CN115640888A - 一种递减函数嵌入式门限序列网络的产量预测方法 - Google Patents
一种递减函数嵌入式门限序列网络的产量预测方法 Download PDFInfo
- Publication number
- CN115640888A CN115640888A CN202211273216.6A CN202211273216A CN115640888A CN 115640888 A CN115640888 A CN 115640888A CN 202211273216 A CN202211273216 A CN 202211273216A CN 115640888 A CN115640888 A CN 115640888A
- Authority
- CN
- China
- Prior art keywords
- data
- model
- sequence network
- decreasing
- threshold sequence
- 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
Links
Images
Classifications
-
- 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
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种递减函数嵌入式门限序列网络的产量预测方法,包括:获取一段时间内油气藏的历史数据;对历史数据进行预处理得到样本数据;构建递减规律和数据联合驱动的门限序列网络模型作为递减函数嵌入式门限序列网络模型;利用样本数据对递减函数嵌入式门限序列网络模型进行训练,得到产量预测模型;将井底流压数据和时间数据输入到所述产量预测模型中,得到预测油气产量。本发明有效提高了门限序列网络模型的可解释性和预测能力,指导油气藏的储量动态评估和油气藏开发井网调整,对油气藏开发的整体效益具有重要的指导意义。此外,本发明还提供了一种递减函数嵌入式门限序列网络的产量预测装置、设备及存储介质,同样具有以上有益效果。
Description
技术领域
本发明涉及油藏开发技术领域,特别涉及一种递减函数嵌入式门限序列网络的产量预测方法、装置、设备及存储介质。
背景技术
油气井开发动态分析是最终采收率估算及油气井产量规划的关键,对油气田开发规划和经济评价具有重要影响。目前,产量递减分析方法主要有数值模拟方法、递减规律方法。数值模拟方法需要较大的时间成本和人力成本。目前现场上使用较多的递减规律方法建立在一定的假设条件上,适用条件苛刻,具有一定局限性。
近年来,机器学习算法也应用于油田产量预测中。主要包括误差反馈(BackPropagation,BP)神经网络、随机森林、支持向量机、门限序列网络等。它们避免了复杂的数据工作,较常规方法在精度上有较大的提升。但未考虑到产量递减过程中的物理规律,因此建立的模型还是没有可解释性的,预测效果也相对较差。
发明内容
有鉴于此,本发明的目的在于提供一种递减函数嵌入式门限序列网络的产量预测方法、装置、设备及存储介质,解决了现有技术中不考虑产量递减过程中的物理规律导致建立的模型没有可解释性,预测效果也相对较差的问题。
为解决上述技术问题,本发明提供了一种递减函数嵌入式门限序列网络的产量预测方法,包括:
获取一段时间内油气藏的历史数据;
对所述历史数据进行预处理得到样本数据;
构建递减规律和数据联合驱动的门限序列网络模型作为递减函数嵌入式门限序列网络模型;
利用所述样本数据对所述递减函数嵌入式门限序列网络模型进行训练,得到产量预测模型;
将井底流压数据和时间数据输入到所述产量预测模型中,得到预测油气产量。
可选的,所述对所述历史数据进行预处理得到样本数据,包括:
采用S-G滤波器处理所述历史数据得到去噪数据;
对所述去噪数据进行归一化处理得到预处理数据;
对所述预处理数据进行筛选得到所述样本数据。
可选的,所述构建递减规律和数据联合驱动的门限序列网络模型作为递减函数嵌入式门限序列网络模型,包括:
构建纯数据驱动的门限序列网络模型作为初期模型;
将递减规律中的递减模型以正则化的形式加入到所述初期模型的损失函数中,得到所述递减函数嵌入式门限序列网络模型。
可选的,所述将递减规律中的递减模型以正则化的形式加入到所述初期模型的损失函数中,得到所述递减函数嵌入式门限序列网络模型,包括:
构建所述初期模型的输入层、隐藏层和输出层;
将所述递减模型左右移项形成残差均方差形式,对数据损失和递减模型损失加权计算得到所述递减函数嵌入式门限序列网络模型的损失函数。
可选的,所述利用所述样本数据对所述递减函数嵌入式门限序列网络模型进行训练,得到产量预测模型,包括:
将所述样本数据分为训练集数据、测试集数据和验证集数据;
利用所述训练集数据对所述递减函数嵌入式门限序列网络模型进行训练;
根据损失函数反向传播计算梯度;
利用所述梯度更新权值,得到最优模型,并作为所述产量预测模型。
可选的,在所述得到产量预测模型之后,还包括:
对所述产量预测模型进行超参数调整得到最优产量预测模型;
相应的,所述将井底流压数据和时间数据输入到所述产量预测模型中,得到预测油气产量,包括:
