CN116861987A - 油井产量预测模型生成方法、油井产量预测方法及装置 - Google Patents
油井产量预测模型生成方法、油井产量预测方法及装置 Download PDFInfo
- Publication number
- CN116861987A CN116861987A CN202310689240.6A CN202310689240A CN116861987A CN 116861987 A CN116861987 A CN 116861987A CN 202310689240 A CN202310689240 A CN 202310689240A CN 116861987 A CN116861987 A CN 116861987A
- Authority
- CN
- China
- Prior art keywords
- oil well
- model
- well yield
- prediction model
- mutation
- 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
- 239000003129 oil well Substances 0.000 title claims abstract description 214
- 238000000034 method Methods 0.000 title claims abstract description 74
- 239000003795 chemical substances by application Substances 0.000 claims abstract description 111
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 89
- 230000002068 genetic effect Effects 0.000 claims abstract description 29
- 238000005457 optimization Methods 0.000 claims abstract description 22
- 230000035772 mutation Effects 0.000 claims description 72
- 238000004519 manufacturing process Methods 0.000 claims description 31
- 238000012549 training Methods 0.000 claims description 20
- 238000013527 convolutional neural network Methods 0.000 claims description 13
- 238000004891 communication Methods 0.000 claims description 9
- 239000011159 matrix material Substances 0.000 claims description 9
- 238000004806 packaging method and process Methods 0.000 claims description 6
- 230000008859 change Effects 0.000 claims description 4
- 238000004088 simulation Methods 0.000 claims description 4
- 238000003860 storage Methods 0.000 description 21
- 238000010586 diagram Methods 0.000 description 12
- 230000006870 function Effects 0.000 description 12
- 230000008569 process Effects 0.000 description 12
- 238000004590 computer program Methods 0.000 description 9
- 239000003921 oil Substances 0.000 description 7
- 230000003287 optical effect Effects 0.000 description 6
- 230000035699 permeability Effects 0.000 description 6
- 230000007246 mechanism Effects 0.000 description 5
- 230000003993 interaction Effects 0.000 description 4
