CN115860197A - 一种基于数据驱动的煤层气产量预测方法及系统 - Google Patents

Abstract

本发明涉及一种基于数据驱动的煤层气产量预测方法及系统，首先获取待预测生产井的煤层气动态产量历史数据以及待预测生产井的煤层气产量预测相关数据；根据所述煤层气动态产量历史数据，确定所述待预测生产井所属的生产井类型；然后选取与所述生产井类型对应的训练好的煤层气产量预测模型为目标模型；最后将所述待预测生产井的煤层气产量预测相关数据输入所述目标模型，获得待预测生产井的产量数据。本发明通过获取煤层气开采现场最容易获取的也是最有价值的监测数据，根据该部分数据，并利用机器学习方法训练的产量预测模型来计算煤层气产量，减小了数据获取时间，提高了煤层气产量预测速度。

Description

一种基于数据驱动的煤层气产量预测方法及系统

技术领域

本发明涉及油气田开发领域，特别是涉及一种基于数据驱动的煤层气产量预测方法及系统。

背景技术

当前，世界能源消费格局正在从以传统化石能源为代表的煤炭、石油向以清洁能源为代表的天然气转变。煤层气作为清洁能源的重要组成部分，具有丰富的储量以及广阔的开发前景，对全球可持续发展和自然环境保护具有战略意义。在非常规油气资源的长期开发过程中，对产量的精准预测是评估油藏开发、优化生产措施、调整注采方案、制定二次开发策略的基础，直接影响储层开发的经济性、高效性和可持续性。然而，由于其独特的吸附-解吸规律以及复杂的流动传输机理，使得煤层气的产量预测更具挑战性。

传统的基于物理驱动的方法主要包括了递减曲线分析以及数值模拟，递减曲线分析无法适应复杂的地质构造以及多场耦合，表现出了过于理想化的预测结果。数值模拟的地质建模需要依赖地质参数和流体数据，这些数据往往需要消耗大量的时间和资源去获取，而且数值模拟技术需要根据专家经验通过大量的调参来进行历史拟合。因此，目前传统数值模拟技术以及递减曲线分析法无法快速、准确的预测煤层气藏产量。

发明内容

本发明的目的是提供一种基于数据驱动的煤层气产量预测方法及系统，基于煤层气采集现场最容易获取也是最有价值的监测数据，通过机器学习手段建立自主学习模型，可以自动捕获并学习数据中的隐含特征，进而更加快速和精准预测煤层气产量。

为实现上述目的，本发明提供了如下方案：

一种基于数据驱动的煤层气产量预测方法，包括：

获取待预测生产井的煤层气动态产量历史数据以及待预测生产井的煤层气产量预测相关数据；所述煤层气产量预测相关数据包括动态相关历史数据和静态相关数据；所述动态相关历史数据包括历史井底流压、历史产气量、历史产水量、历史油压、历史管压、历史动液面、累产油量以及累产水量；所述静态相关数据包括压裂后的渗透率、原始含气量、地应力以及储层厚度；

根据所述煤层气动态产量历史数据，确定所述待预测生产井所属的生产井类型；所述生产井类型包括：常规生产井、单峰生产井、双峰生产井以及无规则生产井；所述常规生产井为产量依次经历增产期、稳产期和减产期三个阶段的生产井；所述单峰生产井为稳产期时间小于设定阈值或稳产期时间为零的生产井；所述双峰生产井为包含两个增产期和两个减产器，且稳产期时间小于设定阈值或稳产期时间为零的生产井；所述无规则生产井为不属于所述常规生产井、所述单峰生产井和所述双峰生产井的生产井；

选取与所述生产井类型对应的训练好的煤层气产量预测模型为目标模型；所述训练好的煤层气产量预测模型为以样本生产井的煤层气产量预测相关数据为输入，以样本生产井的煤层气实际产量数据为标签训练得到的模型；所述训练好的煤层气产量预测模型采用双向长短时记忆网络模型；

将所述待预测生产井的煤层气产量预测相关数据输入所述目标模型，获得待预测生产井的产量数据；所述产量数据包括井底流压、产气量和产水量。

可选的，所述选取与所述生产井类型对应的训练好的煤层气产量预测模型为目标模型之前，所述方法还包括对所述煤层气产量预测模型进行训练，训练过程如下：

获取样本生产井的煤层气产量预测相关数据以及样本生产井的煤层气实际产量数据；所述样本生产井中包含所述常规生产井、所述单峰生产井、所述双峰生产井以及所述无规则生产井；

针对每一生产井类型的样本生产井，以所述样本生产井的煤层气产量预测相关数据为输入，以所述样本生产井的煤层气实际产量数据为标签，对所述煤层气产量预测模型进行训练，得到所述生产井类型对应的训练好的煤层气产量预测模型。