将所述井底流压数据和所述时间数据输入到所述最优产量预测模型中,得到所述预测油气产量。
可选的,所述对所述产量预测模型进行超参数调整得到最优产量预测模型,包括:
对所述超参数进行敏感性分析,得到关键超参数;
使用粒子群算法对所述关键超参数进行调整,得到最优超参数;
根据所述最优超参数得到所述最优产量预测模型。
本发明还提供了一种递减函数嵌入式门限序列网络的产量预测装置,包括:
获取模块,用于获取一段时间内油气藏的历史数据;
处理模块,用于对所述历史数据进行预处理得到样本数据;
构建模块,用于构建递减规律和数据联合驱动的门限序列网络模型作为递减函数嵌入式门限序列网络模型;
训练模块,用于利用所述样本数据对所述递减函数嵌入式门限序列网络模型进行训练,得到产量预测模型;
预测模块,用于将井底流压数据和时间数据输入到所述产量预测模型中,得到预测油气产量。
本发明还提供了一种递减函数嵌入式门限序列网络的产量预测设备,包括:
存储器,用于存储计算机程序;
处理器,用于执行所述计算机程序时实现上述的递减函数嵌入式门限序列网络的产量预测方法的步骤。
本发明还提供了一种存储介质,所述存储介质中存储计算机程序,所述计算机程序被处理器执行时实现上述的递减函数嵌入式门限序列网络的产量预测方法的步骤。
可见,本发明通过构建递减规律和数据联合驱动门限序列网络模型作为递减函数嵌入式门限序列网络模型,可以有效提高门限序列网络模型的可解释性和预测能力,指导油气藏的储量动态评估和油气藏开发井网调整,对油气藏开发的整体效益具有极其重要的指导意义。。
此外,本发明还提供了一种递减函数嵌入式门限序列网络的产量预测装置、设备及存储介质,同样具有上述有益效果。
附图说明
为了更清楚地说明本发明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,显而易见地,下面描述中的附图仅仅是本发明的实施例,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,还可以根据提供的附图获得其他的附图。
图1为本发明实施例提供的一种递减函数嵌入式门限序列网络的产量预测方法流程图;
图2为本发明实施例提供的指数递减模型结果示意图;
图3为本发明实施例提供的双曲递减模型结果示意图;
图4为本发明实施例提供的调和递减模型结果示意图;
图5为本发明实施例提供的扩展指数递减(Stretched Exponential PmductionDecline,SEPD)模型结果示意图;
图6为本发明实施例提供的Duong递减模型结果示意图;
图7为本发明实施例提供的纯数据驱动的门限序列网络模型预测结果示意图;
图8为本发明实施例提供的递减规律和数据联合驱动的门限序列网络模型预测结果示意图;
图9为本发明实施例提供的一种递减函数嵌入式门限序列网络的产量预测装置的结构示意图;
图10为本发明实施例提供的一种递减函数嵌入式门限序列网络的产量预测设备的结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明实施例中的附图,对本发明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前提下所获得的所有其他实施例,都属于本发明保护的范围。
现有技术中采用传统的BP神经网络不能考虑到产量的前后相关性,由于产量具有时间序列的特性以及门限序列网络对序列化结构数据的处理优势,门限序列网络可以克服了传统机器学习方法的局限性。门限序列网络能够捕获产量或者压力时间序列数据的相关性,并结合生产约束条件,给出了准确的预测结果。且现有技术中没有考虑产量递减过程中的物理规律,没有将常规油藏方法中产量递减的递减规律加入到神经网络方法之中,因此建立的神经网络模型没有可解释性,预测效果也相对较差。
请参考图1,图1为本发明实施例提供的一种递减函数嵌入式门限序列网络的产量预测方法流程图。该方法可以包括:
S101,获取一段时间内油气藏的历史数据。
本实施例并不对一段时间进行限定,可以理解的是,一段时间可以是几个月;或者几个季度。为了后期更好的训练学习,一段时间可以为相对较长的时间,例如50个月。
本实施例并不对历史数据进行限定,可以理解的是,历史数据包括月产量,还可以包括抽油设备油口管径;或者还可以是井底流压;或者还可以是井口温度;或者还可以是油压。本实施例并不限定历史数据的种类,例如可以是5种,或者还可以是50种。
S102,对历史数据进行预处理得到样本数据。
本实施例可以采用滤波器对历史数据进行处理,再进行归一化得到预处理数据,然后进行筛选得到样本数据,具体步骤如下:
步骤201,采用S-G滤波器处理所述历史数据得到去噪数据。
需要对历史数据采用S-G滤波器处理以去除数据的噪音影响,公式如下:
其中,Yi、Yi *分别为历史数据、平滑后数值;Ci为S-G多项式拟合系数,m为滤波器半长,N为滤波器长度,取值2m+1。S-G滤波器可以在降噪的同时很好的保留数据的原有特征。
步骤202,对所述去噪数据进行归一化处理得到预处理数据。
在数据降噪之后,需要将去噪数据进行归一化,归一化公式如下:
其中,xnew为归一化后的数据,即预处理数据;xold为去噪数据;xmin为去噪数据最小值;xmax为去噪数据最大值。
