CN115758608A - 海上稠油蒸汽吞吐中后期压力预测方法、装置及介质 - Google Patents
海上稠油蒸汽吞吐中后期压力预测方法、装置及介质 Download PDFInfo
- Publication number
- CN115758608A CN115758608A CN202211444501.XA CN202211444501A CN115758608A CN 115758608 A CN115758608 A CN 115758608A CN 202211444501 A CN202211444501 A CN 202211444501A CN 115758608 A CN115758608 A CN 115758608A
- Authority
- CN
- China
- Prior art keywords
- pressure
- puff
- parameters
- offshore
- steam huff
- 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
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及一种海上稠油蒸汽吞吐中后期压力预测方法、装置及介质,方法包括:步骤a:建立典型油藏数值模拟模型,模拟计算蒸汽吞吐中后期各周期不同时间下的井底压力和地层平均压力值;步骤b:建立各参数与井底压力和地层平均压力变化趋势样本;步骤c:基于变化趋势样本进行处理,得到海上稠油蒸汽吞吐中后期压力预测数据库;步骤d:建立海上稠油蒸汽吞吐中后期压力预测模型,得到预测结果,并利用典型油藏数值模拟模型模拟计算结果与预测结果制成对比图;步骤e:基于海上稠油油藏蒸汽吞吐中后期压力预测模型,预测井底压力和地层平均压力随时间的变化规律,形成海上稠油油藏蒸汽吞吐中后期井底压力和地层平均压力预测图版。
Description
技术领域
本发明涉及一种海上稠油蒸汽吞吐中后期压力预测方法、装置及介质,属于海上油田开发的技术领域。
背景技术
随着国内外对能源需求量的不断增加以及常规油气藏开采程度的加深,稠油等非常规油气的开发得到了越来越多的关注,而海上稠油油藏储量丰富,在稠油资源的勘探与开发中占据重要地位。蒸汽吞吐是海上稠油油藏开采普遍采用的开发方式,蒸汽吞吐3~4轮后进入中后期,压力衰竭迅速,井底压力和地层压力变化速度快,实时明确蒸汽吞吐过程中地层平均压力和井底压力随时间变化规律对于指导蒸汽吞吐中后期生产、改善海上蒸汽吞吐效益具有重要意义。
目前,海上稠油蒸汽吞吐中后期压力预测方法较少,主要以公式法、现场测压法、油藏数值模拟方法为主。相较于陆上稠油油田,海上稠油油田蒸汽吞吐现场测压施工难度大、作业成本高、产量影响大,获得的压力数据量少,难以满足开发需要。公式法虽获得地层压力和井底压力相对简单,但无法充分考虑海上稠油油藏地质和开发复杂性,计算误差大。油藏数值模拟方法计算结果相较于公式法更为准确,但该方法需要的地质和开发数据资料多,每个海上稠油油藏均需针对性地进行建模和模拟计算研究,耗时耗力,对研究人员的专业能力要求高,难以适应海上稠油油藏地质和开发性质差异大的特点。
因此亟需一种海上稠油蒸汽吞吐中后期压力预测方法,既能够尽可能准确的预测海上稠油蒸汽吞吐中后期压力;又具有高效的实际可操作性。
发明内容
针对上述技术问题,本发明提供一种海上稠油蒸汽吞吐中后期压力预测方法、装置及介质,该方法考虑了海上稠油油藏蒸汽吞吐中后期地质和开发的复杂性,可快速、准确、实时预测井底压力和地层平均压力,适用范围广,大幅节省了工作量与计算时间,解决了现有方法耗时耗力,施工难度大、作业成本高、产量影响大、压力数据量少、研究人员专业能力要求高等难题,为海上稠油油藏蒸汽吞吐中后期压力获取提供了有效的技术手段。
为实现上述目的,本发明采取以下技术方案:
一种海上稠油蒸汽吞吐中后期压力预测方法,包括如下步骤:
步骤a:基于海上稠油蒸汽吞吐中后期的地质和开发数据,建立典型油藏数值模拟模型,在海上稠油油藏蒸汽吞吐中后期的地质参数、注采参数、井参数界限范围内选择一定量数据,并改变典型油藏数值模拟模型内的参数,模拟计算蒸汽吞吐中后期各周期不同时间下的井底压力和地层平均压力值;
步骤b:从井底压力和地层平均压力值内选择一定量数据,建立时间、注采参数、地质参数、井参数与井底压力和地层平均压力变化趋势样本;
步骤c:基于时间、注采参数、地质参数、井参数与井底压力和地层平均压力变化趋势样本,进行参数敏感性及相关性分析,排除相关性较小的参数,之后通过异常值剔除、数据检验、归一化过程,得到基于粒子群算法改进长短期记忆神经网络的海上稠油蒸汽吞吐中后期压力预测数据库;
步骤d:基于海上稠油蒸汽吞吐中后期压力预测数据库,建立基于粒子群算法改进长短期记忆神经网络的海上稠油蒸汽吞吐中后期压力预测模型,进而预测蒸汽吞吐中后期不同时间下井底压力和地层平均压力,得到预测结果,并利用典型油藏数值模拟模型模拟计算结果,以验证海上稠油蒸汽吞吐中后期压力预测模型的精度,得到预测结果与数值模拟计算结果对比图;
步骤e:基于海上稠油油藏蒸汽吞吐中后期压力预测模型,预测不同地质参数、注采参数和井参数下,井底压力和地层平均压力随时间的变化规律,形成海上稠油油藏蒸汽吞吐中后期井底压力和地层平均压力预测图版。
所述的海上稠油蒸汽吞吐中后期压力预测方法,优选地,地质参数包括孔隙度、渗透率、含油饱和度、油藏温度;注采参数包括焖井时间、产液量、蒸汽干度、注汽速度、蒸汽温度、注入时间和注汽压力;井参数包括井型、井长和井距。
所述的海上稠油蒸汽吞吐中后期压力预测方法,优选地,所述步骤c中相关性分析方法为相关系数法和灰色关联法,基于粒子群算法改进长短期记忆神经网络的海上稠油蒸汽吞吐中后期压力预测数据库总量不少于6000个,分别对时间及其对应的地质参数、注采参数、井参数进行归一化处理。