可选的，所述训练过程的损失函数为：

L_tol＝μLs+τLd

其中，L_tol为总损失；L_d和L_s分别表示动态损失和静态损失；μ和τ分别表示静态损失和动态损失的系数，μ+τ＝1；

动态损失为：

其中，Net代表双向长短时记忆网络通过链式求导法则和反向传播算法计算过程；Net_Pw为基于煤层气产量预测模型预测的井底流压；Net_Qg为基于煤层气产量预测模型预测的产气量；Net_Qw为基于煤层气产量预测模型预测的产水量；N为总样本数量；R_Pw表示真实的井底流压值；R_Qg表示真实的产气量值；R_Qw表示真实的产水量值；

静态损失为：

其中，K为压裂后的渗透率；Gc为原始含气量；Gs为地应力；Rt为储层厚度。

可选的，所述获取样本生产井的煤层气产量预测相关数据以及样本生产井的煤层气实际产量数据之前，所述方法还包括选取样本生产井，选取方法如下：

利用评估参数对待选样本生产井的开发状态进行评估，获得评估结果；所述评估参数包括开发时间、生产能力以及有效时间占比；

选取评估结果符合预设条件的待选样本生产井为目标样本生产井。

通过上述方法可以去除生产状况较差的生产井，进而去除生产状况较差生产井对应的质量较差的数据，能够提高模型的预测精度。

可选的，所述获取样本生产井的煤层气产量预测相关数据以及样本生产井的煤层气实际产量数据之后，所述方法还包括：对所述样本数据进行预处理；所述样本数据包括所述样本生产井的煤层气产量预测相关数据以及样本生产井的煤层气实际产量数据。

可选的，所述对所述样本数据进行预处理包括：

检测所述样本数据中的异常值；

将所述异常值从所述样本数据中删除。

通过检测并删除样本数据中的异常值，能够提高样本数据的质量，进而提高产量预测模型的预测精度。

可选的，所述对所述样本数据进行预处理还包括将所述样本数据中的缺失值进行补全：

确定所述样本数据中的缺失段数据；所述缺失段数据包括产气量和产水量；

获取所述缺失段数据对应的缺失段补全相关数据；所述缺失段补全相关数据用于计算缺失段数据；所述缺失段补全相关数据包括井底流压、油压、管压和动液面；

将所述缺失段补全相关数据输入训练好的补全模型中，获得所述缺失段数据对应的数值；所述训练好的补全模型是以正常数据中的井底流压、油压、管压和动液面为输入，以正常数据中的产气量和产水量为标签训练得到的模型。

本发明还提供了一种基于数据驱动的煤层气产量预测系统，包括：

待预测生产井的数据获取模块，用于获取待预测生产井的煤层气动态产量历史数据以及待预测生产井的煤层气产量预测相关数据；所述煤层气产量预测相关数据包括动态相关历史数据和静态相关数据；所述动态相关历史数据包括历史井底流压、历史产气量、历史产水量、历史油压、历史管压、历史动液面、累产油量以及累产水量；所述静态相关数据包括压裂后的渗透率、原始含气量、地应力以及储层厚度；

待预测生产井类型确定模块，用于根据所述煤层气动态产量历史数据，确定所述待预测生产井所属的生产井类型；所述生产井类型包括：常规生产井、单峰生产井、双峰生产井以及无规则生产井；所述常规生产井为产量依次经历增产期、稳产期和减产期三个阶段的生产井；所述单峰生产井为稳产期时间小于设定阈值或稳产期时间为零的生产井；所述双峰生产井为包含两个增产期和两个减产器，且稳产期时间小于设定阈值或稳产期时间为零的生产井；所述无规则生产井为不属于所述常规生产井、所述单峰生产井和所述双峰生产井的生产井；

目标模型选取模块，用于选取与所述生产井类型对应的训练好的煤层气产量预测模型为目标模型；所述训练好的煤层气产量预测模型为以样本生产井的煤层气产量预测相关数据为输入，以样本生产井的煤层气实际产量数据为标签训练得到的模型；所述训练好的煤层气产量预测模型采用双向长短时记忆网络模型；

产量数据预测模块，用于将所述待预测生产井的煤层气产量预测相关数据输入所述目标模型，获得待预测生产井的产量数据；所述产量数据包括井底流压、产气量和产水量。

可选的，所述系统还包括：训练模块，用于在所述选取与所述生产井类型对应的训练好的煤层气产量预测模型为目标模型之前，对所述煤层气产量预测模型进行训练；

所述训练模块具体包括：

样本生产井数据获取子模块，用于获取样本生产井的煤层气产量预测相关数据以及样本生产井的煤层气实际产量数据；所述样本生产井中包含所述常规生产井、所述单峰生产井、所述双峰生产井以及所述无规则生产井；

产量预测模型训练子模块，用于针对每一生产井类型的样本生产井，以所述样本生产井的煤层气产量预测相关数据为输入，以所述样本生产井的煤层气实际产量数据为标签，从正反两个方向对所述煤层气产量预测模型进行训练，得到训练好的煤层气产量预测模型。

可选的，所述训练模块还包括：

样本生产井选取子模块，用于在所述获取样本生产井的煤层气产量预测相关数据以及样本生产井的煤层气实际产量数据之前，利用评估参数对待选样本生产井的开发状态进行评估，获得评估结果；所述评估参数包括开发时间、生产能力以及有效时间占比；选取评估结果符合预设条件的待选样本生产井为目标样本生产井。

