CN115199240B - 一种页岩气井产量预测方法、装置及存储介质 - Google Patents
一种页岩气井产量预测方法、装置及存储介质 Download PDFInfo
- Publication number
- CN115199240B CN115199240B CN202211025543.XA CN202211025543A CN115199240B CN 115199240 B CN115199240 B CN 115199240B CN 202211025543 A CN202211025543 A CN 202211025543A CN 115199240 B CN115199240 B CN 115199240B
- Authority
- CN
- China
- Prior art keywords
- production
- shale gas
- gas well
- data
- yield
- 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 65
- 238000003860 storage Methods 0.000 title claims abstract description 12
- 238000004519 manufacturing process Methods 0.000 claims abstract description 774
- 238000007781 pre-processing Methods 0.000 claims abstract description 17
- 238000012545 processing Methods 0.000 claims description 33
- 230000006870 function Effects 0.000 claims description 29
- 238000012549 training Methods 0.000 claims description 29
- 230000001186 cumulative effect Effects 0.000 claims description 27
- 238000013528 artificial neural network Methods 0.000 claims description 24
- 238000005315 distribution function Methods 0.000 claims description 21
- 238000010586 diagram Methods 0.000 claims description 17
- 238000004422 calculation algorithm Methods 0.000 claims description 12
- 238000005457 optimization Methods 0.000 claims description 12
- 238000012163 sequencing technique Methods 0.000 claims description 10
- 230000002742 anti-folding effect Effects 0.000 claims description 7
- 230000008859 change Effects 0.000 abstract description 6
- 239000007789 gas Substances 0.000 description 343
- 230000002093 peripheral effect Effects 0.000 description 10
- 230000001133 acceleration Effects 0.000 description 9
- 230000008569 process Effects 0.000 description 9
- 238000004891 communication Methods 0.000 description 7
- 238000005516 engineering process Methods 0.000 description 6
- 238000004364 calculation method Methods 0.000 description 5
- 230000003287 optical effect Effects 0.000 description 5
- 239000011159 matrix material Substances 0.000 description 3
- 210000002445 nipple Anatomy 0.000 description 3
- 238000010606 normalization Methods 0.000 description 3
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 239000000919 ceramic Substances 0.000 description 2
- 230000006835 compression Effects 0.000 description 2
- 238000007906 compression Methods 0.000 description 2
- 238000013500 data storage Methods 0.000 description 2
- 230000003247 decreasing effect Effects 0.000 description 2
- 238000012217 deletion Methods 0.000 description 2
- 230000037430 deletion Effects 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000009792 diffusion process Methods 0.000 description 2
- 238000009826 distribution Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- VNWKTOKETHGBQD-UHFFFAOYSA-N methane Chemical compound C VNWKTOKETHGBQD-UHFFFAOYSA-N 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 238000002759 z-score normalization Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 238000002939 conjugate gradient method Methods 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 125000004122 cyclic group Chemical group 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 238000011478 gradient descent method Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 230000005055 memory storage Effects 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000003345 natural gas Substances 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 238000005325 percolation Methods 0.000 description 1
- 230000035699 permeability Effects 0.000 description 1
- 239000011148 porous material Substances 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000009877 rendering Methods 0.000 description 1
- 230000006641 stabilisation Effects 0.000 description 1
- 238000011105 stabilization Methods 0.000 description 1
- 239000010409 thin film Substances 0.000 description 1
Images
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
- E21B43/00—Methods or apparatus for obtaining oil, gas, water, soluble or meltable materials or a slurry of minerals from wells
-
- 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"
-
- 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)
- Business, Economics & Management (AREA)
- Life Sciences & Earth Sciences (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- Geology (AREA)
- Mining & Mineral Resources (AREA)
- Physics & Mathematics (AREA)
- Economics (AREA)
- Game Theory and Decision Science (AREA)
- Marketing (AREA)
- Geochemistry & Mineralogy (AREA)
- General Life Sciences & Earth Sciences (AREA)
- Fluid Mechanics (AREA)
- Environmental & Geological Engineering (AREA)
- Entrepreneurship & Innovation (AREA)
- Development Economics (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种页岩气井产量预测方法、装置及存储介质，涉及页岩气井产量预测技术领域。方法包括：获取目标页岩气井的历史生产数据，历史生产数据包括：N个生产周期及其对应的气量、油嘴尺寸和生产时间，对历史生产数据进行预处理，得到预处理后的历史生产数据，将预处理后的历史生产数据，按时间先后顺序划分为第一样本数据集和第二样本数据集，根据第二样本数据集，通过目标页岩气井产能预测模型，预测目标页岩气井在未来S个生产周期内的产量区间。由于历史生产数据反映了页岩气井生产制度的变化，因此，预测结果更符合页岩气井的实际生产情况。并且，该方法的预测结果为产量区间，因此，在提高预测精度的基础上增强了预测结果的实用性。