步骤203,对预处理数据进行筛选得到样本数据。
对预处理数据进行重要性分析或者依据人工经验选取对生产动态造成影响较大的参数数据,得到样本数据,作为模型的输入数据。
S103,构建递减规律和数据联合驱动的门限序列网络模型作为递减函数嵌入式门限序列网络模型。
本实施例可以先根据样本数据构建门限序列网络模型,然后在门限序列网络模型的基础上,构建递减规律和数据联合驱动的门限序列网络模型得到递减函数嵌入式门限序列网络模型,具体步骤如下:
步骤301,构建纯数据驱动的门限序列网络模型作为初期模型。
根据门限序列网络算法建立门限序列网络产量预测模型。门限序列网络单元由输入门,输出门和忘记门组成。网络单元状态用于确定不同时间步之间的信息保留,调整不同位置之间的信息传递功能。网络单元具体计算流程:某一时刻t时,首先通过输入门输入数据和上一时间步输出数据计算记忆单元遗忘门的值,输出一个值传递给单元状态信息,确定前期单元状态应该保留或者丢弃哪些信息。此时,计算候选单元状态并与前期单元状态协同更新当前时间步的单元状态,然后以此类推,重复此操作过程得到一定时间后的变量预测值。
将样本数据进行划分,本实施例并不限定划分方式,例如可以将70%样本数据作为训练集数据,15%样本数据作为验证集数据,15%样本数据作为测试集数据,以最小均方误差为损失函数的形式,最后得到纯数据驱动的门限序列网络模型,作为初期模型。
步骤302,将递减规律中的递减模型以正则化的形式加入到初期模型的损失函数中,得到递减函数嵌入式门限序列网络模型。
将常规油气藏产量递减规律中的递减模型左右移项形成残差均方差的形式,然后加入到门限序列网络的损失函数中,形成以数据驱动为中心,递减规律的物理驱动为导向约束网络的优化走向,达到物理知识驱动和数据驱动联合训练门限序列网络的目的,即递减函数嵌入式门限序列网络。本实施例并不限定递减模型的具体内容,例如可以是指数递减模型,或者还可以是双曲递减模型,或者还可以是调和递减模型,或者还可以是扩展指数递减模型,或者还可以是Duong递减模型,用户可以根据实际情况进行设定;可以根据结果评价指标选取一个最优的递减模型加入到门限序列网络的损失函数中,本实施例也不限定结果评价指标的具体内容,例如可以是平均绝对误差(MAE,Mean Absolute Error),或者还可以是平均绝对百分比误差(MAPE,Mean Absolute Percentage Error),或者还可以是均方根误差(RMSE,Root Mean Square Error);其中本实施例也不限定结果评价指标的数量,例如可以是一个,或者还可以是多个。
进一步的,为了保证递减规律和数据联合驱动方法的有效性,本实施例将递减规律中的递减模型以正则化的形式加入到所述初期模型的损失函数中,得到所述递减函数嵌入式门限序列网络模型,具体步骤如下:
步骤401,构建初期模型的输入层、隐藏层和输出层。
步骤402,将递减模型左右移项形成残差均方差形式,对数据损失和递减模型损失加权计算得到递减函数嵌入式门限序列网络模型的损失函数。
构建门限序列网络的产量预测模型的输入层、隐藏层和输出层。将递减模型左右移项形成残差均方差的形式,然后加入到门限序列网络的损失函数中,将初期模型中的数据损失项和递减规律形成的误差项相加得到总的损失函数。此时,以数据驱动为中心,递减规律的物理驱动为导向约束网络的优化走向,达到物理知识驱动和数据驱动联合训练门限序列网络的目的,构建递减规律和数据联合驱动的门限序列网络模型得到递减函数嵌入式门限序列网络模型。其中递减规律和数据联合驱动的门限序列网络模型中的损失函数计算公式为:
Loss数据=fLoss(y,y');
Loss递减=fLoss(y,y”);
Loss=λ数据Loss数据+λ递减Loss递减;
其中,y表示真实的产量数据;y′表示神经网络的输出数据;y″表示递减规律的拟合值;fLoss(·)表示神经网络的损失函数;Loss数据表示真实的产量数据与神经网络输出数据的误差;Loss递减表示真实的产量数据与递减规律的拟合值的误差;λ数据表示产量数据误差的加权系数;λ递减表示递减规律误差的加权系数,根据实际情况人为设定,本实施例可以将λ数据和λ递减都设定为1。
S104,利用样本数据对递减函数嵌入式门限序列网络模型进行训练,得到产量预测模型。
利用样本数据对递减函数嵌入式门限序列网络模型进行训练,得到产量预测模型。
进一步的,为了提高预测准确率,可以更新递减函数嵌入式门限序列网络模型的权值,将训练数据集作为递减函数嵌入式门限序列网络模型的训练数据。并计算预测产量和真实产量之间的均方误差,最后通过误差反向传播和不断迭代训练并更新神经网络模型权值和偏置,得到最优的产量预测模型,具体步骤为:
步骤501,将样本数据分为训练集数据、测试集数据和验证集数据。
本实施例对样本数据的划分可以为70%样本数据作为训练集数据,15%样本数据作为验证集数据,15%样本数据作为测试集数据。
步骤502,利用所述训练集数据对所述递减函数嵌入式门限序列网络模型进行训练。
根据数据损失和递减模型损失加权计算得到的损失函数对递减函数嵌入式门限序列网络模型的权值实施信号反向传播。
步骤503,根据损失函数反向传播计算梯度。
步骤504,利用所述梯度更新权值,得到最优模型,并作为所述产量预测模型。