根据本发明提供的具体实施例，本发明公开了以下技术效果：

本发明提供了一种基于数据驱动的煤层气产量预测方法及系统，首先获取待预测生产井的煤层气动态产量历史数据以及待预测生产井的煤层气产量预测相关数据；根据所述煤层气动态产量历史数据，确定所述待预测生产井所属的生产井类型；其中，所述生产井类型包括：常规生产井、单峰生产井、双峰生产井以及无规则生产井；然后选取与所述生产井类型对应的训练好的煤层气产量预测模型为目标模型；最后将所述待预测生产井的煤层气产量预测相关数据输入所述目标模型，获得待预测生产井的产量数据。本发明通过获取煤层气开采现场最容易获取的也是最有价值的监测数据，根据该部分数据，并利用机器学习方法训练的产量预测模型来计算煤层气产量，减小了数据获取时间，提高了煤层气产量预测速度。而且，本发明使用训练好的产量预测模型进行煤层气产量预测，由于该模型能够自动捕获并学习数据中的隐含特征，从提高煤层气产量预测的精度。而且，本发明针对每一类型的生产井均对应一个训练好的产量预测模型，进行生产井的煤层气产量预测时，选取与该生产井所属类型对应的产量预测模型进行预测，进一步提高了产量预测精度。

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为本发明实施例1提供的基于数据驱动的煤层气产量预测方法流程图；

图2为本发明实施例1提供的四种煤层气生产曲线类型示意图；

图3为本发明实施例1提供的动态数据异常值检测效果图；

图4为本发明实施例1提供的智能数据补全模型构建流程图；

图5为本发明实施例1提供的煤层气藏动态监测数据的数据立方体示意图；

图6为本发明实施例1提供的考虑了动静态损失的基于双向长短时记忆网络的煤层气产量智能预测方法流程图；

图7为本发明实施例1提供的煤层气产气量预测效果图；

图8为本发明实施例1提供的数据治理对产量预测模型长短期预测的影响。

具体实施方式

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。

本发明的目的是提供一种基于数据驱动的煤层气产量预测方法及系统，基于煤层气采集现场最容易获取也是最有价值的监测数据，通过机器学习手段建立自主学习模型，可以自动捕获并学习数据中的隐含特征，进而更加快速和精准预测煤层气产量。

本发明针对目前传统数值模拟技术以及递减曲线分析法无法快速准确的预测煤层气藏产量问题，创新性的提出了一种融合了数据治理的基于数据驱动的煤层气产量预测方法。该方法涵盖了生产井开发状况初步评估、定义了煤层气生产曲线的模式、建立了基于物理指导的动态数据异常检测和智能补全方法、以及开发了考虑了动静态损失的基于双向长短时记忆网络的煤层气产量智能预测算法。所设计的产量预测体系可以用于应对复杂地质条件，具有预测速度快、效率高、鲁棒性强等优势。除此之外，所建立的数据治理体系可以提高数据质量，提高短期预测精度以及长期预测的鲁棒性。

为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。

实施例1

本实施例提供一种基于数据驱动的煤层气产量预测方法，请参阅图1，包括：

S1、获取待预测生产井的煤层气动态产量历史数据以及待预测生产井的煤层气产量预测相关数据。所述煤层气产量预测相关数据包括动态相关历史数据和静态相关数据；所述动态相关历史数据包括历史井底流压、历史产气量、历史产水量、历史油压、历史管压、历史动液面、累产油量以及累产水量；所述静态相关数据包括压裂后的渗透率、原始含气量、地应力以及储层厚度。

S2、根据所述煤层气动态产量历史数据，确定所述待预测生产井所属的生产井类型。所述生产井类型包括：常规生产井、单峰生产井、双峰生产井以及无规则生产井；所述常规生产井为产量依次经历增产期、稳产期和减产期三个阶段的生产井；所述单峰生产井为稳产期时间小于设定阈值或稳产期时间为零的生产井；所述双峰生产井为包含两个增产期和两个减产器，且稳产期时间小于设定阈值或稳产期时间为零的生产井；所述无规则生产井为不属于所述常规生产井、所述单峰生产井和所述双峰生产井的生产井。

S3、选取与所述生产井类型对应的训练好的煤层气产量预测模型为目标模型。所述训练好的煤层气产量预测模型为以样本生产井的煤层气产量预测相关数据为输入，以样本生产井的煤层气实际产量数据为标签训练得到的模型；所述训练好的煤层气产量预测模型采用双向长短时记忆网络模型。

S4、将所述待预测生产井的煤层气产量预测相关数据输入所述目标模型，获得待预测生产井的产量数据。所述产量数据包括井底流压、产气量和产水量。

作为一种可选的实施方式，所述选取与所述生产井类型对应的训练好的煤层气产量预测模型为目标模型之前，所述方法还包括：S0、对所述煤层气产量预测模型进行训练，训练过程如下：