- 108090000623 proteins and genes Proteins 0.000 description 4
- 230000003044 adaptive effect Effects 0.000 description 3
- 238000009826 distribution Methods 0.000 description 3
- 101100478122 Caenorhabditis elegans spe-9 gene Proteins 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000005315 distribution function Methods 0.000 description 2
- 238000011478 gradient descent method Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 238000000611 regression analysis Methods 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 2
- 239000002199 base oil Substances 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000003912 environmental pollution Methods 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 239000003208 petroleum Substances 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 238000012731 temporal analysis Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000000700 time series analysis Methods 0.000 description 1
- 238000012546 transfer 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
- G06N3/08—Learning methods
- G06N3/086—Learning methods using evolutionary algorithms, e.g. genetic algorithms or genetic programming
-
- 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
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- 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
- G06N3/098—Distributed learning, e.g. federated learning
-
- 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
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Business, Economics & Management (AREA)
- Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Mathematical Physics (AREA)
- Biomedical Technology (AREA)
- Strategic Management (AREA)
- Marketing (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Animal Husbandry (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Mining & Mineral Resources (AREA)
- Marine Sciences & Fisheries (AREA)
- Agronomy & Crop Science (AREA)
- Primary Health Care (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Physiology (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请涉及多智能体和遗传进化算法领域领域,公开了一种油井产量预测模型生成方法、油井产量预测方法及装置,所述方法利用基于卷积神经网络的多智能体系统模型结构构建油井产量模型,在训练过程中可以利用多智能体之间的协作和竞争机制,使得每个智能体在更新自己的参数时会同时更新其余的智能体,同时完成多智能体之间的信息交互,通过这种交互,可以提高油井产量预测模型的鲁棒性,可以更好地完成不同油藏的产量预测任务。然后,将预先获得的预测样本输入所述油井产量模型,并利用遗传算法对所述油井产量预测模型进行参数优化,获得油井产量预测模型,可以进一步提高预测结果的可靠性。
Description
技术领域
本申请涉及多智能体和遗传进化算法领域,具体涉及一种油井产量预测模型生成方法、油井产量预测方法及装置。
背景技术
油井产量预测在石油工程领域具有重要地位,其既可以为油田管理和开发提供科学依据和参考,又可以帮助油田管理人员更好的合理规划生产计划,避免产量超出油田可持续开发的范围,减少对环境的污染和破坏。过去,研究人员通常使用统计分析方法,如回归分析,时间序列分析,神经网络分析等进行油井产量预测。尽管这些方法一定程度上可以预测油井产量,但是回归分析对数据的前提假设要求过高,神经网络分析模型结构复杂,对参数的要求高而且容易产生局部最优解等问题。
近年来,已经有许多研究人员开始将机器学习,深度学习等新技术引入到油井产量预测中,以提高模型的精度和效果。但是大部分发明涉及的还只是将单一的卷积神经网络等网络结构为基础生成的单智能体模型,虽然可以被用来对油井产量进行预测,但是仍然存在模型精度难以保证,模型解释性不强的问题。
发明内容
本申请实施例提供了一种油井产量预测模型生成方法,以解决现有技术中,模型精度难以保证,模型解释性不强的问题。
相应的,本申请实施例还提供了油井产量预测方法、一种油井产量预测模型生成装置、一种油井产量预测装置、一种电子设备、一种计算机可读存储介质,用于保证上述方法的实现及应用。
为了解决上述技术问题,本申请实施例公开了一种油井产量预测模型生成方法,所述方法包括:
利用基于卷积神经网络的多智能体系统模型结构构建油井产量模型;
将预先获得的预测样本输入所述油井产量模型,并利用遗传算法对所述油井产量预测模型进行参数优化,获得油井产量预测模型。
优选地,所述利用遗传算法对所述油井产量预测模型进行参数优化,获得油井产量预测模型,包括:
为多个智能体分配对应的突变算法,并利用所述突变算法优化所述油井产量模型;
确定所述油井产量模型满足预设条件中的一种或多种,则封装获得所述油井产量模型,输出获得所述油井产量预测模型;
其中,所述预设条件包括:达到预设的迭代次数、种群适应度大于或等于适应度阈值、预测精度大于或等于精度阈值。
优选地,所述为多个智能体分配对应的突变算法,并利用所述突变算法优化所述油井产量模型之前,还包括:
确定基于交叉算法,并利用所述基于交叉算法对多个所述智能体之间进行交叉操作。
优选地,所述为多个智能体分配对应的突变算法,并利用所述突变算法优化所述油井产量模型,包括:
通过不同智能体之间的交流比较,确定对应智能体的突变算法;
利用所述突变算法对所述智能体的参数组进行突变操作,获得突变后的参数组;
利用所述突变后的参数组训练所述油井产量模型。
优选地,所述通过不同智能体之间的交流比较,确定对应智能体的突变算法,包括:
获取上一轮迭代中所述智能体对应的损失值;
若多个智能体中,所述智能体的损失值最小,则保留所述智能体在上一轮中的突变算法;否则,为所述智能体重新分配所述突变算法。
优选地,所述封装获得所述油井产量模型,输出获得所述油井产量预测模型,包括:
使用适应度函数计算多个所述智能体在所述突变算法中的适应度,根据所述适应度最高的智能体对应的所述参数组生成所述油井产量预测模型。
优选地,所述将预先获得的预测样本输入所述油井产量模型之前,所述方法还包括:
从油藏数值模拟模型中读取一个或多个油井对应的地质参数;
确定所述油井控制区域的面积,并将所述油井控制区域的所述地址参数转换为数字矩阵;
根据所述油井控制区域的多个地质参数对应的多个数字矩阵生成油井图像;
将标签参数与所述油井图像结合,生成所述预测样本。
本申请实施例还公开了一种油井产量预测方法,所述方法包括:
将待预测样本输入油井产量预测模型;
利用所述油井产量预测模型对所述待预测样本进行预测,输出获得油井产量。
本申请实施例还公开了一种油井产量预测模型生成装置,所述装置包括:
模型构建模块,用于利用基于卷积神经网络的多智能体系统模型结构构建油井产量模型;
模型优化模块,用于将预先获得的预测样本输入所述油井产量模型,并利用遗传算法对所述油井产量预测模型进行参数优化,获得油井产量预测模型。
本申请实施例还公开了一种油井产量预测装置,所述装置包括:
样本输入模块,用于将待预测样本输入油井产量预测模型;