所述的海上稠油蒸汽吞吐中后期压力预测方法,优选地,所述步骤d中建立基于粒子群算法改进长短期记忆神经网络的海上稠油蒸汽吞吐中后期压力预测模型,具体步骤如下:
d1将海上稠油蒸汽吞吐中后期压力预测数据库样本按比例划分为训练集与测试集,将经过归一化处理后的时间及其对应的地质参数、注采参数、井参数作为模型输入集,蒸汽吞吐中后期各周期不同时间下的井底压力和地层平均压力值作为模型输出集;
d2构建长短期记忆神经网络模型;
d3利用粒子群算法优化超参数;
d4基于粒子群算法改进长短期记忆神经网络的海上稠油蒸汽吞吐中后期压力预测模型精度验证:采用测试集中海上稠油蒸汽吞吐中后期压力预测数据作为验证样本,选择MAPE作为评价指标,当MAPE小于10%时,海上稠油蒸汽吞吐中后期压力预测模型精度满足要求。
所述的海上稠油蒸汽吞吐中后期压力预测方法,优选地,所述步骤d2包括如下步骤:
d21初步构建海上稠油油藏的长短期记忆神经网络模型结构:长短期记忆神经网络模型包括输入层、隐藏层和输出层,其中,隐藏层层数为30~100、输入层和输出层各1层;
d22从双曲正切函数和S型生长曲线函数中选择长短期记忆神经网络模型的激活函数;
d23利用随机梯度下降法作为训练函数,使时间及其对应的地质参数、注采参数、井参数向误差函数梯度最小的方向改变,从而缩短计算时间;
d24初始化长短期记忆神经网络模型的超参数,迭代每经过学习率降低代数,学习率即进行一次更新;
d25数据样本前向传播:将模型输入集传播至隐藏层,隐藏层包括遗忘门、输入门、输出门及细胞状态;
d26数据样本反向传播:根据梯度最小化原则,利用随机梯度下降法进行数据样本反向传播训练,更新输入门、输出门、遗忘门对应的权值系数矩阵和偏置项,使损失函数最小;
d27建立长短期记忆神经网络模型训练过程评价指标:选择MAPE函数作为长短期记忆神经网络模型训练过程的评价指标。
所述的海上稠油蒸汽吞吐中后期压力预测方法,优选地,所述步骤d3包括如下步骤:
d31初始化粒子群参数,粒子群参数包括:粒子群种群规模、迭代次数限制、迭代误差限制、惯性因子、学习因子以及不同粒子对应的随机速度和位置,将粒子的位置设为模型超参数值,粒子的速度设为模型超参数值变化幅度;
d32将MAPE作为粒子群算法的目标函数,基于长短期记忆神经网络的海上稠油蒸汽吞吐中后期压力预测模型的初始MAPE作为粒子群算法的初始全局最优值;
d33更新粒子群算法的速度、位置;
d35当粒子群达到最大迭代次数Tmax或者误差小于规定误差时,迭代停止,此时的全局最优值为新的最优误差,对应的各方向上粒子的位置即为预测模型超参数值。
所述的海上稠油蒸汽吞吐中后期压力预测方法,优选地,所述步骤a利用典型油藏数值模拟方法模拟计算蒸汽吞吐周期数大于4,在地质参数、注采参数、井参数界限范围内选择数据量大于200个;
所述步骤b中蒸汽吞吐中后期各周期不同时间下的井底压力和地层平均压力数据不少于10个,总数不少于30个。
本发明第二方面提供一种海上稠油蒸汽吞吐中后期压力预测装置,包括:
第一处理单元,用于基于海上稠油蒸汽吞吐中后期的地质和开发数据,建立典型油藏数值模拟模型,在海上稠油油藏蒸汽吞吐中后期的地质参数、注采参数、井参数界限范围内选择一定量数据,并改变典型油藏数值模拟模型内的参数,模拟计算蒸汽吞吐中后期各周期不同时间下的井底压力和地层平均压力值;
第二处理单元,用于从井底压力和地层平均压力值内选择一定量数据,建立时间、注采参数、地质参数、井参数与井底压力和地层平均压力变化趋势样本;
第三处理单元,用于基于时间、注采参数、地质参数、井参数与井底压力和地层平均压力变化趋势样本,进行参数敏感性及相关性分析,排除相关性较小的参数,之后通过异常值剔除、数据检验、归一化过程,得到基于粒子群算法改进长短期记忆神经网络的海上稠油蒸汽吞吐中后期压力预测数据库;
第四处理单元,用于基于海上稠油蒸汽吞吐中后期压力预测数据库,建立基于粒子群算法改进长短期记忆神经网络的海上稠油蒸汽吞吐中后期压力预测模型,进而预测蒸汽吞吐中后期不同时间下井底压力和地层平均压力,得到预测结果,并利用典型油藏数值模拟模型模拟计算结果,以验证海上稠油蒸汽吞吐中后期压力预测模型的精度,得到预测结果与数值模拟计算结果对比图;
第五处理单元,用于基于海上稠油油藏蒸汽吞吐中后期压力预测模型,预测不同地质参数、注采参数和井参数下,井底压力和地层平均压力随时间的变化规律,形成海上稠油油藏蒸汽吞吐中后期井底压力和地层平均压力预测图版。
本发明第三方面提供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,所述计算机程序被处理器执行时实现上述海上稠油蒸汽吞吐中后期压力预测方法的步骤。
本发明第四方面提供一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现上述海上稠油蒸汽吞吐中后期压力预测方法的步骤。
本发明由于采取以上技术方案,其具有以下优点:
1、本发明所建立的海上稠油蒸汽吞吐中后期压力预测模型考虑了海上稠油油藏地质和开发的复杂性,可预测不同地质参数、注采参数、井参数条件下的蒸汽吞吐中后期井底压力和地层平均压力,适用范围广,从而代替了油藏数值模拟方法,大大节省了工作量与计算时间,解决了油藏数值模拟方法耗时耗力,对研究人员的专业能力要求高,难以适应海上稠油油藏地质和开发性质差异大的难题。
2、本发明所建立的海上稠油蒸汽吞吐中后期压力预测模型可准确快速预测蒸汽吞吐中后期不同时间下的井底压力和地层平均压力,从而有效替代现场测压法,有效解决了海上稠油油田蒸汽吞吐现场测压施工难度大、作业成本高、产量影响大、压力数据量少的难题。
