提供的进行AGG操作的示意图。

图6是本发明实施例提供的一种电子设备的结构示意图。

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，下面将对本发明的技术方案进行清楚、完整的描述。显然，所描述的实施例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的前提下所得到的所有其它实施例，都属于本发明所保护的范围。

在本发明的描述中，需要说明的是，术语“中心”、“上”、“下”、“左”、“右”、“竖直”、“水平”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。此外，术语“第一”、“第二”、“第三”仅用于描述目的，而不能理解为指示或暗示相对重要性。

在本发明的描述中，还需要说明的是，除非另有明确的规定和限定，术语“安装”、“相连”、“连接”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本发明中的具体含义。

本发明实施例提供的一种基于GNN（Graph Neural Network，图神经网络）和LSTM（Long Short Term Memory，长短时记忆网络）的复杂井网油田产量预测方法。为了说明该方法，优先说明实现该方法的产量预测模型。图1为本发明实施例提供的产量预测模型的示意图，该模型用于模拟不同的油井控制条件下的油田产量变化。

除模型结构外，图1中还显示了模型的部分输入、输出，共包括6个部分。其中，（1）表示模型的输入数据，（2）表示由MLP（Multilayer Perceptron，多层感知机）构成的编码器，（3）表示AGG（AGGregate，聚合层），（4）表示由LSTM构成的解码器，（5）表示生产井之间的第一关系图，（6）表示生产井与注水井之间的第二关系图。

其中，（2）（3）（4）构成了模型的主要结构。在模型运行过程中，首先，将（1）所示的特征向量输入到（2）所示的编码器，得到编码特征；然后，（3）所示的AGG根据（5）（6）所示的关系图对编码特征进行合并，得到不同时间点下各生产井的合并特征F ^t ；最后，将合并特征输入（4）所示的解码器中，得到不同时间点下的各生产井的产量。具体的，产量通过产油率和产水率计算；产油率指产油速率，例如每天产油a立方米；产水率指产水速率，例如每天产水b立方米，因此本模型中将产油率和产水率作为输出数据，用产油率和产水率乘以时间就可以得到产量。

各部分的功能及设置将在后续实施例中详细介绍。

基于以上模型，图2是本发明实施例提供的一种基于GNN和LSTM的复杂井网油田产量预测方法的流程图，适用于在一定的生产井和注入井控制条件下预测油田产量的情况。该方法由电子设备执行，如图2所示，具体包括如下步骤：

S110、获取目标区域内各生产井和各注入井的控制条件和渗透率，生成各生产井和各注入井的特征向量。

目标区域指某一油田内待研究的地理区域。目标区域内的井包括生产井和注入井，其中生产井用于生产油，注入井用于向生产井注入水，促进生产井产油。本实施例将目标区域内的各生产井和各注入井的相关参数作为后续操作的输入数据。

具体的，井的控制条件对其产量具有重要影响，因此选取各种控制条件作为输入数据。其中，各生产井的控制条件包括井底压力，各注入井的控制条件包括注水速率和累计注水量。同时，渗透率在一定程度上反映了油在地下的传输能力，将渗透率作为了输入数据。各生产井和注入井的渗透率均包括X方向渗透率和Y方向渗透率，其中，所述X方向和Y方向为平行于地面的两垂直方向。

图3是本发明实施例提供的一个复杂井网油田的工况示意图。如图3所示，该区域共包括189口井，其中96口生产井和93口注入井，图3显示了目标区域沿X方向的渗透率即井位分布。其中，PERMX表示渗透率，黑色圆点表示井位。

得到各生产井和各注入井的控制条件和渗透率后，根据这些数据生成各生产井和各注入井的特征向量。具体的，每口井对应一个特征向量；对于任一生产井而言，由该生产井的井底压力、X方向渗透率和Y方向渗透率组成一维向量，作为所述生产井的特征向量；对于任一注水井而言，由该注入井的注水速率、累计注水量、X方向渗透率和Y方向渗透率组成一维向量，作为所述注入井的特征向量，如图1中的（1）所示。