使用梯度信息来更新参数,公式为:
S105,将井底流压数据和时间数据输入到产量预测模型中,得到预测油气产量。
将井底流压数据和时间数据输入到产量预测模型中,就可以预测油气产量,为了检查正在训练的模型是否仍有改进的余地,在使用训练集训练模型完成后,根据模型在训练集上的拟合效果和模型在测试集上的预测误差结果,对模型超参数进行调整以实现模型预测精度的提高。
模型参数的选择直接影响了算法模型的性能,通过确定适当的超参数并调整其网络结构可以获得最佳的模型架构。递减函数嵌入式门限序列网络的预测精度主要与时间步长、神经网络层数、神经元数量、学习率、激活函数、损失函数、优化器、迭代次数、正则化系数等多个因素相关。
本实施例可以采取人工调参加优化算法自动调参的方式进行超参数优化,具体步骤如下:
步骤701,对所述超参数进行敏感性分析,得到关键超参数。
对神经网络超参数进行敏感性分析,分析模型精度与单因素的变化规律,即在不改变其他参数的同时,通过人工调试的方法分别确定每个模型参数的取值或取值范围。对于模型预测准确性影响较大的模型关键超参数,通过人工调试的方法分别确定每个模型超参数的取值范围,再根据优化算法自动寻找最优超参数组合的方式来搭建最优产量预测模型;对于模型预测准确性影响较小的模型次要超参数,通过人工调试的方法直接确定每个超参数的取值,以达到减少下一步优化算法调参的工作量、加快模型优化速度的目的。
步骤702,使用粒子群算法对关键超参数进行调整,得到最优超参数。
使用粒子群算法对长短记忆神经网络算法模型的超参数进行优选。根据上一步超参数的定性分析和定量分析的方法分别确定每个模型的关键超参数和其取值范围,再使用优化算法自动寻找最优超参数组合的方式来搭建最优产量预测模型。
根据确定的模型关键超参数取值和取值范围建立多个预测模型,每个预测模型为一个粒子,计算模型的训练集误差和测试集误差。根据模型误差反向调整模型关键超参数,再次计算误差。循环这个过程,迭代得到最后的最优关键超参数组合。
根据粒子的位置参数建立预测模型,并评估每个模型的测试集预测误差,根据模型误差反向调整粒子的位置信息,再次计算误差。最终得到最优超参数组合和最优网络结构模型。通过模型在训练集和测试集上的预测表现,分别计算两部分的均方根误差,然后加权计算得到目标函数fPSO:
fPSO=λtrainRMSEtrain+λvalRMSEval;
其中,λtrain表示训练集误差加权系数,RMSEtrain表示训练集均方根误差,λval表示测试集误差加权系数,RMSEval表示测试集均方根误差。
步骤703,根据最优超参数得到所述最优产量预测模型。
根据粒子群计算公式不断迭代寻优,使每个粒子代表的模型超参数组合逐渐更新,使得根据此超参数组合所建立的模型预测误差逐渐减小,在超参数寻优的求解域内达到最优位置,最优位置代表的超参数组合即为最优模型超参数。其所对应的递减函数嵌入式门限序列网络模型,即为训练得到最优产量预测模型。
为了使本发明更便于理解,选取递减模型以及利用递减模型构建递减函数嵌入式门限序列网络模型的步骤具体可以包括:
本实施例的递减模型选为指数递减模型,双曲递减模型,调和递减模型,扩展指数递减模型和Duong递减模型,这五种递减模型计算公式如表1所示,表1为递减模型计算公示表:
表1递减模型计算公式表
其中,表中q表示产量,单位为m3/d;qi表示初始产量,单位为m3/d;Di表示初始递减率,单位为d-1;t表示时间,单位为d;b表示递减指数;tSEPD表示周期数量(如月产量数据则为月数);τ表示扩展指数递减模型参数(周期特征数);aD表示双对数曲线截距,单位为d-1;mD表示双对数曲线斜率。
使用上述5种递减模型与训练集、测试集的数据进行递减规律拟合,图2为本发明实施例提供的指数递减模型结果示意图;图3为本发明实施例提供的双曲递减模型结果示意图;图4为本发明实施例提供的调和递减模型结果示意图;图5为本发明实施例提供的扩展指数递减(Stretched Exponential Pmduction Decline,SEPD)模型结果示意图;图6为本发明实施例提供的Duong递减模型结果示意图;从图2-图6可以看出5种递减公式拟合的效果均较为良好,由于测试集数据的拟合结果对预测集的影响较大,需要选择在测试集上预测误差最小的递减模型可以有效提高递减规律和数据联合驱动的门限序列网络模型在预测集上的预测表现。为了进一步确认哪一种递减模型在测试集上的拟合效果最佳,计算这5种模型的平均绝对误差、平均绝对百分比误差和均方根误差,结果如表2,表2为测试集递减模型产量拟合误差表,从表2中可看出,双曲递减模型最为贴合实际产量曲线,因此将双曲递减模型加入神经网络中作为递减规律驱动条件。
表2测试集递减模型产量拟合误差
预测模型 | MAE | MAPE | RMSE |
指数递减模型 | 2.6761 | 9.01% | 3.2341 |
双曲递减模型 | 1.9686 | 6.66% | 2.4313 |
调和递减模型 | 5.7199 | 21.16% | 6.1448 |
Duong模型 | 2.3852 | 8.02% | 2.9368 |
SEPD模型 | 2.3663 | 7.95% | 2.9154 |