3、本发明充分利用粒子群算法的寻优速度快、收敛精度高的优势,确定长短期神经网络中的超参数,形成建立了海上稠油蒸汽吞吐中后期压力预测方法,实现了引入粒子群算法改进长短期记忆神经网络模型的目的,大幅提高了预测蒸汽吞吐中后期井底压力和地层压力的精度和计算速度,满足实际应用工程需要。
附图说明
图1为本发明一实施例提供的海上稠油蒸汽吞吐中后期压力预测方法流程图;
图2为本发明该实施例提供的海上稠油油藏数值模拟模型示例图;
图3为本发明该实施例提供的基于粒子群算法改进长短期记忆神经网络的海上稠油蒸汽吞吐中后期压力预测模型预测井底压力结果与油藏数值模拟计算结果对比图;
图4为本发明该实施例提供的基于粒子群算法改进长短期记忆神经网络的海上稠油蒸汽吞吐中后期压力预测模型预测地层平均压力结果与油藏数值模拟计算结果对比图;
图5为本发明该实施例提供的海上稠油油藏蒸汽吞吐中后期井底压力预测图版;
图6为本发明该实施例提供的海上稠油油藏蒸汽吞吐中后期地层平均压力预测图版。
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,下面对本发明中的技术方案进行清楚、完整地描述,显然,所描述的实施例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。
本发明针对现有的海上稠油蒸汽吞吐中后期压力预测方法较少,而且现有方法难度大、难以适应海上稠油油藏地质和开发性质差异大的特点问题,而提出一种海上稠油蒸汽吞吐中后期压力预测方法、装置及介质。该方法基于海上稠油蒸汽吞吐中后期地质和开发数据,建立典型油藏数值模拟模型,形成海上稠油蒸汽吞吐中后期压力预测方法数据库。以此为基础,充分利用粒子群算法寻优速度快、收敛精度高的优势,改进长短期神经网络模型,建立基于粒子群算法改进长短期记忆神经网络的海上稠油蒸汽吞吐中后期压力预测模型,预测不同地质参数、注采参数和井参数下井底压力和地层平均压力随时间变化规律,形成海上稠油油藏蒸汽吞吐中后期井底压力和地层平均压力预测图版。该方法考虑了海上稠油油藏蒸汽吞吐中后期地质和开发的复杂性,可快速、准确、实时预测井底压力和地层平均压力,适用范围广,大幅节省了工作量与计算时间,解决了现有方法耗时耗力,施工难度大、作业成本高、产量影响大、压力数据量少、研究人员专业能力要求高等难题,为海上稠油油藏蒸汽吞吐中后期压力获取提供了有效的技术手段。
如图1所示,本发明提供一种海上稠油蒸汽吞吐中后期压力预测方法,包括以下步骤:
步骤a:基于海上稠油蒸汽吞吐中后期地质和开发数据,建立典型油藏数值模拟模型,之后在海上稠油油藏蒸汽吞吐中后期地质参数、注采参数、井参数界限范围内选择一定量数据,并改变典型油藏数值模拟模型内的参数,模拟计算蒸汽吞吐中后期各周期不同时间下的井底压力和地层平均压力值;
步骤b:从模拟计算所得蒸汽吞吐中后期各周期不同时间下的井底压力和地层平均压力值内选择一定量数据,建立时间、注采参数、地质参数、井参数与井底压力和地层平均压力变化趋势样本;
步骤c:基于时间、注采参数、地质参数、井参数与井底压力和地层平均压力变化趋势样本,进行参数敏感性及相关性分析,排除相关性较小的参数。之后通过异常值剔除、数据检验、归一化过程,得到基于粒子群算法改进长短期记忆神经网络的海上稠油蒸汽吞吐中后期压力预测数据库;
步骤d:基于海上稠油蒸汽吞吐中后期压力预测数据库,建立基于粒子群算法改进长短期记忆神经网络的海上稠油蒸汽吞吐中后期压力预测模型,预测蒸汽吞吐中后期不同时间下井井底压力和地层平均压力,得到预测结果,并利用典型油藏数值模拟计算结果,以验证上述压力预测模型精度,得到预测结果与数值模拟计算结果对比图;
步骤e:利用建立的海上稠油油藏蒸汽吞吐中后期压力预测模型,预测不同地质参数、注采参数和井参数下井底压力和地层平均压力随时间变化规律,形成海上稠油油藏蒸汽吞吐中后期井底压力和地层平均压力预测图版。
进一步地,所述步骤a利用典型油藏数值模拟方法模拟计算蒸汽吞吐周期数大于4。地质参数包括孔隙度、渗透率、含油饱和度、油藏温度;注采参数包括焖井时间、产液量、蒸汽干度、注汽速度、蒸汽温度、注入时间和注汽压力;井参数包括井型、井长和井距。在地质参数、注采参数、井参数界限范围内选择数据量大于200个。
进一步地,所述步骤b中蒸汽吞吐中后期各周期不同时间下的井底压力和地层平均压力数据不少于10个,总数不少于30个。
进一步地,所述步骤c中相关性分析方法为相关系数法和灰色关联法;其中相关系数法包括斯皮尔曼相关系数法、皮尔逊相关系数法;基于粒子群算法改进长短期记忆神经网络的海上稠油蒸汽吞吐中后期压力预测数据库总量不少于6000个,分别对时间及其对应的地质参数、注采参数、井参数进行归一化处理,所用公式(1)~(3)如下:
x′i=(xi-mu)/sig (3)
式(1)~(3)中,mu为时间节点及其对应的地质参数、注采参数、井参数值的算数平均值;sig为时间节点及其对应的地质参数、注采参数、井参数值的标准差;n为基于粒子群算法改进长短期记忆神经网络的海上稠油蒸汽吞吐中后期压力预测数据库数据总量;xi为第i个时间节点及对应的地质参数、注采参数、井参数值;xi'为经过归一化后第i个时间节点及对应的地质参数、注采参数、井参数值。
进一步地,所述步骤d中建立基于粒子群算法改进长短期记忆神经网络的海上稠油蒸汽吞吐中后期压力预测模型,步骤如下:
d1首先将海上稠油蒸汽吞吐中后期压力预测数据库样本按比例划分为训练集与测试集,其中训练集所占比例在60%~90%之间,将经过归一化处理后的时间及其对应的地质参数、注采参数、井参数作为模型输入集,蒸汽吞吐中后期各周期不同时间下下的井底压力和地层平均压力值作为模型输出集。
d2构建长短期记忆神经网络模型,具体包括以下环节:
d21初步构建海上稠油油藏的长短期记忆神经网络模型结构:长短期记忆神经网络模型包括输入层、隐藏层和输出层。其中,隐藏层层数为30~100、输入层和输出层各1层。
