CN116523086A - 基于长短时记忆深度神经网络的单井生产动态预测方法 - Google Patents
基于长短时记忆深度神经网络的单井生产动态预测方法 Download PDFInfo
- Publication number
- CN116523086A CN116523086A CN202210056895.5A CN202210056895A CN116523086A CN 116523086 A CN116523086 A CN 116523086A CN 202210056895 A CN202210056895 A CN 202210056895A CN 116523086 A CN116523086 A CN 116523086A
- Authority
- CN
- China
- Prior art keywords
- production
- input
- injection
- historical
- data set
- 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
- 238000004519 manufacturing process Methods 0.000 title claims abstract description 266
- 230000015654 memory Effects 0.000 title claims abstract description 73
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 55
- 238000000034 method Methods 0.000 title claims abstract description 53
- 238000002347 injection Methods 0.000 claims abstract description 93
- 239000007924 injection Substances 0.000 claims abstract description 93
- 238000012360 testing method Methods 0.000 claims abstract description 56
- 238000012549 training Methods 0.000 claims abstract description 42
- 230000006870 function Effects 0.000 claims abstract description 33
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 15
- 238000005457 optimization Methods 0.000 claims abstract description 13
- 230000003631 expected effect Effects 0.000 claims abstract description 8
- 238000012216 screening Methods 0.000 claims abstract description 6
- 239000003921 oil Substances 0.000 claims description 52
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 33
- 230000003068 static effect Effects 0.000 claims description 16
- 238000003860 storage Methods 0.000 claims description 11
- 239000010779 crude oil Substances 0.000 claims description 7
- 230000004044 response Effects 0.000 claims description 6
- 238000004590 computer program Methods 0.000 claims description 5
- 238000004140 cleaning Methods 0.000 claims description 4
- 238000005553 drilling Methods 0.000 claims description 4
- 238000010276 construction Methods 0.000 claims 1
- 238000004364 calculation method Methods 0.000 abstract description 7
- 230000000694 effects Effects 0.000 description 12
- 238000011161 development Methods 0.000 description 8
- 238000010801 machine learning Methods 0.000 description 8
- 230000008859 change Effects 0.000 description 6
- 230000008901 benefit Effects 0.000 description 4
- 239000011159 matrix material Substances 0.000 description 4