S120、通过训练好的第一MLP和第二MLP，分别对各生产井和各注入井的特征向量进行扩展编码，得到各生产井和各注入井的编码特征。

由于S120中构造的输入数据（各生产井和各注入井的特征向量）的维度都较低，本步骤中使用两个MLP结构对输入数据进行特征扩展。如图4所示，每个MLP都包括顺序连接的第三FC（FullyConnectedLayer）、ReLU（Rectified Linear Unit，整流线性单元）和第四FC。可选的，第三FC的输出是64维，第四FC的输出是128维，实现特征的逐步上采样。

需要说明的是，由于生产井和注入井的输入特征并不相同，因此所述第一MLP和所述第二MLP结构相同，但参数并不共享，分别用于对生产井和注入井的特征向量进行扩展编码。具体的，通过训练好的第一MLP，对任一生产井的特征向量进行上采样编码，得到所述生产井的编码特征；通过训练好的第二MLP，对任一注入井的特征向量进行上采样编码，得到所述注入井的编码特征。

S130、根据生产井之间的第一关系图，以及注入井与生产井之间的第二关系图，采用聚合AGG操作对各井的编码特征进行合并，得到不同时间点下各生产井的合并特征。其中，所述第一关系图用于反映生产井与生产井之间的连通关系，所述第二关系图应用于反映注入井与生产井之间的连通关系。

本步骤采用GNN的思想，将井与井之间的相互影响表达为关系图的形式，再利用AGG操作将关系图中的信息融入到模型计算中，将其他井对生产井产量的影响进行量化。首先，根据井的连通性，构造出生产井和生产井之间的第一关系图以及注入井到生产井之间的第二关系图，如图1中的（5）和（6）所示。

具体的，建立用于构建第一关系图的多个节点，其中每个节点对应一口生产井；在具有连通关系的生产井对应的节点之间建立边；根据所述具有连通关系的生产井之间的地理距离，设置所述边的权重，由所述节点、所述边，以及所述边的权重共同构成所述第一关系图。可选的，将所述具有连通关系的生产井之间的地理距离的倒数，设置为所述边的权重，距离越远，相互之间的影响越小。

同时，建立用于构建第二关系图的多个节点，其中每个节点对应一口生产井或一口注水井；在具有连通关系的生产井和注水井对应的节点之间建立边；根据所述具有连通关系的生产井和注水井之间的地理距离，设置所述边的权重，由所述节点、所述边，以及所述边的权重共同构成所述第二关系图。同理，将具有连通关系的生产井和注水井之间的地理距离的倒数，设置为所述边的权重。

本步骤中构建的关系图是个非结构数据，能够更好的表示井之间的相互影响关系，有边相连的井之间互相影响，没有边相连的井之间没有影响。井之间关系与实际的连通情况一致，同时采用不同井点之间的距离来表示井内之间的流动影响，其流动过程更加符合实际规律。

得到第一关系图和第二关系图后，以井的编码特征为基础，采用AGG操作对图中每个节点进行特征合并，具体包括以下步骤：

步骤一、将各井的编码特征作为当前特征，赋值给第一关系图和第二关系图中对应的节点。

步骤二、在所述第一关系图中，根据任一节点，以及与所述任一节点具有连通关系的第一节点的当前特征，计算所述任一节点在下一时间点的第一特征。具体的，在所述第一关系图中，确定与任一节点具有连通关系的第一节点；将所述任一节点的当前特征、所述第一节点的当前特征，以及所述任一节点和所述第一节点之间的边的权重进行拼接；将拼接结果输入第一全连接层，输出与所述当前特征相同尺寸的第一特征，所述第一特征用于表征所述任一节点在下一时间点的部分特性。进一步的，如果第一节点有多个，则依次对每个第一节点进行上述操作，输出每个第一节点对应的第一特征，然后将所有第一特征相加，得到最终的第一特征。

