CN115204534B - 基于单变量的分阶段组合模型的油气产量预测方法及系统 - Google Patents

基于单变量的分阶段组合模型的油气产量预测方法及系统 Download PDF

Info

Publication number
CN115204534B
CN115204534B CN202211125741.3A CN202211125741A CN115204534B CN 115204534 B CN115204534 B CN 115204534B CN 202211125741 A CN202211125741 A CN 202211125741A CN 115204534 B CN115204534 B CN 115204534B
Authority
CN
China
Prior art keywords
model
prediction result
prediction
characteristic parameter
staged
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
Application number
CN202211125741.3A
Other languages
English (en)
Other versions
CN115204534A (zh
Inventor
郭翠平
廉海荣
李娜
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 Geosciences Beijing
Original Assignee
China University of Geosciences 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 Geosciences Beijing filed Critical China University of Geosciences Beijing
Priority to CN202211125741.3A priority Critical patent/CN115204534B/zh
Publication of CN115204534A publication Critical patent/CN115204534A/zh
Application granted granted Critical
Publication of CN115204534B publication Critical patent/CN115204534B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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"
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/11—Complex mathematical operations for solving equations, e.g. nonlinear equations, general mathematical optimization problems
    • 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)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • Theoretical Computer Science (AREA)
  • Strategic Management (AREA)
  • Human Resources & Organizations (AREA)
  • Mathematical Physics (AREA)
  • Economics (AREA)
  • Tourism & Hospitality (AREA)
  • Mathematical Optimization (AREA)
  • General Business, Economics & Management (AREA)
  • Computational Mathematics (AREA)
  • Marketing (AREA)
  • Mathematical Analysis (AREA)
  • Pure & Applied Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Operations Research (AREA)
  • Development Economics (AREA)
  • Agronomy & Crop Science (AREA)
  • Algebra (AREA)
  • Entrepreneurship & Innovation (AREA)
  • General Engineering & Computer Science (AREA)
  • Quality & Reliability (AREA)
  • Software Systems (AREA)
  • Databases & Information Systems (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Game Theory and Decision Science (AREA)
  • Animal Husbandry (AREA)
  • Marine Sciences & Fisheries (AREA)
  • Mining & Mineral Resources (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本申请提供了一种基于单变量的分阶段组合模型的油气产量预测方法及系统，属于油气开发技术领域，基于单变量的分阶段组合模型的油气产量预测方法包括：获取生产数据；建立麦克斯韦模型；通过列文伯格‑马夸尔特法计算出第一特征参数，并根据第一特征参数得出第一预测结果；建立逻辑斯蒂模型；通过列文伯格‑马夸尔特法计算出第二特征参数，并根据第二特征参数得出第二预测结果；建立延伸指数递减模型；通过列文伯格‑马夸尔特法计算出第三特征参数，并根据第三特征参数得出第三预测结果；通过对第一预测结果、第二预测结果、第三预测结果进行加权组合，得出分阶段预测结果。通过本申请的技术方案，能够提高油气产量预测的准确率。