d22从公式(4)~(5)所示双曲正切函数和S型生长曲线函数中选择长短期记忆神经网络模型激活函数:
式(4)~(5)中,σ为双曲正切函数;tanh为S型生长曲线函数;z为时间节点及其对应的地质参数、注采参数、井参数值经过神经网络前向处理后产生的过程值。
d23利用随机梯度下降法作为训练函数,使时间及其对应的地质参数、注采参数、井参数向误差函数梯度最小的方向改变,从而缩短计算时间,随机梯度下降法计算公式如(6)~(8)所示:
gt=▽J(xt-1) (7)
xt+1=xt-α·gt (8)
式(6)~(8)中,J(xt)为损失函数,yi为第i个海上稠油蒸汽吞吐中后期压力预测模型预测的井底压力或地层平均压力,为第i个油藏数值模拟模型计算的井底压力或地层平均压力,gt表示t时刻损失函数关于参数x的梯度,▽代表求梯度过程,α是学习率,xt-1表示t-1时刻及对应的地质参数、注采参数、井参数值,xt为t时刻及对应的地质参数、注采参数、井参数值,xt+1为t+1时刻及对应的地质参数、注采参数、井参数值。
d24初始化模型超参数(隐藏层层数、隐藏单元数、小批量训练数、初始学习率、最大迭代次数、学习率降低因子、学习率降低代数);迭代每经过学习率降低代数,学习率即进行一次更新,更新公式如(9)所示:
α'=θα (9)
式中α'为更新后的初始学习率,α为初始学习率,θ为学习率降低因子。
d25数据样本前向传播:将模型输入集传播至隐藏层,隐藏层包括遗忘门、输入门、输出门及细胞状态。遗忘门对模型输入集处理过程如式(10)所示:
ft=σ(Wf×[ht-1,xt]+bf) (10)
式(10)中,ft为遗忘门的输出向量,其值在0~-1之间,Wf为遗忘门对应权值系数矩阵,bf为遗忘门对应偏置项,ht-1为t-1时刻隐藏层的输出信息。
输入门用以更新相应的细胞状态,决定t时刻所需保留的信息,并将t-1时刻隐藏状态输出的信息和本时刻的输入信息经过σ和tanh函数处理,具体计算过程如式(11)和式(12)所示:
it=σ(Wi×[ht-1,xt]+bi) (11)
式(13)中,Ct为t时刻的细胞状态,Ct-1为t-1时刻的细胞状态。
更新细胞状态后,即可通过输出门运算得到本时刻的输出和输入到下一时刻的信息,计算如式(14)~(15)所示:
ot=σ(Wo[ht-1,xt]+bo) (14)
ht=yt=ot×tanh(Ct) (15)
式(14)~(15)中,Wo为输出门对应权值系数矩阵,bo为输入门对应偏置项,yt为t时刻及对应预测的井底压力和地层平均压力,ot为t时刻的输出阈值。
d26数据样本反向传播:根据梯度最小化原则,利用随机梯度下降法进行数据样本反向传播训练,更新输入门、输出门、遗忘门对应的权值系数矩阵和偏置项,使损失函数最小。
d27建立长短期记忆神经网络模型训练过程评价指标:选择MAPE(Mean AbsolutePercentage Error,平均绝对百分比误差)函数作为长短期记忆神经网络模型训练过程的评价指标,如公式(16)所示:
d3利用粒子群算法优化超参数,包括以下环节:
d31初始化粒子群参数,粒子群参数包括:粒子群种群规模、迭代次数限制、迭代误差限制、惯性因子、学习因子以及不同粒子对应的随机速度和位置,将粒子的位置设为模型超参数值,粒子的速度设为模型超参数值变化幅度。
d32将MAPE作为粒子群算法的目标函数,基于长短期记忆神经网络的海上稠油蒸汽吞吐中后期压力预测模型的初始MAPE作为粒子群算法的初始全局最优值。
d33利用公式(17)和(18)更新粒子群算法的速度、位置如下:
式(17)~(18)中,代表第k维方向上第i个殖民地粒子迭代p+1次后的位置,为代表第k维方向上第i个殖民地粒子迭代p次后的位置,代表第k维方向上第i个殖民地粒子迭代p+1次后的速度,为第k维方向上第i个殖民地粒子迭代p次后的速度,代表第k维方向上第i个殖民地粒子迭代p次后的个体最优值,代表第k维方向上所有粒子迭代p次后的全局最优值,c1、c2为学习因子,一般取2;rand1、rand2为两个均匀分布在(0,1)之间的随机数。
其中,ωt是惯性因子,惯性因子随着算法迭代的进行而线性递减:
式中,Tmax为粒子种群设定的最大迭代次数,ωmax为最大惯性因子,ωmin为最小惯性因子。
d35当粒子群达到最大迭代次数Tmax或者误差小于规定误差时,迭代停止,此时的全局最优值为新的最优误差,对应的各方向上粒子的位置即为预测模型超参数值。
d4基于粒子群算法改进长短期记忆神经网络的海上稠油蒸汽吞吐中后期压力预测模型精度验证:
采用测试集中海上稠油蒸汽吞吐中后期压力预测数据作为验证样本,选择MAPE作为评价指标,当MAPE小于10%时,海上稠油蒸汽吞吐中后期压力预测模型精度满足要求。
本发明基于海上稠油蒸汽吞吐中后期典型地质和开发数据,建立典型油藏数值模拟模型,模拟计算地质参数、注采参数、井参数下井底压力和地层平均压力,从而建立海上稠油蒸汽吞吐中后期压力预测方法数据库。以此为基础,建立基于粒子群算法改进长短期记忆神经网络的海上稠油蒸汽吞吐中后期压力预测模型,预测不同条件下井井底压力和地层平均压力,形成海上稠油油藏蒸汽吞吐中后期压力预测图版。
下面结合实际实例对本发明的技术方案进行详细阐释。
以某海上稠油蒸汽吞吐中后期压力预测为例对所提出的技术进行验证。
基于粒子群算法改进长短期记忆神经网络的海上稠油蒸汽吞吐中后期压力预测方法,包括以下步骤:
(1)、基于海上稠油蒸汽吞吐中后期典型地质和开发数据,选择典型稠油油藏,建立一个蒸汽吞吐周期为1年、蒸汽吞吐周期数量为8的典型油藏数值模拟模型。之后在海上稠油油藏蒸汽吞吐中后期的包括焖井时间、产液量、蒸汽干度、注汽速度、蒸汽温度、注入时间和注汽压力在内的注采参数界限范围内,通过改变所建典型油藏数值模拟模型中的相关注采参数值250次,以计算海上稠油油藏蒸汽吞吐第5、6、7、8周期的不同时间下的2口井井底压力和地层平均压力值;
