CN116663607A - 一种基于lstm来构建油田分层注水预测模型的方法 - Google Patents
一种基于lstm来构建油田分层注水预测模型的方法 Download PDFInfo
- Publication number
- CN116663607A CN116663607A CN202310627001.8A CN202310627001A CN116663607A CN 116663607 A CN116663607 A CN 116663607A CN 202310627001 A CN202310627001 A CN 202310627001A CN 116663607 A CN116663607 A CN 116663607A
- Authority
- CN
- China
- Prior art keywords
- water injection
- prediction model
- lstm
- data
- constructing
- 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
- 238000002347 injection Methods 0.000 title claims abstract description 73
- 239000007924 injection Substances 0.000 title claims abstract description 73
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 title claims abstract description 72
- 238000000034 method Methods 0.000 title claims abstract description 29
- 238000012549 training Methods 0.000 claims abstract description 30
- 238000013528 artificial neural network Methods 0.000 claims abstract description 28
- 238000012360 testing method Methods 0.000 claims abstract description 8
- 238000011156 evaluation Methods 0.000 claims abstract description 5
- 210000002569 neuron Anatomy 0.000 claims description 6
- 239000011159 matrix material Substances 0.000 claims description 4
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 claims description 3
- 239000012530 fluid Substances 0.000 claims description 3
- 238000005259 measurement Methods 0.000 claims description 3
- 230000015572 biosynthetic process Effects 0.000 claims description 2
- 230000006870 function Effects 0.000 description 15
- 230000015654 memory Effects 0.000 description 10
- 238000011161 development Methods 0.000 description 6
- 230000000694 effects Effects 0.000 description 5
- 239000002332 oil field water Substances 0.000 description 5
- 239000000203 mixture Substances 0.000 description 4
- 238000005457 optimization Methods 0.000 description 4
- 230000005284 excitation Effects 0.000 description 3
- 230000007787 long-term memory Effects 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000009826 distribution Methods 0.000 description 2
- 230000006403 short-term memory Effects 0.000 description 2
- 230000036962 time dependent Effects 0.000 description 2
- 229920000742 Cotton Polymers 0.000 description 1
- 238000010521 absorption reaction Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 210000004027 cell Anatomy 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 125000004122 cyclic group Chemical group 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000008034 disappearance Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000004880 explosion Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Classifications
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