Description
技术领域
本发明涉及页岩气井产量预测方法技术领域，具体涉及一种页岩气井产量预测方法、装置及存储介质。
背景技术
页岩气井产量预测对于页岩气井的开发方案的设计和调整有重要的意义。然而，由于页岩气储层微纳米孔隙发育，天然气在微纳米孔隙中的流动机理复杂，不仅包括黏性流动，还包括努森扩散、自由分子流动和表面扩散，对传统的渗流理论提出了巨大的挑战。近年来，研究人员开始尝试利用数据驱动方法预测页岩气井产量，以提高页岩气井的产量预测精度。
相关技术中，薛亮等人基于长短记忆神经网络模型，结合气井历史产量数据，预测气井未来产量。具体地，其以累计产量的时间序列数据为原始数据，在对数据归一化处理后，使用粒子群算法优化时间窗口长度和长短期记忆网络层的神经元数量对模型进行训练，最后将训练并优化好的模型 (LSTM)应用在预测集，对未来生产动态进行单点预测。
然而，该技术仅以历史产量数据为驱动，忽略了页岩气井生产制度的变化，预测过程与现场生产制度匹配度不高，并且，由于该技术的预测结果为单点预测，无法定量表征未来产量的不确定性。
发明内容
本发明实施例提供了一种页岩气井产量预测方法，以解决相关技术中仅以历史产量数据为驱动，忽略了页岩气井生产制度的变化，预测过程无法与现场生产制度无法匹配，且由于该技术的预测结果为单点预测无法定量表征未来产量的不确定性的问题。技术方案如下：
第一方面，提供了一种页岩气井产量预测方法，方法包括：
获取目标页岩气井的历史生产数据，所述历史生产数据包括：N个生产周期，以及所述N个生产周期中每个生产周期对应的气量、油嘴尺寸和生产时间，所述N为大于或等于1的正整数；
对所述历史生产数据进行预处理，得到预处理后的历史生产数据，所述预处理后的历史生产数据为5维时间序列数据，包括M个生产周期，以及所述M个生产周期中每个生产周期对应的气量、油嘴尺寸、生产时间和关井时间，所述M为大于或等于1且小于或等于所述N的正整数；
将所述预处理后的历史生产数据，按所述M个生产周期的时间先后顺序划分为第一样本数据集和第二样本数据集；
根据所述第二样本数据集，通过目标页岩气井产能预测模型，预测所述目标页岩气井在未来S个生产周期内的产量区间，其中，所述目标页岩气井产能预测模型是根据所述第一样本数据集训练得到产能预测模型，所述S为大于或等于1的正整数。
可选地，在根据所述第二样本数据集，通过目标页岩气井产能预测模型，预测所述目标页岩气井在未来的预设时间段内的产量数据之前，还包括：
获取页岩气井产量预测模型，所述页岩气井产量预测模型依次由序列输入层、序列折叠层、二维卷积层、线性整流函数层、序列反折叠层、扁平化层、长短记忆神经网络层和全连接层组成；
其中，所述序列输入层用于将数据输入所述页岩气井产量预测模型；所述序列折叠层用于对数据进行转置与拆分；所述二维卷积层用于对数据进行信息提取；所述线性整流函数层用于对数据进行处理并确定特征图；所述序列反折叠层用于将特征图重新转化为序列数据；所述扁平化层用于将多维序列数据压缩成一维序列数据；所述长短记忆神经网络层用于输出初始产量预测结果；所述全连接层用于对所述长短记忆神经网络层的输出结果进行权重计算，最终输出预测产量；
根据所述第一样本数据集和所述页岩气井产量预测模型，确定第一产量预测结果；
将所述第一产量预测结果与对应的实际气量的最小误差确定为第一目标；
根据所述第一样本数据集，通过优化算法，确定满足所述第一目标的页岩气井产量预测模型，并将所述满足第一目标的页岩气井产量预测模型确定为所述目标页岩气井产能预测模型。
可选地，所述对所述历史生产数据进行预处理，得到预处理后的历史生产数据，包括：
获取所述N个生产周期中每个生产周期中对应生产时间为0的生产周期；
删除所述对应生产时间为0的生产周期、气量、油嘴尺寸和生产时间；
将未删除的所述历史生产数据按生产周期的时间先后顺序进行排序，并将连续删除的生产周期的个数，作为所述连续删除的生产周期后的第一个未删除的生产周期对应的关井时间的数据，得到中间历史生产数据；
对所述中间历史生产数据进行标准化处理，得到预处理后的历史生产数据。
可选地，对所述中间历史生产数据进行标准化处理，得到预处理后的历史生产数据，包括：
确定所述M个生产周期中气量、油嘴尺寸、生产时间和关井时间的均值；
确定所述M个生产周期中气量、油嘴尺寸、生产时间和关井时间的标准差；
确定所述M个生产周期中每一个生产周期的气量与所述M个生产周期中气量均值的差值，所述M个生产周期中每一个生产周期的油嘴尺寸与所述M个生产周期中油嘴尺寸均值的差值，所述M个生产周期中每一个生产周期的生产时间与所述M个生产周期中生产时间均值的差值，所述M个生产周期中每一个生产周期的关井时间与所述M个生产周期中关井时间均值的差值；
确定所述M个生产周期中每一个生产周期气量的差值与所述M个生产周期中气量的标准差的比值，确定所述M个生产周期中每一个生产周期油嘴尺寸的差值与所述M个生产周期中油嘴尺寸的标准差的比值，确定所述 M个生产周期中每一个生产周期生产时间的差值与所述M个生产周期中生产时间的标准差的比值，确定所述M个生产周期中每一个生产周期关井时间的差值与所述M个生产周期中关井时间的标准差的比值；
所述M个生产周期中每一个生产周期，以及所述M个生产周期中每一个生产周期对应的气量比值、油嘴尺寸比值、生产时间比值和关井时间比值组成数据集，得到预处理后的历史生产数据。
可选地，所述根据所述第二样本数据集，通过目标页岩气井产能预测模型，预测所述目标页岩气井在未来的预设时间段内的产量区间，包括：
根据所述第二样本数据集，通过所述目标页岩气井产能预测模型，确定 K个气量预测值，K为所述第二样本数据集中生产周期的个数，K为大于或等于1且小于或等于所述M的正整数；
根据所述K个气量预测值、所述K个气量预测值中每个气量预测值对应的真实气量值，确定K个气量误差值，得到气量误差值集合；
根据所述气量误差值集合，确定累积概率密度分布函数；
根据所述第二样本数据集，通过所述目标页岩气井产能预测模型，确定未来S天中每一天的产量，所述S为大于1的正整数；
根据所述累积概率密度分布函数，以及所述未来S天中每一天的产量，确定未来S天中每天的产量区间。
可选地，所述根据所述第二样本数据集，通过所述目标页岩气井产能预测模型，确定未来S天中每一天的产量，包括：
根据所述第二样本数据集，通过所述目标页岩气井产能预测模型，确定未来S天中第一天的产量；
令r＝1，根据所述第二样本数据集、所述未来S天中第r天的产量，通过所述目标页岩气井产能预测模型，确定未来S天中第r+1天的产量；
若所述r+1不等于所述S，则令r＝r+1，并返回所述所述第二样本数据集、所述未来S天中第r天的产量，通过所述目标页岩气井产能预测模型，确定未来S天中第r+1天的产量；
若所述r+1等于所述S，则将所述S个产量确定为所述未来S天中每一天的产量。
第二方面，提供了一种页岩气井产量预测装置，所述装置包括：
第一获取模块，用于获取目标页岩气井的历史生产数据，所述历史生产数据包括：N个生产周期，以及所述N个生产周期中每个生产周期对应的气量、油嘴尺寸和生产时间，所述N为大于或等于1的正整数；
预处理模块，用于对所述历史生产数据进行预处理，得到预处理后的历史生产数据，所述预处理后的历史生产数据为5维时间序列数据，包括M 个生产周期，以及所述M个生产周期中每个生产周期对应的气量、油嘴尺寸、生产时间和关井时间，所述M为大于或等于1且小于或等于所述N的正整数；
划分模块，用于将所述预处理后的历史生产数据，按所述M个生产周期的时间先后顺序划分为第一样本数据集和第二样本数据集；
预测模块，用于根据所述第二样本数据集，通过目标页岩气井产能预测模型，预测所述目标页岩气井在未来S个生产周期内的产量区间，其中，所述目标页岩气井产能预测模型是根据所述第一样本数据集训练得到产能预测模型，所述S为大于或等于1的正整数。
可选地，所述页岩气井产量预测装置还包括：
第二获取模块，用于获取页岩气井产量预测模型，所述页岩气井产量预测模型依次由序列输入层、序列折叠层、二维卷积层、线性整流函数层、序列反折叠层、扁平化层、长短记忆神经网络层和全连接层组成；
其中，所述序列输入层用于将数据输入所述页岩气井产量预测模型；所述序列折叠层用于对数据进行转置与拆分；所述二维卷积层用于对数据进行信息提取；所述线性整流函数层用于对数据进行处理并确定特征图；所述序列反折叠层用于将特征图重新转化为序列数据；所述扁平化层用于将多维序列数据压缩成一维序列数据；所述长短记忆神经网络层用于输出初始产量预测结果；所述全连接层用于对所述长短记忆神经网络层的输出结果进行权重计算，最终输出预测产量；
第一确定模块，用于根据所述第一样本数据集和所述页岩气井产量预测模型，确定第一产量预测结果，将所述第一产量预测结果与对应的实际气量的最小误差确定为第一目标；
第二确定模块，用于根据所述第一样本数据集，通过优化算法，确定满足所述第一目标的页岩气井产量预测模型，并将所述满足第一目标的页岩气井产量预测模型确定为所述目标页岩气井产能预测模型。
可选地，所述预处理模块包括：
第一获取单元，用于获取所述N个生产周期中每个生产周期中对应生产时间为0的生产周期；
删除单元，用于删除所述对应生产时间为0的生产周期、气量、油嘴尺寸和生产时间；
排序单元，用于将未删除的所述历史生产数据按生产周期的时间先后顺序进行排序，并将连续删除的生产周期的个数，作为所述连续删除的生产周期后的第一个未删除的生产周期对应的关井时间的数据，得到中间历史生产数据；
处理单元，用于对所述中间历史生产数据进行标准化处理，得到预处理后的历史生产数据。
可选地，所述处理单元具体包括：
确定所述M个生产周期中气量、油嘴尺寸、生产时间和关井时间的均值；
确定所述M个生产周期中气量、油嘴尺寸、生产时间和关井时间的标准差；
确定所述M个生产周期中每一个生产周期的气量与所述M个生产周期中气量均值的差值，所述M个生产周期中每一个生产周期的油嘴尺寸与所述M个生产周期中油嘴尺寸均值的差值，所述M个生产周期中每一个生产周期的生产时间与所述M个生产周期中生产时间均值的差值，所述M个生产周期中每一个生产周期的关井时间与所述M个生产周期中关井时间均值的差值；
确定所述M个生产周期中每一个生产周期气量的差值与所述M个生产周期中气量的标准差的比值，确定所述M个生产周期中每一个生产周期油嘴尺寸的差值与所述M个生产周期中油嘴尺寸的标准差的比值，确定所述 M个生产周期中每一个生产周期生产时间的差值与所述M个生产周期中生产时间的标准差的比值，确定所述M个生产周期中每一个生产周期关井时间的差值与所述M个生产周期中关井时间的标准差的比值；
所述M个生产周期中每一个生产周期，以及所述M个生产周期中每一个生产周期对应的气量比值、油嘴尺寸比值、生产时间比值和关井时间比值组成数据集，得到预处理后的历史生产数据。
可选地，所述预测模块包括：
第一确定单元，用于根据所述第二样本数据集，通过所述目标页岩气井产能预测模型，确定K个气量预测值，K为所述第二样本数据集中生产周期的个数，K为大于或等于1且小于或等于所述M的正整数；