预测输出模块,用于利用所述油井产量预测模型对所述待预测样本进行预测,输出获得油井产量。
本申请实施例还公开了一种电子设备,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,处理器执行程序时实现本申请实施例中一个或多个所述的方法。
本申请实施例还公开了一种计算机可读存储介质,该计算机可读存储介质上存储有计算机程序,该计算机程序被处理器执行时实现如本申请实施例中一个或多个所述的方法。
本申请实施例中,利用基于卷积神经网络的多智能体系统模型结构构建油井产量模型,在训练过程中可以利用多智能体之间的协作和竞争机制,使得每个智能体在更新自己的参数时会同时更新其余的智能体,同时完成多智能体之间的信息交互,通过这种交互,可以提高油井产量预测模型的鲁棒性,可以更好地完成不同油藏的产量预测任务。然后,将预先获得的预测样本输入所述油井产量模型,并利用遗传算法对所述油井产量预测模型进行参数优化,获得油井产量预测模型,可以进一步提高预测结果的可靠性。
本申请实施例附加的方面和优点将在下面的描述部分中给出,这些将从下面的描述中变得明显,或通过本申请的实践了解到。
附图说明
本申请上述的和/或附加的方面和优点从下面结合附图对实施例的描述中将变得明显和容易理解,其中:
图1为本申请实施例提供的油井产量预测模型生成方法的流程图;
图2为本申请实施例提供的其中一个油井的预测样本中油藏压力的示意图;
图3为本申请实施例提供的其中一个油井的预测样本中相对饱和度的示意图;
图4为本申请实施例提供的其中一个油井的预测样本中相对渗透率的示意图;
图5为本申请实施例提供的突变操作的示意图;
图6为本申请实施例提供的未使用遗传算法的模型和使用遗传算法的油井产量预测模型的预测精确度对比示意图;
图7为本申请实施例提供的未使用遗传算法的模型和使用遗传算法的油井产量预测模型每次迭代适应度函数值的对比示意图;
图8为本申请实施例提供的油井产量预测模型生成装置的结构示意图;
图9为本申请实施例提供的电子设备的结构示意图。
具体实施方式
下面详细描述本申请的实施例,实施例的示例在附图中示出,其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的,仅用于解释本申请,而不能解释为对本申请的限制。
本技术领域技术人员可以理解,除非特意声明,这里使用的单数形式“一”、“一个”、“所述”和“该”也可包括复数形式。应该进一步理解的是,本申请的说明书中使用的措辞“包括”是指存在特征、整数、步骤、操作、元件和/或组件,但是并不排除存在或添加一个或多个其他特征、整数、步骤、操作、元件、组件和/或它们的组合。应该理解,当我们称元件被“连接”或“耦接”到另一元件时,它可以直接连接或耦接到其他元件,或者也可以存在中间元件。此外,这里使用的“连接”或“耦接”可以包括无线连接或无线耦接。这里使用的措辞“和/或”包括一个或更多个相关联的列出项的全部或任一单元和全部组合。
本领域技术人员可以理解,除非另外定义,这里使用的所有术语(包括技术术语和科学术语),具有与本发明所属领域中的普通技术人员的一般理解相同的意义。还应该理解的是,诸如通用字典中定义的那些术语,应该被理解为具有与现有技术的上下文中的意义一致的意义,并且除非像这里一样被特定定义,否则不会用理想化或过于正式的含义来解释。
本申请实施例所提供的方案可以由任一电子设备执行,如可以是终端设备,也可以是服务器,其中,服务器可以是独立的物理服务器,也可以是多个物理服务器构成的服务器集群或者分布式系统,还可以是提供云计算服务的云服务器。终端可以是智能手机、平板电脑、笔记本电脑、台式计算机、智能音箱、智能手表等,但并不局限于此。终端以及服务器可以通过有线或无线通信方式进行直接或间接地连接,本申请在此不做限制。对于现有技术中所存在的技术问题,本申请提供的油井产量预测模型生成方法、油井产量预测方法及装置,旨在解决现有技术的技术问题中的至少一项。
下面以具体实施例对本申请的技术方案以及本申请的技术方案如何解决上述技术问题进行详细说明。下面这几个具体的实施例可以相互结合,对于相同或相似的概念或过程可能在某些实施例中不再赘述。下面将结合附图,对本申请的实施例进行描述。
本申请实施例提供了一种可能的实现方式,如图1所示,提供了一种油井产量预测模型生成方法的流程图,该方案可以由任一电子设备执行,可选的,可以在服务器端或终端设备执行。
如图1中所示,该方法可以包括以下步骤:
步骤101,利用基于卷积神经网络的多智能体系统模型结构构建油井产量模型。
借助基于卷积神经网络的多智能体系统的模型结构,利用智能体之间的协作和竞争机制,使得多智能体系统在训练的过程中,各个智能体之间参数信息可以被互相分享,同时多个智能体之间的参数更新互相影响。
步骤102,将预先获得的预测样本输入所述油井产量模型,并利用遗传算法对所述油井产量预测模型进行参数优化,获得油井产量预测模型。