将双曲递减模型加入神经网络中作为递减规律驱动条件,对新的模型进行训练和预测,并与未加入双曲递减模型的神经网络效果进行对比。图7为本发明实施例提供的纯数据驱动的门限序列网络模型预测结果示意图;图8为本发明实施例提供的递减规律和数据联合驱动的门限序列网络模型预测结果示意图;从图7和图8中可以看出,双曲递减模型改变了纯数据驱动的门限序列网络模型在预测集上的预测产量趋势,使之更加符合实际的生产情况。
表3为预测集递减规律产量拟合误差表,具体为递减规律中表现最好的双曲递减模型和纯数据驱动的门限序列网络模型、递减规律和数据联合驱动的门限序列网络模型在预测集上的产量预测误差平均绝对误差、平均绝对百分比误差和均方根误差。从表3可以看出,纯数据驱动的门限序列网络模型、递减规律和数据联合驱动的门限序列网络模型误差都比双曲递减模型的预测误差小;门限序列网络模型在数据驱动的基础上引入递减规律的驱动方式后,预测的平均绝对误差降低了0.8845,相对百分比误差减小了3.29%,均方根误差减小了0.9928。如果仅从平均绝对误差观察,可以发现纯数据驱动的门限序列网络模型比递减规律和数据联合驱动的门限序列网络模型的平均绝对误差相对减小了42.90%。递减规律和数据联合驱动方法对门限序列网络模型在预测集上的产量预测有较大幅度提升,且增强了门限序列网络产量预测模型的可解释性。
表3预测集递减规律产量拟合误差表
应用本发明实施例提供的一种递减函数嵌入式门限序列网络的产量预测方法,通过构建递减规律和数据联合驱动门限序列网络模型作为递减函数嵌入式门限序列网络模型,可以有效提高递减函数嵌入式门限序列网络模型的可解释性和预测能力,指导油气藏的储量动态评估和油气藏开发井网调整,对油气藏开发的整体效益具有极其重要的指导意义。通过粒子群算法调整超参数,提高模型性能,获得最佳模型架构,提高预测的准确率;对历史数据进行预处理,去除噪音影响的同时保留数据的原有特征,提高模型训练效果,提高效率;先构建纯数据驱动的门限序列网络作为初期模型,再将递减规律加入到初期模型中以构建递减规律和数据联合驱动的门限序列网络模型,即递减函数嵌入式门限序列网络模型,保证递减规律和数据联合驱动方法的有效性;使用数据损失和递减模型损失加权计算得到的损失函数对权值进行反向传播,计算梯度并更新权值,提高网络预测结果的准确性。
下面对本发明实施例提供的一种递减函数嵌入式门限序列网络的产量预测装置进行介绍,下文描述的一种递减函数嵌入式门限序列网络的产量预测装置与上文描述的一种递减函数嵌入式门限序列网络的产量预测方法可相互对应参照。
具体请参考图9,图9为本发明实施例提供的一种递减函数嵌入式门限序列网络的产量预测装置的结构示意图,可以包括:
获取模块100,用于获取一段时间内油气藏的历史数据;
处理模块200,用于对历史数据进行预处理得到样本数据;
构建模块300,用于构建递减规律和数据联合驱动的门限序列网络模型作为递减函数嵌入式门限序列网络模型;
训练模块400,用于利用样本数据对递减函数嵌入式门限序列网络模型进行训练,得到产量预测模型;
预测模块500,用于将井底流压数据和时间数据输入到产量预测模型中,得到预测油气产量。
基于上述实施例,其中处理模块200,可以包括:
第一处理单元,用于采用S-G滤波器处理历史数据得到去噪数据;
第二处理单元,用于去噪数据进行归一化处理得到预处理数据;
第三处理单元,用于预处理数据进行筛选得到样本数据。
基于上述实施例,其中构建模块300,可以包括:
初期模型构建单元,用于构建纯数据驱动的门限序列网络模型作为初期模型;
加入单元,将递减规律中的递减模型以正则化的形式加入到初期模型的损失函数中,得到递减函数嵌入式门限序列网络模型。
基于上述实施例,其中加入单元,可以包括:
构建子单元,用于构建门限序列网络的产量预测模型的输入层、隐藏层和输出层;
第一计算子单元,用于将递减模型左右移项形成残差均方差形式,对数据损失和递减模型损失加权计算得到递减函数嵌入式门限序列网络模型的损失函数;
基于上述实施例,其中训练模块400,可以包括:
划分单元,用于将样本数据分为训练集数据、测试集数据和验证集数据;
训练单元,用于利用训练集数据对递减函数嵌入式门限序列网络模型进行训练;
第二计算子单元,用于根据损失函数反向传播计算梯度;
更新子单元,用于利用梯度更新权值,得到最优模型,并作为产量预测模型。
基于上述实施例,还包括:
超参数调整模块,用于对产量预测模型进行超参数调整得到最优产量预测模型;
相应的,预测模块500,用于将井底流压数据和时间数据输入到最优产量预测模型中,得到预测油气产量。
基于上述实施例,其中超参数调整模块,包括:
分析单元,用于对超参数进行敏感性分析,得到关键超参数;
调整单元,用于使用粒子群算法对关键超参数进行调整,得到最优超参数;
确定单元,用于根据最优超参数得到最优产量预测模型。
需要说明的是,上述一种递减函数嵌入式门限序列网络的产量预测装置中的模块以及单元在不影响逻辑的情况下,其顺序可以前后进行更改。