Description

基于单变量的分阶段组合模型的油气产量预测方法及系统
技术领域
本申请涉及油气开发技术领域，具体而言，涉及一种基于单变量的分阶段组合模型的油气产量预测方法及系统。
背景技术
我国作为能源消耗大国，近年来受工业化进程加快的影响，油气资源的消费需求不断增加。然而，国内油气供给却不足，对外依存度高。在国际政治大背景下，进一步加大油气井勘探力度，提高油气能源自给能力，对制定政策、发展规划至关重要。因此，找到有效的方法精准预测油气产量有着重要的实际意义。现阶段油田产量预测领域常采用各种递减曲线模型进行拟合，这些递减曲线模型都是理想化的曲线，而在油田生产的各个阶段，并不是每个曲线都能完美拟合。
发明内容
本申请旨在解决或改善单一递减曲线模型曲线不能完美拟合的问题。
为此，本申请的第一目的在于提供一种基于单变量的分阶段组合模型的油气产量预测方法。
本申请的第二目的在于提供一种基于单变量的分阶段组合模型的油气产量预测系统。
为实现本申请的第一目的，本发明第一方面的技术方案提供了一种基于单变量的分阶段组合模型的油气产量预测方法，包括：获取生产数据；建立麦克斯韦模型，麦克斯韦模型包括第一特征参数；通过列文伯格-马夸尔特法计算出第一特征参数，并根据第一特征参数得出第一预测结果；建立逻辑斯蒂模型，逻辑斯蒂模型包括第二特征参数；通过列文伯格-马夸尔特法计算出第二特征参数，并根据第二特征参数得出第二预测结果；建立延伸指数递减模型，延伸指数递减模型包括第三特征参数；通过列文伯格-马夸尔特法计算出第三特征参数，并根据第三特征参数得出第三预测结果；通过对第一预测结果、第二预测结果、第三预测结果进行加权组合，得出分阶段预测结果。
根据本申请提供的基于单变量的分阶段组合模型的油气产量预测方法，首先获取生产数据，由于不同的曲线模型适合的生产阶段不一样，需要尽可能多的保留信息。然后分别建立麦克斯韦模型、逻辑斯蒂模型和延伸指数递减模型。麦克斯韦模型包括第一特征参数，逻辑斯蒂模型包括第二特征参数，延伸指数递减模型包括第三特征参数。通过列文伯格-马夸尔特法分别计算出第一特征参数、第二特征参数和第三特征参数，从而得出第一预测结果、第二预测结果和第三预测结果。最后通过对第一预测结果、第二预测结果、第三预测结果进行加权组合，得出分阶段预测结果。可以理解，在油气井生产的上升阶段和快速下降阶段，麦克斯韦模型拟合的效果较好，而在产量一般下降阶段，拟合效果不是很好。逻辑斯蒂模型在最开始生产阶段拟合很好，而在接近日产气最大的附近和快速递减阶段拟合不如麦克斯韦，但是在一般下降阶段的拟合要优于麦克斯韦模型。延伸指数递减模型只适用于产量下降阶段，在产量下降阶段，拟合效果要好于麦克斯韦和逻辑斯蒂模型。通过麦克斯韦模型、逻辑斯蒂模型和延伸指数递减模型在不同生产阶段进行分阶段组合预测，比单个模型的预测精度高，拟合曲线的趋势和真实产量趋势一致。
另外，本申请提供的技术方案还可以具有如下附加技术特征：
上述技术方案中，通过对第一预测结果、第二预测结果、第三预测结果进行加权组合，得出分阶段预测结果，具体包括：根据第一预测结果、第二预测结果、第三预测结果，得出第一时点；根据麦克斯韦模型和逻辑斯蒂模型计算出第二时点，当油气产量的预测日期在第二时点前时，通过第一权重系数对麦克斯韦模型和逻辑斯蒂模型进行加权组合，得出第一阶段预测结果，当油气产量的预测日期在第二时点后、第一时点前时，通过第二权重系数对麦克斯韦模型和逻辑斯蒂模型进行加权组合，得出第二阶段预测结果；根据逻辑斯蒂模型和延伸指数递减模型计算出第三时点，当油气产量的预测日期在第一时点后、第三时点前时，通过第三权重系数对逻辑斯蒂模型和延伸指数递减模型进行加权组合，得出第三阶段预测结果，当油气产量的预测日期在第三时点后时，通过第四权重系数对逻辑斯蒂模型和延伸指数递减模型进行加权组合，得出第四阶段预测结果。
在该技术方案中，通过对第一预测结果、第二预测结果、第三预测结果进行加权组合，得出分阶段预测结果，具体为根据第一预测结果、第二预测结果、第三预测结果，得出第一时点。第一时点前为产量上升阶段和快速下降阶段，麦克斯韦和逻辑斯蒂模型拟合效果好。第一时点后为产量一般下降阶段，逻辑斯蒂模型和延伸指数递减模型拟合的好。因此，以第一时点为分割点，分成两个阶段组合。在产量上升阶段和快速下降阶段，根据麦克斯韦和逻辑斯蒂模型的交点确定第二时点，在第二时点前后分别对麦克斯韦和逻辑斯蒂模型的进行加权组合，得出第一阶段预测结果和第二阶段预测结果。在产量一般下降阶段，即第一时点后，逻辑斯蒂模型和延伸指数递减模型拟合的好，根据逻辑斯蒂模型和延伸指数递减模型的交点确定第三时点，在第三时点前后使用逻辑斯蒂模型和延伸指数递减模型进行加权组合。
上述技术方案中，麦克斯韦模型为：
Figure 100002_DEST_PATH_IMAGE002
；
其中，
Figure 100002_DEST_PATH_IMAGE004
为日产量，
Figure 100002_DEST_PATH_IMAGE006
为生产日期，
Figure 100002_DEST_PATH_IMAGE008
为第一麦克斯韦参数，
Figure 100002_DEST_PATH_IMAGE010
为第二麦克斯韦参数。
在该技术方案中，通过麦克斯韦模型能够得出油气的日产量。在油气井生产的上升阶段和快速下降阶段，麦克斯韦模型拟合的效果较好，而在产量一般下降阶段，拟合效果不是很好。
上述技术方案中，逻辑斯蒂模型为：
Figure 100002_DEST_PATH_IMAGE012
；
其中，
Figure 100002_DEST_PATH_IMAGE014
为日产量，
Figure 692471DEST_PATH_IMAGE006
为生产日期，
Figure 100002_DEST_PATH_IMAGE016
为常数，
Figure 100002_DEST_PATH_IMAGE018
为承载力，
Figure 100002_DEST_PATH_IMAGE020
为双曲指数参数。
在该技术方案中，承载力
Figure 891502DEST_PATH_IMAGE018
很重要，因为它具有物理意义：在一次采油机理下可以采出的烃总量，即最终采油量。通过将该模型拟合到油气产量数据，可以直接估算最终油气采收率，而不是通过经验推断。双曲指数参数
Figure 218709DEST_PATH_IMAGE020
控制下降行为，参数值越大，下降越慢。常数
Figure 207394DEST_PATH_IMAGE016
和双曲指数参数
Figure 490608DEST_PATH_IMAGE020
共同决定了承载数量达到
Figure 657278DEST_PATH_IMAGE018
值一半时的时间，即累计生产为
Figure 100002_DEST_PATH_IMAGE022
。逻辑斯蒂模型在最开始生产阶段拟合很好，而在接近日产气最大的附近和快速递减阶段拟合不如麦克斯韦，但是在一般下降阶段的拟合要优于麦克斯韦模型。
上述技术方案中，延伸指数递减模型为：
Figure 100002_DEST_PATH_IMAGE024
；
其中，
Figure 252207DEST_PATH_IMAGE014
为日产量，
Figure 100002_DEST_PATH_IMAGE026
为初始值，
Figure 998578DEST_PATH_IMAGE006
为生产日期，