(2)、以3个月为间隔选择时间节点,分别从5、6、7、8个周期的第1个月、第4个月、第7个月、第10个月中选取共16个时间节点,建立海上稠油蒸汽吞吐中后期每个时间节点下注采参数与2口井井底压力和地层平均压力变化趋势样本。
(3)、基于步骤(2)所建立的海上稠油蒸汽吞吐中后期每个时间节点下注采参数与井底压力和地层平均压力变化趋势样本,采用比较斯皮尔曼系数的相关性分析方法,分析海上稠油油藏蒸汽吞吐第5、6、7、8周期注采参数与2口井井底压力和地层平均压力值的相关性,筛选出注采参数相关性排序为注汽速度、产液量、蒸汽温度、焖井时间、注入时间、注汽压力、蒸汽干度,排除相关性较小的注入时间、注汽压力、蒸汽干度三个参数,之后通过异常值剔除、数据检验、归一化过程,得到基于粒子群算法改进长短期记忆神经网络的海上稠油蒸汽吞吐中后期压力预测数据库,总量为12000个。其中归一化过程如下:
x′i=(xi-mu)/sig (3)
式(1)~(3)中,mu为时间节点及其对应的地质参数、注采参数、井参数值的算数平均值;sig为时间及其对应的地质参数、注采参数、井参数值的标准差;n为基于粒子群算法改进长短期记忆神经网络的海上稠油蒸汽吞吐中后期压力预测数据库数据总量;xi为第i个时间节点及对应的地质参数、注采参数、井参数值;x′i为经过归一化后第i个时间节点及对应的地质参数、注采参数、井参数值。
、基于步骤(3)建立的基于粒子群算法改进长短期记忆神经网络的海上稠油蒸汽吞吐中后期压力预测数据库,建立基于粒子群算法改进长短期记忆神经网络的海上稠油蒸汽吞吐中后期压力预测模型,预测蒸汽吞吐中后期不同时间下井井底压力和地层平均压力,并验证海上稠油蒸汽吞吐中后期压力预测模型精度,得到预测结果与数值模拟计算结果对比图。
其中基于粒子群算法改进长短期记忆神经网络的海上稠油蒸汽吞吐中后期压力预测模型的建立步骤如下:
①首先将海上稠油蒸汽吞吐中后期压力预测数据库样本按比例划分为训练集与测试集,其中训练集所占比例为70%,将经过归一化处理后的时间及其对应的注汽速度、产液量、蒸汽温度、焖井时间参数值作为模型输入集,蒸汽吞吐第5、6、7、8周期的不同时间节点下的2口井井底压力和地层平均压力值作为模型输出集;
②构建长短期记忆神经网络模型,具体包括以下环节:
a、初步构建海上稠油油藏的长短期记忆神经网络模型结构:长短期记忆神经网络模型包括输入层、隐藏层和输出层。其中,隐藏层层数为80、输入层和输出层各1层。b.从公式(4)~(5)所示双曲正切函数和S型生长曲线函数中选择长短期记忆神经网络模型激活函数:
式(4)~(5)中,σ为双曲正切函数;tanh为S型生长曲线函数;z为时间节点及其对应的地质参数、注采参数、井参数值经过神经网络前向处理后产生的过程值。
c利用随机梯度下降法作为训练函数,使时间及其对应的地质参数、注采参数、井参数向误差函数梯度最小的方向改变,从而缩短计算时间,随机梯度下降法计算公式如(6)~(8)所示:
gt=▽J(xt-1) (7)
xt+1=xt-α·gt (8)
式(6)~(8)中,J(xt)为损失函数,yi为第i个海上稠油蒸汽吞吐中后期压力预测模型预测的井底压力或地层平均压力,为第i个油藏数值模拟模型计算的井底压力或地层平均压力,gt表示t时刻损失函数关于参数x的梯度,▽代表求梯度过程,α是学习率,xt-1表示t-1时刻及对应的地质参数、注采参数、井参数值,xt为t时刻及对应的地质参数、注采参数、井参数值,xt+1为t+1时刻及对应的地质参数、注采参数、井参数值。
d初始化模型超参数(隐藏层层数80、隐藏单元数100、小批量训练数20、初始学习率0.01、最大迭代次数300、学习率降低因子0.9、学习率降低代数20);迭代每20代,学习率即进行一次更新,更新公式如(9)所示:
α'=θα (9)
式中α'为更新后的初始学习率,α为初始学习率0.01,θ为学习率降低因子0.9。
e数据样本前向传播:将模型输入集传播至隐藏层,隐藏层包括遗忘门、输入门、输出门及细胞状态Ct。遗忘门对模型输入集处理过程如式(10)所示:
ft=σ(Wf×[ht-1,xt]+bf) (10)
式(10)中,ft为遗忘门的输出向量,其值在0~-1之间,Wf为遗忘门对应权值系数矩阵,bf为遗忘门对应偏置项,ht-1为t-1时刻隐藏层的输出信息。
输入门用以更新相应的细胞状态,决定t时刻所需保留的信息,并将t-1时刻隐藏状态输出的信息和本时刻的输入信息经过σ激活函数和tanh激活函数处理,具体计算过程如式(11)~式(12)所示:
it=σ(Wi×[ht-1,xt]+bi) (11)
式(13)中,Ct为t时刻的细胞状态,Ct-1为t-1时刻的细胞状态。
更新细胞状态后,即可通过输出门运算得到本时刻的输出和输入到下一时刻的信息,计算公式如式(14)~(15)所示:
ot=σ(Wo[ht-1,xt]+bo) (14)
ht=yt=ot×tanh(Ct) (15)
式(14)~(15)中,Wo为输出门对应权值系数矩阵,bo为输入门对应偏置项。经过几次循环当层数。yt为t时刻及对应预测井底压力和地层平均压力,ot为t时刻的输出阈值。
f数据样本反向传播:根据梯度最小化原则,利用随机梯度下降法(训练函数)进行数据样本反向传播训练,更新输入门、输出门、遗忘门对应的权值系数矩阵和偏置项,使损失函数最小。
g建立长短期记忆预测模型训练过程评价指标:选择MAPE函数作为长短期记忆预测模型训练过程的评价指标,如公式(16)所示,计算得MAPE值为10.53%。
③利用粒子群算法优化超参数,包括以下环节:
a初始化粒子群参数,包括粒子群种群规模40、迭代次数限制200、迭代误差限制5%,以及不同粒子对应的随机速度和位置,将粒子的位置设为模型超参数值,粒子的速度设为模型超参数值变化幅度。