步骤三、在所述第二关系图中，根据与所述任一节点对应同一生产井的第二节点，以及与所述第二节点具有连通关系的第三节点的当前特征，计算所述任一节点在下一时间点的第二特征。具体的，在所述第二关系图中，确定与任一节点对应同一生产井的第二节点，以及与所述第二节点具有连通关系的第三节点；将所述第二节点的当前特征、所述第三节点的当前特征，以及所述第二节点和所述第三节点之间的边的权重进行拼接；将拼接结果输入第二全连接层，输出与所述当前特征相同尺寸的第二特征，所述第二特征用于表征所述任一节点在下一时间点的另一部分特性。进一步的，如果第三节点有多个，则依次对每个第三节点进行上述操作，输出每个第三节点对应的第二特征，然后将所有第二特征相加，得到最终的第二特征。

下面以图5所示的第二关系图为例，说明存在多个第三节点的情况下，通过AGG操作求解最终的第二特征的具体过程。图中包含P的节点表示生产井节点，包含I的节点为注入井节点，实线表示第二关系图中的边，虚线及虚线指向的节点表示AGG操作生成的临时状态。假设当前需要更新某一第二节点P-1（对应一口生产井）的状态，也就是求解节点P-1在下一时间点的合并特征。由于第二关系图中和P-1相连接的第三节点有I-1和I-2，因此，首先将生产井和注入井的编码特征赋值给生产井节点P-1以及注入井节点I-1和I-2，同时根据节点之间距离的倒数作为节点之间的边的权重（假如P-1到I-1之间边的权重为e _p-I-1，P-1到I-2之间边的权重为e _p-I-2）。然后，将拼接特征[P-1，I-1，e _p-I-1]作为输入第二FC（输出维度是128维），得到新的特征输出P-1-1（即第三节点I-1对应的第二特征）；同样，将[P-1，I-2,e _p-I-2]作为输入第二FC，得到新的特征输出P-1-2（即第三节点I-1对应的第二特征），最终将第二特征P-1-1和P-1-2的相加，得到最终内的第二特征P-1-new。

同理，通过AGG操作求解最终的第一特征的具体过程类似，本实施例不再赘述。

步骤四、将所述第一特征和所述第二特征相加，得到所述任一节点在下一时间点的合并特征。将最终的第一特征和最终的第二特征相加，得到所述合并特征。

步骤五、将各节点的合并特征作为新的当前特征，返回所述第一特征的计算操作，直到得到不同时间点下各生产井的合并特征。也就是说，对每个不同的时间步重复上述操作，得到一系列不同时刻下的生产井特征。

S140、根据所述合并特征，采用训练好的长短记忆神经网络得到不同时间点下的各生产井的产量。

以S130中得到的不同时间点下各生产井的合并特征为基础，最后使用LSTM可以得到我们需要的产油率和产水率。在LSTM会考虑前后时刻产量之间的关系，因此会明显提高精度。可选的，LSTM后还可以连接有第三MLP，用于进一步的特征提取以及调整输出的维度。

本实施例首先采用GNN的方式表达井网的联通性，反映井之间的影响，然后以LSTM模型对井产量的时间序列进行演化。在使用GNN时，分别构建了生产井到注入井的关系图以及生产井到生产井的关系图，充分考虑了不同种类井之间相互影响；同时，由于生产井和注入井的特征向量维度不同，分别设置了两个不同的MLP对特征进行上采样，然后分别对两个图的节点进行赋值，再进行图的聚合操作。整个模型的作用机理清晰明了，更符合真实的自然规律，具有很强的解释性。特别的，本实施反映了井的控制条件和渗透率对其产量影响，根据井的固有特征便可以预测油田产量，尤其适用于井网复杂的大规模油田产量预测的场景。此外，相对于传统LSTM模型，本实施例结合GNN关系图对生产井的特征进行了提取，使提取出的特征更加丰富，比单纯的LSTM模型具有更高的精度。

在数值实验中，以全物理模型模拟结果为基础，本发明所提出的模型在产油方面的平均相对误差达到了4.1%，完成依次预测需要0.3s，在速度和精度均实现了很高的性能。

在上述实施例和下述实施例的基础上，本实施例对整个模型的训练过程进行细化。可选的，在通过训练好的第一多层感知机MLP和第二MLP，分别对各生产井和各注入井的特征向量进行扩展编码，得到各生产井和各注入井的编码特征之前，还包括如下步骤：