第二确定单元，用于根据所述K个气量预测值、所述K个气量预测值中每个气量预测值对应的真实气量值，确定K个气量误差值，得到气量误差值集合；
第三确定单元，用于根据所述气量误差值集合，确定累积概率密度分布函数；
第四确定单元，用于根据所述第二样本数据集，通过所述目标页岩气井产能预测模型，确定未来S天中每一天的产量，所述S为大于1的正整数；
第五确定单元，用于根据所述累积概率密度分布函数，以及所述未来S 天中每一天的产量，确定未来S天中每天的产量区间。
可选地，所述第四确定单元具体包括：
根据所述第二样本数据集，通过所述目标页岩气井产能预测模型，确定未来S天中第一天的产量；
令r＝1，根据所述第二样本数据集、所述未来S天中第r天的产量，通过所述目标页岩气井产能预测模型，确定未来S天中第r+1天的产量；
若所述r+1不等于所述S，则令r＝r+1，并返回所述所述第二样本数据集、所述未来S天中第r天的产量，通过所述目标页岩气井产能预测模型，确定未来S天中第r+1天的产量；
若所述r+1等于所述S，则将所述S个产量确定为所述未来S天中每一天的产量。
第三方面，提供了一种页岩气井产量预测装置，装置包括：
处理器；
用于存储处理器可执行指令的存储器；
其中，处理器被配置为执行上述页岩气井产量预测方法。
第四方面，提供了一种计算机可读存储介质，计算机可读存储介质上存储有指令，指令被处理器执行时实现上述页岩气井产量预测方法。
本申请实施例提供的技术方案至少可以带来以下有益效果：
在本发明实施例中，获取目标页岩气井的历史生产数据，历史生产数据包括：N个生产周期，以及N个生产周期中每个生产周期对应的气量、油嘴尺寸和生产时间，N为大于或等于1的正整数；对历史生产数据进行预处理，得到预处理后的历史生产数据，预处理后的历史生产数据为5维时间序列数据，包括M个生产周期，以及M个生产周期中每个生产周期对应的气量、油嘴尺寸、生产时间和关井时间，M为大于或等于1且小于或等于N的正整数；将预处理后的历史生产数据，按M个生产周期的时间先后顺序划分为第一样本数据集和第二样本数据集；根据第二样本数据集，通过目标页岩气井产能预测模型，预测目标页岩气井在未来S个生产周期内的产量区间，其中，目标页岩气井产能预测模型是根据第一样本数据集训练得到产能预测模型，S为大于或等于1的正整数。也即是，该方法将目标页岩气井的历史生产数据划分为训练集和数据集，训练集用于训练产能预测模型，数据集通过产能预测模型预测目标页岩气井在未来S个生产周期内的产量区间，由于历史生产数据反映了页岩气井生产制度的变化，因此，预测结果更符合页岩气井的实际生产情况。并且，该方法的预测结果为产量区间，因此，在提高预测精度的基础上增强了预测结果的实用性。
附图说明
为了更清楚地说明本申请实施例中的技术方案，下面将对实施例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申请的一些实施例，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页岩气井产量预测方法的流程示意图；
图2是本发明实施例提供的另一种页岩气井产量预测方法的流程示意图；
图3是示例1中X1井的历史生产数据；
图4是示例1中预测的X1井的未来多个生产周期内的产量区间。
图5是本发明实施例提供的一种页岩气井产量预测装置的结构示意图；
图6是本发明实施例提供的一种终端600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，下面将结合附图对本发明实施方式作进一步地详细描述。
在对本发明实施例进行详细的解释说明之前，先对本发明实施例中涉及到的名词、应用场景及系统架构分别进行解释说明。
首先，对本发明实施例中涉及到的名词进行介绍。
生产周期
生产周期是指页岩气井按生产制度生产时，为方便统计各生产数据人为划分的时间段。
气量
气量是指页岩气井一个生产周期内的累积产气量。
油嘴尺寸
油嘴尺寸是指用于控制和调节页岩气井产量的节流器的尺寸。
生产时间
生产时间是指在一个生产周期内页岩气井累计开井生产的时间。
其次，对本发明实施例涉及的应用场景进行介绍。
随着页岩气井的不断开发，页岩储层内部孔隙结构发生巨大改变，在这种情况下，应用本发明实施例提供的一种页岩气井产量预测方法，可以对一部分历史生产数据训练与拟合，再通过另一部分历史生产数据预测出符合页岩气井产量实际生产情况的预测数据，以方便工程人员根据预测数据及时调整页岩气井的生产制度。
最后，对本发明实施例涉及的系统架构进行介绍。
本发明实施例提供的油藏渗透率确定方法可以应用于终端中，该终端具有数据处理功能。具体地，该终端可以为智能手机、平板电脑、笔记本电脑、台式电脑或其他能够进行数据处理的终端。
图1是本发明实施例提供的一种页岩气井产量预测方法的流程示意图。参见图1，该方法包括如下步骤：
步骤101：获取目标页岩气井的历史生产数据，历史生产数据包括：N 个生产周期，以及N个生产周期中每个生产周期对应的气量、油嘴尺寸和生产时间，N为大于或等于1的正整数。
步骤102：对历史生产数据进行预处理，得到预处理后的历史生产数据，预处理后的历史生产数据为5维时间序列数据，包括M个生产周期，以及 M个生产周期中每个生产周期对应的气量、油嘴尺寸、生产时间和关井时间，M为大于或等于1且小于或等于N的正整数。
步骤103：将预处理后的历史生产数据，按M个生产周期的时间先后顺序划分为第一样本数据集和第二样本数据集。
步骤104：根据第二样本数据集，通过目标页岩气井产能预测模型，预测目标页岩气井在未来S个生产周期内的产量区间，其中，目标页岩气井产能预测模型是根据第一样本数据集训练得到产能预测模型，S为大于或等于 1的正整数。
在本发明实施例中，获取目标页岩气井的历史生产数据，历史生产数据包括：N个生产周期，以及N个生产周期中每个生产周期对应的气量、油嘴尺寸和生产时间，N为大于或等于1的正整数；对历史生产数据进行预处理，得到预处理后的历史生产数据，预处理后的历史生产数据为5维时间序列数据，包括M个生产周期，以及M个生产周期中每个生产周期对应的产量、油嘴尺寸、生产时间和关井时间，M为大于或等于1且小于或等于N的正整数；将预处理后的历史生产数据，按M个生产周期的时间先后顺序划分为第一样本数据集和第二样本数据集；根据第二样本数据集，通过目标页岩气井产能预测模型，预测目标页岩气井在未来S个生产周期内的产量区间，其中，目标页岩气井产能预测模型是根据第一样本数据集训练得到产能预测模型，S为大于或等于1的正整数。也即是，该方法将目标页岩气井的历史生产数据划分为训练集和数据集，训练集用于训练产能预测模型，数据集通过产能预测模型预测目标页岩气井在未来S个生产周期内的产量区间，由于历史生产数据反映了页岩气井生产制度的变化，因此，预测结果更符合页岩气井的实际生产情况。并且，该方法的预测结果为产量区间，因此，在提高预测精度的基础上增强了预测结果的实用性。
可选地，在根据第二样本数据集，通过目标页岩气井产能预测模型，预测目标页岩气井在未来的预设时间段内的产量数据之前，还包括：
获取页岩气井产量预测模型，页岩气井产量预测模型依次由序列输入层、序列折叠层、二维卷积层、线性整流函数层、序列反折叠层、扁平化层、长短记忆神经网络层和全连接层组成；
其中，序列输入层用于将数据输入页岩气井产量预测模型；序列折叠层用于对数据进行转置与拆分；二维卷积层用于对数据进行信息提取；线性整流函数层用于对数据进行处理并确定特征图；序列反折叠层用于将特征图重新转化为序列数据；扁平化层用于将多维序列数据压缩成一维序列数据；长短记忆神经网络层用于输出初始产量预测结果；全连接层用于对长短记忆神经网络层的输出结果进行权重计算，最终输出预测产量；
根据第一样本数据集和页岩气井产量预测模型，确定第一产量预测结果；
将第一产量预测结果与对应的实际气量的最小误差确定为第一目标；
根据第一样本数据集，通过优化算法，确定满足第一目标的页岩气井产量预测模型，并将满足第一目标的页岩气井产量预测模型确定为目标页岩气井产能预测模型。
可选地，对历史生产数据进行预处理，得到预处理后的历史生产数据，包括：
获取N个生产周期中每个生产周期中对应生产时间为0的生产周期；
删除对应生产时间为0的生产周期、气量、油嘴尺寸和生产时间；
将未删除的历史生产数据按生产周期的时间先后顺序进行排序，并将连续删除的生产周期的个数，作为连续删除的生产周期后的第一个未删除的生产周期对应的关井时间的数据，得到中间历史生产数据；
对中间历史生产数据进行标准化处理，得到预处理后的历史生产数据。
可选地，对中间历史生产数据进行标准化处理，得到预处理后的历史生产数据，包括：
确定M个生产周期中气量、油嘴尺寸、生产时间和关井时间的均值；
确定M个生产周期中气量、油嘴尺寸、生产时间和关井时间的标准差；
确定M个生产周期中每一个生产周期的气量与M个生产周期中气量均值的差值，M个生产周期中每一个生产周期的油嘴尺寸与M个生产周期中油嘴尺寸均值的差值，M个生产周期中每一个生产周期的生产时间与M个生产周期中生产时间均值的差值，M个生产周期中每一个生产周期的关井时间与M个生产周期中关井时间均值的差值；
确定M个生产周期中每一个生产周期气量的差值与M个生产周期中气量的标准差的比值，确定M个生产周期中每一个生产周期油嘴尺寸的差值与M个生产周期中油嘴尺寸的标准差的比值，确定M个生产周期中每一个生产周期生产时间的差值与M个生产周期中生产时间的标准差的比值，确定M个生产周期中每一个生产周期关井时间的差值与M个生产周期中关井时间的标准差的比值；
M个生产周期中每一个生产周期，以及M个生产周期中每一个生产周期对应的气量比值、油嘴尺寸比值、生产时间比值和关井时间比值组成数据集，得到预处理后的历史生产数据。
可选地，根据第二样本数据集，通过目标页岩气井产能预测模型，预测目标页岩气井在未来的预设时间段内的产量区间，包括：
根据第二样本数据集，通过目标页岩气井产能预测模型，确定K个气量预测值，K为第二样本数据集中生产周期的个数，K为大于或等于1且小于或等于M的正整数；
根据K个气量预测值、K个气量预测值中每个气量预测值对应的真实气量值，确定K个气量误差值，得到气量误差值集合；
根据气量误差值集合，确定累积概率密度分布函数；
根据第二样本数据集，通过目标页岩气井产能预测模型，确定未来S天中每一天的产量，S为大于1的正整数；
根据累积概率密度分布函数，以及未来S天中每一天的产量，确定未来 S天中每天的产量区间。
可选地，根据第二样本数据集，通过目标页岩气井产能预测模型，确定未来S天中每一天的产量，包括：
根据第二样本数据集，通过目标页岩气井产能预测模型，确定未来S天中第一天的产量；
令r＝1，根据第二样本数据集、未来S天中第r天的产量，通过目标页岩气井产能预测模型，确定未来S天中第r+1天的产量；
若r+1不等于S，则令r＝r+1，并返回第二样本数据集、未来S天中第r 天的产量，通过目标页岩气井产能预测模型，确定未来S天中第r+1天的产量；
若r+1等于S，则将S个产量确定为未来S天中每一天的产量。
上述所有可选技术方案，均可按照任意结合形成本发明的可选实施例，本发明实施例对此不再一一赘述。
图2是本发明实施例提供的另一种页岩气井产量预测方法的流程示意图。参见图2，该方法包括如下步骤：
步骤201：获取目标页岩气井的历史生产数据，历史生产数据包括：N 个生产周期，以及N个生产周期中每个生产周期对应的气量、油嘴尺寸和生产时间，N为大于或等于1的正整数。