应用本发明实施例提供的一种递减函数嵌入式门限序列网络的产量预测装置,本发明通过递减函数嵌入式门限序列网络的产量预测的递减规律和数据联合驱动门限序列网络模型作为递减函数嵌入式门限序列网络模型,可以有效提高门限序列网络模型的可解释性和预测能力,指导油气藏的储量动态评估和油气藏开发井网调整,对油气藏开发的整体效益具有极其重要的指导意义。通过粒子群算法调整超参数,提高模型性能,获得最佳模型架构,提高预测的准确率;对历史数据进行预处理,去除噪音影响的同时保留数据的原有特征,提高模型训练效果,提高效率;先构建纯数据驱动的门限序列网络作为初期模型,再选取最优的递减规律,并加入到初期模型中以构建递减规律和数据联合驱动的门限序列网络模型,保证递减规律和数据联合驱动方法的有效性;使用数据损失和方程损失加权计算得到的损失函数对权值进行反向传播,计算梯度并更新权值,提高网络预测结果的准确性。
下面对本发明实施例提供的一种递减函数嵌入式门限序列网络的产量预测设备进行介绍,下文描述的一种递减函数嵌入式门限序列网络的产量预测设备与上文描述的一种递减函数嵌入式门限序列网络的产量预测方法可相互对应参照。
请参考图10,图10为本发明实施例提供的一种递减函数嵌入式门限序列网络的产量预测设备的结构示意图,可以包括:
存储器10,用于存储计算机程序;
处理器20,用于执行计算机程序,以实现上述的一种递减函数嵌入式门限序列网络的产量预测方法。
存储器10、处理器20、通信接口31和通信总线32。存储器10、处理器20、通信接口31均通过通信总线32完成相互间的通信。
在本发明实施例中,存储器10中用于存放一个或者一个以上程序,程序可以包括程序代码,程序代码包括计算机操作指令,在本申请实施例中,存储器10中可以存储有用于实现以下功能的程序:
获取一段时间内油气藏的历史数据;
对历史数据进行预处理得到样本数据;
构建递减规律和数据联合驱动的门限序列网络模型作为递减函数嵌入式门限序列网络模型;
利用样本数据对递减函数嵌入式门限序列网络模型进行训练,得到产量预测模型;
将井底流压数据和时间数据输入到所述产量预测模型中,得到预测油气产量。
在一种可能的实现方式中,存储器10可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,以及至少一个功能所需的应用程序等;存储数据区可存储使用过程中所创建的数据。
此外,存储器10可以包括只读存储器和随机存取存储器,并向处理器提供指令和数据。存储器的一部分还可以包括NVRAM。存储器存储有操作系统和操作指令、可执行模块或者数据结构,或者它们的子集,或者它们的扩展集,其中,操作指令可包括各种操作指令,用于实现各种操作。操作系统可以包括各种系统程序,用于实现各种基础任务以及处理基于硬件的任务。
处理器20可以为中央处理器(Central Processing Unit,CPU)、特定应用集成电路、数字信号处理器、现场可编程门阵列或者其他可编程逻辑器件,处理器20可以是微处理器或者也可以是任何常规的处理器等。处理器20可以调用存储器10中存储的程序。
通信接口31可以为通信模块的接口,用于与其他设备或者系统连接。
当然,需要说明的是,图10所示的结构并不构成对本申请实施例中一种油气产量设备的限定,在实际应用中一种油气产量设备可以包括比图10所示的更多或更少的部件,或者组合某些部件。
下面对本发明实施例提供的存储介质进行介绍,下文描述的存储介质与上文描述的一种递减函数嵌入式门限序列网络的产量预测方法可相互对应参照。
本发明还提供一种存储介质,存储介质上存储有计算机程序,计算机程序被处理器执行时实现上述的递减函数嵌入式门限序列网络的产量预测方法的步骤。
该存储介质可以包括:U盘、移动硬盘、只读存储器(Read-Only Memory,ROM)、随机存取存储器(Random Access Memory,RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
本说明书中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其它实施例的不同之处,各个实施例之间相同或相似部分互相参见即可。对于实施例公开的装置而言,由于其与实施例公开的方法相对应,所以描述的比较简单,相关之处参见方法部分说明即可。
专业人员还可以进一步意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、计算机软件或者二者的结合来实现,为了清楚地说明硬件和软件的可互换性,在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件的方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应该认为超出本发明的范围。
最后,还需要说明的是,在本文中,诸如第一和第二等之类的关系属于仅仅用来将一个实体或者操作与另一个实体或者操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其他任何变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。
以上对本发明所提供的一种递减函数嵌入式门限序列网络的产量预测方法、装置、设备和存储介质进行了详细介绍,本文中应用了具体个例对本发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的方法及其核心思想;同时,对于本领域的一般技术人员,依据本发明的思想,在具体实施方式及应用范围上均会有改变之处,综上所述,本说明书内容不应理解为对本发明的限制。