S01、获取样本生产井的煤层气产量预测相关数据以及样本生产井的煤层气实际产量数据；所述样本生产井中包含所述常规生产井、所述单峰生产井、所述双峰生产井以及所述无规则生产井。

本实施例中，需要针对每一种类型的生产井训练一个煤层气产量预测模型，因此，所选的样本生产井需包含每一类型的生产井。

S02、针对每一生产井类型的样本生产井，以所述样本生产井的煤层气产量预测相关数据为输入，以所述样本生产井的煤层气实际产量数据为标签，对所述煤层气产量预测模型进行训练，得到所述生产井类型对应的训练好的煤层气产量预测模型。

作为一种可选的实施方式，所述在所述获取样本生产井的煤层气产量预测相关数据以及样本生产井的煤层气实际产量数据之前，所述方法还包括选取样本生产井，选取方法如下：

利用评估参数对待选样本生产井的开发状态进行评估，获得评估结果；所述评估参数包括开发时间、生产能力以及有效时间占比。

选取评估结果符合预设条件的所述待选样本生产井为目标样本生产井。

需要说明的是，在对煤层气产量预测模型进行训练之前，首先需要选取样本数据，样本数据基于样本生产井获取，因此，本实施例首先需要获取部分生产状况较好的生产井作为目标生产井，进而获取目标生产井的样本数据进行模型训练。

由于煤层气藏各个生产井的生产状况差异性较大，对于生产状况较差的井而言，油田现场对于此类井的关注度较低，而且这些井所提供的数据质量较差，因此需要根据专家经验，建立开发状态评估方法，本实施例从开发时间(T)、生产能力(PA)以及有效时间占比(ER)三方面来评估该井的开发状况，对于任意一口生产井需要满足以下方程：

其中，SI为开关井状态(0为关井，1为开井)，q_g为日产气量。基于上述的约束条件将生产状况较差的井筛选出来，保留生产能力较好的井。本次实验共计收集到了1520口井，通过上述方法筛选出满足条件的798口生产井。

需要注意的是，上述有效时间占比大于等于0.2是经过试验计算出的较佳数值，也可以根据实际情况将0.2替换为其他数值，天数90以及生产能力100立方米同理。本实施例并不对具体数值进行限定。

获取目标样本生产井之后，将目标样本生产井划分为四种类型，每一类型样本生产井的数据用于训练该类型对应的煤层气产量预测模型。

煤层气生产曲线模式大致可分为I、II、III、IV四种类型(具体请参阅图2)，一种生产曲线对应上述一种类型的生产井。I类模式代表了煤层气最常见的产量形态，经历了增产、稳产以及减产三个阶段。与I类曲线模式不同的是，在II类曲线模式中稳产期表现的很短，甚至没有稳产期。这主要是由于储层渗透率低以及排水方案不合理导致了供气能力弱。III类曲线形态的明显特征为具有两个峰值，这主要是由于煤层气储层裂缝中游离气的饱和度较高，在早期的排水阶段会随着水一起排出，使得产量快速上升。当游离气排出后，产量下降，从而形成了第一个峰值。接着，煤层气储层中吸附气开始解吸，导致产量又出现了上升，形成了第二个峰值。IV类曲线表征了无规则产量模式，这是由于储层开发过程中，排水体系、储层地质以及压裂措施等相互作用导致了产量呈现了复杂的无规则模式。相对于其他的3个曲线类型，IV类曲线的产量整体上相对较低。本次实验中共计收集到了782口井的动态数据，其中I、II、III和IV类曲线的数量分别为252、222、159和149。

获取目标样本生产井之后，需要获取每一目标样本生产井的数据，即样本数据。样本数据包括样本生产井的煤层气产量预测相关数据以及样本生产井的煤层气实际产量数据。其中，样本生产井的煤层气产量预测相关数据包括样本生产井的包括动态相关历史数据和静态相关数据；所述动态相关历史数据包括历史井底流压、历史产气量、历史产水量、历史油压、历史管压、历史动液面、累产油量以及累产水量；所述静态相关数据包括压裂后的渗透率、原始含气量、地应力以及储层厚度。

需要说明的是，由于样本数据中包含产量预测模型的输入数据和模型训练的标签数据，其中，作为模型输入的动态相关历史数据可以是样本井上一个月每一天的井底流压、产气量、产水量、油压、管压、动液面，以及上一个月的累产油量以及累产水量。模型的标签为输入数据对应月份的下一个月的井底流压、产气量和产水量。原理为利用静态数据和样本井之前的动态相关历史数据，预测之后的煤层气产量。其中，每一生产井的静态数据不变。

获取样本数据之后，还需要对样本数据进行进一步处理，以提高产量预测模型的预测精度。

作为一种可选的实施方式，所述获取样本生产井的煤层气产量预测相关数据以及样本生产井的煤层气实际产量数据之后，所述方法还包括：对所述样本数据进行预处理；所述样本数据包括所述样本生产井的煤层气产量预测相关数据以及样本生产井的煤层气实际产量数据。