- 210000002569 neuron Anatomy 0.000 description 4
- 230000035699 permeability Effects 0.000 description 4
- 239000007788 liquid Substances 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 238000004088 simulation Methods 0.000 description 3
- BVKZGUZCCUSVTD-UHFFFAOYSA-L Carbonate Chemical compound [O-]C([O-])=O BVKZGUZCCUSVTD-UHFFFAOYSA-L 0.000 description 2
- 238000009933 burial Methods 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 125000004122 cyclic group Chemical group 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 239000003129 oil well Substances 0.000 description 2
- 239000011148 porous material Substances 0.000 description 2
- 230000001105 regulatory effect Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000001276 controlling effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000007667 floating Methods 0.000 description 1
- 230000007787 long-term memory Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
- 239000011435 rock Substances 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 238000004065 wastewater treatment Methods 0.000 description 1
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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- 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
-
- 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)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computing Systems (AREA)
- Evolutionary Computation (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Software Systems (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Computational Linguistics (AREA)
- Marketing (AREA)
- General Engineering & Computer Science (AREA)
- Biophysics (AREA)
- Artificial Intelligence (AREA)
- Operations Research (AREA)
- Primary Health Care (AREA)
- Mining & Mineral Resources (AREA)
- Marine Sciences & Fisheries (AREA)
- Animal Husbandry (AREA)
- Agronomy & Crop Science (AREA)
- Quality & Reliability (AREA)
- Entrepreneurship & Innovation (AREA)
- Game Theory and Decision Science (AREA)
- Development Economics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了基于长短时记忆深度神经网络的单井生产动态预测方法,包括:获取输入历史数据集X和输出历史数据集Y;从输入历史数据集X中分别提取输入训练集X1和输入测试集X2,应用长短时记忆深度神经网络得到生产动态预测模型和输出测试预测集Y2;通过均方根误差函数筛选出满足期望效果的生产动态预测模型;获取单井生产参数和单井生产参数约束条件,应用优化算法生成多个注采方案;对于每个注采方案,获取每个注采方案对应的历史生产动态数据,并依次应用生产动态预测模型和油田经济净现值函数得到每个注采方案对应的净现值,从而选出最优的注采方案。本发明的单井生产动态预测方法提高了计算速度且增加了时效性,具有较高的拟合精度。
Description
技术领域
本发明属于油藏工程领域,更具体地,涉及一种基于长短时记忆深度神经网络的单井生产动态预测方法、电子设备及介质。