在本发明实施例中，为了预测目标页岩气井的产量区间，需要先获取目标页岩气井的历史生产数据，其中，历史生产数据包括N个生产周期，以及 N个生产周期中每个生产周期对应的气量、油嘴尺寸和生产时间。
其中，N个生产周期是指目标页岩气井已进行生产的多个生产周期。生产周期可以为1天，可以为2天，也可以为其他任意天数。实际应用中，N 个生产周期可以由用户输入得到，可以由其他设备发送得到，也可以通过对目标页岩气井的生产数据进行分析得到。例如，可以采集目标页岩气井的历史生产数据，根据划分的生产周期天数，对生产周期进行提取，得到N个生产周期。
其中，气量是指一个生产周期的页岩气井的累积产气量。实际应用中，气量可以由用户输入得到，可以由其他设备发送得到，也可以通过对目标页岩气井的生产数据进行分析得到。例如，可以采集目标页岩气井的历史生产数据，对生产周期所对应的气量进行提取，得到N个生产周期中每个生产周期对应的气量。
其中，油嘴尺寸是指一个生产周期内的页岩气井的所使用过的油嘴的尺寸大小。实际应用中，油嘴尺寸可以由用户输入得到，可以由其他设备发送得到，也可以通过对目标页岩气井的生产数据进行分析得到。例如，可以采集目标页岩气井的历史生产数据，对生产周期所对应的油嘴尺寸进行提取，得到N个生产周期中每个生产周期对应的油嘴尺寸。
其中，生产时间是指一个生产周期内的页岩气井的累计生产时间，生产时间的单位为小时。实际应用中，生产时间可以由用户输入得到，可以由其他设备发送得到，也可以通过对目标页岩气井的生产数据进行分析得到。例如，可以采集目标页岩气井的历史生产数据，对生产周期所对应的生产时间进行提取，得到N个生产周期中每个生产周期对应的生产时间。
需要说明的是，N个生产周期的可以为1个生产周期，也可以为多个生产周期，生产周期的个数越多，产量区间预测越精确。本发明实施例获取数据后，可以将数据存储为4×N的数据矩阵，也可以存储为4行N列的数据表，本发明实施例对此不做具体限定。表1示出了一种可能的数据存储方式，其中，第一行的每一列为N个生产周期的每一个生产周期的数据(单位为天)、第二行至第四行为每个生产周期对应的产量(104m3/d)、油嘴尺寸(mm) 和生产时间(h)。
表1 一种可能的数据存储方式
| 生产周期 | 1 | 2 | 3 | 4 | 5 | 6 |
| 气量 | 15 | 0 | 0 | 4 | 5 | 12 |
| 油嘴尺寸 | 8 | 8 | 8 | 8 | 7 | 7 |
| 生产时间 | 24 | 0 | 0 | 24 | 20 | 24 |
步骤202：对历史生产数据进行预处理，得到预处理后的历史生产数据，预处理后的历史生产数据为5维时间序列数据，包括M个生产周期，以及 M个生产周期中每个生产周期对应的气量、油嘴尺寸、生产时间和关井时间， M为大于或等于1且小于或等于N的正整数；
需要说明的是，由于获取的历史生产数据中，可能会出现生产周期对应的生产时间为0的情况，如果用包括生产时间为0的数据进行产量预测，会降低预测的精度，因此，为提高产量预测精度，可以对历史生产数据进行预处理。具体地，可以通过步骤2021-步骤2024对历史生产数据进行预处理。
步骤2021：获取N个生产周期中每个生产周期中对应生产时间为0的生产周期。
此步骤中，在确定生产时间时，可以采用对生产时间遍历查询的方法，也可以采用生产时间和气量逐一比对的方法，只要确保能高效率准确的获取生产时间为0的对应的生产周期即可。
步骤2022：删除对应生产时间为0的生产周期、气量、油嘴尺寸和生产时间。
获取到生产时间为0的对应的生产周期时，将该生产周期以及对应的气量、油嘴尺寸和生产时间删除。删除时，若历史生产数据为数据矩阵，则删除数据矩阵中对应的数据和位置，若历史生产数据为数据表，则删除数据表中对应的列。如删除表1中的第三列和第四列所有内容，此时，原表1中的第五列成为删除后的表1的第三列。
还需要说明的是，若目标页岩气井的历史生产数据中，生产时间全部不为0，则不执行此步骤。
步骤2023：将未删除的历史生产数据按生产周期的时间先后顺序进行排序，并将连续删除的生产周期的个数，作为连续删除的生产周期后的第一个未删除的生产周期对应的关井时间的数据，得到中间历史生产数据。
需要说明的是，在删除生产时间为0的对应的历史生产数据后，需要对删除的历史生产数据进行统计，以确定目标页岩气井在生产过程中的关井时间。关井时间是生产时间为0所对应的生产周期的个数。此时，中间历史生产数据包括生产周期，以及生产周期对应的气量、油嘴尺寸、生产时间和关井时间。
例如，删除表1中生产时间为0所对应的生产周期，以及生产周期对应的气量、油嘴尺寸、生产时间。确定删除后的每个生产周期对应的关井时间，由于删除了原第三列和第四列数据，因此，新的第三列生产周期对应的关井时间为2。表2示出了基于表1删除后的生产周期和对应的气量、油嘴尺寸、生产时间、关井时间。
表2 基于表1的中间历史生产数据示例
还需要说明的是，若目标页岩气井的历史生产数据中，生产时间全部不为0，不执行步骤2022时，则此步骤得到中间历史生产数据是在历史生产数据的基础上，增加各生产周期所对应的关井时间的数据，且增加的关井时间数据全部为0。
步骤2024：对中间历史生产数据进行标准化处理，得到预处理后的历史生产数据。
需要说明的是，由于中间历史生产数据中的生产周期、气量、油嘴尺寸、生产时间和关井时间的单位不统一，无法对其进行有效使用，因此，本方案对中间历史生产数据进行标准化处理，以方便进一步使用。标准化处理过程中，可以使用归一化处理方式对其进行处理，也可以使用Z-score标准化处理。
在一种可能的实施方式中，使用Z-score标准化处理中间历史生产数据的具体步骤如下：
确定M个生产周期中气量、油嘴尺寸、生产时间和关井时间的均值；确定M个生产周期中气量、油嘴尺寸、生产时间和关井时间的标准差；确定M个生产周期中每一个生产周期的气量与M个生产周期中气量均值的差值，M个生产周期中每一个生产周期的油嘴尺寸与M个生产周期中油嘴尺寸均值的差值，M个生产周期中每一个生产周期的生产时间与M个生产周期中生产时间均值的差值，M个生产周期中每一个生产周期的关井时间与M 个生产周期中关井时间均值的差值；确定M个生产周期中每一个生产周期气量的差值与M个生产周期中气量的标准差的比值，确定M个生产周期中每一个生产周期油嘴尺寸的差值与M个生产周期中油嘴尺寸的标准差的比值，确定M个生产周期中每一个生产周期生产时间的差值与M个生产周期中生产时间的标准差的比值，确定M个生产周期中每一个生产周期关井时间的差值与M个生产周期中关井时间的标准差的比值；M个生产周期中每一个生产周期，以及M个生产周期中每一个生产周期对应的气量比值、油嘴尺寸比值、生产时间比值和关井时间比值组成数据集，得到预处理后的历史生产数据。
需要说明的是，若目标页岩气井的历史生产数据中，有生产时间为0的情况时，对N个生产周期进行删除后，得到M个生产周期，此时，M小于 N，若目标页岩气井的历史生产数据中，生产时间全部不为0时，则不对N 个生产周期进行删除，此时，M等于N。
以表2为例，步骤2024的具体执行步骤为：
(1)确定5个生产周期中产量、油嘴尺寸、生产时间和关井时间的均值分别为9、7.5、23、0.5。
(2)确定5个生产周期中产量、油嘴尺寸、生产时间和关井时间的标准差分别为4.6、0.5、1.73、8.7。
(3)确定5个生产周期中气量、油嘴尺寸、生产时间、关井时间与对应均值的差值，由表3示出。
表3 差值示例
| 生产周期 | 1 | 2 | 3 | 4 |
| 气量 | 6 | -5 | -4 | 3 |
| 油嘴尺寸 | 0.5 | 0.5 | -0.5 | -0.5 |
| 生产时间 | 1 | 1 | -3 | 1 |
| 关井时间 | -0.5 | 1.5 | -0.5 | -0.5 |
(4)基于步骤(3)确定5个生产周期中气量、油嘴尺寸、生产时间、关井时间数据与标准差的比值，由表4示出。
表4 比值示例
因此，5个生产周期中每一个生产周期，以及5个生产周期中每一个生产周期对应的气量比值、油嘴尺寸比值、生产时间比值和关井时间比值组成数据集，得到表4，表4也即为预处理后的历史生产数据。
需要说明的是，本步骤2024所示数据均为示例性数据，时间应用中还可以为其他数据，本发明实施例对此不做具体限定。
步骤203：将预处理后的历史生产数据，按M个生产周期的时间先后顺序划分为第一样本数据集和第二样本数据集；
需要说明的是，得到预处理后的历史生产数据后，需要将数据按时间顺序划分为两段，其中前一段数据作为训练集，输入到页岩气井产量预测模型中训练适合目标页岩气井的产能预测模型，而后一段数据则作为预测集，用来预测未来产量。例如，将表4中5个生产周期按时间先后顺序排序，并将生产周期为1-3的数据作为第一样本数据集，也即是作为训练集用来训练产量预测模型。将生产周期为4-5的数据作为第二样本数据集，也即是作为预测集，用来通过产量预测模型预测目标页岩气井未来的产量区间。
步骤204：获取页岩气井产量预测模型，页岩气井产量预测模型依次由序列输入层、序列折叠层、二维卷积层、线性整流函数层、序列反折叠层、扁平化层、长短记忆神经网络层和全连接层组成。
其中，序列输入层用于将数据输入页岩气井产量预测模型；序列折叠层用于对数据进行转置与拆分；二维卷积层用于对数据进行信息提取；线性整流函数层用于对数据进行处理并确定特征图；序列反折叠层用于将特征图重新转化为序列数据；扁平化层用于将多维序列数据压缩成一维序列数据；长短记忆神经网络层用于输出初始产量预测结果；全连接层用于对长短记忆神经网络层的输出结果进行权重计算，最终输出预测产量；
需要说明的是，页岩气井产量预测模型内的各模块及流程是预先输入或存储的，其中，各模块二维卷积层所采用的卷积神经网络方法和长短记忆神经网络层所采用的长短记忆神经网络方法为现有技术，本发明实施例对此不再赘述。不过，虽然页岩气井产量预测模型使用了卷积神经网络方法和长短记忆神经网络方法，但是由于数据的处理目标以及各层之间的流程的差异，该页岩气井产量预测模型较单纯使用长短记忆神经网络方法能够提高预测精度。
步骤205：根据第一样本数据集和页岩气井产量预测模型，确定第一产量预测结果，将第一产量预测结果与对应的实际气量的最小误差确定为第一目标。
需要说明的是，将第一样本数据集输入至页岩气井产量预测模型后，页岩气井产量预测模型可以输出第一产量预测结果，第一产量预测结果包括与第一样本数据集中生产周期个数相同的预测产量。为了使页岩气井产量预测模型更贴合目标页岩气井的实际生产过程，还需要为该页岩气井产量预测模型设立优化目标，以进一步对页岩气井产量预测模型中的二维卷积层、长短记忆神经网络层进行参数优化。也即是，将页岩气井产量预测模型确定的与第一样本数据集中生产周期个数相同的预测产量分别与该生产周期对应的实际气量进行对比，并将所有的预测产量与实际产量的最小误差确定为第一目标。
例如，第一样本数据集中包括3个生产周期，每个生产周期的实际气量为15×104m3/d、4×104m3/d、5×104m3/d，将上述3个生产周期的数据经过预处理后输入页岩气井产量预测模型中，得到预测产量为13×104m3/d、5× 104m3/d、6×104m3/d.则将同时满足第1生产周期的预测产量13×104m3/d与实际气量15×104m3/d之间、第2生产周期的预测产量5×104m3/d与实际气量4×104m3/d之间、第3生产周期的预测产量6×104m3/d与实际气量5×104m3/d之间的最小误差作为第一目标。