在一些实施例中，所述对所述样本数据进行预处理包括：

检测所述样本数据中的异常值；

将所述异常值从所述样本数据中删除。

对样本数据的异常值进行检测并去除的具体方法可采用下述方式进行：

利用产气量(Qg)、产水量(Qw)、井底流压(Pw)建立三维坐标系，依据生产井开发的天数将单井动态数据映射到三维坐标系中。首先依据距离公式计算任意两点(p,o)之间的距离，公式为：

o点与其第k个最近点之间的距离被定义为d_k，所有满足p到o的距离不超过d_k的点的集合被定义为N_k(o)，公式为：

N_k(o)＝{p∈Z|d(p[，o)≤d_k}

其中，Z为单井在三维坐标系中的所有映射点集合。本次实验中，根据专家经验考虑到了异常值的波动范围，k＝15。然后，确定每个点p到o的绝对距离，绝对距离的公式为：

Ad_k(p，o)＝max{d_k，d(p，o)}

该点的密集性(I)以及异常度(Abd)可以表达为：

通过上述方法计算所有点的异常度，按照从大到小的顺序进行排列，异常度越大说明该点是异常值的可能性越高，利用专家经验确定生产井数据的污染程度(ct)，即该井收集到的数据中被污染的比例，因此数据被污染的数量可以通过ct*T来确定，进而根据异常度来筛选出被污染的数据，将筛选出的异常值删除。如图3所示，从左图可以看到实际的产气量曲线中有明显的异常值，右图为基于上述方法进行的异常值检测得到的结果。

作为一种可选的实施方式，所述对所述样本数据进行预处理还包括将所述样本数据中的缺失值进行补全：

确定所述样本数据中的缺失段数据；所述缺失段数据包括产气量和产水量。

获取所述缺失段数据对应的缺失段补全相关数据；所述缺失段补全相关数据用于计算缺失段数据；所述缺失段补全相关数据包括井底流压、油压、管压和动液面。

将所述缺失段补全相关数据输入训练好的补全模型中，获得所述缺失段数据对应的数值；所述训练好的补全模型是以正常数据中的井底流压、油压、管压和动液面为输入，以正常数据中的产气量和产水量为标签训练得到的模型。

利用异常值检测可以检测出来各个生产井中动态数据中一些变量的异常值，除此之外，每个井的产量曲线还存在一些由于人为因素或者环境因素导致的数据缺失问题，如图4所示构建了智能数据补全模型。其核心思想是利用单井的正常数据中各个变量之间的关系，通过极限学习机(Xgboost)构建智能补全模型，模型的输入的动态参数包括井底流压(Pw)、油压(Po)、管压(Pc)、动液面(D_l)，模型的输出为产气量(Qg)、产水量(Qw)。基于正常数据中各个变量的关系来训练智能学习模型，当模型训练完毕后可以得到最优模型。然后，根据缺失及异常数据中井底流压(Pw)、油压(Po)、管压(Pc)、动液面(D_l)为输入，通过智能补全预测出来产气量(Qg)、产水量(Qw)，进而可以补全单井中缺失产气量和产水量。

为了降低计算消耗，本实施例在进行产量预测模型训练之前，还可形成针对煤层气藏动态监测数据的数据立方体。如图5所示，每一个煤层气藏的生产井而言，其动态监测数据是一个二维数组，横向(x₁～x₈)表示了该井动态参数包括了井底流压(Pw)、产气量(Qg)、产水量(Qw)、油压(Po)、管压(Pc)、动液面(D_l)、累产油量(Co)以及累产水量(Cw)共计8个变量。纵向表示了开发的时间(T)。每个生产井都可以形成相应的样本数据集，其中的每个样本是通过两个数据提取窗口(输入窗口W_I和输出窗口W_O)在相应的数据集上遍历产生的。输入窗口(W_I)的大小为w1×8，w1为输入窗口的时间长度，8为上述的特征参数的数量。输出窗口(W_O)的大小为w2×3，w2为输出窗口的时间长度，3表示要预测的输出变量个数，分别为井底流压(Pw)、产气量(Qg)、产水量(Qw)。输入窗口以及输出窗口按照步长为1的大小沿着纵向的时间轴遍历整个数据集，从而形成相应生产井的动态输入集(Xd)和输出集(Y)。除了上述的动态监测数据，本发明针对每口生产井还构建了静态输入集(Xs)，静态数据集中的参数包括了压裂后的渗透率(K)、原始含气量(Gc)、地应力(Gs)、储层厚度(Rt)。在本次实验中，基于所有的782口生产井构成的数据集为D(D被定义为D＝[Xd+Xs]+Y)，基于不同的曲线模式分别构造了4个数据集分别为D1,D2,D3以及D4，值得注意的是在这些数据集中每个都是由一个输入集(动态输入集Xd和静态输入集Xs)和一个输出集(Y)组成。