背景技术
在油藏数值模拟中,为了使动态预测尽可能接近实际情况,通常要进行历史拟合,即用已有的油藏参数,例如渗透率、孔隙度、饱和度等计算油田的开发历史,并将其计算出的开发指标如压力、产量、含水率等与油田开发实际动态进行对比。如果计算的结果与实际测量数据值不一致,则表明输入的参数与实际情况不符合,需要调整参数并重新进行计算,直到计算结果与实际数据值在允许的误差范围内为止。模型拟合好后,再用来进行生产动态预测,从而指导油田现场开发调整。
油藏模拟历史拟合问题属于典型的反问题,历史拟合按照其发展过程与实现方法,可分为人工历史拟合和自动历史拟合两大类。目前普遍通过人工的反复试算来修改油层参数,减小历史拟合误差,工作艰苦繁琐,需要依赖油藏工程师经验、智慧等不确定因素,并且实际油藏往往非均质性强、参数多,而高精度油藏模型网格数巨大,难以满足需要长期开发的大型油藏的需求。
引入了计算机和优化算法进行自动调整油藏参数,并且逐渐形成了自动历史拟合技术。自动历史拟合弥补了手工试算的不足,利用最优化方法自动修正模型参数及结构,力求减少拟合时间并达到了更高的精度。由于众多自动历史拟合方法各有特点,而且实测资料具有多样性以及反问题固有的不适定性,使得不同的方法在解决同一问题时效果各异。
近年来机器学习算法在拟合问题上显示出了惊人的优势,被广泛应用于各种数据拟合回归问题。利用机器学习算法建立产量预测模型简便实用,许多学者通过BP神经网络和支持向量机等机器学习方法来实现油井产量的动态预测,具有很好的应用价值。但这些传统的机器学习方法忽略了产量随时间的变化趋势和前后数据之间的关联性,导致预测效果差,
因此,期待发明一种单井生产动态预测方法,能够解决现有技术中在使用机器学习算法时,由于忽略产量随时间的变化趋势和前后数据之间的关联性而导致预测效果差的问题。
发明内容
本发明的目的是提出一种单井生产动态预测方法,以解决现有技术中在使用机器学习算法时,由于忽略产量随时间的变化趋势和前后数据之间的关联性而导致预测效果差的问题。
为了实现上述目的,本发明提供一种基于长短时记忆深度神经网络的单井生产动态预测方法,包括:
获取输入历史数据集X和输出历史数据集Y;
从输入历史数据集X中分别提取输入训练集X1和输入测试集X2,并基于输入训练集X1和输入测试集X2,应用长短时记忆深度神经网络得到生产动态预测模型和输出测试预测集Y2;
基于所述输出历史数据集Y和所述输出测试预测集Y2,通过均方根误差函数筛选出满足期望效果的生产动态预测模型;
获取单井生产参数和单井生产参数约束条件,应用优化算法生成多个注采方案;
对于每个注采方案,获取每个所述注采方案对应的历史生产动态数据,并依次应用所述生产动态预测模型和油田经济净现值函数得到每个所述注采方案对应的净现值,从而选出最优的注采方案。
可选地,所述获取输入历史数据集X和输出历史数据集Y包括:
构建历史数据集;
从所述历史数据集中提取第t-1天、第t天和第t+1天对应的数据作为输入历史数据,从所述历史数据集中提取第t+2天对应的数据作为输出历史数据,其中,1<t<Q-1,Q为总生产时间且t为整数;
以所述输入历史数据形成所述输入历史数据集X,以所述输出历史数据形成所述输出历史数据集Y。
可选地,所述历史数据集包括油藏静态数据集和生产动态数据集,所述输入历史数据集X包括输入历史油藏静态数据集和输入历史生产动态数据集,所述输出历史数据集Y包括输出历史油藏静态数据集和输出历史生产动态数据集。
可选地,所述构建历史数据集之后包括:
对所述历史数据集进行清洗;
应用以下公式对清洗后的所述历史数据集进行标准化,所述公式为:
其中,x为所述历史数据集中的数据,mean(x)为数据x的平均值, std(x)为数据x的标准差,y为标准化数据。
可选地,所述从输入历史数据集X中分别提取输入训练集X1和输入测试集X2,并基于输入训练集X1和输入测试集X2,应用长短时记忆深度神经网络得到生产动态预测模型和输出测试预测集Y2包括:
从所述输入历史数据集X中提取预设比例的数据作为所述输入训练集 X1,并应用所述输入训练集X1对所述长短时记忆深度神经网络进行训练,得到所述生产动态预测模型;
从所述输入数据集X中提取剩余比例的数据作为所述输入测试集X2,并将所述输入测试集X2输入到所述生产动态预测模型中,得到所述输出测试预测集Y2。
可选地,所述对于每个注采方案,获取每个所述注采方案对应的历史生产动态数据,并依次应用所述生产动态预测模型和油田开发的经济净现值函数得到每个所述注采方案对应的净现值,从而选出最优的注采方案包括:
对于每个所述注采方案,应用所述生产动态预测模型进行生产动态预测,得到每个所述注采方案对应的预测生产动态数据;
获取每个所述注采方案对应的历史生产动态数据,并基于每个所述注采方案对应的历史生产动态数据和预测生产动态数据,通过所述油田经济净现值函数计算出每个所述注采方案对应的净现值;
选择净现值最大的注采方案作为最优的注采方案。
可选地,所述均方根误差函数为:
其中,RMSE为误差损失,M为从所述输出测试预测集Y2中提取的响应总数,Ki为从所述输出测试预测集Y2中提取的响应值,Ti为从所述输出历史数据集Y提取的Ki对应的目标值,N为所述输出测试预测集Y2中数据的总数;
如果所述误差损失在预设范围内,则所述预测模型满足所述期望效果。
可选地,所述油田经济净现值函数为:
其中,NPV为净现值,r为折现率,M1代表总生产时间,N1为总井数,Cd为平均单位长度的钻井成本,Hi为第i口井的井深,Cc为完井成本, po为原油的销售价格,Qt,o为第t天的原油产量,pwp为单位采水费用,pwi为单位注水费用,Qt,wp为第t天采出的水量,Qt,wi为第t天注入的水量。
一种电子设备,所述电子设备包括:
存储器,存储有可执行指令;
处理器,所述处理器运行所述存储器中的所述可执行指令,以实现所述的基于长短时记忆深度神经网络的单井生产动态预测方法。
一种计算机可读存储介质,该计算机可读存储介质存储有计算机程序,该计算机程序被处理器执行时实现所述的基于长短时记忆深度神经网络的单井生产动态预测方法。
本发明的有益效果在于:
应用本发明的单井生产动态预测方法获取的输入历史数据集X和输出历史数据集Y具有时序性特点,利用长短时记忆深度神经网络建立一种生产动态历史拟合与预测方法,首先,获取输入历史数据集X和输出历史数据集Y,然后,应用长短时记忆深度神经网络建立生产动态预测模型,其次,结合输入的单井生产参数约束条件,应用优化算法生成多个注采方案,最后,基于油田经济净现值函数对比优选,从而得到最优的注采方案;本发明的单井生产动态预测方法提高了计算速度且增加了时效性,与此同时,具有较高的拟合精度,解决了现有技术中在使用机器学习算法时,由于忽略产量随时间的变化趋势和前后数据之间的关联性而导致预测效果差的问题。
本发明的其它特征和优点将在随后具体实施方式部分予以详细说明。
附图说明
通过结合附图对本发明示例性实施方式进行更详细的描述,本发明的上述以及其它目的、特征和优势将变得更加明显,其中,在本发明示例性实施方式中,相同的参考标号通常代表相同部件。
图1示出了根据本发明的一个实施例的一种基于长短时记忆深度神经网络的单井生产动态预测方法的流程图。
图2示出了根据本发明的一个实施例的一种基于长短时记忆深度神经网络的单井生产动态预测方法的模型训练函数随训练次数的变化图。
图3示出了根据本发明的一个实施例的一种基于长短时记忆深度神经网络的单井生产动态预测方法的实际产油量与预测产油量的对比图。
图4示出了根据本发明的一个实施例的一种基于长短时记忆深度神经网络的单井生产动态预测方法的实际产水量与预测产水量的对比图。
图5示出了根据本发明的一个实施例的一种基于长短时记忆深度神经网络的单井生产动态预测方法的基础方案的生产制度示意图。
图6示出了根据本发明的一个实施例的一种基于长短时记忆深度神经网络的单井生产动态预测方法的生产动态预测模型的训练和测试示意图。
图7示出了根据本发明的一个实施例的一种基于长短时记忆深度神经网络的单井生产动态预测方法的最优的注采方案的生产制度。
图8示出了根据本发明的一个实施例的一种基于长短时记忆深度神经网络的单井生产动态预测方法的基础的注采方案的NPV和最优的注采方案的NPV对比图。
图9示出了根据本发明的一个实施例的一种基于长短时记忆深度神经网络的单井生产动态预测方法的基础的注采方案的剩余油饱和度和最优的注采方案的剩余油饱和度对比图。
具体实施方式
下面将更详细地描述本发明的优选实施方式。虽然以下描述了本发明的优选实施方式,然而应该理解,可以以各种形式实现本发明而不应被这里阐述的实施方式所限制。相反,提供这些实施方式是为了使本发明更加透彻和完整,并且能够将本发明的范围完整地传达给本领域的技术人员。
根据本发明的一种基于长短时记忆深度神经网络的单井生产动态预测方法,包括:
获取输入历史数据集X和输出历史数据集Y;
从输入历史数据集X中分别提取输入训练集X1和输入测试集X2,并基于输入训练集X1和输入测试集X2,应用长短时记忆深度神经网络得到生产动态预测模型和输出测试预测集Y2;
基于输出历史数据集Y和输出测试预测集Y2,通过均方根误差函数筛选出满足期望效果的生产动态预测模型;
获取单井生产参数和单井生产参数约束条件,应用优化算法生成多个注采方案;
对于每个注采方案,获取每个注采方案对应的历史生产动态数据,并依次应用生产动态预测模型和油田经济净现值函数得到每个注采方案对应的净现值,从而选出最优的注采方案。
具体地,应用本发明的单井生产动态预测方法获取的输入历史数据集X 和输出历史数据集Y具有时序性特点,利用长短时记忆深度神经网络建立一种生产动态历史拟合与预测方法,首先,获取输入历史数据集X和输出历史数据集Y,然后,应用长短时记忆深度神经网络建立生产动态预测模型,其次,结合输入的单井生产参数约束条件,应用优化算法生成多个注采方案,最后,基于油田经济净现值函数对比优选,从而得到最优的注采方案;本发明的单井生产动态预测方法提高了计算速度且增加了时效性,与此同时,具有较高的拟合精度,解决了现有技术中在使用机器学习算法时,由于忽略产量随时间的变化趋势和前后数据之间的关联性而导致预测效果差的问题。
进一步地,经过长短时记忆深度神经网络学习,能够得到数据之间的相互影响,从而映射出井间联通关系,使得生产动态预测模型具有生产动态预测功能。在测试集上对比生产动态预测模型的预测结果与实际值的差距,测试生产动态预测模型的预测效果。
进一步地,对于注水井来说,需要满足:单井最小注入量<注水井注水量<单井最大注入量;对于生产井来说,需要满足:单井经济极限产量<生产井产量<单井最大产量。
在一个示例中,获取输入历史数据集X和输出历史数据集Y包括:
构建历史数据集;
从历史数据集中提取第t-1天、第t天和第t+1天对应的数据作为输入历史数据,从历史数据集中提取第t+2天对应的数据作为输出历史数据,其中,1<t<Q-1,Q为总生产时间且t为整数;
以输入历史数据形成输入历史数据集X,以输出历史数据形成输出历史数据集Y。
具体地,历史数据集主要包括三类影响油井产量的因素,第一类是生产井的生产时间、井底压力、生产压差、含水饱和度、日产油量、日产水量、含水率等;第二类是注水井的注水时间、井底压力、注水量等;第三类是油藏剩余可采储量、井周围储层孔隙度、渗透率等。收集和整理这三类特征参数。
在一个示例中,历史数据集包括油藏静态数据集和生产动态数据集,输入历史数据集X包括输入历史油藏静态数据集和输入历史生产动态数据集,输出历史数据集Y包括输出历史油藏静态数据集和输出历史生产动态数据集。