其中,预测样本是带标签的油井产量预测样本,标签为油井产量,通过不断的训练使得最终训练出的油井产量预测模型在接收到油井产量预测样本时,尽可能输出较为准确的油井产量。但是单纯的使用多智能体系统训练油井产量模型获得的油井产量预测模型,仍然具有较难解决局部最优解,预测精度不够高等问题。
模型的参数优化方法一般有梯度下降法、随机优化方法、遗传算法等。梯度下降法和随机优化方法有计算速度较快,适用于处理大规模数据等优点,但是在求解全局部最优解,解决非凸优化问题等方面不如遗传算法。
遗传进化算法是一种模拟自然进化过程的计算方法,通过模拟生物进化的选择,交叉,突变等过程,在迭代循环中不断产生新的个体并进行逐步优化使得最近一代的个体能够满足相关要求。
本申请实施例中,在多智能体系统的基础上,引入遗传算法对油井产量模型进行参数调优;使用调优后的参数训练油井产量模型,使得获得的油井产量预测模型可以有效解决油井产量预测模型的局部最优解问题,提高模型泛化性、准确性,以及增加油井产量预测模型在现实场景中的实际应用价值。
本申请实施例中,利用基于卷积神经网络的多智能体系统模型结构构建油井产量模型,在训练过程中可以利用多智能体之间的协作和竞争机制,使得每个智能体在更新自己的参数时会同时更新其余的智能体,同时完成多智能体之间的信息交互,通过这种交互,可以提高油井产量预测模型的鲁棒性,可以更好地完成不同油藏的产量预测任务。然后,将预先获得的预测样本输入所述油井产量模型,并利用遗传算法对所述油井产量预测模型进行参数优化,获得油井产量预测模型,可以进一步提高预测结果的可靠性。
在一个可选的实施例中,所述将预先获得的预测样本输入所述油井产量模型之前,所述方法还包括:
从油藏数值模拟模型中读取一个或多个油井对应的地质参数;其中,地质参数包括但不限于有效孔隙度,地层渗透率,含水率,饱和度;
确定所述油井控制区域的面积,并将所述油井控制区域的所述地址参数转换为数字矩阵;其中,所述数字矩阵包括但不限于有效孔隙度矩阵,渗透率矩阵,含水率矩阵,饱和度矩阵。
根据所述油井控制区域的多个地质参数对应的多个数字矩阵生成油井图像;
将标签参数与所述油井图像结合,生成所述预测样本;所述标签参数可以为油井产量。
根据上述方法,多个油井可以生成多个预测样本,进而生成带标签的油井产量预测样本数据集。
利用带标签的油井产量预测样本数据集训练油井产量模型,通过不断的训练使得最终训练出的油井产量预测模型在接收到油井产量预测样本时,尽可能输出较为准确的油井产量。
示例性地,本申请实施例中,使用开放式多孔介质(OPM)数据集中的SPE9数据集当作油藏数值模拟模型,该模型包含26口油井,以及相关的压力,温度和相对渗透率等多个属性。通过油藏数值模拟软件将所需的油井属性导出,然后利用预设的程序(如Python程序)将单一油井多个参数对应的数字矩阵转换成油井图像。再利用油藏数值模拟软件预测SPE9数据集中对应油井属性下的油井产量,并将其与上面生成的油井图像相结合生成带标签的油井产量预测样本,重复此步骤,最终生成带标签的油井产量预测样本数据集。
本申请实施例中,参照图2、图3和图4,分别示出了其中一个油井的预测样本中油藏压力、相对饱和度和相对渗透率的示意图。其中,图2中横坐标和纵坐标为对应油井所控制的区域,右侧颜色柱代表油藏压力(PRESSURE);图3中横坐标和纵坐标为对应油井所控制的区域,右侧颜色柱代表相对饱和度(SWAT);图4中横坐标和纵坐标为对应油井所控制的区域,右侧颜色柱代表相对渗透率(PERMX)。
在一个可选的实施例中,所述利用遗传算法对所述油井产量预测模型进行参数优化,获得油井产量预测模型,包括:
为多个智能体分配对应的突变算法,并利用所述突变算法优化所述油井产量模型;
确定所述油井产量模型满足预设条件中的一种或多种,则封装获得所述油井产量模型,输出获得所述油井产量预测模型;
其中,所述预设条件包括:达到预设的迭代次数、种群适应度大于或等于适应度阈值、预测精度大于或等于精度阈值。
遗传算法中的突变是破解全局最优解以及提高模型泛化性的关键步骤,通过使用突变算法,对多智能体的参数组进行突变操作,输出经过突变的参数组,重复此步骤,直至油井产量模型满足上述预设条件中的一种或多种,输出获得油井产量预测模型。可以使得油井产量预测模型具备更加强大的油井产量预测能力,同时尽可能避免局部最优解等问题。其中,参数组中包括但不限于学习率,优化器,损失率。
在一个可选的实施例中,所述为多个智能体分配对应的突变算法,并利用所述突变算法优化所述油井产量模型之前,还包括:
确定基于交叉算法,并利用所述基于交叉算法对多个所述智能体之间进行交叉操作。
选择合适的基因交叉方式,比如最简单的单点交叉方式,交叉对象为每一个批次中多个智能体的参数组,针对多个智能体的参数组进行基因交叉;之后,选择如均匀突变算法、非均匀突变算法、自适应突变算法等突变算法对多智能体的参数组进行突变操作。利用突变后的参数组对油井产量模型进行下一轮的训练,迭代多次,使得训练完成后获得的油井产量预测模型的泛化性能更强。