本实施例中的煤层气产量预测模型采用考虑了动、静态损失的基于双向长短时记忆网络的预测模型。如图6所示，煤层气产量预测模型可以被划分为4部分，第1个部分为输入，是由动态相关历史数据和静态相关数据构成，动态相关历史数据包括了井底流压(Pw)、产气量(Qg)、产水量(Qw)、油压(Po)、管压(Pc)、动液面(D_l)、累产油量(Co)以及累产水量(Cw)；静态相关数据包括压裂后的渗透率(K)、原始含气量(Gc)、地应力(Gs)、储层厚度(Rt)。第2部分是由双向的长短时记忆网络(Bi-LSTM)构成，该网络包含了向前传播和向后传播两个方向，向前传播层和向后传播层都是由32个长短是记忆单元(LSTM)组成，σ为激活函数sigmoid。第3部分是输出，由3个神经元构建，分别表示预测的井底流压(Pw)、产气量(Qg)、产水量(Qw)。最后一部分是物理指导层，包含了动态损失和静态损失。

可选的，所述产量预测模型训练过程的损失函数为：

L_tol＝μLs+τLd

其中，L_tol为总损失；L_d和L_s分别表示动态损失和静态损失；μ和τ分别表示静态损失和动态损失的系数，μ+τ＝1；在本次实验中，通过多次试验测得μ和τ的值分别为0.72和0.28时，模型的精度最高。

动态损失为：

其中，Net代表双向长短时记忆网络通过链式求导法则和反向传播算法计算过程；Net_Pw为基于煤层气产量预测模型预测的井底流压；Net_Qg为基于煤层气产量预测模型预测的产气量；Net_Qw为基于煤层气产量预测模型预测的产水量；R_Pw表示真实的井底流压值；R_Qg表示真实的产气量值；R_Qw表示真实的产水量值；N为总样本数量；值得注意的是，针对不同的数据集，如D、D1、D2、D3以及D4，样本总数N也是不同的。

静态损失为：

其中，K为压裂后的渗透率；Gc为原始含气量；Gs为地应力；Rt为储层厚度。

本实施例构建了D1、D2、D3以及D4四类数据集，分别表示4种曲线类型。在每个数据集中，依据总的样本数量按照9：1的比例将数据集划分为训练集和测试集，即训练集数量为总样本数的9/10，测试集的数量为总样本数的1/10。基于Bi-LSTM开发的煤层气产量预测智能模型内部核心包含了权值矩阵W以及阈值矩阵B，首先初始化W和B并将训练集的输入数据导入到模型中，基于权值矩阵W以及阈值矩阵B可以得到模型的预测结果，包括了井底流压(Pw)、产气量(Qg)、产水量(Qw)，基于自定义的损失函数L_tol可以计算出在当前权值矩阵W以及阈值矩阵B时模型的误差。接着，通过反向传播算法根据误差值来更新W和B，使得损失函数的值逐步降低。不断重复上述过程直至损失函数的值趋于稳定不在下降时，模型训练终止。最后，利用测试集对训练后模型的精度进行检验，通过决定系数(R²)、平均绝对误差(MAE)以及均方根误差(RMSE)三个统计学指标来验证其鲁棒性。如图7所示，明显可以看到基于本次发明的产量预测方法预测的结果(Bi-LSTM)和实际的产气量具有很高的拟合度，表现出了令人满意的预测精度，而且与常规的长短时记忆网络(LSTM)方法相比具有更好的预测性能。图8给出了数据治理对于煤层气产量预测模型的影响，可以看到对于未来短期预测而言(1-5个月)，治理后的数据可以提高模型的预测精度，更重要的是，对于长期预测而言，治理后的数据可以明显增强模型的鲁棒性。

本发明有益的技术效果在于：

1、本发明设计了一种融合了数据治理的基于数据驱动的煤层气产量预测框架，可以对煤层气藏产量进行精准高效的预测。

2、本发明提出了一种生产井开发状况评估方法，可以快速有效的评估煤层气藏生产井的开发情况，有利于数据质量的提升。

3、本发明定义了煤层气藏生产井的4类生产曲线模式，针对不同的储层地质条件和开采措施将曲线模式分为4类，可以有效的提升预测精度。

4、本发明建立了一套完善的基于物理指导的煤层气藏数据治理体系，可以自动化智能化的进行动态数据的异常值检测和缺失值补全，提高数据质量，有利于提升模型在短期和长期预测时的性能。

5、本发明开发了考虑了动静态损失的基于双向长短时记忆网络的煤层气产量智能预测方法，将动态损失和静态损失相结合指导双向长短时记忆网络的训练，并且网络中的双向传递机制可以更好的捕获数据特征，提升预测精度。

实施例2

本实施例提供一种基于数据驱动的煤层气产量预测系统，包括：

待预测生产井的数据获取模块，用于获取待预测生产井的煤层气动态产量历史数据以及待预测生产井的煤层气产量预测相关数据；所述煤层气产量预测相关数据包括动态相关历史数据和静态相关数据；所述动态相关历史数据包括历史井底流压、历史产气量、历史产水量、历史油压、历史管压、历史动液面、累产油量以及累产水量；所述静态相关数据包括压裂后的渗透率、原始含气量、地应力以及储层厚度；