具体地,历史数据集包括油藏静态数据集和生产动态数据集,其中,从油藏静态数据集中提取第t-1天、第t天和第t+1天对应的数据作为输入历史油藏静态数据集,且从油藏静态数据集中提取第t+2天对应的数据作为输出历史油藏静态数据集;从生产动态数据集中提取第t-1天、第t天和第 t+1天对应的数据作为输入历史生产动态数据集,且从生产动态数据集中提取第t+2天对应的数据作为输出历史生产动态数据集。
进一步地,油藏静态数据集为不随时间变化的静态数据,因此,每个时间步保持不变。
在一个示例中,构建历史数据集之后包括:
对历史数据集进行清洗;
应用以下公式对清洗后的历史数据集进行标准化,公式为:
其中,x为历史数据集中的数据,mean(x)为数据x的平均值,std(x) 为数据x的标准差,y为标准化数据。
具体地,对历史数据集进行清洗包括去除历史数据集中的噪声点,因为生产动态数据集中有些不浮动点和其他点不是在同一生产条件下,具有人为原因,所以需要对这些点进行数据清洗;而对历史数据集进行标准化是为了消除特征之间的量纲影响。
在一个示例中,从输入历史数据集X中分别提取输入训练集X1和输入测试集X2,并基于输入训练集X1和输入测试集X2,应用长短时记忆深度神经网络得到生产动态预测模型和输出测试预测集Y2包括:
从输入历史数据集X中提取预设比例的数据作为输入训练集X1,并应用输入训练集X1对长短时记忆深度神经网络进行训练,得到生产动态预测模型;
从输入数据集X中提取剩余比例的数据作为输入测试集X2,并将输入测试集X2输入到生产动态预测模型中,得到输出测试预测集Y2。
具体地,在实际应用中,预设比例优选为75%,则剩余比例为25%。长短时记忆神经网络训练输出结果主要受学习率,隐藏节点数,训练步数,时间序列长度等因素影响。学习率取值范围优选为1×10-5~0.1,隐藏节点数变化范围通常优选为16~512,训练步数变化范围优选为300~3000,循环输入时间序列长度取值范围优选为3~24。通过不断调整网络参数,可以使预测数据与实测数据具有较高的吻合度。
在一个示例中,对于每个注采方案,获取每个注采方案对应的历史生产动态数据,并依次应用生产动态预测模型和油田开发的经济净现值函数得到每个注采方案对应的净现值,从而选出最优的注采方案包括:
对于每个注采方案,应用生产动态预测模型进行生产动态预测,得到每个注采方案对应的预测生产动态数据;
获取每个注采方案对应的历史生产动态数据,并基于每个注采方案对应的历史生产动态数据和预测生产动态数据,通过油田经济净现值函数计算出每个注采方案对应的净现值;
选择净现值最大的注采方案作为最优的注采方案。
具体地,在实际应用中,对于每个注采方案,需要设计的参数有调控频率、每一次调控时每口生产井的产液量以及每一次调控时的每口注水井的注水量。
在一个示例中,均方根误差函数为:
其中,RMSE为误差损失,M为从输出测试预测集Y2中提取的响应总数,Ki为从输出测试预测集Y2中提取的响应值,Ti为从输出历史数据集Y 提取的Ki对应的目标值,N为输出测试预测集Y2中数据的总数;
如果误差损失在预设范围内,则预测模型满足期望效果。
具体地,在实际应用中,误差损失越小,预测模型的预测效果越好。
在一个示例中,油田经济净现值函数为:
其中,NPV为净现值,r为折现率,M1代表总生产时间,N1为总井数,Cd为平均单位长度的钻井成本,Hi为第i口井的井深,Cc为完井成本, po为原油的销售价格,Qt,o为第t天的原油产量,pwp为单位采水费用,pwi为单位注水费用,Qt,wp为第t天采出的水量,Qt,wi为第t天注入的水量。
具体地,对于每个注采方案的历史生产动态数据和预测的预测生产动态数据,应用油田经济净现值函数计算各个方案的净现值,并选择净现值最大的注采方案作为最优的注采方案。净现值越大,注采方案越优,投资效益越好。
一种电子设备,所述电子设备包括:
存储器,存储有可执行指令;
处理器,所述处理器运行所述存储器中的所述可执行指令,以实现所述的基于长短时记忆深度神经网络的单井生产动态预测方法。
一种计算机可读存储介质,该计算机可读存储介质存储有计算机程序,该计算机程序被处理器执行时实现所述的基于长短时记忆深度神经网络的单井生产动态预测方法。
实施例1
如图1所示,一种基于长短时记忆深度神经网络的单井生产动态预测方法,包括:
获取输入历史数据集X和输出历史数据集Y;
从输入历史数据集X中分别提取输入训练集X1和输入测试集X2,并基于输入训练集X1和输入测试集X2,应用长短时记忆深度神经网络得到生产动态预测模型和输出测试预测集Y2;
基于输出历史数据集Y和输出测试预测集Y2,通过均方根误差函数筛选出满足期望效果的生产动态预测模型;
获取单井生产参数和单井生产参数约束条件,应用优化算法生成多个注采方案;
对于每个注采方案,获取每个注采方案对应的历史生产动态数据,并依次应用生产动态预测模型和油田经济净现值函数得到每个注采方案对应的净现值,从而选出最优的注采方案。
具体实施例为:
以某裂缝型碳酸盐岩油藏为例,原始地层压力为65.0MPa,包含裂缝和基质两个系统,埋深5200~5700m。基质是主要的储油空间,基质孔隙度为 0.01%~9.5%,裂缝孔隙空间较小,裂缝孔隙度为0.002%~1.2%,是主要的渗流通道。将5口单井的生产时间、井底压力、产油、产水特征值构建历史数据集。
在本实施例中,长短时记忆深度神经网络由输入层、两层LSTM、输出层组成,将75%的历史数据集作为训练集,25%的历史数据集作为测试集,通过训练和测试构建了生产动态预测模型。相关参数为:第一层LSTM 网络有120个神经元,第二层LSTM有90个神经元,学习率为0.1,训练次数为300,循环输入时间序列长度为12。