b将MAPE作为粒子群算法的目标函数,10.53%作为初始全局最优值,不同粒子的随机位置对应的作为初始个体最优值。
c利用公式(17)和(18)更新粒子群算法的速度、位置如下:
式(17)~(18)中,代表第k维方向上第i个殖民地粒子迭代p+1次后的位置,为代表第k维方向上第i个殖民地粒子迭代p次后的位置,代表第k维方向上第i个殖民地粒子迭代p+1次后的速度,为第k维方向上第i个殖民地粒子迭代p次后的速度,代表第k维方向上第i个殖民地粒子迭代p次后的个体最优值,代表第k维方向上所有粒子迭代p次后的全局最优值,c1、c2为学习因子,一般取2;rand1、rand2为两个均匀分布在(0,1)之间的随机数。
其中,ωt是惯性因子,惯性因子随着算法迭代的进行而线性递减:
式中,Tmax为粒子种群设定的最大迭代次数,ωmax为最大惯性因子,其值为0.9,ωmin为最小惯性因子,其值为0.2。
e当粒子群达到最大迭代次数200时,迭代停止,此时的全局最优值6.35%为新的最优误差,对应的各方向上粒子的位置即为预测模型超参数值,对应超参数值为隐藏层层数70、隐藏单元数200、小批量训练数10、初始学习率0.015、最大迭代次数300、学习率降低因子0.95、学习率降低代数10。
④基于粒子群算法改进长短期记忆神经网络的海上稠油蒸汽吞吐中后期压力预测模型精度验证:
采用测试集中海上稠油蒸汽吞吐中后期压力预测数据作为验证样本,选择MAPE作为评价指标,最终MAPE为7.27%,海上稠油蒸汽吞吐中后期压力预测模型精度满足要求。
(5)利用建立的海上稠油油藏蒸汽吞吐中后期压力预测模型,预测井底压力和地层平均压力随时间变化规律,形成海上稠油油藏蒸汽吞吐中后期井底压力和地层平均压力预测图版。
本发明第二方面提供一种海上稠油蒸汽吞吐中后期压力预测装置,包括:
第一处理单元,用于基于海上稠油蒸汽吞吐中后期的地质和开发数据,建立典型油藏数值模拟模型,在海上稠油油藏蒸汽吞吐中后期的地质参数、注采参数、井参数界限范围内选择一定量数据,并改变典型油藏数值模拟模型内的参数,模拟计算蒸汽吞吐中后期各周期不同时间下的井底压力和地层平均压力值;
第二处理单元,用于从井底压力和地层平均压力值内选择一定量数据,建立时间、注采参数、地质参数、井参数与井底压力和地层平均压力变化趋势样本;
第三处理单元,用于基于时间、注采参数、地质参数、井参数与井底压力和地层平均压力变化趋势样本,进行参数敏感性及相关性分析,排除相关性较小的参数,之后通过异常值剔除、数据检验、归一化过程,得到基于粒子群算法改进长短期记忆神经网络的海上稠油蒸汽吞吐中后期压力预测数据库;
第四处理单元,用于基于海上稠油蒸汽吞吐中后期压力预测数据库,建立基于粒子群算法改进长短期记忆神经网络的海上稠油蒸汽吞吐中后期压力预测模型,进而预测蒸汽吞吐中后期不同时间下井底压力和地层平均压力,得到预测结果,并利用典型油藏数值模拟模型模拟计算结果,以验证海上稠油蒸汽吞吐中后期压力预测模型的精度,得到预测结果与数值模拟计算结果对比图;
第五处理单元,用于基于海上稠油油藏蒸汽吞吐中后期压力预测模型,预测不同地质参数、注采参数和井参数下,井底压力和地层平均压力随时间的变化规律,形成海上稠油油藏蒸汽吞吐中后期井底压力和地层平均压力预测图版。
本发明第三方面提供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,所述计算机程序被处理器执行时实现上述海上稠油蒸汽吞吐中后期压力预测方法的步骤。
本发明第四方面提供一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现上述海上稠油蒸汽吞吐中后期压力预测方法的步骤。
本发明是根据具体实施方式的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解为可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
最后应说明的是:以上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的精神和范围。
Claims (10)
1.一种海上稠油蒸汽吞吐中后期压力预测方法,其特征在于,包括如下步骤:
步骤a:基于海上稠油蒸汽吞吐中后期的地质和开发数据,建立典型油藏数值模拟模型,在海上稠油油藏蒸汽吞吐中后期的地质参数、注采参数、井参数界限范围内选择一定量数据,并改变典型油藏数值模拟模型内的参数,模拟计算蒸汽吞吐中后期各周期不同时间下的井底压力和地层平均压力值;
步骤b:从井底压力和地层平均压力值内选择一定量数据,建立时间、注采参数、地质参数、井参数与井底压力和地层平均压力变化趋势样本;
步骤c:基于时间、注采参数、地质参数、井参数与井底压力和地层平均压力变化趋势样本,进行参数敏感性及相关性分析,排除相关性较小的参数,之后通过异常值剔除、数据检验、归一化过程,得到基于粒子群算法改进长短期记忆神经网络的海上稠油蒸汽吞吐中后期压力预测数据库;
步骤d:基于海上稠油蒸汽吞吐中后期压力预测数据库,建立基于粒子群算法改进长短期记忆神经网络的海上稠油蒸汽吞吐中后期压力预测模型,进而预测蒸汽吞吐中后期不同时间下井底压力和地层平均压力,得到预测结果,并利用典型油藏数值模拟模型模拟计算结果,以验证海上稠油蒸汽吞吐中后期压力预测模型的精度,得到预测结果与数值模拟计算结果对比图;
步骤e:基于海上稠油油藏蒸汽吞吐中后期压力预测模型,预测不同地质参数、注采参数和井参数下,井底压力和地层平均压力随时间的变化规律,形成海上稠油油藏蒸汽吞吐中后期井底压力和地层平均压力预测图版。
2.根据权利要求1所述的海上稠油蒸汽吞吐中后期压力预测方法,其特征在于,地质参数包括孔隙度、渗透率、含油饱和度、油藏温度;注采参数包括焖井时间、产液量、蒸汽干度、注汽速度、蒸汽温度、注入时间和注汽压力;井参数包括井型、井长和井距。