Claims (10)
1.一种递减函数嵌入式门限序列网络的产量预测方法,其特征在于,包括:
获取一段时间内油气藏的历史数据;
对所述历史数据进行预处理得到样本数据;
构建递减规律和数据联合驱动的门限序列网络模型作为递减函数嵌入式门限序列网络模型;
利用所述样本数据对所述递减函数嵌入式门限序列网络模型进行训练,得到产量预测模型;
将井底流压数据和时间数据输入到所述产量预测模型中,得到预测油气产量。
2.根据权利要求1所述的递减函数嵌入式门限序列网络的产量预测方法,其特征在于,所述对所述历史数据进行预处理得到样本数据,包括:
采用S-G滤波器处理所述历史数据得到去噪数据;
对所述去噪数据进行归一化处理得到预处理数据;
对所述预处理数据进行筛选得到所述样本数据。
3.根据权利要求1所述的递减函数嵌入式门限序列网络的产量预测方法,其特征在于,所述构建递减规律和数据联合驱动的门限序列网络模型作为递减函数嵌入式门限序列网络模型,包括:
构建纯数据驱动的门限序列网络模型作为初期模型;
将递减规律中的递减模型以正则化的形式加入到所述初期模型的损失函数中,得到所述递减函数嵌入式门限序列网络模型。
4.根据权利要求3所述的递减函数嵌入式门限序列网络的产量预测方法,其特征在于,所述将递减规律中的递减模型以正则化的形式加入到所述初期模型的损失函数中,得到所述递减函数嵌入式门限序列网络模型,包括:
构建所述初期模型的输入层、隐藏层和输出层;
将所述递减模型左右移项形成残差均方差形式,对数据损失和递减模型损失加权计算得到所述递减函数嵌入式门限序列网络模型的损失函数。
5.根据权利要求1所述的递减函数嵌入式门限序列网络的产量预测方法,其特征在于,所述利用所述样本数据对所述递减函数嵌入式门限序列网络模型进行训练,得到产量预测模型,包括:
将所述样本数据分为训练集数据、测试集数据和验证集数据;
利用所述训练集数据对所述递减函数嵌入式门限序列网络模型进行训练;
根据损失函数反向传播计算梯度;
利用所述梯度更新权值,得到最优模型,并作为所述产量预测模型。
6.根据权利要求1所述的递减函数嵌入式门限序列网络的产量预测方法,其特征在于,在所述得到产量预测模型之后,还包括:
对所述产量预测模型进行超参数调整得到最优产量预测模型;
相应的,所述将井底流压数据和时间数据输入到所述产量预测模型中,得到预测油气产量,包括:
将所述井底流压数据和所述时间数据输入到所述最优产量预测模型中,得到所述预测油气产量。
7.根据权利要求6所述的递减函数嵌入式门限序列网络的产量预测方法,其特征在于,所述对所述产量预测模型进行超参数调整得到最优产量预测模型,包括:
对所述超参数进行敏感性分析,得到关键超参数;
使用粒子群算法对所述关键超参数进行调整,得到最优超参数;
根据所述最优超参数得到所述最优产量预测模型。
8.一种递减函数嵌入式门限序列网络的产量预测装置,其特征在于,包括:
获取模块,用于获取一段时间内油气藏的历史数据;
处理模块,用于对所述历史数据进行预处理得到样本数据;
构建模块,用于构建递减规律和数据联合驱动的门限序列网络模型作为递减函数嵌入式门限序列网络模型;
训练模块,用于利用所述样本数据对所述递减函数嵌入式门限序列网络模型进行训练,得到产量预测模型;
预测模块,用于将井底流压数据和时间数据输入到所述产量预测模型中,得到预测油气产量。
9.一种递减函数嵌入式门限序列网络的产量预测设备,其特征在于,包括:
存储器,用于存储计算机程序;
处理器,用于执行所述计算机程序时实现如权利要求1至7任一项所述的递减函数嵌入式门限序列网络的产量预测方法的步骤。
10.一种存储介质,其特征在于,所述存储介质中存储计算机程序,所述计算机程序被处理器执行时实现如权利要求1至7任一项所述的递减函数嵌入式门限序列网络的产量预测方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211273216.6A CN115640888A (zh) | 2022-10-18 | 2022-10-18 | 一种递减函数嵌入式门限序列网络的产量预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211273216.6A CN115640888A (zh) | 2022-10-18 | 2022-10-18 | 一种递减函数嵌入式门限序列网络的产量预测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115640888A true CN115640888A (zh) | 2023-01-24 |
Family
ID=84944150
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211273216.6A Pending CN115640888A (zh) | 2022-10-18 | 2022-10-18 | 一种递减函数嵌入式门限序列网络的产量预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115640888A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116976146A (zh) * | 2023-09-22 | 2023-10-31 | 中国石油大学(华东) | 耦合物理驱动和数据驱动的压裂井产量预测方法与系统 |