利用构建好的生产动态预测模型对T101井的历史生产动态数据进行拟合,分别预测T101井产水、产油量(输出层)。训练过程中模型损失函数随训练次数的变化过程如图2所示,随着训练次数增加,训练误差越来越小。产油和产水拟合效果如图3~图4所示,实际数据与预测数据吻合度较高。
实施例2
如图1所示,一种基于长短时记忆深度神经网络的单井生产动态预测方法,包括:
获取输入历史数据集X和输出历史数据集Y;
从输入历史数据集X中分别提取输入训练集X1和输入测试集X2,并基于输入训练集X1和输入测试集X2,应用长短时记忆深度神经网络得到生产动态预测模型和输出测试预测集Y2;
基于输出历史数据集Y和输出测试预测集Y2,通过均方根误差函数筛选出满足期望效果的生产动态预测模型;
获取单井生产参数和单井生产参数约束条件,应用优化算法生成多个注采方案;
对于每个注采方案,获取每个注采方案对应的历史生产动态数据,并依次应用生产动态预测模型和油田经济净现值函数得到每个注采方案对应的净现值,从而选出最优的注采方案。
具体实施例为:
L油藏为具有边水驱动的深水浊积岩油藏,埋深4279m,油藏压力为 49.2MPa,饱和压力为17.4MPa,油藏温度为74℃,属于正常温压系统,油藏平均孔隙度为17%,平均渗透率为446mD,地层原油粘度为0.89mPa· s,属于中高孔、高渗稀油油藏。计划对L油藏设计一套生产动态方案,使得该油藏在该生产方案下持续生产20年油田经济净现值函数NPV达到最大值。基础方案为保持最后一个时刻的生产动态不变、持续生产20年,其生产制度如图5所示。
生产动态预测模型的计算参数如表1~表2所示,其中,表1为单井生产制度约束参数,表1为NPV相关参数,将75%的历史数据集作为训练集, 25%的历史数据集作为测试集,长短时记忆深度神经网络采用2层LSTM 网络,第一层LSTM网络有32个神经元,第二层LSTM有64个神经元,学习率为0.1,训练次数为3000,循环输入时间序列长度为3。训练集和测试集的预测结果如图6所示,生产动态预测总精确度0.92。基于粒子群算法产生注采方案,应用长短时记忆深度神经网络建立的生产动态模型计算产量,并在生产期内多次调控生产制度,将最后的优化结果作为最优方案。
表1单井生产制度约束参数
参数 | 取值 |
最大注入速度,m3/d | 4050 |
最小注入速度,m3/d | 0 |
最大产油速度,m3/d | 3000 |
最小产油速度,m3/d | 0 |
最大产液速度,m3/d | 3000 |
最小产液速度,m3/d | 0 |
表2NPV相关参数
参数 | 取值 |
递减率,小数 | 0.1 |
油价,美元/方 | 385 |
注水价格,美元/方 | 20 |
废水处理费用,美元/方 | 40 |
总钻井费用,美元/方 | 37500 |
得到最优方案的生产制度如图7所示,每个月调控一次,预测20年内共调控235次。其优化方案的生产动态结果与基础方案的对比如图8和图9 所示。NPV增益3.4亿人民币,累产油增加290.3×104m3,累产水下降238.7 ×104m3,采收率提高7.7%,含水率下降4.5%。
采用本发明的单井生产动态预测方法计算3000个方案耗时2.6小时,平均单个方案3.12秒,而采用常规数值模拟技术耗时为1~2小时,因此,本发明的单井生产动态预测方法大大提高了油藏开发方案预测的时效性。
实施例3
本公开提供一种电子设备包括,该电子设备包括:存储器,存储有可执行指令;处理器,处理器运行存储器中的可执行指令,以实现上述基于长短时记忆深度神经网络的单井生产动态预测方法。
根据本公开实施例的电子设备包括存储器和处理器。
该存储器用于存储非暂时性计算机可读指令。具体地,存储器可以包括一个或多个计算机程序产品,该计算机程序产品可以包括各种形式的计算机可读存储介质,例如易失性存储器和/或非易失性存储器。该易失性存储器例如可以包括随机存取存储器(RAM)和/或高速缓冲存储器(cache) 等。该非易失性存储器例如可以包括只读存储器(ROM)、硬盘、闪存等。
该处理器可以是中央处理单元(CPU)或者具有数据处理能力和/或指令执行能力的其它形式的处理单元,并且可以控制电子设备中的其它组件以执行期望的功能。在本公开的一个实施例中,该处理器用于运行该存储器中存储的该计算机可读指令。
本领域技术人员应能理解,为了解决如何获得良好用户体验效果的技术问题,本实施例中也可以包括诸如通信总线、接口等公知的结构,这些公知的结构也应包含在本公开的保护范围之内。
有关本实施例的详细说明可以参考前述各实施例中的相应说明,在此不再赘述。
实施例4
本公开提供一种计算机可读存储介质,该计算机可读存储介质存储有计算机程序,该计算机程序被处理器执行时实现上述基于长短时记忆深度神经网络的单井生产动态预测方法。
根据本公开实施例的计算机可读存储介质,其上存储有非暂时性计算机可读指令。当该非暂时性计算机可读指令由处理器运行时,执行前述的本公开各实施例方法的全部或部分步骤。
上述计算机可读存储介质包括但不限于:光存储介质(例如:CD-ROM 和DVD)、磁光存储介质(例如:MO)、磁存储介质(例如:磁带或移动硬盘)、具有内置的可重写非易失性存储器的媒体(例如:存储卡)和具有内置ROM的媒体(例如:ROM盒)。
以上已经描述了本发明的各实施例,上述说明是示例性的,并非穷尽性的,并且也不限于所披露的各实施例。在不偏离所说明的各实施例的范围和精神的情况下,对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。
Claims (10)
1.一种基于长短时记忆深度神经网络的单井生产动态预测方法,其特征在于,包括:
获取输入历史数据集X和输出历史数据集Y;
从输入历史数据集X中分别提取输入训练集X1和输入测试集X2,并基于输入训练集X1和输入测试集X2,应用长短时记忆深度神经网络得到生产动态预测模型和输出测试预测集Y2;
基于所述输出历史数据集Y和所述输出测试预测集Y2,通过均方根误差函数筛选出满足期望效果的生产动态预测模型;
获取单井生产参数和单井生产参数约束条件,应用优化算法生成多个注采方案;
对于每个注采方案,获取每个所述注采方案对应的历史生产动态数据,并依次应用所述生产动态预测模型和油田经济净现值函数得到每个所述注采方案对应的净现值,从而选出最优的注采方案。
2.根据权利要求1所述的基于长短时记忆深度神经网络的单井生产动态预测方法,其特征在于,
所述获取输入历史数据集X和输出历史数据集Y包括:
构建历史数据集;
从所述历史数据集中提取第t-1天、第t天和第t+1天对应的数据作为输入历史数据,从所述历史数据集中提取第t+2天对应的数据作为输出历史数据,其中,1<t<Q-1,Q为总生产时间且t为整数;
以所述输入历史数据形成所述输入历史数据集X,以所述输出历史数据形成所述输出历史数据集Y。
3.根据权利要求2所述的基于长短时记忆深度神经网络的单井生产动态预测方法,其特征在于,
所述历史数据集包括油藏静态数据集和生产动态数据集,所述输入历史数据集X包括输入历史油藏静态数据集和输入历史生产动态数据集,所述输出历史数据集Y包括输出历史油藏静态数据集和输出历史生产动态数据集。
4.根据权利要求2所述的基于长短时记忆深度神经网络的单井生产动态预测方法,其特征在于,
所述构建历史数据集之后包括:
对所述历史数据集进行清洗;
应用以下公式对清洗后的所述历史数据集进行标准化,所述公式为:
其中,x为所述历史数据集中的数据,mean(x)为数据x的平均值,std(x)为数据x的标准差,y为标准化数据。
5.根据权利要求1所述的基于长短时记忆深度神经网络的单井生产动态预测方法,其特征在于,
所述从输入历史数据集X中分别提取输入训练集X1和输入测试集X2,并基于输入训练集X1和输入测试集X2,应用长短时记忆深度神经网络得到生产动态预测模型和输出测试预测集Y2包括:
从所述输入历史数据集X中提取预设比例的数据作为所述输入训练集X1,并应用所述输入训练集X1对所述长短时记忆深度神经网络进行训练,得到所述生产动态预测模型;
从所述输入数据集X中提取剩余比例的数据作为所述输入测试集X2,并将所述输入测试集X2输入到所述生产动态预测模型中,得到所述输出测试预测集Y2。
6.根据权利要求1所述的基于长短时记忆深度神经网络的单井生产动态预测方法,其特征在于,
所述对于每个注采方案,获取每个所述注采方案对应的历史生产动态数据,并依次应用所述生产动态预测模型和油田开发的经济净现值函数得到每个所述注采方案对应的净现值,从而选出最优的注采方案包括:
对于每个所述注采方案,应用所述生产动态预测模型进行生产动态预测,得到每个所述注采方案对应的预测生产动态数据;
获取每个所述注采方案对应的历史生产动态数据,并基于每个所述注采方案对应的历史生产动态数据和预测生产动态数据,通过所述油田经济净现值函数计算出每个所述注采方案对应的净现值;
选择净现值最大的注采方案作为最优的注采方案。
7.根据权利要求1所述的基于长短时记忆深度神经网络的单井生产动态预测方法,其特征在于,
所述均方根误差函数为:
其中,RMSE为误差损失,M为从所述输出测试预测集Y2中提取的响应总数,Ki为从所述输出测试预测集Y2中提取的响应值,Ti为从所述输出历史数据集Y提取的Ki对应的目标值,N为所述输出测试预测集Y2中数据的总数;
如果所述误差损失在预设范围内,则所述预测模型满足所述期望效果。
8.根据权利要求1所述的基于长短时记忆深度神经网络的单井生产动态预测方法,其特征在于,
所述油田经济净现值函数为:
其中,NPV为净现值,r为折现率,M1代表总生产时间,N1为总井数,Cd为平均单位长度的钻井成本,Hi为第i口井的井深,Cc为完井成本,po为原油的销售价格,Qt,o为第t天的原油产量,pwp为单位采水费用,pwi为单位注水费用,Qt,wp为第t天采出的水量,Qt,wi为第t天注入的水量。
9.一种电子设备,其特征在于,所述电子设备包括:
存储器,存储有可执行指令;
处理器,所述处理器运行所述存储器中的所述可执行指令,以实现根据权利要求1-8中任一项所述的基于长短时记忆深度神经网络的单井生产动态预测方法。
10.一种计算机可读存储介质,其特征在于,该计算机可读存储介质存储有计算机程序,该计算机程序被处理器执行时实现权利要求1-8中任一项所述的基于长短时记忆深度神经网络的单井生产动态预测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210056895.5A CN116523086A (zh) | 2022-01-18 | 2022-01-18 | 基于长短时记忆深度神经网络的单井生产动态预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210056895.5A CN116523086A (zh) | 2022-01-18 | 2022-01-18 | 基于长短时记忆深度神经网络的单井生产动态预测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116523086A true CN116523086A (zh) | 2023-08-01 |
Family
ID=87396288