Figure 100002_DEST_PATH_IMAGE028
是特征时间参数，
Figure 100002_DEST_PATH_IMAGE030
是指数参数。
在该技术方案中，通过延伸指数递减模型能够得出油气的日产量。具体地，实际产量下降是多个贡献量的综合效应，每个贡献量在其单独的指数衰减中具有特定的时间常数分布。该分布可以被确定，并且
Figure 100002_DEST_PATH_IMAGE032
是特征时间常数的中间值，
Figure 339560DEST_PATH_IMAGE030
描述了分布的尾部的数据高低。在产量下降阶段，延伸指数递减模型的拟合效果要好于麦克斯韦和逻辑斯蒂模型。
上述技术方案中，列文伯格-马夸尔特法的公式为：
Figure 100002_DEST_PATH_IMAGE034
；
其中，
Figure 100002_DEST_PATH_IMAGE036
是阻尼系数，
Figure 100002_DEST_PATH_IMAGE038
是单位矩阵，
Figure 100002_DEST_PATH_IMAGE040
为雅可比行列式，
Figure 100002_DEST_PATH_IMAGE042
为雅可比行列式的转置矩阵，
Figure 100002_DEST_PATH_IMAGE044
为油气的历史产量，
Figure 100002_DEST_PATH_IMAGE046
为模型参数，
Figure DEST_PATH_IMAGE048
为更新公式参数，
Figure DEST_PATH_IMAGE050
为油气产量函数。
在该技术方案中，列文伯格-马夸尔特法是一种非线性最小二乘法优化算法，适用于求解非线性数值解。具体地，油气的历史产量是向量
Figure 162285DEST_PATH_IMAGE044
，属于
Figure 182194DEST_PATH_IMAGE030
维向量空间，生产时间是向量
Figure 388047DEST_PATH_IMAGE006
，属于一维向量空间，模型参数构成向量
Figure 504908DEST_PATH_IMAGE046
，则上述油气产量公式变为
Figure DEST_PATH_IMAGE052
。用列文伯格-马夸尔特法求解参数首先要构建目标函数，然后不断迭代，得到函数的极值。
上述技术方案中，第一权重系数的计算方法包括相对误差倒数法；和/或
第二权重系数的计算方法包括相对误差倒数法；和/或第三权重系数的计算方法包括相对误差倒数法；和/或第四权重系数的计算方法包括相对误差倒数法。
在该技术方案中，第一权重系数、第二权重系数、第三权重系数和第四权重系数的计算方法均可以是相对误差倒数法。相对误差倒数法就是利用模型的相对误差来确定组合模型的加权权重。
上述技术方案中，生产数据包括以下之一：日返排液、套压、油压、输压、返排率、水气比和日产气。
在该技术方案中，生产数据包括日返排液、套压、油压、输压、返排率、水气比、日产气。可以理解，在影响油气产量的因素中，可以选择累产气、日返排液、累排液、套压、油压、输压、返排率和水气比8个变量为影响变量，日产气作为预测变量。返排率是由日产气和累排液确定的，累产气和累排液只是日产气和日返排液的累加，所以选择返排率作为自变量，去掉累产气和累排液。最终，选出日返排液、套压、油压、输压、水气比和返排率这6个变量为输入变量。
上述技术方案中，基于单变量的分阶段组合模型的油气产量预测方法还包括：通过指标评价模型对第一预测结果、第二预测结果、第三预测结果和分阶段预测结果进行评估，指标评价模型包括以下之一：均方误差、平均绝对误差和平均相对误差。
在该技术方案中，基于单变量的分阶段组合模型的油气产量预测方法还包括通过指标评价模型对第一预测结果、第二预测结果、第三预测结果和分阶段预测结果进行评估，指标评价模型包括均方误差、平均绝对误差和平均相对误差。
为实现本申请的第二目的，本申请第二方面的技术方案提供了一种基于单变量的分阶段组合模型的油气产量预测系统，包括：获取模块，用于获取生产数据；麦克斯韦模型建立模块，用于建立麦克斯韦模型，麦克斯韦模型包括第一特征参数；麦克斯韦模型预测模块，用于通过列文伯格-马夸尔特法计算出第一特征参数，并根据第一特征参数得出第一预测结果；逻辑斯蒂模型建立模块，用于建立逻辑斯蒂模型，逻辑斯蒂模型包括第二特征参数；逻辑斯蒂模型预测模块，用于通过列文伯格-马夸尔特法计算出第二特征参数，并根据第二特征参数得出第二预测结果；延伸指数递减模型建立模块，用于建立延伸指数递减模型，延伸指数递减模型包括第三特征参数；延伸指数递减模型预测模块，用于通过列文伯格-马夸尔特法计算出第三特征参数，并根据第三特征参数得出第三预测结果；分阶段预测模块，用于通过对第一预测结果、第二预测结果、第三预测结果进行加权组合，得出分阶段预测结果。
根据本申请提供的基于单变量的分阶段组合模型的油气产量预测系统，包括获取模块、麦克斯韦模型建立模块、麦克斯韦模型预测模块、逻辑斯蒂模型建立模块、逻辑斯蒂模型预测模块、延伸指数递减模型建立模块、延伸指数递减模型预测模块和分阶段预测模块。其中，获取模块用于获取生产数据。麦克斯韦模型建立模块用于建立麦克斯韦模型，麦克斯韦模型包括第一特征参数。麦克斯韦模型预测模块用于通过列文伯格-马夸尔特法计算出第一特征参数，并根据第一特征参数得出第一预测结果。逻辑斯蒂模型建立模块用于建立逻辑斯蒂模型，逻辑斯蒂模型包括第二特征参数。逻辑斯蒂模型预测模块用于通过列文伯格-马夸尔特法计算出第二特征参数，并根据第二特征参数得出第二预测结果。延伸指数递减模型建立模块用于建立延伸指数递减模型，延伸指数递减模型包括第三特征参数。延伸指数递减模型预测模块用于通过列文伯格-马夸尔特法计算出第三特征参数，并根据第三特征参数得出第三预测结果。分阶段预测模块用于通过对第一预测结果、第二预测结果、第三预测结果进行加权组合，得出分阶段预测结果。通过麦克斯韦模型、逻辑斯蒂模型和延伸指数递减模型在不同生产阶段进行分阶段组合预测，比单个模型的预测精度高，拟合曲线的趋势和真实产量趋势一致。本申请的附加方面和优点将在下面的描述部分中变得明显，或通过本申请的实践了解到。
附图说明
本申请的上述和/或附加的方面和优点从结合下面附图对实施例的描述中将变得明显和容易理解，其中：
图1为本申请一个实施例的基于单变量的分阶段组合模型的油气产量预测方法的步骤流程图；
图2为本申请一个实施例的基于单变量的分阶段组合模型的油气产量预测方法的步骤流程图；
图3为本申请一个实施例的基于单变量的分阶段组合模型的油气产量预测方法的步骤流程图；
图4为本申请一个实施例的基于单变量的分阶段组合模型的油气产量预测系统的结构示意框图；
图5为本申请另一个实施例的基于单变量的分阶段组合模型的油气产量预测系统的结构示意框图；
图6为本申请一个实施例的电子设备的硬件结构示意图。
其中，图4至图6中的附图标记与部件名称之间的对应关系为：
10：基于单变量的分阶段组合模型的油气产量预测系统；110：获取模块；120：麦克斯韦模型建立模块；130：麦克斯韦模型预测模块；140：逻辑斯蒂模型建立模块；150：逻辑斯蒂模型预测模块；160：延伸指数递减模型建立模块；170：延伸指数递减模型预测模块；180：分阶段预测模块；300：存储器；400：处理器；1100：电子设备；1101：射频单元；1102：网络模块；1103：音频输出单元；1104：输入单元；11041：图形处理器；11042：麦克风；1105：传感器；1106：显示单元；11061：显示面板；1107：用户输入单元；11071：触控面板；11072：其他输入设备；1108：接口单元；1109：存储器；1110：处理器。