- G06N3/0442—Recurrent networks, e.g. Hopfield networks characterised by memory or gating, e.g. long short-term memory [LSTM] or gated recurrent units [GRU]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/28—Design optimisation, verification or simulation using fluid dynamics, e.g. using Navier-Stokes equations or computational fluid dynamics [CFD]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2113/00—Details relating to the application field
- G06F2113/08—Fluids
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/14—Force analysis or force optimisation, e.g. static or dynamic forces
-
- 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
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A10/00—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE at coastal zones; at river basins
- Y02A10/40—Controlling or monitoring, e.g. of flood or hurricane; Forecasting, e.g. risk assessment or mapping
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Evolutionary Computation (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Geometry (AREA)
- Computing Systems (AREA)
- Computer Hardware Design (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Medical Informatics (AREA)
- Molecular Biology (AREA)
- General Health & Medical Sciences (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Biomedical Technology (AREA)
- Data Mining & Analysis (AREA)
- Health & Medical Sciences (AREA)
- Algebra (AREA)
- Fluid Mechanics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Complex Calculations (AREA)
Abstract
本发明公开了一种基于LSTM来构建油田分层注水预测模型的方法,包括:步骤一、采集油田中的注水数据,进行数据预处理;步骤二、基于LSTM神经网络,建立注水预测模型,将注水数据输入预测模型,将数据分为测集和训练集,通过训练集对注水预测模型进行训练,训练结束后通过测试集对模型进行评估;步骤三、训练结束后,将将测试集和训练结果一同进行模型评估,输出最优预测结果。基于LSTM神经网络,建立注水预测模,能够考虑注水影响因素以及注水量随时间的变化趋势,克服现有神经网络无法适应时间序列数据的问题。
Description
技术领域
本发明涉及一种基于LSTM来构建油田分层注水预测模型的方法,属于井下作业领域。
背景技术
复杂断块油藏注水开发过程中,由于注水井层间矛盾突出,油水分布、运动规律复杂,会导致油田开发时低渗透层吸水情况差,影响水驱油田的开采率。为改善油田注水开发的效果,对注水指标进行科学可靠的预测,需要一种能够提高工作效率和预测精度的预测方法。随着人工智能算法在工程领域的广泛应用,其中,BP神经网络已经成功应用于棉纱强度和海洋区域经济的预测,但是其有着收敛速度慢,网络结构选择不统一的缺点。全连接神经网络(Fully Connected Neural Network,FCNN)预测模型,在软件缺陷预测上表现出较好的效果,但其无法考虑到数据在时间上的相关性,难以预测时间序列数据。基于改进循环神经网络(Recurrent Neural Network,RNN),即长短期记忆(Long Short-Term Memory,LSTM)网络预测模型,在交通流量和油田产油量预测上得到了广泛的应用。该模型能考虑到数据在时间上的相关性,捕捉到序列的历史信息,并将其运用到当前输出的计算中,可以有效解决其它神经网络无法适应时间序列数据的问题,弥补了RNN神经网络可能存在的梯度消失、梯度爆炸缺点,以及在长时间序列的处理上存在的记忆力不足问题。
发明内容
本发明设计开发了一种基于LSTM来构建油田分层注水预测模型的方法,基于LSTM神经网络,建立注水预测模,能够考虑注水影响因素以及注水量随时间的变化趋势,克服现有神经网络无法适应时间序列数据的问题。
本发明提供的技术方案为:
一种基于LSTM来构建油田分层注水预测模型的方法,包括:
步骤一、采集油田中的注水数据,进行数据预处理;
其中,注水数据包括:历史注水数据、历史注水计划、当前时刻瞬时流量、当前时刻油管压力、当前时刻套管压力、当前时刻地层温度、流体系数和影响因素系数;
步骤二、基于LSTM神经网络,建立注水预测模型,将注水数据输入预测模型,将数据分为测集和训练集,通过训练集对注水预测模型进行训练;
步骤三、训练结束后,将测试集和训练结果一同进行模型评估,输出最优预测结果。
优选的是,
所述步骤二中,选取均方差误差、平均绝对误差、决定系数作为评价注水预测模型精度的指标。
优选的是,
所述LSTM神经网络中,隐藏层神经元个数为50、输出层1个神经元、模型训练次数为60、每次抓取用于训练的批次大小为72,网络优化选用“Adam”优化函数。
优选的是,
选用预测时段前的历史流量和注水影响因素数据对未来注水量进行预测。