3.根据权利要求2所述的海上稠油蒸汽吞吐中后期压力预测方法,其特征在于,所述步骤c中相关性分析方法为相关系数法和灰色关联法,基于粒子群算法改进长短期记忆神经网络的海上稠油蒸汽吞吐中后期压力预测数据库总量不少于6000个,分别对时间及其对应的地质参数、注采参数、井参数进行归一化处理。
4.根据权利要求3所述的海上稠油蒸汽吞吐中后期压力预测方法,其特征在于,所述步骤d中建立基于粒子群算法改进长短期记忆神经网络的海上稠油蒸汽吞吐中后期压力预测模型,具体步骤如下:
d1将海上稠油蒸汽吞吐中后期压力预测数据库样本按比例划分为训练集与测试集,将经过归一化处理后的时间及其对应的地质参数、注采参数、井参数作为模型输入集,蒸汽吞吐中后期各周期不同时间下的井底压力和地层平均压力值作为模型输出集;
d2构建长短期记忆神经网络模型;
d3利用粒子群算法优化超参数;
d4基于粒子群算法改进长短期记忆神经网络的海上稠油蒸汽吞吐中后期压力预测模型精度验证:采用测试集中海上稠油蒸汽吞吐中后期压力预测数据作为验证样本,选择MAPE作为评价指标,当MAPE小于10%时,海上稠油蒸汽吞吐中后期压力预测模型精度满足要求。
5.根据权利要求4所述的海上稠油蒸汽吞吐中后期压力预测方法,其特征在于,所述步骤d2包括如下步骤:
d21初步构建海上稠油油藏的长短期记忆神经网络模型结构:长短期记忆神经网络模型包括输入层、隐藏层和输出层,其中,隐藏层层数为30~100、输入层和输出层各1层;
d22从双曲正切函数和S型生长曲线函数中选择长短期记忆神经网络模型的激活函数;
d23利用随机梯度下降法作为训练函数,使时间及其对应的地质参数、注采参数、井参数向误差函数梯度最小的方向改变,从而缩短计算时间;
d24初始化长短期记忆神经网络模型的超参数,迭代每经过学习率降低代数,学习率即进行一次更新;
d25数据样本前向传播:将模型输入集传播至隐藏层,隐藏层包括遗忘门、输入门、输出门及细胞状态;
d26数据样本反向传播:根据梯度最小化原则,利用随机梯度下降法进行数据样本反向传播训练,更新输入门、输出门、遗忘门对应的权值系数矩阵和偏置项,使损失函数最小;
d27建立长短期记忆神经网络模型训练过程评价指标:选择MAPE函数作为长短期记忆神经网络模型训练过程的评价指标。
6.根据权利要求5所述的海上稠油蒸汽吞吐中后期压力预测方法,其特征在于,所述步骤d3包括如下步骤:
d31初始化粒子群参数,粒子群参数包括:粒子群种群规模、迭代次数限制、迭代误差限制、惯性因子、学习因子以及不同粒子对应的随机速度和位置,将粒子的位置设为模型超参数值,粒子的速度设为模型超参数值变化幅度;
d32将MAPE作为粒子群算法的目标函数,基于长短期记忆神经网络的海上稠油蒸汽吞吐中后期压力预测模型的初始MAPE作为粒子群算法的初始全局最优值;
d33更新粒子群算法的速度、位置;
d35当粒子群达到最大迭代次数Tmax或者误差小于规定误差时,迭代停止,此时的全局最优值为新的最优误差,对应的各方向上粒子的位置即为预测模型超参数值。
7.根据权利要求1所述的海上稠油蒸汽吞吐中后期压力预测方法,其特征在于,所述步骤a利用典型油藏数值模拟方法模拟计算蒸汽吞吐周期数大于4,在地质参数、注采参数、井参数界限范围内选择数据量大于200个;
所述步骤b中蒸汽吞吐中后期各周期不同时间下的井底压力和地层平均压力数据不少于10个,总数不少于30个。
8.一种海上稠油蒸汽吞吐中后期压力预测装置,其特征在于,包括:
第一处理单元,用于基于海上稠油蒸汽吞吐中后期的地质和开发数据,建立典型油藏数值模拟模型,在海上稠油油藏蒸汽吞吐中后期的地质参数、注采参数、井参数界限范围内选择一定量数据,并改变典型油藏数值模拟模型内的参数,模拟计算蒸汽吞吐中后期各周期不同时间下的井底压力和地层平均压力值;
第二处理单元,用于从井底压力和地层平均压力值内选择一定量数据,建立时间、注采参数、地质参数、井参数与井底压力和地层平均压力变化趋势样本;
第三处理单元,用于基于时间、注采参数、地质参数、井参数与井底压力和地层平均压力变化趋势样本,进行参数敏感性及相关性分析,排除相关性较小的参数,之后通过异常值剔除、数据检验、归一化过程,得到基于粒子群算法改进长短期记忆神经网络的海上稠油蒸汽吞吐中后期压力预测数据库;
第四处理单元,用于基于海上稠油蒸汽吞吐中后期压力预测数据库,建立基于粒子群算法改进长短期记忆神经网络的海上稠油蒸汽吞吐中后期压力预测模型,进而预测蒸汽吞吐中后期不同时间下井底压力和地层平均压力,得到预测结果,并利用典型油藏数值模拟模型模拟计算结果,以验证海上稠油蒸汽吞吐中后期压力预测模型的精度,得到预测结果与数值模拟计算结果对比图;
第五处理单元,用于基于海上稠油油藏蒸汽吞吐中后期压力预测模型,预测不同地质参数、注采参数和井参数下,井底压力和地层平均压力随时间的变化规律,形成海上稠油油藏蒸汽吞吐中后期井底压力和地层平均压力预测图版。
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,所述计算机程序被处理器执行时实现权利要求1-7任意一项所述海上稠油蒸汽吞吐中后期压力预测方法的步骤。
10.一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1-7任意一项所述海上稠油蒸汽吞吐中后期压力预测方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211444501.XA CN115758608A (zh) | 2022-11-18 | 2022-11-18 | 海上稠油蒸汽吞吐中后期压力预测方法、装置及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211444501.XA CN115758608A (zh) | 2022-11-18 | 2022-11-18 | 海上稠油蒸汽吞吐中后期压力预测方法、装置及介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115758608A true CN115758608A (zh) | 2023-03-07 |