待预测生产井类型确定模块，用于根据所述煤层气动态产量历史数据，确定所述待预测生产井所属的生产井类型；所述生产井类型包括：常规生产井、单峰生产井、双峰生产井以及无规则生产井；所述常规生产井为产量依次经历增产期、稳产期和减产期三个阶段的生产井；所述单峰生产井为稳产期时间小于设定阈值或稳产期时间为零的生产井；所述双峰生产井为包含两个增产期和两个减产器，且稳产期时间小于设定阈值或稳产期时间为零的生产井；所述无规则生产井为不属于所述常规生产井、所述单峰生产井和所述双峰生产井的生产井；

目标模型选取模块，用于选取与所述生产井类型对应的训练好的煤层气产量预测模型为目标模型；所述训练好的煤层气产量预测模型为以样本生产井的煤层气产量预测相关数据为输入，以样本生产井的煤层气实际产量数据为标签训练得到的模型；所述训练好的煤层气产量预测模型采用双向长短时记忆网络模型；

产量数据预测模块，用于将所述待预测生产井的煤层气产量预测相关数据输入所述目标模型，获得待预测生产井的产量数据；所述产量数据包括井底流压、产气量和产水量。

作为一种可选的实施方式，所述系统还包括：训练模块，用于在所述选取与所述生产井类型对应的训练好的煤层气产量预测模型为目标模型之前，对所述煤层气产量预测模型进行训练；

所述训练模块具体包括：

样本生产井数据获取子模块，用于获取样本生产井的煤层气产量预测相关数据以及样本生产井的煤层气实际产量数据；所述样本生产井中包含所述常规生产井、所述单峰生产井、所述双峰生产井以及所述无规则生产井；

产量预测模型训练子模块，用于针对每一生产井类型的样本生产井，以所述样本生产井的煤层气产量预测相关数据为输入，以所述样本生产井的煤层气实际产量数据为标签，从正反两个方向对所述煤层气产量预测模型进行训练，得到训练好的煤层气产量预测模型。

作为一种可选的实施方式，所述训练模块还包括：

样本生产井选取子模块，用于在所述获取样本生产井的煤层气产量预测相关数据以及样本生产井的煤层气实际产量数据之前，利用评估参数对待选样本生产井的开发状态进行评估，获得评估结果；所述评估参数包括开发时间、生产能力以及有效时间占比；选取评估结果符合预设条件的待选样本生产井为目标样本生产井。

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他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的系统而言，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。

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)

1.一种基于数据驱动的煤层气产量预测方法，其特征在于，包括：

获取待预测生产井的煤层气动态产量历史数据以及待预测生产井的煤层气产量预测相关数据；所述煤层气产量预测相关数据包括动态相关历史数据和静态相关数据；所述动态相关历史数据包括历史井底流压、历史产气量、历史产水量、历史油压、历史管压、历史动液面、累产油量以及累产水量；所述静态相关数据包括压裂后的渗透率、原始含气量、地应力以及储层厚度；

根据所述煤层气动态产量历史数据，确定所述待预测生产井所属的生产井类型；所述生产井类型包括：常规生产井、单峰生产井、双峰生产井以及无规则生产井；所述常规生产井为产量依次经历增产期、稳产期和减产期三个阶段的生产井；所述单峰生产井为稳产期时间小于设定阈值或稳产期时间为零的生产井；所述双峰生产井为包含两个增产期和两个减产器，且稳产期时间小于设定阈值或稳产期时间为零的生产井；所述无规则生产井为不属于所述常规生产井、所述单峰生产井和所述双峰生产井的生产井；

选取与所述生产井类型对应的训练好的煤层气产量预测模型为目标模型；所述训练好的煤层气产量预测模型为以样本生产井的煤层气产量预测相关数据为输入，以样本生产井的煤层气实际产量数据为标签训练得到的模型；所述训练好的煤层气产量预测模型采用双向长短时记忆网络模型；

将所述待预测生产井的煤层气产量预测相关数据输入所述目标模型，获得待预测生产井的产量数据；所述产量数据包括井底流压、产气量和产水量。

2.根据权利要求1所述的方法，其特征在于，所述选取与所述生产井类型对应的训练好的煤层气产量预测模型为目标模型之前，所述方法还包括对所述煤层气产量预测模型进行训练，训练过程如下：

获取样本生产井的煤层气产量预测相关数据以及样本生产井的煤层气实际产量数据；所述样本生产井中包含所述常规生产井、所述单峰生产井、所述双峰生产井以及所述无规则生产井；

针对每一生产井类型的样本生产井，以所述样本生产井的煤层气产量预测相关数据为输入，以所述样本生产井的煤层气实际产量数据为标签，对所述煤层气产量预测模型进行训练，得到所述生产井类型对应的训练好的煤层气产量预测模型。

3.根据权利要求2所述的方法，其特征在于，所述训练过程的损失函数为：

L_tol＝μLs+τLd

其中，L_tol为总损失；L_d和L_s分别表示动态损失和静态损失；μ和τ分别表示静态损失和动态损失的系数，μ+τ＝1；

动态损失为：

其中，Net代表双向长短时记忆网络通过链式求导法则和反向传播算法计算过程；Net_Pw为基于煤层气产量预测模型预测的井底流压；Net_Qg为基于煤层气产量预测模型预测的产气量；Net_Qw为基于煤层气产量预测模型预测的产水量；N为总样本数量；R_Pw表示真实的井底流压值；R_Qg表示真实的产气量值；R_Qw表示真实的产水量值；