优选的是,
所述LSTM神经网络中,模型的输出为预测流量
式中,是预测t时刻到k时刻的瞬时流量矩阵/列向量;
预测时间段前t时刻的历史流量为:
式中,Qt是历史数据矩阵/列向量从0时刻到t时刻该地层每时刻的瞬时流量。
优选的是,所述注水影响因素为:
式中,为油压影响因素,Pt为套压影响因素。
优选的是,所述步骤二中,所述预测模型中,第t时刻的输入xt包括:
xt={Qt,Ft}。
本发明所述的有益效果:
本发明提供的注水预测方法,LSTM注水模型预测效果和稳定性较好,预测精度更高,可以应用到油田开发工程当中,作为指导油田注水开发的一条新渠道。同时,油田注水预测的特征数据还应增加其他数据,比如不同层位之间的地层数据分析等,使用更多的特征数据进行注水预测,有望进一步提高油田注水预测的准确率。解决了常用的人工智能注水预测无法考虑数据在时间上的相关性问题,降低了作业成本,对油田注水开发具有良好的适用性。
附图说明
图1为本发明所述利用长短期记忆神经网络来构建油田分层注水预测模型的实验流程图。
图2为LSTM模型内部结构示意图。
图3为损失函数变化曲线。
图4为两种神经网络实际值与预测值对比。
具体实施方式
下面结合附图对本发明做进一步的详细说明,以令本领域技术人员参照说明书文字能够据以实施。
如图1-4所示,本发明提供一种基于LSTM来构建油田分层注水预测模型的方法,基于LSTM神经网络,建立注水预测模,能够考虑注水影响因素以及注水量随时间的变化趋势,克服现有神经网络无法适应时间序列数据的问题,包括:
步骤一、采集油田中的注水数据,进行数据预处理;
其中,注水数据包括:历史注水数据、历史注水计划、当前时刻瞬时流量、当前时刻油管压力、当前时刻套管压力、当前时刻地层温度、流体系数和影响因素系数;
步骤二、基于LSTM神经网络,建立注水预测模型,将注水数据输入预测模型,将数据分为测集和训练集,通过训练集对注水预测模型进行训练;
步骤三、训练结束后,将测试集和训练结果一同进行模型评估,输出最优预测结果。
具体包括:
步骤A、采集油田中任一层位的预测时段前t时刻的注水数据,综合考虑油压、套压因素,基于LSTM网络,用预测时段前的历史流量和影响因素数据对未来注水量进行预测,模型的输出为预测流量:预测时段前t时刻的历史流量为:其中:取采样间隔为5s,T1=369,T2=408,注水影响因素为:其中:/>为油压影响因素,Pt为套压,Ft还可包含影响注水的其他因素,本文主要采用油压、套压两种影响因素。建立的流量预测模型中,第t时刻的输入由历史注入流量和流量影响因素共同构成,可表示为:xt={Qt,Ft};
步骤B、建立LSTM神经网络建立注水预测模型;注水数据输入预测模型,进行网络训练;
在本发明中,作为一种优选,采用Windows系统下Python语言进行编程,其中主要通过Keras深度学习库实现LSTM神经网络的搭建;
第t时间步输入数据率先通过输入门,第t时间步记忆单元输入层的值和隐藏层状态的候选值分别为:
it=Δ(Wi·[st-1,xt]+bi)
式中:tanh为双曲正切激励函数,it为t时刻Δ的输出,为t时刻tanh函数的输出,Wi、Wc为输入门、记忆单元的权值向量,bi、bc为输入门、记忆单元的偏置向量。
步骤C、数据输入时,存在取值范围相差较大的问题,需避免数值过大的特征值输入对预测结果的影响,所以有必要对数据进行预处理,即数据归一化,将输入数据转换为标准正态分布,以平衡特征间的数值差异,提高模型训练的速度与稳定性;
随机初始化LSTM神经网络参数,隐藏层神经元个数为50、输出层1个神经元、模型训练次数为60、每次抓取用于训练的批次大小为72;网络优化选用“Adam”优化函数,用来计算神经网络每个参数的自适应学习率;将数据集按比例划分,其中:训练集占2%,测试集占38%,利用训练集对模型进行训练,模型训练结束后,再用测试集对模型进行评估;
信息通过遗忘门,控制舍去哪些信息,其通过Sigmoid激励函数的输出值([0,1]区间内的值)来决定。计算在t时间步记忆单元遗忘层的值,遗忘门计算公式表示为:
ft=Δ(Wf·[st-1,xt]+bf)
式中:Δ为Sigmoid激励函数,ft为t时刻Δ函数的输出,Wf遗忘门的权值向量,st-1为上一时刻的输出,xt为当前时刻输入,bf为遗忘门的偏置向量;
步骤D、对记忆单元进行更新,从而得出t时刻的记忆单元更新值:
式中:ct为t时刻长期记忆,ct-1为上一时刻记忆,ft为t时刻Δ函数的输出,it为t时刻Δ的输出,为t时刻tanh函数的输出;
步骤E、信心通过输出门,控制决定哪些信息需要输出,根据计算得到的记忆单元更新值,第t时间步记忆单元输出层的值以及最终记忆单元的输出值分别为:
ot=Δ(Wo·[st-1,xt]+bo)
st=ot·tanh(ct)
式中:ot是t时刻Δ函数的输出,st为当前时刻输出,st也是t时刻的预测结果Qt,Wo为输出门的权值向量,bo为输出门的偏置向量;
步骤F、为了评估LSTM模型在注水预测上的准确度,选取均方根误差(RMSE)、平均绝对误差(MAE)、决定系数(R2)作为评价注水预测模型精度的指标;
根据已设定的数据比例进行网络训练与验证,不同算法的评价指标对比如表1所示,数据显示,LSTM模型下的RMSE降低了13.95,MAE降低了9.3,数值大幅降低,R2由0.40增加至0.99,说明RNN预测准确性与LSTM神经网络相比之下差距较大,因此基于LSTM构建的预测模型效果要优于RNN预测模,如表1所示:
表1不同算法预测性能对比
步骤G、损失函数的变化趋势如图3所示,通过曲线可看出网络经过前28次迭代损失函数大幅降低,在第28~60次迭代阶段时逐渐趋于平稳,说明最终得到的参数是该结构下的最优参数结果,注水实际值和预测值的对比如图4所示,LSTM模型得到的注水预测曲线,较传统RNN模型预测曲线而言,表现的趋势更为接近注水数据的实际值,预测精度大幅提高。因此,LSTM预测模型的数据跟踪效果良好,稳定性较高,有效地避免了传统RNN模型在预测长时间序列数据时易产生的长期记忆缺失问题,可以看出在注水预测中,LSTM模型预测效果更优。
尽管本发明的实施方案已公开如上,但其并不仅仅限于说明书和实施方式中所列运用,它完全可以被适用于各种适合本发明的领域,对于熟悉本领域的人员而言,可容易地实现另外的修改,因此在不背离权利要求及等同范围所限定的一般概念下,本发明并不限于特定的细节和这里示出与描述的图例。
Claims (7)
1.一种基于LSTM来构建油田分层注水预测模型的方法,其特征在于,包括:
步骤一、采集油田中的注水数据,进行数据预处理;