步骤206：根据第一样本数据集，通过优化算法，确定满足第一目标的页岩气井产量预测模型，并将满足第一目标的页岩气井产量预测模型确定为目标页岩气井产能预测模型。
需要说明的是，在训练页岩气井产量预测模型时，可以使用不同的优化算法进行训练，例如，梯度下降法、共轭梯度法、Adam(Adaptive Moment Estimation自适应矩估计)优化算法训练等，不同的算法对训练速度和训练结果有不同的影响，本发明实施例对优化算法不做具体限定。在一种可能的实施例中，使用Adam优化算法对页岩气井产量预测模型进行训练，并将满足第一目标的页岩气井产量预测模型确定为目标页岩气井产能预测模型。
步骤207：根据第二样本数据集，通过目标页岩气井产能预测模型，预测目标页岩气井在未来S个生产周期内的产量区间，其中，目标页岩气井产能预测模型是根据第一样本数据集训练得到产能预测模型，S为大于或等于 1的正整数。
需要说明的是，在确定了目标页岩气井产能预测模型后，可以根据第二样本数据集预测目标页岩气井在未来S个生产周期内的产量区间。具体地，可以根据步骤2071-步骤2075预测目标页岩气井在未来S个生产周期内的产量区间。
步骤2071：根据第二样本数据集，通过目标页岩气井产能预测模型，确定K个气量预测值，K为第二样本数据集中生产周期的个数，K为大于或等于1且小于或等于M的正整数。
步骤2072：根据K个气量预测值、K个气量预测值中每个气量预测值对应的真实气量值，确定K个气量误差值，得到气量误差值集合。
需要说明的是，气量误差的确定是通过公式(气量误差＝气量预测值-真实气量值)确定的。确定K个气量误差值后，将K个气量误差值进行组合，得到气量误差值集合。
步骤2073：根据气量误差值集合，确定累积概率密度分布函数。
需要说明的是，采用核密度估计理论求取对应的概率密度函数
进一步通过积分求取其累积概率密度分布函数
累积分布函数(Cumulative DistributionFunction)，又叫分布函数，是概率密度函数的积分，能完整描述一个实随机变量X的概率分布。一般以大写CDF标记,，与概率密度函数probability density function(小写pdf)相对。即累积分布函数表示：对离散变量而言，所有小于等于a的值出现概率的和。
步骤2074：根据第二样本数据集，通过目标页岩气井产能预测模型，确定未来S天中每一天的产量，S为大于1的正整数。
具体地，根据第二样本数据集，通过目标页岩气井产能预测模型，确定未来S天中每一天的产量具体包括：
根据第二样本数据集，通过目标页岩气井产能预测模型，确定未来S天中第一天的产量；令r＝1，根据第二样本数据集、未来S天中第r天的产量，通过目标页岩气井产能预测模型，确定未来S天中第r+1天的产量；若r+1 不等于S，则令r＝r+1，并返回第二样本数据集、未来S天中第r天的产量，通过目标页岩气井产能预测模型，确定未来S天中第r+1天的产量；若r+1 等于S，则将S个产量确定为未来S天中每一天的产量。
需要说明的是，在预测产量时，是采用循环策略开展单点预测。也即是，根据第二样本数据集，通过目标页岩气井产能预测模型，预测未来S天中第 1天的产量，再根据第二样本数据集和预测的未来S天中第1天的产量，通过目标页岩气井产能预测模型，预测未来S天中第2天的产量，以此类推，直到根据第二样本数据集和预测的未来S天中第1天至第S-1天的产量，通过目标页岩气井产能预测模型，预测未来第S天的产量。
值得注意的是，第二样本数据集中的数据可以全程参与未来S天的产量预测，也可以通过指定参与的数量依次类推参与未来S天的产量预测。例如，第二样本数据集中包含10个生产周期及其对应的气量、油嘴尺寸、生产时间和关井时间，当全程参与未来S天的产量预测时，则是根据10组数据，通过目标页岩气井产能预测模型，预测未来S天中第1天的产量，再根据 10组数据和预测的未来S天中第1天的产量组成的11组数据，通过目标页岩气井产能预测模型，预测未来S天中第2天的产量，以此类推，直到根据 10组数据和预测的S-1个产量组成的S+9组数据，通过目标页岩气井产能预测模型，预测未来第S天的产量。
步骤2075：根据累积概率密度分布函数，以及未来S天中每一天的产量，确定未来S天中每天的产量区间。
需要说明的是，由于步骤2074预测的未来S天中每一天的产量为单点预测值，未了提高预测精度，可以根据累积概率密度分布函数，确定累积概率密度函数的逆函数，再根据步骤2074确定的未来S天中每一天的产量和累积概率密度函数的逆函数，确定置信度为1-α的置信区间
完成区间预测。区间预测公式如下：
其中，
为第i天预测产量的置信下限，
为第i天预测产量的置信下限，qff，i为第i天单点产量预测值，
为累积概率密度函数的逆函数，α为置信度。
为了更好理解本发明实施例的预测过程，加强与相关技术的对比，以下示出本发明实施例的具体应用。
示例1：
X1井为目标页岩气井。图3是示例1中X1井的历史生产数据，其中图 3a为气量数据、图3b为生产时间数据、图3c为油嘴尺寸数据、图3d为关井时间数据。开井后X1井的产量约14×104m3/d，随后快速递减至8×104m3/d，进一步产量递减趋势变缓。生产600天后，产量递减至5×104m3/d 左右。生产至690天后，现场取出了油嘴，直接采用油管生产。这个时候产量上升至15×104m3/d左右，之后又进入了递减模式。目前产量约为4× 104m3/d。X1井的平均日生产时间不足24h。初期X1井采用6mm油嘴生产，随后采用4.8mm油嘴生产。生产100天后，进一步调整将油嘴尺寸提早为 4.2mm。生产至690天后，取出了油嘴。X1井存在关井的情况，但关井时间较短(1～5天)。
将历史生产数据按8：2的比例划分第一样本数据集和第二样本数据集，即前80％的生产数据用于训练模型，后20％的生产数据用于测试模型。对于第一样本数据集，本发明实施例所建立的目标页岩气井产量预测模型和相关技术中采用的LSTM模型的平均相对误差见表5。从表5可以看出，对于第一样本数据集，本发明实施例的平均相对误差最低，精度最高。
表5 平均相对误差和均方根误差
进一步，基于目标页岩气井产量预测模型，用第二样本数据集预测了未来的产量(单点预测)。对于第二样本数据集，本发明、LSTM模型的平均相对误差见表6。从表6可以看出，对于第二样本数据集，本发明的平均相对误差最低，精度最高。
表6 平均相对误差和均方根误差(测试集)
最后，基于核密度估计理论获得的累积概率密度函数，该累积概率密度函数的拟合效果较好，准确地描述了本发明的误差分布，基于累积概率密度函数确定了对应的逆累积分布函数，最后求得了产量预测结果的置信区间，即未来气井产量的可能范围，如图4所示。图4是示例1中预测的X1井的未来多个生产周期内的产量区间。
本发明实施例引入目标页岩气井的如生产周期、气量、油嘴尺寸和生产时间等历史生产数据，通过将目标页岩气井的历史生产数据划分为训练集和数据集，训练集用于训练产能预测模型，数据集通过产能预测模型预测目标页岩气井在未来S个生产周期内的产量区间，由于历史生产数据反映了页岩气井生产制度的变化，因此，预测结果更符合页岩气井的实际生产情况。并且，该方法的预测结果为产量区间，因此，在提高预测精度的基础上增强了预测结果的实用性。并且，由于页岩气井产量预测模型具有通用性，在更换目标页岩气井时无需重复建模，可以直接通过易采集的数据驱动实现产量区间的预测，提高了产量预测效率，可操作性强，具备现场推广价值。
图5是本发明实施例提供的一种页岩气井产量预测装置的结构示意图。参见图5，该装置可以包括：
第一获取模块501，用于获取目标页岩气井的历史生产数据，历史生产数据包括：N个生产周期，以及N个生产周期中每个生产周期对应的气量、油嘴尺寸和生产时间，N为大于或等于1的正整数；
预处理模块502，用于对历史生产数据进行预处理，得到预处理后的历史生产数据，预处理后的历史生产数据为5维时间序列数据，包括M个生产周期，以及M个生产周期中每个生产周期对应的气量、油嘴尺寸、生产时间和关井时间，M为大于或等于1且小于或等于N的正整数；
划分模块503，用于将预处理后的历史生产数据，按M个生产周期的时间先后顺序划分为第一样本数据集和第二样本数据集；
预测模块504，用于根据第二样本数据集，通过目标页岩气井产能预测模型，预测目标页岩气井在未来S个生产周期内的产量区间，其中，目标页岩气井产能预测模型是根据第一样本数据集训练得到产能预测模型，S为大于或等于1的正整数。
可选地，页岩气井产量预测装置还包括：
第二获取模块，用于获取页岩气井产量预测模型，页岩气井产量预测模型依次由序列输入层、序列折叠层、二维卷积层、线性整流函数层、序列反折叠层、扁平化层、长短记忆神经网络层和全连接层组成；
其中，序列输入层用于将数据输入页岩气井产量预测模型；序列折叠层用于对数据进行转置与拆分；二维卷积层用于对数据进行信息提取；线性整流函数层用于对数据进行处理并确定特征图；序列反折叠层用于将特征图重新转化为序列数据；扁平化层用于将多维序列数据压缩成一维序列数据；长短记忆神经网络层用于输出初始产量预测结果；全连接层用于对长短记忆神经网络层的输出结果进行权重计算，最终输出预测产量；
第一确定模块，用于根据第一样本数据集和页岩气井产量预测模型，确定第一产量预测结果，将第一产量预测结果与对应的实际气量的最小误差确定为第一目标；
第二确定模块，用于根据第一样本数据集，通过优化算法，确定满足第一目标的页岩气井产量预测模型，并将满足第一目标的页岩气井产量预测模型确定为目标页岩气井产能预测模型。
可选地，预处理模块包括：
第一获取单元，用于获取N个生产周期中每个生产周期中对应生产时间为0的生产周期；
删除单元，用于删除对应生产时间为0的生产周期、气量、油嘴尺寸和生产时间；
排序单元，用于将未删除的历史生产数据按生产周期的时间先后顺序进行排序，并将连续删除的生产周期的个数，作为连续删除的生产周期后的第一个未删除的生产周期对应的关井时间的数据，得到中间历史生产数据；
处理单元，用于对中间历史生产数据进行标准化处理，得到预处理后的历史生产数据。
可选地，处理单元具体包括：
确定M个生产周期中气量、油嘴尺寸、生产时间和关井时间的均值；
确定M个生产周期中气量、油嘴尺寸、生产时间和关井时间的标准差；
确定M个生产周期中每一个生产周期的气量与M个生产周期中气量均值的差值，M个生产周期中每一个生产周期的油嘴尺寸与M个生产周期中油嘴尺寸均值的差值，M个生产周期中每一个生产周期的生产时间与M个生产周期中生产时间均值的差值，M个生产周期中每一个生产周期的关井时间与M个生产周期中关井时间均值的差值；
确定M个生产周期中每一个生产周期气量的差值与M个生产周期中气量的标准差的比值，确定M个生产周期中每一个生产周期油嘴尺寸的差值与M个生产周期中油嘴尺寸的标准差的比值，确定M个生产周期中每一个生产周期生产时间的差值与M个生产周期中生产时间的标准差的比值，确定M个生产周期中每一个生产周期关井时间的差值与M个生产周期中关井时间的标准差的比值；
M个生产周期中每一个生产周期，以及M个生产周期中每一个生产周期对应的气量比值、油嘴尺寸比值、生产时间比值和关井时间比值组成数据集，得到预处理后的历史生产数据。
可选地，预测模块包括：
第一确定单元，用于根据第二样本数据集，通过目标页岩气井产能预测模型，确定K个气量预测值，K为第二样本数据集中生产周期的个数，K为大于或等于1且小于或等于M的正整数；