具体实施方式
为了能够更清楚地理解本申请的上述目的、特征和优点，下面结合附图和具体实施方式对本申请进行进一步的详细描述。需要说明的是，在不冲突的情况下，本申请的实施例及实施例中的特征可以相互组合。
在下面的描述中阐述了很多具体细节以便于充分理解本申请，但是，本申请还可以采用其他不同于在此描述的其他方式来实施，因此，本申请的保护范围并不受下面公开的具体实施例的限制。
下面参照图1至图6描述本申请一些实施例的基于单变量的分阶段组合模型的油气产量预测方法及系统
如图1所示，根据本发明提出的一个实施例的基于单变量的分阶段组合模型的油气产量预测方法，包括以下步骤：
步骤S102：获取生产数据；
步骤S104：建立麦克斯韦模型，麦克斯韦模型包括第一特征参数；
步骤S106：通过列文伯格-马夸尔特法计算出第一特征参数，并根据第一特征参数得出第一预测结果；
步骤S108：建立逻辑斯蒂模型，逻辑斯蒂模型包括第二特征参数；
步骤S110：通过列文伯格-马夸尔特法计算出第二特征参数，并根据第二特征参数得出第二预测结果；
步骤S112：建立延伸指数递减模型，延伸指数递减模型包括第三特征参数；
步骤S114：通过列文伯格-马夸尔特法计算出第三特征参数，并根据第三特征参数得出第三预测结果；
步骤S116：通过对第一预测结果、第二预测结果、第三预测结果进行加权组合，得出分阶段预测结果。
根据本实施例提供的基于单变量的分阶段组合模型的油气产量预测方法，首先获取生产数据，由于不同的曲线模型适合的生产阶段不一样，需要尽可能多的保留信息。然后分别建立麦克斯韦模型、逻辑斯蒂模型和延伸指数递减模型。麦克斯韦模型包括第一特征参数，逻辑斯蒂模型包括第二特征参数，延伸指数递减模型包括第三特征参数。通过列文伯格-马夸尔特法分别计算出第一特征参数、第二特征参数和第三特征参数，从而得出第一预测结果、第二预测结果和第三预测结果。最后通过对第一预测结果、第二预测结果、第三预测结果进行加权组合，得出分阶段预测结果。可以理解，在油气井生产的上升阶段和快速下降阶段，麦克斯韦模型拟合的效果较好，而在产量一般下降阶段，拟合效果不是很好。逻辑斯蒂模型在最开始生产阶段拟合很好，而在接近日产气最大的附近和快速递减阶段拟合不如麦克斯韦，但是在一般下降阶段的拟合要优于麦克斯韦模型。延伸指数递减模型只适用于产量下降阶段，在产量下降阶段，拟合效果要好于麦克斯韦和逻辑斯蒂模型。通过麦克斯韦模型、逻辑斯蒂模型和延伸指数递减模型在不同生产阶段进行分阶段组合预测，比单个模型的预测精度高，拟合曲线的趋势和真实产量趋势一致。
如图2所示，根据本发明提出的另一个实施例的基于单变量的分阶段组合模型的油气产量预测方法，通过对第一预测结果、第二预测结果、第三预测结果进行加权组合，得出分阶段预测结果，具体包括以下步骤：
步骤S202：根据第一预测结果、第二预测结果、第三预测结果，得出第一时点；
步骤S204：根据麦克斯韦模型和逻辑斯蒂模型计算出第二时点，当油气产量的预测日期在第二时点前时，通过第一权重系数对麦克斯韦模型和逻辑斯蒂模型进行加权组合，得出第一阶段预测结果，当油气产量的预测日期在第二时点后、第一时点前时，通过第二权重系数对麦克斯韦模型和逻辑斯蒂模型进行加权组合，得出第二阶段预测结果；
步骤S206：根据逻辑斯蒂模型和延伸指数递减模型计算出第三时点，当油气产量的预测日期在第一时点后、第三时点前时，通过第三权重系数对逻辑斯蒂模型和延伸指数递减模型进行加权组合，得出第三阶段预测结果，当油气产量的预测日期在第三时点后时，通过第四权重系数对逻辑斯蒂模型和延伸指数递减模型进行加权组合，得出第四阶段预测结果。
在该实施例中，通过对第一预测结果、第二预测结果、第三预测结果进行加权组合，得出分阶段预测结果，具体为根据第一预测结果、第二预测结果、第三预测结果，得出第一时点。第一时点前为产量上升阶段和快速下降阶段，麦克斯韦和逻辑斯蒂模型拟合效果好。第一时点后为产量一般下降阶段，逻辑斯蒂模型和延伸指数递减模型拟合的好。因此，以第一时点为分割点，分成两个阶段组合。在产量上升阶段和快速下降阶段，根据麦克斯韦和逻辑斯蒂模型的交点确定第二时点，在第二时点前后分别对麦克斯韦和逻辑斯蒂模型的进行加权组合，得出第一阶段预测结果和第二阶段预测结果。在产量一般下降阶段，即第一时点后，逻辑斯蒂模型和延伸指数递减模型拟合的好，根据逻辑斯蒂模型和延伸指数递减模型的交点确定第三时点，在第三时点前后使用逻辑斯蒂模型和延伸指数递减模型进行加权组合。
在上述实施例中，麦克斯韦模型为：
Figure 482222DEST_PATH_IMAGE002
；
Figure DEST_PATH_IMAGE054
；
Figure DEST_PATH_IMAGE056
；
其中，
Figure 51744DEST_PATH_IMAGE004
为日产量，
Figure 795709DEST_PATH_IMAGE006
为生产日期，
Figure 783387DEST_PATH_IMAGE008
为第一麦克斯韦参数，
Figure 587395DEST_PATH_IMAGE010
为第二麦克斯韦参数，
Figure DEST_PATH_IMAGE058
为油井可采储量，
Figure DEST_PATH_IMAGE060
是平衡态下的温度，
Figure DEST_PATH_IMAGE062
是玻尔兹曼常数，
Figure DEST_PATH_IMAGE064
为分子的质量，
Figure DEST_PATH_IMAGE066
为分子的速度。其中，
Figure 785158DEST_PATH_IMAGE008
和
Figure 332814DEST_PATH_IMAGE010
为待定参数，为任意正实数，由实际生产数据拟合而成。通过麦克斯韦模型能够得出油气的日产量，在油气井生产的上升阶段和快速下降阶段，麦克斯韦模型拟合的效果较好，而在产量一般下降阶段，拟合效果不是很好。
在上述实施例中，逻辑斯蒂模型为：
Figure 175000DEST_PATH_IMAGE012
；
其中，
Figure 415488DEST_PATH_IMAGE014
为日产量，
Figure 694023DEST_PATH_IMAGE006
为生产日期，
Figure 45370DEST_PATH_IMAGE016
为常数，
Figure 742061DEST_PATH_IMAGE018
为承载力，
Figure 950189DEST_PATH_IMAGE020
为双曲指数参数。承载力
Figure 856965DEST_PATH_IMAGE018
很重要，因为它具有物理意义：在一次采油机理下可以采出的烃总量，即最终采油量。通过将该模型拟合到油气产量数据，可以直接估算最终油气采收率，而不是通过经验推断。双曲指数参数
Figure 871057DEST_PATH_IMAGE020
控制下降行为，参数值越大，下降越慢。常数
Figure 812468DEST_PATH_IMAGE016
和双曲指数参数
Figure 258407DEST_PATH_IMAGE020
共同决定了承载数量达到
Figure 386900DEST_PATH_IMAGE018