Family
ID=85373218
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211444501.XA Pending CN115758608A (zh) | 2022-11-18 | 2022-11-18 | 海上稠油蒸汽吞吐中后期压力预测方法、装置及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115758608A (zh) |
-
2022
- 2022-11-18 CN CN202211444501.XA patent/CN115758608A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
AU2007211294B2 (en) | Methods, systems, and computer-readable media for real-time oil and gas field production optimization using a proxy simulator | |
US7254564B2 (en) | Neural network based predication and optimization for groundwater/surface water system | |
EP1984860B1 (en) | Methods, systems, and computer-readable media for fast updating of oil and gas field production models with physical and proxy simulators | |
US8504341B2 (en) | Methods, systems, and computer readable media for fast updating of oil and gas field production models with physical and proxy simulators | |
CN112733443B (zh) | 一种基于虚拟监测点的供水管网模型参数优化校核方法 | |
CN112364560A (zh) | 矿山凿岩装备作业工时智能预测方法 | |
CN113722997A (zh) | 一种基于静态油气田数据的新井动态产量预测方法 | |
CN112541256A (zh) | 基于深度学习降维重构的强非均质油藏历史拟合方法 | |
CN115982141A (zh) | 一种针对时序数据预测的特征优化方法 | |
CN111751878A (zh) | 横波速度的预测方法和装置 | |
CN115758608A (zh) | 海上稠油蒸汽吞吐中后期压力预测方法、装置及介质 | |
US11513255B2 (en) | Method of characterising a subsurface volume | |
Gudmundsdottir et al. | Inferring interwell connectivity in fractured geothermal reservoirs using neural networks | |
CN115564136A (zh) | 一种地热历史拟合和产能预测方法 | |
Maiorov et al. | Solving problems of the oil and gas sector using machine learning algorithms. | |
CN117522173B (zh) | 基于深度神经网络的天然气水合物降压开采产能预测方法 | |
CN116911216B (zh) | 一种储层油井产能因素评估与预测方法 | |
Cheng et al. | Deep learning-based prediction of subsurface oil reservoir pressure using spatio-temporal data | |
Na et al. | Optimization of Logging Interpretation Parameters Based on Committee Machine | |
CN117272038A (zh) | 一种油藏开发动态表征方法、装置和相关设备 | |
CN117875154A (zh) | 一种陆域天然气水合物产能预测方法、系统和电子设备 | |
Fu | Reservoir Development Geologic Modeling and Residual Oil Prediction Research | |
CN115470887A (zh) | 一种基于kpca-poa-lstm模型的煤矿掘进工作面瓦斯涌出量预测方法 | |
CN116957353A (zh) | 一种基于tpe-lstm模型预测低渗透油井产能的方法 | |
CN117436160A (zh) | 面向大坝变形的多点监测互验拟合方法、装置及存储介质 |
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 |