第二确定单元，用于根据K个气量预测值、K个气量预测值中每个气量预测值对应的真实气量值，确定K个气量误差值，得到气量误差值集合；
第三确定单元，用于根据气量误差值集合，确定累积概率密度分布函数；
第四确定单元，用于根据第二样本数据集，通过目标页岩气井产能预测模型，确定未来S天中每一天的产量，S为大于1的正整数；
第五确定单元，用于根据累积概率密度分布函数，以及未来S天中每一天的产量，确定未来S天中每天的产量区间。
可选地，第四确定单元具体包括：
根据第二样本数据集，通过目标页岩气井产能预测模型，确定未来S天中第一天的产量；
令r＝1，根据第二样本数据集、未来S天中第r天的产量，通过目标页岩气井产能预测模型，确定未来S天中第r+1天的产量；
若r+1不等于S，则令r＝r+1，并返回第二样本数据集、未来S天中第r 天的产量，通过目标页岩气井产能预测模型，确定未来S天中第r+1天的产量；
若r+1等于S，则将S个产量确定为未来S天中每一天的产量。
在本发明实施例中，获取目标页岩气井的历史生产数据，历史生产数据包括：N个生产周期，以及N个生产周期中每个生产周期对应的气量、油嘴尺寸和生产时间，N为大于或等于1的正整数；对历史生产数据进行预处理，得到预处理后的历史生产数据，预处理后的历史生产数据为5维时间序列数据，包括M个生产周期，以及M个生产周期中每个生产周期对应的气量、油嘴尺寸、生产时间和关井时间，M为大于或等于1且小于或等于N的正整数；将预处理后的历史生产数据，按M个生产周期的时间先后顺序划分为第一样本数据集和第二样本数据集；根据第二样本数据集，通过目标页岩气井产能预测模型，预测目标页岩气井在未来S个生产周期内的产量区间，其中，目标页岩气井产能预测模型是根据第一样本数据集训练得到产能预测模型，S为大于或等于1的正整数。也即是，该方法将目标页岩气井的历史生产数据划分为训练集和数据集，训练集用于训练产能预测模型，数据集通过产能预测模型预测目标页岩气井在未来S个生产周期内的产量区间，由于历史生产数据反映了页岩气井生产制度的变化，因此，预测结果更符合页岩气井的实际生产情况。并且，该方法的预测结果为产量区间，因此，在提高预测精度的基础上增强了预测结果的实用性。
需要说明的是：上述实施例提供的页岩气井产量预测装置在预测页岩气井产量时，仅以上述各功能模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能模块完成，即将装置的内部结构划分成不同的功能模块，以完成以上描述的全部或者部分功能。另外，上述实施例提供的页岩气井产量预测装置与页岩气井产量预测方法的实施例属于同一构思，其具体实现过程详见方法实施例，这里不再赘述。
图6是本发明实施例提供的一种终端600的结构示意图。该终端600可以是：智能手机、平板电脑、MP3播放器(Moving Picture Experts Group Audio Layer III，动态影像专家压缩标准音频层面3)、MP4(Moving Picture Experts Group Audio Layer IV，动态影像专家压缩标准音频层面4)播放器、笔记本电脑或台式电脑。终端600还可能被称为用户设备、便携式终端、膝上型终端、台式终端等其他名称。
通常，终端600包括有：处理器601和存储器602。
处理器601可以包括一个或多个处理核心，比如4核心处理器、8核心处理器等。处理器601可以采用DSP(Digital Signal Processing，数字信号处理)、FPGA(Field－Programmable Gate Array，现场可编程门阵列)、PLA (Programmable Logic Array，可编程逻辑阵列)中的至少一种硬件形式来实现。处理器601也可以包括主处理器和协处理器，主处理器是用于对在唤醒状态下的数据进行处理的处理器，也称CPU(Central ProcessingUnit，中央处理器)；协处理器是用于对在待机状态下的数据进行处理的低功耗处理器。在一些实施例中，处理器601可以在集成有GPU(Graphics Processing Unit，图像处理器)，GPU用于负责显示屏所需要显示的内容的渲染和绘制。一些实施例中，处理器601还可以包括AI(Artificial Intelligence，人工智能)处理器，该AI处理器用于处理有关机器学习的计算操作。
存储器602可以包括一个或多个计算机可读存储介质，该计算机可读存储介质可以是非暂态的。存储器602还可包括高速随机存取存储器，以及非易失性存储器，比如一个或多个磁盘存储设备、闪存存储设备。在一些实施例中，存储器602中的非暂态的计算机可读存储介质用于存储至少一个指令，该至少一个指令用于被处理器601所执行以实现本申请中方法实施例提供的页岩气井产量预测方法。
在一些实施例中，终端600还可选包括有：外围设备接口603和至少一个外围设备。处理器601、存储器602和外围设备接口603之间可以通过总线或信号线相连。各个外围设备可以通过总线、信号线或电路板与外围设备接口603相连。具体地，外围设备包括：射频电路604、触摸显示屏604、摄像头606、音频电路607、定位组件608和电源609中的至少一种。
外围设备接口603可被用于将I/O(Input/Output，输入/输出)相关的至少一个外围设备连接到处理器601和存储器602。在一些实施例中，处理器 601、存储器602和外围设备接口603被集成在同一芯片或电路板上；在一些其他实施例中，处理器601、存储器602和外围设备接口603中的任意一个或两个可以在单独的芯片或电路板上实现，本实施例对此不加以限定。
射频电路604用于接收和发射RF(Radio Frequency，射频)信号，也称电磁信号。射频电路604通过电磁信号与通信网络以及其他通信设备进行通信。射频电路604将电信号转换为电磁信号进行发送，或者，将接收到的电磁信号转换为电信号。可选地，射频电路604包括：天线系统、RF收发器、一个或多个放大器、调谐器、振荡器、数字信号处理器、编解码芯片组、用户身份模块卡等等。射频电路604可以通过至少一种无线通信协议来与其它终端进行通信。该无线通信协议包括但不限于：城域网、各代移动通信网络(2G、3G、4G及5G)、无线局域网和/或WiFi(Wireless Fidelity，无线保真)网络。在一些实施例中，射频电路604还可以包括NFC(Near Field Communication，近距离无线通信)有关的电路，本申请对此不加以限定。
显示屏604用于显示UI(User Interface，用户界面)。该UI可以包括图形、文本、图标、视频及其它们的任意组合。当显示屏605是触摸显示屏时，显示屏605还具有采集在显示屏605的表面或表面上方的触摸信号的能力。该触摸信号可以作为控制信号输入至处理器601进行处理。此时，显示屏605还可以用于提供虚拟按钮和/或虚拟键盘，也称软按钮和/或软键盘。在一些实施例中，显示屏605可以为一个，设置终端600的前面板；在另一些实施例中，显示屏605可以为至少两个，分别设置在终端600的不同表面或呈折叠设计；在再一些实施例中，显示屏605可以是柔性显示屏，设置在终端600的弯曲表面上或折叠面上。甚至，显示屏605还可以设置成非矩形的不规则图形，也即异形屏。显示屏605可以采用LCD(LiquidCrystal Display，液晶显示屏)、OLED(Organic Light-Emitting Diode,有机发光二极管)等材质制备。
摄像头组件606用于采集图像或视频。可选地，摄像头组件606包括前置摄像头和后置摄像头。通常，前置摄像头设置在终端的前面板，后置摄像头设置在终端的背面。在一些实施例中，后置摄像头为至少两个，分别为主摄像头、景深摄像头、广角摄像头、长焦摄像头中的任意一种，以实现主摄像头和景深摄像头融合实现背景虚化功能、主摄像头和广角摄像头融合实现全景拍摄以及VR(Virtual Reality，虚拟现实)拍摄功能或者其它融合拍摄功能。在一些实施例中，摄像头组件606还可以包括闪光灯。闪光灯可以是单色温闪光灯，也可以是双色温闪光灯。双色温闪光灯是指暖光闪光灯和冷光闪光灯的组合，可以用于不同色温下的光线补偿。
音频电路607可以包括麦克风和扬声器。麦克风用于采集用户及环境的声波，并将声波转换为电信号输入至处理器601进行处理，或者输入至射频电路604以实现语音通信。出于立体声采集或降噪的目的，麦克风可以为多个，分别设置在终端600的不同部位。麦克风还可以是阵列麦克风或全向采集型麦克风。扬声器则用于将来自处理器601或射频电路604的电信号转换为声波。扬声器可以是传统的薄膜扬声器，也可以是压电陶瓷扬声器。当扬声器是压电陶瓷扬声器时，不仅可以将电信号转换为人类可听见的声波，也可以将电信号转换为人类听不见的声波以进行测距等用途。在一些实施例中，音频电路607还可以包括耳机插孔。
定位组件608用于定位终端600的当前地理位置，以实现导航或LBS (LocationBased Service，基于位置的服务)。定位组件608可以是基于美国的GPS(GlobalPositioning System，全球定位系统)、中国的北斗系统、俄罗斯的格雷纳斯系统或欧盟的伽利略系统的定位组件。
电源609用于为终端600中的各个组件进行供电。电源609可以是交流电、直流电、一次性电池或可充电电池。当电源609包括可充电电池时，该可充电电池可以支持有线充电或无线充电。该可充电电池还可以用于支持快充技术。
在一些实施例中，终端600还包括有一个或多个传感器610。该一个或多个传感器610包括但不限于：加速度传感器611、陀螺仪传感器612、压力传感器613、指纹传感器614、光学传感器615以及接近传感器616。
加速度传感器611可以检测以终端600建立的坐标系的三个坐标轴上的加速度大小。比如，加速度传感器611可以用于检测重力加速度在三个坐标轴上的分量。处理器601可以根据加速度传感器611采集的重力加速度信号，控制触摸显示屏605以横向视图或纵向视图进行用户界面的显示。加速度传感器611还可以用于游戏或者用户的运动数据的采集。
陀螺仪传感器612可以检测终端600的机体方向及转动角度，陀螺仪传感器612可以与加速度传感器611协同采集用户对终端600的3D动作。处理器601根据陀螺仪传感器612采集的数据，可以实现如下功能：动作感应 (比如根据用户的倾斜操作来改变UI)、拍摄时的图像稳定、游戏控制以及惯性导航。
压力传感器613可以设置在终端600的侧边框和/或触摸显示屏605的下层。当压力传感器613设置在终端600的侧边框时，可以检测用户对终端600 的握持信号，由处理器601根据压力传感器613采集的握持信号进行左右手识别或快捷操作。当压力传感器613设置在触摸显示屏605的下层时，由处理器601根据用户对触摸显示屏605的压力操作，实现对UI界面上的可操作性控件进行控制。可操作性控件包括按钮控件、滚动条控件、图标控件、菜单控件中的至少一种。
指纹传感器614用于采集用户的指纹，由处理器601根据指纹传感器614 采集到的指纹识别用户的身份，或者，由指纹传感器614根据采集到的指纹识别用户的身份。在识别出用户的身份为可信身份时，由处理器601授权该用户执行相关的敏感操作，该敏感操作包括解锁屏幕、查看加密信息、下载软件、支付及更改设置等。指纹传感器614可以被设置终端600的正面、背面或侧面。当终端600上设置有物理按键或厂商Logo时，指纹传感器614 可以与物理按键或厂商Logo集成在一起。