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210056895.5A Pending CN116523086A (zh) | 2022-01-18 | 2022-01-18 | 基于长短时记忆深度神经网络的单井生产动态预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116523086A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117408396A (zh) * | 2023-12-15 | 2024-01-16 | 北京天安智慧信息技术有限公司 | 一种基于深度学习的油气井产量预测方法与预测系统 |
CN117422000A (zh) * | 2023-12-18 | 2024-01-19 | 东北石油大学三亚海洋油气研究院 | 一种注水区控压钻井预测方法、装置、设备及介质 |
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
- 2022-01-18 CN CN202210056895.5A patent/CN116523086A/zh active Pending
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117408396A (zh) * | 2023-12-15 | 2024-01-16 | 北京天安智慧信息技术有限公司 | 一种基于深度学习的油气井产量预测方法与预测系统 |
CN117408396B (zh) * | 2023-12-15 | 2024-02-23 | 北京天安智慧信息技术有限公司 | 一种基于深度学习的油气井产量预测方法与预测系统 |
CN117422000A (zh) * | 2023-12-18 | 2024-01-19 | 东北石油大学三亚海洋油气研究院 | 一种注水区控压钻井预测方法、装置、设备及介质 |
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 |
---|---|---|
CN116523086A (zh) | 基于长短时记忆深度神经网络的单井生产动态预测方法 | |
CN110400006B (zh) | 基于深度学习算法的油井产量预测方法 | |
US20210350208A1 (en) | Method and device for predicting production performance of oil reservoir | |
Safavi et al. | Optimal crop planning and conjunctive use of surface water and groundwater resources using fuzzy dynamic programming | |
CN106353809B (zh) | 一种压裂裂缝网络的反演表征方法 | |
CN108804382B (zh) | 一种参数自动反求方法和装置 | |
CN113052371A (zh) | 基于深度卷积神经网络的剩余油分布预测方法及装置 | |
WO2009128972A1 (en) | Markov decision process-based decision support tool for reservoir development planning | |
CN106875286A (zh) | 一种聚合物驱油田全过程注聚参数分阶段优化决策方法 | |
CN109426672B (zh) | 基于不确定地质模型的油藏注采参数优化方法 | |
WO2017011469A1 (en) | Ensemble based decision making | |
CN115146446A (zh) | 基于近似梯度算法和嵌入式离散裂缝模型的油藏优化方法 | |
CN114444402A (zh) | 一种基于深度强化学习的油藏注采优化方法 | |
Bao et al. | Application of linearized calibration method for vertically mixed runoff model parameters | |
CN111597753A (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 | |
CN108843296B (zh) | 一种基于多因素影响下的单井重复压裂效果预测方法 | |
CN113486556B (zh) | 一种改进的油气藏高效自动历史拟合方法 | |
CN109190810B (zh) | 基于tdnn的中国北方草原地区ndvi的预测方法 | |
CN110414608A (zh) | 一种针对于ResNet的按通道剪枝算法 | |
CN110924935B (zh) | 致密油藏井底流压调控方案确定方法、装置和设备 | |
CN112539054A (zh) | 地面管网与地下油藏复杂系统生产优化方法 | |
CN113723706B (zh) | 页岩气井重复压裂产能预测方法、装置、终端及存储介质 | |
CN106408433A (zh) | 一种基于差分处理的粮食产量预测方法和装置 | |
RU2558093C1 (ru) | Способ регулирования разработки нефтяной залежи | |
CN110110906A (zh) | 一种基于Efron近似优化的生存风险建模方法 |
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 |