静态损失为：

其中，K为压裂后的渗透率；Gc为原始含气量；Gs为地应力；Rt为储层厚度。

4.根据权利要求2所述的方法，其特征在于，在所述获取样本生产井的煤层气产量预测相关数据以及样本生产井的煤层气实际产量数据之前，所述方法还包括选取样本生产井，选取方法如下：

利用评估参数对待选样本生产井的开发状态进行评估，获得评估结果；所述评估参数包括开发时间、生产能力以及有效时间占比；

选取评估结果符合预设条件的所述待选样本生产井为目标样本生产井。

5.根据权利要求2所述的方法，其特征在于，所述获取样本生产井的煤层气产量预测相关数据以及样本生产井的煤层气实际产量数据之后，所述方法还包括：对所述样本数据进行预处理；所述样本数据包括所述样本生产井的煤层气产量预测相关数据以及样本生产井的煤层气实际产量数据。

6.根据权利要求5所述的方法，其特征在于，所述对所述样本数据进行预处理包括：

检测所述样本数据中的异常值；

将所述异常值从所述样本数据中删除。

7.根据权利要求6所述的方法，其特征在于，所述对所述样本数据进行预处理还包括将所述样本数据中的缺失值进行补全：

确定所述样本数据中的缺失段数据；所述缺失段数据包括产气量和产水量；

获取所述缺失段数据对应的缺失段补全相关数据；所述缺失段补全相关数据用于计算缺失段数据；所述缺失段补全相关数据包括井底流压、油压、管压和动液面；

将所述缺失段补全相关数据输入训练好的补全模型中，获得所述缺失段数据对应的数值；所述训练好的补全模型是以正常数据中的井底流压、油压、管压和动液面为输入，以正常数据中的产气量和产水量为标签训练得到的模型。

8.一种基于数据驱动的煤层气产量预测系统，其特征在于，包括：

待预测生产井的数据获取模块，用于获取待预测生产井的煤层气动态产量历史数据以及待预测生产井的煤层气产量预测相关数据；所述煤层气产量预测相关数据包括动态相关历史数据和静态相关数据；所述动态相关历史数据包括历史井底流压、历史产气量、历史产水量、历史油压、历史管压、历史动液面、累产油量以及累产水量；所述静态相关数据包括压裂后的渗透率、原始含气量、地应力以及储层厚度；

待预测生产井类型确定模块，用于根据所述煤层气动态产量历史数据，确定所述待预测生产井所属的生产井类型；所述生产井类型包括：常规生产井、单峰生产井、双峰生产井以及无规则生产井；所述常规生产井为产量依次经历增产期、稳产期和减产期三个阶段的生产井；所述单峰生产井为稳产期时间小于设定阈值或稳产期时间为零的生产井；所述双峰生产井为包含两个增产期和两个减产器，且稳产期时间小于设定阈值或稳产期时间为零的生产井；所述无规则生产井为不属于所述常规生产井、所述单峰生产井和所述双峰生产井的生产井；

目标模型选取模块，用于选取与所述生产井类型对应的训练好的煤层气产量预测模型为目标模型；所述训练好的煤层气产量预测模型为以样本生产井的煤层气产量预测相关数据为输入，以样本生产井的煤层气实际产量数据为标签训练得到的模型；所述训练好的煤层气产量预测模型采用双向长短时记忆网络模型；

产量数据预测模块，用于将所述待预测生产井的煤层气产量预测相关数据输入所述目标模型，获得待预测生产井的产量数据；所述产量数据包括井底流压、产气量和产水量。

9.根据权利要求8所述的系统，其特征在于，所述系统还包括：训练模块，用于在所述选取与所述生产井类型对应的训练好的煤层气产量预测模型为目标模型之前，对所述煤层气产量预测模型进行训练；

所述训练模块具体包括：

样本生产井数据获取子模块，用于获取样本生产井的煤层气产量预测相关数据以及样本生产井的煤层气实际产量数据；所述样本生产井中包含所述常规生产井、所述单峰生产井、所述双峰生产井以及所述无规则生产井；

产量预测模型训练子模块，用于针对每一生产井类型的样本生产井，以所述样本生产井的煤层气产量预测相关数据为输入，以所述样本生产井的煤层气实际产量数据为标签，从正反两个方向对所述煤层气产量预测模型进行训练，得到训练好的煤层气产量预测模型。

10.根据权利要求9所述的系统，其特征在于，所述训练模块还包括：

样本生产井选取子模块，用于在所述获取样本生产井的煤层气产量预测相关数据以及样本生产井的煤层气实际产量数据之前，利用评估参数对待选样本生产井的开发状态进行评估，获得评估结果；所述评估参数包括开发时间、生产能力以及有效时间占比；选取评估结果符合预设条件的待选样本生产井为目标样本生产井。

Images