在一个可选的实施例中,所述为多个智能体分配对应的突变算法,并利用所述突变算法优化所述油井产量模型,包括:
通过不同智能体之间的交流比较,确定对应智能体的突变算法;
利用所述突变算法对所述智能体的参数组进行突变操作,获得突变后的参数组;
利用所述突变后的参数组训练所述油井产量模型。
所述的突变算法包括但不限于均匀突变算法、非均匀突变算法、自适应突变算法。
部分算法对一个基因位的突变公式如下,一个基因位即单一智能体参数组中的一个参数,如学习率等,以下各式中的xi为第i代的学习率。
均匀突变算法:
xi+1=xi±Δxi
其中,Δxi的值为-Δk~Δk之间的随机数,Δk为学习率的变化范围,通常取为学习率值的一定比例(例如15%)。
非均匀突变算法:
xi+1=xi±Δxi
Δxi的值为由分布函数f(x)生成的随机数,例如高斯分布或柯西分布等。
自适应突变算法:
xi+1=xi±Δxi
其中xi为第i代学习率,xi+1为第i+1代学习率,Δxi的值由分布函数f(x)生成的随机数确定,突变概率Rm可以根据相应的策略来调整,例如:
Rm=R0*1-e^-α*fi/favg
其中,R0是初始突变概率,fi是个体i的适应度值,favg是种群平均适应度值,α是调整系数。自适应突变算法可以根据搜索过程的进展情况来调整突变概率,以平衡多样性和收敛速度。
在一个可选的实施例中,所述通过不同智能体之间的交流比较,确定对应智能体的突变算法,包括:
获取上一轮迭代中所述智能体对应的损失值;
若多个智能体中,所述智能体的损失值最小,则保留所述智能体在上一轮中的突变算法;否则,为所述智能体重新分配所述突变算法。
具体地,输入预测样本,在油井产量模型完成第一轮训练之后,随机将事先选定的突变算法分配给各个智能体。根据突变规则每个智能体的参数组合都会进行突变,然后在此基础上完成下一轮(第二轮)训练;在第二轮训练结束后,获取第二轮迭代中所述智能体对应的损失值,损失值最小的智能体维持上一轮(第二轮)使用的突变算法,其余智能体重新随机分配突变算法;之后重复上述操作,直至油井产量模型满足预设条件中的一种或多种,停止遗传算法的运行,输出获得所述油井产量预测模型。其中,预设条件包括:达到预设的迭代次数、种群适应度大于或等于适应度阈值、预测精度大于或等于精度阈值。所述损失值可以为预测的油井产量与真实值之间的差值。
如图5所示,输入预测样本,在油井产量模型完成第一轮训练之后,分别为智能体1、智能体2……智能体N随机分配突变算法_1、突变算法_2……突变算法_N,对预测样本进行训练,分别输入_1、输出_2……输出_N;之后根据适应度选择下一轮使用的突变算法;在训练过程中经过K次迭代后,适应度满足要求,则获得第K次迭代中智能体1-K、智能体2-K……智能体N-K,并分别根据智能体1-K、智能体2-K……智能体N-K中的突变算法_1、突变算法_2……突变算法_N与预测样本进行预测,并根据多个智能体输出的结果(输入_1、输出_2……输出_N)选择最优的智能体进行封装,作为油井产量预测模型。
在一个可选的实施例中,所述封装获得所述油井产量模型,输出获得所述油井产量预测模型,包括:
使用适应度函数计算多个所述智能体在所述突变算法中的适应度,根据所述适应度最高的智能体对应的所述参数组生成所述油井产量预测模型。
所述适应度函数基于油井产量模型预测的油井产量和真实值之间的差距进行计算,适应度越高,则智能体在突变算法下获得的参数组训练得到的油井产量模型的预测精度越高,即输出的油井产量更精准。因此,可以将适应度最高的智能体对应的参数组获得的油井产量模型封装,输出获得油井产量预测模型。
本申请实施例中,如图6和图7所示,根据本实施例中使用遗传算法的油井产量预测模型(即图中的多智能体遗传进行模型)与未使用遗传算法的多智能体油井产油量预测模型(即图中的多智能体模型),分别对测试用例样本进行预测获得的油井产量进行对比,本申请实施例中的油井产量预测模型具备更高的性能,准确率、随着迭代次数的适应度值等指标相比得到显著提高,极大的提高了油井产量预测的精确度和适应度函数稳定性。
本申请实施例还提供了一种油井产量预测方法,所述方法包括:
将待预测样本输入油井产量预测模型;
利用所述油井产量预测模型对所述待预测样本进行预测,输出获得油井产量。
本申请实施例中,使用上述实施例中获得的油井产量预测模型对待预测样本进行预测,可以获得精确度较高的油井产量。
基于与本申请实施例所提供的油井产量预测模型生成方法相同的原理,本申请实施例还提供了一种基油井产量预测模型生成装置,如图8所示,所述装置包括:
模型构建模块801,用于利用基于卷积神经网络的多智能体系统模型结构构建油井产量模型;