CN117851928A (zh) * | 2024-03-07 | 2024-04-09 | 特雷西能源科技股份有限公司 | 基于cnn-lstm模型预测页岩油产量的方法及系统 |
-
2022
- 2022-10-18 CN CN202211273216.6A patent/CN115640888A/zh active Pending
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116976146A (zh) * | 2023-09-22 | 2023-10-31 | 中国石油大学(华东) | 耦合物理驱动和数据驱动的压裂井产量预测方法与系统 |
CN116976146B (zh) * | 2023-09-22 | 2024-01-05 | 中国石油大学(华东) | 耦合物理驱动和数据驱动的压裂井产量预测方法与系统 |
CN117851928A (zh) * | 2024-03-07 | 2024-04-09 | 特雷西能源科技股份有限公司 | 基于cnn-lstm模型预测页岩油产量的方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111563706A (zh) | 一种基于lstm网络的多变量物流货运量预测方法 | |
CN115640888A (zh) | 一种递减函数嵌入式门限序列网络的产量预测方法 | |
CN113837356B (zh) | 基于融合神经网络的污水处理智能预测方法 | |
US20200372342A1 (en) | Systems and methods for predictive early stopping in neural network training | |
US11574093B2 (en) | Neural reparameterization for optimization of physical designs | |
CN111597753B (zh) | 数据深度变化特征自适应的二维电阻率反演方法及系统 | |
CN106529185B (zh) | 一种古建筑位移的组合预测方法及系统 | |
CN106022517A (zh) | 一种基于核极限学习机的风险预测的方法和装置 | |
CN115510963A (zh) | 一种增量式设备故障诊断方法 | |
Sabzevari et al. | A comparison between statistical and data mining methods for credit scoring in case of limited available data | |
CN116050600B (zh) | 基于cnn-ga-bp的组合模型备件需求预测方法和系统 | |
CN113722997A (zh) | 一种基于静态油气田数据的新井动态产量预测方法 | |
CN115618987A (zh) | 生产井生产数据预测方法、装置、设备和存储介质 | |
CN115099519A (zh) | 一种基于多机器学习模型融合的油井产量预测方法 | |
CN113236228A (zh) | 一种单井产量快速预测方法及系统 | |
CN116303786A (zh) | 一种基于多维数据融合算法的区块链金融大数据管理系统 | |
CN115600105A (zh) | 基于mic-lstm的水体缺失数据插补方法及装置 | |
EP4009239A1 (en) | Method and apparatus with neural architecture search based on hardware performance | |
CN116882323B (zh) | 一种考虑时序性及细分任务的自适应代理策略优化方法 | |
CN115600102B (zh) | 基于船舶数据的异常点检测方法及装置、电子设备、介质 | |
Wang et al. | A new interactive model for improving the learning performance of back propagation neural network | |
Patria | Bayesian Regression for Predicting Price Empirical Evidence in American Real Estate | |
CN112016956B (zh) | 基于bp神经网络的矿石品位估值方法及装置 | |
CN114154696A (zh) | 资金流预测方法、系统、计算机设备及存储介质 | |
CN113554099A (zh) | 一种识别异常商户的方法及装置 |
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 |