光学传感器615用于采集环境光强度。在一个实施例中，处理器601可以根据光学传感器615采集的环境光强度，控制触摸显示屏605的显示亮度。具体地，当环境光强度较高时，调高触摸显示屏605的显示亮度；当环境光强度较低时，调低触摸显示屏605的显示亮度。在另一个实施例中，处理器 601还可以根据光学传感器615采集的环境光强度，动态调整摄像头组件606 的拍摄参数。
接近传感器616，也称距离传感器，通常设置在终端600的前面板。接近传感器616用于采集用户与终端600的正面之间的距离。在一个实施例中，当接近传感器616检测到用户与终端600的正面之间的距离逐渐变小时，由处理器601控制触摸显示屏605从亮屏状态切换为息屏状态；当接近传感器 616检测到用户与终端600的正面之间的距离逐渐变大时，由处理器601控制触摸显示屏605从息屏状态切换为亮屏状态。
也即是，本发明实施例不仅提供了一种终端，包括处理器和用于存储处理器可执行指令的存储器，其中，处理器被配置为执行图1或图2所示的实施例中的方法，而且，本发明实施例还提供了一种计算机可读存储介质，该存储介质内存储有计算机程序，该计算机程序被处理器执行时可以实现图1 或图2所示的实施例中的页岩气井产量预测方法。
本领域技术人员可以理解，图6中示出的结构并不构成对终端600的限定，可以包括比图示更多或更少的组件，或者组合某些组件，或者采用不同的组件布置。
本领域普通技术人员可以理解实现上述实施例的全部或部分步骤可以通过硬件来完成，也可以通过程序来指令相关的硬件完成，所述的程序可以存储于一种计算机可读存储介质中，上述提到的存储介质可以是只读存储器，磁盘或光盘等。
以上所述仅为本发明的较佳实施例，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (6)
1.一种页岩气井产量预测方法，其特征在于，所述页岩气井产量预测方法包括：
获取目标页岩气井的历史生产数据，所述历史生产数据包括：N个生产周期，以及所述N个生产周期中每个生产周期对应的气量、油嘴尺寸和生产时间，所述N为大于或等于1的正整数；
获取所述N个生产周期中每个生产周期中对应生产时间为0的生产周期；
删除所述对应生产时间为0的生产周期、气量、油嘴尺寸和生产时间；
将未删除的所述历史生产数据按生产周期的时间先后顺序进行排序，并将连续删除的生产周期的个数，作为所述连续删除的生产周期后的第一个未删除的生产周期对应的关井时间的数据，得到中间历史生产数据；
对所述中间历史生产数据进行标准化处理，得到预处理后的历史生产数据，所述预处理后的历史生产数据为5维时间序列数据，包括M个生产周期，以及所述M个生产周期中每个生产周期对应的气量、油嘴尺寸、生产时间和关井时间，所述M为大于或等于1且小于或等于所述N的正整数；
将所述预处理后的历史生产数据，按所述M个生产周期的时间先后顺序划分为第一样本数据集和第二样本数据集；
根据所述第二样本数据集，通过所述目标页岩气井产能预测模型，确定K个气量预测值，K为所述第二样本数据集中生产周期的个数，K为大于或等于1且小于或等于所述M的正整数；
根据所述K个气量预测值、所述K个气量预测值中每个气量预测值对应的真实气量值，确定K个气量误差值，得到气量误差值集合；
根据所述气量误差值集合，确定累积概率密度分布函数；
根据所述第二样本数据集，通过所述目标页岩气井产能预测模型，确定未来S天中第一天的产量，所述S为大于1的正整数，其中，所述目标页岩气井产能预测模型是根据所述第一样本数据集训练得到产能预测模型，所述S为大于或等于1的正整数；
令r＝1，根据所述第二样本数据集、所述未来S天中第r天的产量，通过所述目标页岩气井产能预测模型，确定未来S天中第r+1天的产量；
若所述r+1不等于所述S，则令r＝r+1，并返回所述第二样本数据集、所述未来S天中第r天的产量，通过所述目标页岩气井产能预测模型，确定未来S天中第r+1天的产量；
若所述r+1等于所述S，则将所述S个产量确定为所述未来S天中每一天的产量；
根据所述累积概率密度分布函数，以及所述未来S天中每一天的产量，确定未来S天中每天的产量区间。
2.根据权利要求1所述的页岩气井产量预测方法，其特征在于，在根据所述第二样本数据集，通过目标页岩气井产能预测模型，预测所述目标页岩气井在未来的预设时间段内的产量数据之前，还包括：
获取页岩气井产量预测模型，所述页岩气井产量预测模型依次由序列输入层、序列折叠层、二维卷积层、线性整流函数层、序列反折叠层、扁平化层、长短记忆神经网络层和全连接层组成；
其中，所述序列输入层用于将数据输入所述页岩气井产量预测模型；所述序列折叠层用于对数据进行转置与拆分；所述二维卷积层用于对数据进行信息提取；所述线性整流函数层用于对数据进行处理并确定特征图；所述序列反折叠层用于将特征图重新转化为序列数据；所述扁平化层用于将多维序列数据压缩成一维序列数据；所述长短记忆神经网络层用于输出初始产量预测结果；所述全连接层用于对所述长短记忆神经网络层的输出结果进行权重计算，输出预测产量；
根据所述第一样本数据集和所述页岩气井产量预测模型，确定第一产量预测结果；
将所述第一产量预测结果与对应的实际气量的最小误差确定为第一目标；
根据所述第一样本数据集，通过优化算法，确定满足所述第一目标的页岩气井产量预测模型，并将所述满足第一目标的页岩气井产量预测模型确定为所述目标页岩气井产能预测模型。
3.根据权利要求1所述的页岩气井产量预测方法，其特征在于，对所述中间历史生产数据进行标准化处理，得到预处理后的历史生产数据，包括：
确定所述M个生产周期中气量、油嘴尺寸、生产时间和关井时间的均值；
确定所述M个生产周期中气量、油嘴尺寸、生产时间和关井时间的标准差；
确定所述M个生产周期中每一个生产周期的气量与所述M个生产周期中气量均值的差值，所述M个生产周期中每一个生产周期的油嘴尺寸与所述M个生产周期中油嘴尺寸均值的差值，所述M个生产周期中每一个生产周期的生产时间与所述M个生产周期中生产时间均值的差值，所述M个生产周期中每一个生产周期的关井时间与所述M个生产周期中关井时间均值的差值；
确定所述M个生产周期中每一个生产周期气量的差值与所述M个生产周期中气量的标准差的比值，确定所述M个生产周期中每一个生产周期油嘴尺寸的差值与所述M个生产周期中油嘴尺寸的标准差的比值，确定所述M个生产周期中每一个生产周期生产时间的差值与所述M个生产周期中生产时间的标准差的比值，确定所述M个生产周期中每一个生产周期关井时间的差值与所述M个生产周期中关井时间的标准差的比值；
所述M个生产周期中每一个生产周期，以及所述M个生产周期中每一个生产周期对应的气量比值、油嘴尺寸比值、生产时间比值和关井时间比值组成数据集，得到预处理后的历史生产数据。
4.一种页岩气井产量预测装置，其特征在于，所述页岩气井产量预测装置包括：
获取模块，用于获取目标页岩气井的历史生产数据，所述历史生产数据包括：N个生产周期，以及所述N个生产周期中每个生产周期对应的气量、油嘴尺寸和生产时间，所述N为大于或等于1的正整数；
预处理模块，用于对所述历史生产数据进行预处理，得到预处理后的历史生产数据，具体包括：
第一获取单元，用于获取所述N个生产周期中每个生产周期中对应生产时间为0的生产周期；
删除单元，用于删除所述对应生产时间为0的生产周期、气量、油嘴尺寸和生产时间；
排序单元，用于将未删除的所述历史生产数据按生产周期的时间先后顺序进行排序，并将连续删除的生产周期的个数，作为所述连续删除的生产周期后的第一个未删除的生产周期对应的关井时间的数据，得到中间历史生产数据；
处理单元，用于对所述中间历史生产数据进行标准化处理，得到预处理后的历史生产数据，所述预处理后的历史生产数据为5维时间序列数据，包括M个生产周期，以及所述M个生产周期中每个生产周期对应的产量、油嘴尺寸、生产时间和关井时间，所述M为大于或等于1且小于或等于所述N的正整数；
划分模块，用于将所述预处理后的历史生产数据，按所述M个生产周期的时间先后顺序划分为第一样本数据集和第二样本数据集；
预测模块，用于根据所述第二样本数据集，通过目标页岩气井产能预测模型，预测所述目标页岩气井在未来S个生产周期内的产量区间，具体包括：
第一确定单元，用于根据所述第二样本数据集，通过所述目标页岩气井产能预测模型，确定K个气量预测值，K为所述第二样本数据集中生产周期的个数，K为大于或等于1且小于或等于所述M的正整数；
第二确定单元，用于根据所述K个气量预测值、所述K个气量预测值中每个气量预测值对应的真实气量值，确定K个气量误差值，得到气量误差值集合；
第三确定单元，用于根据所述气量误差值集合，确定累积概率密度分布函数；
第四确定单元，用于根据所述第二样本数据集，通过所述目标页岩气井产能预测模型，确定未来S天中每一天的产量，具体用于：
根据所述第二样本数据集，通过所述目标页岩气井产能预测模型，确定未来S天中第一天的产量，所述S为大于1的正整数，其中，所述目标页岩气井产能预测模型是根据所述第一样本数据集训练得到产能预测模型，所述S为大于或等于1的正整数；
令r＝1，根据所述第二样本数据集、所述未来S天中第r天的产量，通过所述目标页岩气井产能预测模型，确定未来S天中第r+1天的产量；
若所述r+1不等于所述S，则令r＝r+1，并返回所述第二样本数据集、所述未来S天中第r天的产量，通过所述目标页岩气井产能预测模型，确定未来S天中第r+1天的产量；
若所述r+1等于所述S，则将所述S个产量确定为所述未来S天中每一天的产量；
第五确定单元，用于根据所述累积概率密度分布函数，以及所述未来S天中每一天的产量，确定未来S天中每天的产量区间。
5.一种页岩气井产量预测装置，其特征在于，装置包括：
处理器；
用于存储处理器可执行指令的存储器；
其中，处理器被配置为执行权利要求1-3的任一项方法的步骤。
6.一种计算机可读存储介质，计算机可读存储介质上存储有指令，其特征在于，指令被处理器执行时实现权利要求1-3的任一项方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211025543.XA CN115199240B (zh) | 2022-08-25 | 2022-08-25 | 一种页岩气井产量预测方法、装置及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211025543.XA CN115199240B (zh) | 2022-08-25 | 2022-08-25 | 一种页岩气井产量预测方法、装置及存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN115199240A CN115199240A (zh) | 2022-10-18 |
| CN115199240B true CN115199240B (zh) | 2023-05-19 |
Family
ID=83572232
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211025543.XA Active CN115199240B (zh) | 2022-08-25 | 2022-08-25 | 一种页岩气井产量预测方法、装置及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115199240B (zh) |