值一半时的时间，即累计生产为
Figure 204683DEST_PATH_IMAGE022
。逻辑斯蒂模型在最开始生产阶段拟合很好，而在接近日产气最大的附近和快速递减阶段拟合不如麦克斯韦，但是在一般下降阶段的拟合要优于麦克斯韦模型。
在上述实施例中，延伸指数递减模型为：
Figure 735022DEST_PATH_IMAGE024
；
其中，
Figure 363580DEST_PATH_IMAGE014
为日产量，
Figure 41686DEST_PATH_IMAGE026
为初始值，
Figure 538527DEST_PATH_IMAGE006
为生产日期，
Figure 313585DEST_PATH_IMAGE028
是特征时间参数，
Figure 972099DEST_PATH_IMAGE030
是指数参数。通过延伸指数递减模型能够得出油气的日产量。具体地，实际产量下降是多个贡献量的综合效应，每个贡献量在其单独的指数衰减中具有特定的时间常数分布。该分布可以被确定，并且
Figure 950551DEST_PATH_IMAGE032
是特征时间常数的中间值，
Figure 985503DEST_PATH_IMAGE030
描述了分布的尾部的数据高低。在产量下降阶段，延伸指数递减模型的拟合效果要好于麦克斯韦和逻辑斯蒂模型。
在一些实施例中，列文伯格-马夸尔特法的公式为：
Figure 880646DEST_PATH_IMAGE034
；
其中，
Figure 710062DEST_PATH_IMAGE036
是阻尼系数，
Figure 441389DEST_PATH_IMAGE038
是单位矩阵，
Figure 76770DEST_PATH_IMAGE040
为雅可比行列式，
Figure 436207DEST_PATH_IMAGE042
为雅可比行列式的转置矩阵，
Figure 561158DEST_PATH_IMAGE044
为油气的历史产量，
Figure 638835DEST_PATH_IMAGE046
为模型参数，
Figure 156535DEST_PATH_IMAGE048
为更新公式参数，
Figure 636058DEST_PATH_IMAGE050
为油气产量函数。具体地，油气的历史产量是向量
Figure 197489DEST_PATH_IMAGE044
，属于
Figure 559201DEST_PATH_IMAGE030
维向量空间，生产时间是向量
Figure 739646DEST_PATH_IMAGE006
，属于一维向量空间，模型参数构成向量
Figure 683463DEST_PATH_IMAGE046
，则上述油气产量公式变为
Figure 291161DEST_PATH_IMAGE052
。用列文伯格-马夸尔特法求解参数首先要构建目标函数，然后不断迭代，得到函数的极值。
在一些实施例中，第一权重系数、第二权重系数、第三权重系数和第四权重系数的计算方法均可以是相对误差倒数法。相对误差倒数法就是利用模型的相对误差来确定组合模型的加权权重。
在上述实施例中，生产数据包括日返排液、套压、油压、输压、返排率、水气比、日产气。可以理解，在影响油气产量的因素中，可以选择累产气、日返排液、累排液、套压、油压、输压、返排率和水气比8个变量为影响变量，日产气作为预测变量。返排率是由日产气和累排液确定的，累产气和累排液只是日产气和日返排液的累加，所以选择返排率作为自变量，去掉累产气和累排液。最终，选出日返排液、套压、油压、输压、水气比和返排率这6个变量为输入变量。
如图3所示，根据本发明提出的另一个实施例的基于单变量的分阶段组合模型的油气产量预测方法，包括以下步骤：
步骤S302：获取生产数据；
步骤S304：建立麦克斯韦模型，麦克斯韦模型包括第一特征参数；
步骤S306：通过列文伯格-马夸尔特法计算出第一特征参数，并根据第一特征参数得出第一预测结果；
步骤S308：建立逻辑斯蒂模型，逻辑斯蒂模型包括第二特征参数；
步骤S310：通过列文伯格-马夸尔特法计算出第二特征参数，并根据第二特征参数得出第二预测结果；
步骤S312：建立延伸指数递减模型，延伸指数递减模型包括第三特征参数；
步骤S314：通过列文伯格-马夸尔特法计算出第三特征参数，并根据第三特征参数得出第三预测结果；
步骤S316：通过对第一预测结果、第二预测结果、第三预测结果进行加权组合，得出分阶段预测结果；
步骤S318：通过指标评价模型对第一预测结果、第二预测结果、第三预测结果和分阶段预测结果进行评估，指标评价模型包括以下之一：均方误差、平均绝对误差和平均相对误差。
在该实施例中，基于单变量的分阶段组合模型的油气产量预测方法还包括通过指标评价模型对第一预测结果、第二预测结果、第三预测结果和分阶段预测结果进行评估，指标评价模型包括均方误差、平均绝对误差和平均相对误差。
如图4所示，本申请第二方面的实施例提供了一种基于单变量的分阶段组合模型的油气产量预测系统10，包括：获取模块110，用于获取生产数据；麦克斯韦模型建立模块120，用于建立麦克斯韦模型，麦克斯韦模型包括第一特征参数；麦克斯韦模型预测模块130，用于通过列文伯格-马夸尔特法计算出第一特征参数，并根据第一特征参数得出第一预测结果；逻辑斯蒂模型建立模块140，用于建立逻辑斯蒂模型，逻辑斯蒂模型包括第二特征参数；逻辑斯蒂模型预测模块150，用于通过列文伯格-马夸尔特法计算出第二特征参数，并根据第二特征参数得出第二预测结果；延伸指数递减模型建立模块160，用于建立延伸指数递减模型，延伸指数递减模型包括第三特征参数；延伸指数递减模型预测模块170，用于通过列文伯格-马夸尔特法计算出第三特征参数，并根据第三特征参数得出第三预测结果；分阶段预测模块180，用于通过对第一预测结果、第二预测结果、第三预测结果进行加权组合，得出分阶段预测结果。
在该实施例中，基于单变量的分阶段组合模型的油气产量预测系统10包括获取模块110、麦克斯韦模型建立模块120、麦克斯韦模型预测模块130、逻辑斯蒂模型建立模块140、逻辑斯蒂模型预测模块150、延伸指数递减模型建立模块160、延伸指数递减模型预测模块170和分阶段预测模块180。其中，获取模块110用于获取生产数据。麦克斯韦模型建立模块120用于建立麦克斯韦模型，麦克斯韦模型包括第一特征参数。麦克斯韦模型预测模块130用于通过列文伯格-马夸尔特法计算出第一特征参数，并根据第一特征参数得出第一预测结果。逻辑斯蒂模型建立模块140用于建立逻辑斯蒂模型，逻辑斯蒂模型包括第二特征参数。逻辑斯蒂模型预测模块150用于通过列文伯格-马夸尔特法计算出第二特征参数，并根据第二特征参数得出第二预测结果。延伸指数递减模型建立模块160用于建立延伸指数递减模型，延伸指数递减模型包括第三特征参数。延伸指数递减模型预测模块170用于通过列文伯格-马夸尔特法计算出第三特征参数，并根据第三特征参数得出第三预测结果。分阶段预测模块180用于通过对第一预测结果、第二预测结果、第三预测结果进行加权组合，得出分阶段预测结果。通过麦克斯韦模型、逻辑斯蒂模型和延伸指数递减模型在不同生产阶段进行分阶段组合预测，比单个模型的预测精度高，拟合曲线的趋势和真实产量趋势一致。
如图5所示，本申请第三方面的实施例提供了一种基于单变量的分阶段组合模型的油气产量预测系统10，包括：存储器300和处理器400，其中，存储器300上存储有可在处理器400上运行的程序或指令，处理器400执行程序或指令时实现上述方法实施例的各个步骤，且能达到相同的技术效果，为避免重复，这里不再赘述。