首先，根据井的控制条件生成多个不同控制条件下的算例，并采用LandSim等模拟软件对算例进行模拟，提取出井的产油以及产水量作为模型的输出标签。

然后，对提取到的数据进行归一化，并划分为训练集和测试集。可选的，采用最大值最小值的方法对数据进行归一化，将归一化的数据按照8：2的比例划分训练集和测试集。

同时，构造如下损失函数：

其中，E _w 表示产水的损失，M表示生产井个数，T表示生产的时长，

表示井i在时间t下的实际产水率，

表示井i在时间t下的通过本申请的模型预测得到的产水率；E _o 表示产油的损失，

表示井i在时间t下的实际产油率，

表示井i在时间t下的通过本申请的模型预测得到的产油率。E _AT 表示总体损失，其中α和β表示权重，可以分别取值为30和10。

最后，利用所述训练样本和损失函数，对所述编码器、所述卷积长短时记忆神经网络和所述解码器构成到的深度学习模型进行训练。具体的，采用ADAM优化器，初始学习率是0.00001。

训练完毕后对模型参数保存为对应的模型文件。在使用过程中首先对模型进行加载，然后将井的控制条件数据和渗透率进行归一化，接着送入代理模型中并得到结果，最后通过反归一化得到井的实际产量相关信息。

图6为本发明实施例提供的一种电子设备的结构示意图，如图6所示，该设备包括处理器50、存储器51、输入装置52和输出装置53；设备中处理器50的数量可以是一个或多个，图6中以一个处理器50为例；设备中的处理器50、存储器51、输入装置52和输出装置53可以通过总线或其他方式连接，图6中以通过总线连接为例。

存储器51作为一种计算机可读存储介质，可用于存储软件程序、计算机可执行程序以及模块，如本发明实施例中的基于GNN和LSTM的复杂井网油田产量预测方法对应的程序指令/模块。处理器50通过运行存储在存储器51中的软件程序、指令以及模块，从而执行设备的各种功能应用以及数据处理，即实现上述的基于GNN和LSTM的复杂井网油田产量预测方法。

存储器51可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序；存储数据区可存储根据终端的使用所创建的数据等。此外，存储器51可以包括高速随机存取存储器，还可以包括非易失性存储器，例如至少一个磁盘存储器件、闪存器件、或其他非易失性固态存储器件。在一些实例中，存储器51可进一步包括相对于处理器50远程设置的存储器，这些远程存储器可以通过网络连接至设备。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。

输入装置52可用于接收输入的数字或字符信息，以及产生与设备的用户设置以及功能控制有关的键信号输入。输出装置53可包括显示屏等显示设备。

本发明实施例还提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现任一实施例的基于GNN和LSTM的复杂井网油田产量预测方法。

本发明实施例的计算机存储介质，可以采用一个或多个计算机可读的介质的任意组合。计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质。计算机可读存储介质例如可以是但不限于电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子（非穷举的列表）包括：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机存取存储器（RAM）、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本文件中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。

计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。

计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于无线、电线、光缆、RF等等，或者上述的任意合适的组合。可以以一种或多种程序设计语言或其组合来编写用于执行本发明操作的计算机程序代码，程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++，还包括常规的过程式程序设计语言—诸如”C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络，包括局域网(LAN)或广域网(WAN)，连接到用户计算机，或者，可以连接到外部计算机（例如利用因特网服务提供商来通过因特网连接）。

最后应说明的是：以上各实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述各实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案。

Claims (9)

1.一种基于GNN和LSTM的复杂井网油田产量预测方法，其特征在于，包括：

获取目标区域内各生产井和各注入井的控制条件和渗透率，生成各生产井和各注入井的特征向量；

通过训练好的第一多层感知机MLP和第二MLP，分别对各生产井和各注入井的特征向量进行扩展编码，得到各生产井和各注入井的编码特征；

根据生产井之间的第一关系图，以及注入井与生产井之间的第二关系图，采用聚合AGG操作对各井的编码特征进行合并，得到不同时间点下各生产井的合并特征；具体的，将各井的编码特征作为当前特征，赋值给第一关系图和第二关系图中对应的节点；在所述第一关系图中，根据任一节点，以及与所述任一节点具有连通关系的第一节点的当前特征，计算所述任一节点在下一时间点的第一特征；在所述第二关系图中，根据与所述任一节点对应同一生产井的第二节点，以及与所述第二节点具有连通关系的第三节点的当前特征，计算所述任一节点在下一时间点的第二特征；将所述第一特征和所述第二特征相加，得到所述任一节点在下一时间点的合并特征；将各节点的合并特征作为新的当前特征，返回所述第一特征的计算操作，直到得到不同时间点下各生产井的合并特征；