Families Citing this family (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115929289B (zh) * | 2022-12-05 | 2024-05-28 | 西南石油大学 | 基于时间顺序的页岩气产量预测方法及装置 |
| CN116464437B (zh) * | 2023-04-23 | 2024-04-12 | 西南石油大学 | 一种碳酸盐岩气藏地层水产水量的预测方法 |
| CN117272841B (zh) * | 2023-11-21 | 2024-01-26 | 西南石油大学 | 一种基于混合神经网络的页岩气甜点预测方法 |
| CN117808145A (zh) * | 2023-12-25 | 2024-04-02 | 西南石油大学 | 一种基于改进lstm模型的页岩油井油气水产量快速预测方法 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104389594A (zh) * | 2014-10-13 | 2015-03-04 | 成都创源油气技术开发有限公司 | 页岩气井产能评价预测方法 |
| CN108694254A (zh) * | 2017-04-06 | 2018-10-23 | 中国石油化工股份有限公司 | 一种变产变压生产气井产量经验递减曲线分析方法 |
| CN109815516A (zh) * | 2018-09-10 | 2019-05-28 | 中国石油天然气股份有限公司 | 对页岩气井产能进行预测的方法及装置 |
| CN110969249A (zh) * | 2018-09-29 | 2020-04-07 | 北京国双科技有限公司 | 生产井产量预测模型建立方法、生产井产量预测方法及相关装置 |
| CN112832737A (zh) * | 2021-01-04 | 2021-05-25 | 中国石油天然气股份有限公司 | 页岩气井eur的确定方法、装置、设备及存储介质 |
Family Cites Families (17)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| NO327688B1 (no) * | 2007-09-07 | 2009-09-14 | Abb As | Fremgangsmåte og system for forutsigelse i et olje-/gassproduksjonssystem |
| AU2008338406B2 (en) * | 2007-12-17 | 2013-09-12 | Landmark Graphics Corporation, A Halliburton Company | Systems and methods for optimization of real time production operations |
| AU2010220792B2 (en) * | 2009-03-04 | 2014-10-09 | Optimum Production Technologies Inc. | Control valve assembly |
| US9910938B2 (en) * | 2012-06-20 | 2018-03-06 | Schlumberger Technology Corporation | Shale gas production forecasting |
| WO2014121147A1 (en) * | 2013-01-31 | 2014-08-07 | Betazi, Llc | Production analysis and/or forecasting methods, apparatus, and systems |
| EP2971502A4 (en) * | 2013-03-13 | 2016-06-15 | Betazi Llc | PHYSICAL ANALYSIS APPARATUS AND ASSOCIATED METHODS |
| EP3414428A2 (en) * | 2016-02-08 | 2018-12-19 | RS Energy Group Topco, Inc. | Method for estimating oil/gas production using statistical learning models |
| CN106779140A (zh) * | 2016-11-15 | 2017-05-31 | 红有软件股份有限公司 | 一种非常规天然气煤层气井产能分析及产量预测的方法 |
| CN108319738A (zh) * | 2017-01-18 | 2018-07-24 | 中国石油化工股份有限公司 | 一种页岩气井产量预测方法 |
| CN106988740B (zh) * | 2017-06-12 | 2020-04-21 | 重庆科技学院 | 基于早期产量数据预测页岩气井可采储量的方法 |
| CN108547610B (zh) * | 2018-02-07 | 2021-06-01 | 中国石油天然气股份有限公司 | 体积压裂下的水平井产能的确定方法和装置 |
| EP3785194A4 (en) * | 2018-04-27 | 2022-01-19 | RS Energy Group Topco, Inc. | SYSTEM AND METHOD FOR PREDICTIVE OIL AND GAS ANALYSIS |
| WO2020101128A1 (ko) * | 2018-11-15 | 2020-05-22 | 한국지질자원연구원 | 딥러닝을 이용한 셰일가스 생산량 예측방법 |
| CN109681184B (zh) * | 2018-12-05 | 2023-01-24 | 中国石油化工股份有限公司 | 页岩气井生产动态预测方法及设备 |
| US20210224669A1 (en) * | 2020-01-20 | 2021-07-22 | Veld Applied Analytics | System and method for predicting hydrocarbon well production |
| CN112593901B (zh) * | 2021-03-03 | 2021-07-27 | 西南石油大学 | 页岩气井全生产周期生产制度与排采工艺智能优化方法 |
| CN113537592B (zh) * | 2021-07-15 | 2023-09-15 | 中国石油大学(北京) | 基于长短时记忆网络的油气藏产量预测方法及装置 |
-
2022
- 2022-08-25 CN CN202211025543.XA patent/CN115199240B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104389594A (zh) * | 2014-10-13 | 2015-03-04 | 成都创源油气技术开发有限公司 | 页岩气井产能评价预测方法 |
| CN108694254A (zh) * | 2017-04-06 | 2018-10-23 | 中国石油化工股份有限公司 | 一种变产变压生产气井产量经验递减曲线分析方法 |
| CN109815516A (zh) * | 2018-09-10 | 2019-05-28 | 中国石油天然气股份有限公司 | 对页岩气井产能进行预测的方法及装置 |
| CN110969249A (zh) * | 2018-09-29 | 2020-04-07 | 北京国双科技有限公司 | 生产井产量预测模型建立方法、生产井产量预测方法及相关装置 |
| CN112832737A (zh) * | 2021-01-04 | 2021-05-25 | 中国石油天然气股份有限公司 | 页岩气井eur的确定方法、装置、设备及存储介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN115199240A (zh) | 2022-10-18 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN115199240B (zh) | 一种页岩气井产量预测方法、装置及存储介质 | |
| CN109299315B (zh) | 多媒体资源分类方法、装置、计算机设备及存储介质 | |
| CN110163380B (zh) | 数据分析方法、模型训练方法、装置、设备及存储介质 | |
| CN110163405B (zh) | 通行时间确定方法、装置、终端及存储介质 | |
| CN110147532B (zh) | 编码方法、装置、设备及存储介质 | |
| CN110147533B (zh) | 编码方法、装置、设备及存储介质 | |
| CN111243668B (zh) | 分子结合位点检测方法、装置、电子设备及存储介质 | |
| CN111192262A (zh) | 基于人工智能的产品缺陷分类方法、装置、设备及介质 | |
| CN113505256B (zh) | 特征提取网络训练方法、图像处理方法及装置 | |
| CN110991445B (zh) | 竖排文字识别方法、装置、设备及介质 | |
| CN112749867B (zh) | 抽油机井系统效率的影响因素确定方法、装置及存储介质 | |
| CN110490389B (zh) | 点击率预测方法、装置、设备及介质 | |
| KR20230071720A (ko) | 얼굴 이미지의 랜드마크 좌표 예측 방법 및 장치 | |
| CN110166275B (zh) | 信息处理方法、装置及存储介质 | |
| CN117634166A (zh) | 一种非常规天然气井压裂段压裂参数优化方法、装置及存储介质 | |
| CN110990549B (zh) | 获取答案的方法、装置、电子设备及存储介质 | |
| CN112832737A (zh) | 页岩气井eur的确定方法、装置、设备及存储介质 | |
| CN107239758A (zh) | 人脸关键点定位的方法及装置 | |
| CN111310701B (zh) | 手势识别方法、装置、设备及存储介质 | |
| CN111861780B (zh) | 生产井中生产层的产量确定方法、装置及存储介质 | |
| CN110096707B (zh) | 生成自然语言的方法、装置、设备及可读存储介质 | |
| CN111797880A (zh) | 数据处理方法、装置、存储介质及电子设备 | |
| CN110989963B (zh) | 唤醒词推荐方法及装置、存储介质 | |
| CN112308587B (zh) | 天然气峰谷月销售量确定方法、装置及存储介质 | |
| CN114283827B (zh) | 音频去混响方法、装置、设备和存储介质 |
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 |