如图6所示，举例来说，基于单变量的分阶段组合模型的油气产量预测系统10可以通过电子设备1100实现，电子设备1100包括但不限于：射频单元1101、网络模块1102、音频输出单元1103、输入单元1104、传感器1105、显示单元1106、用户输入单元1107、接口单元1108、存储器1109、以及处理器1110等部件。
本领域技术人员可以理解，电子设备1100还可以包括给各个部件供电的电源（比如电池），电源可以通过电源管理系统与处理器1110逻辑相连，从而通过电源管理系统实现管理充电、放电、以及功耗管理等功能。图6中示出的电子设备结构并不构成对电子设备的限定，电子设备可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置，在此不再赘述。
其中，处理器1110用于执行指令或程序，实现以下处理过程：
获取生产数据；建立麦克斯韦模型，麦克斯韦模型包括第一特征参数；
通过列文伯格-马夸尔特法计算出第一特征参数，并根据第一特征参数得出第一预测结果；
建立逻辑斯蒂模型，逻辑斯蒂模型包括第二特征参数；
通过列文伯格-马夸尔特法计算出第二特征参数，并根据第二特征参数得出第二预测结果；
建立延伸指数递减模型，延伸指数递减模型包括第三特征参数；
通过列文伯格-马夸尔特法计算出第三特征参数，并根据第三特征参数得出第三预测结果；
通过对第一预测结果、第二预测结果、第三预测结果进行加权组合，得出分阶段预测结果。
本申请通过麦克斯韦模型、逻辑斯蒂模型和延伸指数递减模型在不同生产阶段进行分阶段组合预测，比单个模型的预测精度高，拟合曲线的趋势和真实产量趋势一致。
本申请实施例提供的处理器1110可以实现上述基于单变量的分阶段组合模型的油气产量预测方法实施例的各个过程，且能达到相同的技术效果，为避免重复，这里不再赘述。
应理解的是，本申请实施例中，输入单元1104可以包括图形处理器（GraphicsProcessing Unit，GPU）11041和麦克风11042，图形处理器11041对在视频捕获模式或图像捕获模式中由图像捕获装置（如摄像头）获得的静态图片或视频的图像数据进行处理。显示单元1106可包括显示面板11061，可以采用液晶显示器、有机发光二极管等形式来配置显示面板11061。用户输入单元1107包括触控面板11071以及其他输入设备11072中的至少一种。触控面板11071，也称为触摸屏。触控面板11071可包括触摸检测装置和触摸控制器两个部分。其他输入设备11072可以包括但不限于物理键盘、功能键（比如音量控制按键、开关按键等）、轨迹球、鼠标、操作杆，在此不再赘述。
存储器1109可用于存储软件程序以及各种数据。存储器1109可主要包括存储程序或指令的第一存储区和存储数据的第二存储区，其中，第一存储区可存储操作系统、至少一个功能所需的应用程序或指令（比如声音播放功能、图像播放功能等）等。此外，存储器1109可以包括易失性存储器或非易失性存储器，或者，存储器1109可以包括易失性和非易失性存储器两者。其中，非易失性存储器可以是只读存储器(Read-Only Memory，ROM)、可编程只读存储器(Programmable ROM，PROM)、可擦除可编程只读存储器(Erasable PROM，EPROM)、电可擦除可编程只读存储器(Electrically EPROM，EEPROM)或闪存。易失性存储器可以是随机存取存储器(Random Access Memory，RAM)，静态随机存取存储器(Static RAM，SRAM)、动态随机存取存储器(Dynamic RAM，DRAM)、同步动态随机存取存储器(Synchronous DRAM，SDRAM)、双倍数据速率同步动态随机存取存储器(Double Data Rate SDRAM，DDRSDRAM)、增强型同步动态随机存取存储器(Enhanced SDRAM，ESDRAM)、同步连接动态随机存取存储器(Synch link DRAM，SLDRAM)和直接内存总线随机存取存储器(Direct Rambus RAM，DRRAM)。本申请实施例中的存储器1109包括但不限于这些和任意其它适合类型的存储器。
处理器1110可包括一个或多个处理单元；可选的，处理器1110集成应用处理器和调制解调处理器，其中，应用处理器主要处理涉及操作系统、用户界面和应用程序等的操作，调制解调处理器主要处理无线通信信号，如基带处理器。可以理解的是，上述调制解调处理器也可以不集成到处理器1110中。
本申请第四方面的实施例提供了一种可读存储介质，可读存储介质上存储有程序或指令，该程序或指令被处理器执行时实现上述基于单变量的分阶段组合模型的油气产量预测方法实施例的各个过程，且能达到相同的技术效果，为避免重复，这里不再赘述。
其中，处理器为上述实施例中的基于单变量的分阶段组合模型的油气产量预测系统中的处理器。可读存储介质，包括计算机可读存储介质，如计算机只读存储器ROM、随机存取存储器RAM、磁碟或者光盘等。
本申请实施例另提供了一种芯片，芯片包括处理器和通信接口，通信接口和处理器耦合，处理器用于运行程序或指令，实现上述基于单变量的分阶段组合模型的油气产量预测方法实施例的各个过程，且能达到相同的技术效果，为避免重复，这里不再赘述。
应理解，本申请实施例提到的芯片还可以称为系统级芯片、系统芯片、芯片系统或片上系统芯片等。
本申请实施例提供一种计算机程序产品，该程序产品被存储在存储介质中，该程序产品被至少一个处理器执行以实现如上述基于单变量的分阶段组合模型的油气产量预测方法实施例的各个过程，且能达到相同的技术效果，为避免重复，这里不再赘述。
在本申请中，术语“第一”、“第二”、“第三”仅用于描述的目的，而不能理解为指示或暗示相对重要性；术语“多个”则指两个或两个以上，除非另有明确的限定。术语“安装”、“相连”、“连接”、“固定”等术语均应做广义理解，例如，“连接”可以是固定连接，也可以是可拆卸连接，或一体地连接；“相连”可以是直接相连，也可以通过中间媒介间接相连。对于本领域的普通技术人员而言，可以根据具体情况理解上述术语在本申请中的具体含义。
本申请的描述中，需要理解的是，术语“上”、“下”、“前”、“后”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申请和简化描述，而不是指示或暗示所指的装置或单元必须具有特定的方向、以特定的方位构造和操作，因此，不能理解为对本申请的限制。
在本说明书的描述中，术语“一个实施例”、“一些实施例”、“具体实施例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或特点包含于本申请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一定指的是相同的实施例或实例。而且，描述的具体特征、结构、材料或特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
以上仅为本申请的优选实施例而已，并不用于限制本申请，对于本领域的技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本申请的保护范围之内。