其中,注水数据包括:历史注水数据、历史注水计划、当前时刻瞬时流量、当前时刻油管压力、当前时刻套管压力、当前时刻地层温度、流体系数和影响因素系数;
步骤二、基于LSTM神经网络,建立注水预测模型,将注水数据输入预测模型,将数据分为测集和训练集,通过训练集对注水预测模型进行训练;
步骤三、训练结束后,将测试集和训练结果一同进行模型评估,输出最优预测结果。
2.根据权利要求1所述的基于LSTM来构建油田分层注水预测模型的方法,其特征在于,
所述步骤二中,选取均方差误差、平均绝对误差、决定系数作为评价注水预测模型精度的指标。
3.根据权利要求2所述的基于LSTM来构建油田分层注水预测模型的方法,其特征在于,
所述LSTM神经网络中,隐藏层神经元个数为50、输出层1个神经元、模型训练次数为60、每次抓取用于训练的批次大小为72,网络优化选用
“Adam”优化函数。
4.根据权利要求3所述的基于LSTM来构建油田分层注水预测模型的方法,其特征在于,选用预测时段前的历史流量和注水影响因素数据对未来注水量进行预测。
5.根据权利要求4所述的基于LSTM来构建油田分层注水预测模型的方法,其特征在于,所述LSTM神经网络中,模型的输出为预测流量
式中,是预测t时刻到k时刻的瞬时流量矩阵/列向量;
预测时间段前t时刻的历史流量为:Qt={Q0,Q1,...,Qt,...,QT2};
式中,Qt是历史数据矩阵/列向量从0时刻到t时刻该地层每时刻的瞬时流量。
6.根据权利要求5所述的基于LSTM来构建油田分层注水预测模型的方法,其特征在于,所述注水影响因素为:
式中,为油压影响因素,Pt为套压影响因素。
7.根据权利要求6所述的基于LSTM来构建油田分层注水预测模型的方法,其特征在于,所述步骤二中,所述预测模型中,第t时刻的输入xt包括:
xt={Qt,Ft}。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310627001.8A CN116663607A (zh) | 2023-05-30 | 2023-05-30 | 一种基于lstm来构建油田分层注水预测模型的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310627001.8A CN116663607A (zh) | 2023-05-30 | 2023-05-30 | 一种基于lstm来构建油田分层注水预测模型的方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116663607A true CN116663607A (zh) | 2023-08-29 |
Family
ID=87709162
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310627001.8A Pending CN116663607A (zh) | 2023-05-30 | 2023-05-30 | 一种基于lstm来构建油田分层注水预测模型的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116663607A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
-
2023
- 2023-05-30 CN CN202310627001.8A patent/CN116663607A/zh active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109407654B (zh) | 一种基于稀疏深度神经网络的工业数据非线性因果分析方法 | |
CN111985610B (zh) | 一种基于时序数据的抽油机井泵效预测系统和方法 | |
CN110309608B (zh) | 一种针对时滞不确定信息的高炉铁水硅含量预报方法 | |
CN108595803B (zh) | 基于递归神经网络的页岩气井生产压力预测方法 | |
CN109472088A (zh) | 一种页岩气调产井生产压力动态预测方法 | |
CN110222387B (zh) | 基于混合漏积分crj网络的多元钻井时间序列预测方法 | |
CN116663607A (zh) | 一种基于lstm来构建油田分层注水预测模型的方法 | |
CN111754034A (zh) | 一种基于混沌优化神经网络模型的时间序列预测方法 | |
CN116721537A (zh) | 基于gcn-ipso-lstm组合模型的城市短时交通流预测方法 | |
CN109919356A (zh) | 一种基于bp神经网络区间需水预测方法 | |
CN115271186B (zh) | 一种基于延时因子和PSO RNN Attention模型的水库水位预测预警方法 | |
CN106529185A (zh) | 一种古建筑位移的组合预测方法及系统 | |
CN116451556A (zh) | 一种混凝土坝变形观测量统计模型构建方法 | |
CN115755219A (zh) | 基于stgcn的洪水预报误差实时校正方法及系统 | |
CN115618987A (zh) | 生产井生产数据预测方法、装置、设备和存储介质 | |
CN112766548A (zh) | 基于gasa-bp神经网络的订单完工时间预测方法 | |
CN116303626B (zh) | 一种基于特征优化和在线学习的固井泵压预测方法 | |
CN110990938B (zh) | 一种掌子面在掘岩体状态软测量方法 | |
CN112767692A (zh) | 基于SARIMA-GA-Elman组合模型的短时交通流量预测系统 | |
CN117034808A (zh) | 一种基于图注意力网络的天然气管网压力估计方法 | |
CN116662925A (zh) | 一种基于加权稀疏神经网络工业过程软测量方法 | |
CN112949186B (zh) | 一种基于ssa-lssvm模型预测含蜡原油析蜡点温度的方法 | |
CN114519291A (zh) | 工况监测和控制模型建立方法及其应用方法和装置 | |
CN114943328A (zh) | 基于bp神经网络非线性组合的sarima-gru时序预测模型 | |
CN115062759A (zh) | 一种基于改进型长短记忆神经网络的故障诊断方法 |
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 |