模型优化模块802,用于将预先获得的预测样本输入所述油井产量模型,并利用遗传算法对所述油井产量预测模型进行参数优化,获得油井产量预测模型。
本申请实施例中,模型构建模块利用基于卷积神经网络的多智能体系统模型结构构建油井产量模型,在训练过程中可以利用多智能体之间的协作和竞争机制,使得每个智能体在更新自己的参数时会同时更新其余的智能体,同时完成多智能体之间的信息交互,通过这种交互,可以提高油井产量预测模型的鲁棒性,可以更好地完成不同油藏的产量预测任务。模型优化模块将预先获得的预测样本输入所述油井产量模型,并利用遗传算法对所述油井产量预测模型进行参数优化,获得油井产量预测模型,可以进一步提高预测结果的可靠性。
本申请实施例提供的油井产量预测模型生成装置能够实现图1至图7的方法实施例中实现的各个过程,为避免重复,这里不再赘述。
基于与本申请实施例所提供的油井产量预测方法相同的原理,本申请实施例还提供了一种油井产量预测装置,所述装置包括:
样本输入模块,用于将待预测样本输入油井产量预测模型;
预测输出模块,用于利用所述油井产量预测模型对所述待预测样本进行预测,输出获得油井产量。
本申请实施例中,使用上述实施例中获得的油井产量预测模型对待预测样本进行预测,可以获得精确度较高的油井产量。
本申请实施例提供的油井产量预测装置能够油井产量预测方法实施例中实现的各个过程,为避免重复,这里不再赘述。
基于与本申请的实施例中所示的方法相同的原理,本申请实施例还提供了一种电子设备,该电子设备可以包括但不限于:处理器和存储器;存储器,用于存储计算机程序;处理器,用于通过调用计算机程序执行本申请任一可选实施例所示的油井产量预测模型生成方法或油井产量预测方法。与现有技术相比,本申请提供的油井产量预测模型生成方法,利用基于卷积神经网络的多智能体系统模型结构构建油井产量模型,在训练过程中可以利用多智能体之间的协作和竞争机制,使得每个智能体在更新自己的参数时会同时更新其余的智能体,同时完成多智能体之间的信息交互,通过这种交互,可以提高油井产量预测模型的鲁棒性,可以更好地完成不同油藏的产量预测任务。然后,将预先获得的预测样本输入所述油井产量模型,并利用遗传算法对所述油井产量预测模型进行参数优化,获得油井产量预测模型,可以进一步提高预测结果的可靠性。
在一个可选实施例中,还提供了一种电子设备,如图9所示,图9所示的电子设备900可以为服务器,包括:处理器901和存储器903。其中,处理器901和存储器903相连,如通过总线902相连。可选地,电子设备900还可以包括收发器904。需要说明的是,实际应用中收发器904不限于一个,该电子设备900的结构并不构成对本申请实施例的限定。
处理器901可以是CPU(CentralProcessingUnit,中央处理器),通用处理器,DSP(DigitalSignalProcessor,数据信号处理器),ASIC(ApplicationSpecificIntegratedCircuit,专用集成电路),FPGA(FieldProgrammableGate Array,现场可编程门阵列)或者其他可编程逻辑器件、晶体管逻辑器件、硬件部件或者其任意组合。其可以实现或执行结合本申请公开内容所描述的各种示例性的逻辑方框,模块和电路。处理器901也可以是实现计算功能的组合,例如包含一个或多个微处理器组合,DSP和微处理器的组合等。
总线902可包括一通路,在上述组件之间传送信息。总线902可以是PCI(PeripheralComponentInterconnect,外设部件互连标准)总线或EISA(ExtendedIndustryStandardArchitecture,扩展工业标准结构)总线等。总线902可以分为地址总线、数据总线、控制总线等。为便于表示,图9中仅用一条粗线表示,但并不表示仅有一根总线或一种类型的总线。
存储器903可以是ROM(ReadOnlyMemory,只读存储器)或可存储静态信息和指令的其他类型的静态存储设备,RAM(RandomAccessMemory,随机存取存储器)或者可存储信息和指令的其他类型的动态存储设备,也可以是EEPROM(ElectricallyErasableProgrammableReadOnlyMemory,电可擦可编程只读存储器)、CD-ROM(CompactDiscReadOnlyMemory,只读光盘)或其他光盘存储、光碟存储(包括压缩光碟、激光碟、光碟、数字通用光碟、蓝光光碟等)、磁盘存储介质或者其他磁存储设备、或者能够用于携带或存储具有指令或数据结构形式的期望的程序代码并能够由计算机存取的任何其他介质,但不限于此。
存储器903用于存储执行本申请方案的应用程序代码,并由处理器901来控制执行。处理器901用于执行存储器903中存储的应用程序代码,以实现前述方法实施例所示的内容。