Claims (9)

1.一种基于单变量的分阶段组合模型的油气产量预测方法，其特征在于，包括：
获取生产数据；
建立麦克斯韦模型，所述麦克斯韦模型包括第一特征参数；
通过列文伯格-马夸尔特法计算出所述第一特征参数，并根据所述第一特征参数得出第一预测结果；
建立逻辑斯蒂模型，所述逻辑斯蒂模型包括第二特征参数；
通过所述列文伯格-马夸尔特法计算出所述第二特征参数，并根据所述第二特征参数得出第二预测结果；
建立延伸指数递减模型，所述延伸指数递减模型包括第三特征参数；
通过所述列文伯格-马夸尔特法计算出所述第三特征参数，并根据所述第三特征参数得出第三预测结果；
通过对所述第一预测结果、所述第二预测结果、所述第三预测结果进行加权组合，得出分阶段预测结果；
其中，所述通过对所述第一预测结果、所述第二预测结果、所述第三预测结果进行加权组合，得出分阶段预测结果，具体包括：
根据所述第一预测结果、所述第二预测结果、所述第三预测结果，得出第一时点；
根据所述麦克斯韦模型和所述逻辑斯蒂模型计算出第二时点，当油气产量的预测日期在所述第二时点前时，通过第一权重系数对所述麦克斯韦模型和所述逻辑斯蒂模型进行加权组合，得出第一阶段预测结果，当油气产量的预测日期在所述第二时点后、所述第一时点前时，通过第二权重系数对所述麦克斯韦模型和所述逻辑斯蒂模型进行加权组合，得出第二阶段预测结果；
根据所述逻辑斯蒂模型和所述延伸指数递减模型计算出第三时点，当油气产量的预测日期在所述第一时点后、所述第三时点前时，通过第三权重系数对所述逻辑斯蒂模型和所述延伸指数递减模型进行加权组合，得出第三阶段预测结果，当油气产量的预测日期在所述第三时点后时，通过第四权重系数对所述逻辑斯蒂模型和所述延伸指数递减模型进行加权组合，得出第四阶段预测结果。
2.根据权利要求1所述的基于单变量的分阶段组合模型的油气产量预测方法，其特征在于，所述麦克斯韦模型为：
Figure DEST_PATH_IMAGE002
；
其中，
Figure DEST_PATH_IMAGE004
为日产量，
Figure DEST_PATH_IMAGE006
为生产日期，
Figure DEST_PATH_IMAGE008
为第一麦克斯韦参数，
Figure DEST_PATH_IMAGE010
为第二麦克斯韦参数。
3.根据权利要求1所述的基于单变量的分阶段组合模型的油气产量预测方法，其特征在于，所述逻辑斯蒂模型为：
Figure DEST_PATH_IMAGE012
；
其中，
Figure DEST_PATH_IMAGE014
为日产量，
Figure 987850DEST_PATH_IMAGE006
为生产日期，
Figure DEST_PATH_IMAGE016
为常数，
Figure DEST_PATH_IMAGE018
为承载力，
Figure DEST_PATH_IMAGE020
为双曲指数参数。
4.根据权利要求1所述的基于单变量的分阶段组合模型的油气产量预测方法，其特征在于，所述延伸指数递减模型为：
Figure DEST_PATH_IMAGE022
；
其中，
Figure 864097DEST_PATH_IMAGE014
为日产量，
Figure DEST_PATH_IMAGE024
为初始值，
Figure 706151DEST_PATH_IMAGE006
为生产日期，
Figure DEST_PATH_IMAGE026
是特征时间参数，
Figure DEST_PATH_IMAGE028
是指数参数。
5.根据权利要求1所述的基于单变量的分阶段组合模型的油气产量预测方法，其特征在于，所述列文伯格-马夸尔特法的公式为：
Figure DEST_PATH_IMAGE030
；
其中，
Figure DEST_PATH_IMAGE032
是阻尼系数，
Figure DEST_PATH_IMAGE034
是单位矩阵，
Figure DEST_PATH_IMAGE036
为雅可比行列式，
Figure DEST_PATH_IMAGE038
为雅可比行列式的转置矩阵，
Figure DEST_PATH_IMAGE040
为油气的历史产量，
Figure DEST_PATH_IMAGE042
为模型参数，
Figure DEST_PATH_IMAGE044
为更新公式参数，
Figure DEST_PATH_IMAGE046
为油气产量函数。
6.根据权利要求1所述的基于单变量的分阶段组合模型的油气产量预测方法，其特征在于，
所述第一权重系数的计算方法包括相对误差倒数法；和/或
所述第二权重系数的计算方法包括相对误差倒数法；和/或
所述第三权重系数的计算方法包括相对误差倒数法；和/或
所述第四权重系数的计算方法包括相对误差倒数法。
7.根据权利要求1至6中任一项所述的基于单变量的分阶段组合模型的油气产量预测方法，其特征在于，
所述生产数据包括以下之一：日返排液、套压、油压、输压、返排率、水气比和日产气。
8.根据权利要求1至6中任一项所述的基于单变量的分阶段组合模型的油气产量预测方法，其特征在于，还包括：
通过指标评价模型对所述第一预测结果、所述第二预测结果、所述第三预测结果和所述分阶段预测结果进行评估，所述指标评价模型包括以下之一：均方误差、平均绝对误差和平均相对误差。
9.一种基于单变量的分阶段组合模型的油气产量预测系统，其特征在于，包括：
获取模块（110），用于获取生产数据；
麦克斯韦模型建立模块（120），用于建立麦克斯韦模型，所述麦克斯韦模型包括第一特征参数；
麦克斯韦模型预测模块（130），用于通过列文伯格-马夸尔特法计算出所述第一特征参数，并根据所述第一特征参数得出第一预测结果；
逻辑斯蒂模型建立模块（140），用于建立逻辑斯蒂模型，所述逻辑斯蒂模型包括第二特征参数；
逻辑斯蒂模型预测模块（150），用于通过所述列文伯格-马夸尔特法计算出所述第二特征参数，并根据所述第二特征参数得出第二预测结果；
延伸指数递减模型建立模块（160），用于建立延伸指数递减模型，所述延伸指数递减模型包括第三特征参数；
延伸指数递减模型预测模块（170），用于通过所述列文伯格-马夸尔特法计算出所述第三特征参数，并根据所述第三特征参数得出第三预测结果；
分阶段预测模块（180），用于通过对所述第一预测结果、所述第二预测结果、所述第三预测结果进行加权组合，得出分阶段预测结果，其中，所述通过对所述第一预测结果、所述第二预测结果、所述第三预测结果进行加权组合，得出分阶段预测结果，具体包括：
根据所述第一预测结果、所述第二预测结果、所述第三预测结果，得出第一时点；
根据所述麦克斯韦模型和所述逻辑斯蒂模型计算出第二时点，当油气产量的预测日期在所述第二时点前时，通过第一权重系数对所述麦克斯韦模型和所述逻辑斯蒂模型进行加权组合，得出第一阶段预测结果，当油气产量的预测日期在所述第二时点后、所述第一时点前时，通过第二权重系数对所述麦克斯韦模型和所述逻辑斯蒂模型进行加权组合，得出第二阶段预测结果；
根据所述逻辑斯蒂模型和所述延伸指数递减模型计算出第三时点，当油气产量的预测日期在所述第一时点后、所述第三时点前时，通过第三权重系数对所述逻辑斯蒂模型和所述延伸指数递减模型进行加权组合，得出第三阶段预测结果，当油气产量的预测日期在所述第三时点后时，通过第四权重系数对所述逻辑斯蒂模型和所述延伸指数递减模型进行加权组合，得出第四阶段预测结果。
CN202211125741.3A 2022-09-16 2022-09-16 基于单变量的分阶段组合模型的油气产量预测方法及系统 Active CN115204534B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211125741.3A CN115204534B (zh) 2022-09-16 2022-09-16 基于单变量的分阶段组合模型的油气产量预测方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211125741.3A CN115204534B (zh) 2022-09-16 2022-09-16 基于单变量的分阶段组合模型的油气产量预测方法及系统