根据所述合并特征，采用训练好的长短记忆神经网络得到不同时间点下的各生产井的产量；

其中，所述第一关系图用于反映生产井与生产井之间的连通关系，所述第二关系图应用于反映注入井与生产井之间的连通关系。

2.根据权利要求1所述的方法，其特征在于，各生产井的控制条件包括井底压力，各生产井的渗透率包括X方向渗透率和Y方向渗透率；

各注入井的控制条件包括注水速率和累计注水量，各注入井的渗透率包括X方向渗透率和Y方向渗透率；

其中，所述X方向和Y方向为平行于地面的两垂直方向。

3.根据权利要求2所述的方法，其特征在于，所述获取目标区域各生产井和各注入井的控制条件和渗透率，生成各生产井和各注入井的特征向量，包括：

由任一生产井的井底压力、X方向渗透率和Y方向渗透率，构成所述生产井的特征向量；

由任一注入井的注水速率、累计注水量、X方向渗透率和Y方向渗透率，构成所述注入井的特征向量。

4.根据权利要求1所述的方法，其特征在于，所述第一多层感知机MLP和所述第二MLP结构相同，但参数互相独立；

所述通过训练好的第一多层感知机MLP和第二MLP，分别对各生产井和各注入井的特征向量进行扩展编码，得到各生产井和各注入井的编码特征，包括：

通过训练好的第一多层感知机MLP，对任一生产井的特征向量进行上采样编码，得到所述生产井的编码特征；

通过训练好的第二MLP，对任一注入井的特征向量进行上采样编码，得到所述注入井的编码特征。

5.根据权利要求1所述的方法，其特征在于，在所述根据生产井之间的第一关系图，以及注入井与生产井之间的第二关系图，采用聚合AGG操作对各井的编码特征进行合并，得到不同时间点下各生产井的合并特征之前，还包括：

建立用于构建第一关系图的多个节点，其中每个节点对应一口生产井；

在具有连通关系的生产井对应的节点之间建立边；

根据所述具有连通关系的生产井之间的地理距离，设置所述边的权重，由所述节点、所述边，以及所述边的权重共同构成所述第一关系图；

建立用于构建第二关系图的多个节点，其中每个节点对应一口生产井或一口注水井；

在具有连通关系的生产井和注水井对应的节点之间建立边；

根据所述具有连通关系的生产井和注水井之间的地理距离，设置所述边的权重，由所述节点、所述边，以及所述边的权重共同构成所述第二关系图。

6.根据权利要求5所述的方法，其特征在于，所述根据所述具有连通关系的生产井之间的地理距离，设置所述边的权重，包括：

将所述具有连通关系的生产井之间的地理距离的倒数，设置为所述边的权重。

7.根据权利要求1所述的方法，其特征在于，所述在所述第一关系图中，根据任一节点，以及与所述任一节点具有连通关系的第一节点的当前特征，计算所述任一节点在下一时间点的第一特征，包括：

在所述第一关系图中，确定与任一节点具有连通关系的第一节点；

将所述任一节点的当前特征、所述第一节点的当前特征，以及所述任一节点和所述第一节点之间的边的权重进行拼接；

将拼接结果输入第一全连接层，输出与所述当前特征相同尺寸的第一特征，所述第一特征用于表征所述任一节点在下一时间点的部分特性。

8.一种电子设备，其特征在于，包括：

一个或多个处理器；

存储器，用于存储一个或多个程序，

当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如权利要求1-7中任一所述的基于GNN和LSTM的复杂井网油田产量预测方法。

9.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现如权利要求1-7中任一所述的基于GNN和LSTM的复杂井网油田产量预测方法。

Images