Publications (2)

Publication Number Publication Date
CN115204534A CN115204534A (zh) 2022-10-18
CN115204534B true CN115204534B (zh) 2022-11-29

Family

ID=83572624

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211125741.3A Active CN115204534B (zh) 2022-09-16 2022-09-16 基于单变量的分阶段组合模型的油气产量预测方法及系统

Country Status (1)

Country Link
CN (1) CN115204534B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115726776B (zh) * 2022-11-24 2024-07-16 西南石油大学 一种非常规油气藏经验产量递减模型优选方法

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107423844A (zh) * 2017-06-06 2017-12-01 西南石油大学 一种预测页岩气/致密气井可采储量的新方法
CN113486538A (zh) * 2021-08-06 2021-10-08 江苏达坦智慧能源有限公司 一种非常规油气井产量预测及压裂效果评价方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107423844A (zh) * 2017-06-06 2017-12-01 西南石油大学 一种预测页岩气/致密气井可采储量的新方法
CN113486538A (zh) * 2021-08-06 2021-10-08 江苏达坦智慧能源有限公司 一种非常规油气井产量预测及压裂效果评价方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
The Yield Prediction of Synthetic Fuel Production from Pyrolysis of PlasticWaste by Levenberg–Marquardt Approach in Feedforward Neural Networks Model;Faisal Abnisa et al.;《polymers》;20191110;全文 *
石油产量预测的麦克斯韦模型;王昕 等;《岩性油气藏》;20191231;第31卷(第6期);全文 *
预测页岩气井产量和可采储量泛指数递减模型的建立及应用;陈元千 等;《油气地质与采收率》;20210131;第28卷(第1期);全文 *

Also Published As

Publication number Publication date
CN115204534A (zh) 2022-10-18

Similar Documents

Publication Publication Date Title
Si et al. Multi-objective optimization design of a complex building based on an artificial neural network and performance evaluation of algorithms
CN115204534B (zh) 基于单变量的分阶段组合模型的油气产量预测方法及系统
CN115204533A (zh) 基于多变量的加权组合模型的油气产量预测方法及系统
CN112308269A (zh) 用于低渗透油气藏的产能预测方法及装置
CN108416475A (zh) 一种页岩气产能非确定性预测方法
CN109681196B (zh) 低压页岩气井间歇生产管理方法及系统
CN112214689A (zh) 基于社交网络中群体的影响力最大化方法及系统
CN113236228B (zh) 一种单井产量快速预测方法及系统
US6157900A (en) Knowledge based system and method for determining material properties from fabrication and operating parameters
CN104539601A (zh) 动态网络攻击过程可靠性分析方法及系统
CN104881707A (zh) 一种基于集成模型的烧结能耗预测方法
CN111434886B (zh) 用于钻井过程的机械钻速计算方法及装置
CN113408854A (zh) 一种基于bim技术的建筑全生命周期环境影响评价管理方法
CN117172386A (zh) 优势储层划分识别预测方法、系统、电子设备、及介质
CN116303626A (zh) 一种基于特征优化和在线学习的固井泵压预测方法
JPH07502617A (ja) 統計量プロファイルの抽出方法、及び該方法によって作成した統計量の利用法
CN112749835A (zh) 一种储层产能预测方法、装置及设备
Ravi et al. On-line evolving fuzzy clustering
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
Prina et al. Clustering of Building Stock
CN113837890B (zh) 一种基于数据统计的页岩气水平井井型优选方法
Stoffregen et al. Pipeline network optimization-application of genetic algorithm methodologies
Dang et al. Multi-objective Optimization of Residential Energy Consumption Based on Machine Learning
CN113762657A (zh) 石油探明未开发储量动用潜力评价方法及电子设备
Chen et al. Performance Comparison for Building Thermal Load Prediction of Office Buildings Using Machine Learning Methods

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
CB03 Change of inventor or designer information
CB03 Change of inventor or designer information

Inventor after: Guo Cuiping

Inventor after: Lian Hairong

Inventor after: Li Na

Inventor before: Guo Cuiping

Inventor before: Li Na

Inventor before: Lian Hairong

GR01 Patent grant
GR01 Patent grant