其中,电子设备包括但不限于:移动电话、笔记本电脑、数字广播接收器、PDA(个人数字助理)、PAD(平板电脑)、PMP(便携式多媒体播放器)、车载终端(例如车载导航终端)等的移动终端以及诸如数字TV、台式计算机等的固定终端。图9示出的电子设备仅仅是一个示例,不应对本申请实施例的功能和使用范围带来任何限制。
本申请提供的服务器可以是独立的物理服务器,也可以是多个物理服务器构成的服务器集群或者分布式系统,还可以是提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、CDN、以及大数据和人工智能平台等基础云计算服务的云服务器。终端可以是智能手机、平板电脑、笔记本电脑、台式计算机、智能音箱、智能手表等,但并不局限于此。终端以及服务器可以通过有线或无线通信方式进行直接或间接地连接,本申请在此不做限制。
本申请实施例提供了一种计算机可读存储介质,该计算机可读存储介质上存储有计算机程序,当其在计算机上运行时,使得计算机可以执行前述方法实施例中相应内容。
应该理解的是,虽然附图的流程图中的各个步骤按照箭头的指示依次显示,但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明,这些步骤的执行并没有严格的顺序限制,其可以以其他的顺序执行。而且,附图的流程图中的至少一部分步骤可以包括多个子步骤或者多个阶段,这些子步骤或者阶段并不必然是在同一时刻执行完成,而是可以在不同的时刻执行,其执行顺序也不必然是依次进行,而是可以与其他步骤或者其他步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
需要说明的是,本申请上述的计算机可读存储介质还可以是计算机可读信号介质或者计算机可读存储介质与计算机可读存储介质的组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件,或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于:具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本申请中,计算机可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本申请中,计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号,其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式,包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读信号介质还可以是计算机可读存储介质以外的任何计算机可读介质,该计算机可读信号介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输,包括但不限于:电线、光缆、RF(射频)等等,或者上述的任意合适的组合。
上述计算机可读介质可以是上述电子设备中所包含的;也可以是单独存在,而未装配入该电子设备中。
上述计算机可读介质承载有一个或者多个程序,当上述一个或者多个程序被该电子设备执行时,使得该电子设备执行上述实施例所示的方法。
根据本申请的一个方面,提供了一种计算机程序产品或计算机程序,该计算机程序产品或计算机程序包括计算机指令,该计算机指令存储在计算机可读存储介质中。计算机设备的处理器从计算机可读存储介质读取该计算机指令,处理器执行该计算机指令,使得该计算机设备执行上述各种可选实现方式中提供的油井产量预测模型生成方法、油井产量预测方法及装置。
可以以一种或多种程序设计语言或其组合来编写用于执行本申请的操作的计算机程序代码,上述程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++,还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中,远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)—连接到用户计算机,或者,可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
附图中的流程图和框图,图示了按照本申请各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分,该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个接连地表示的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以用执行规定的功能或操作的专用的基于硬件的系统来实现,或者可以用专用硬件与计算机指令的组合来实现。
描述于本申请实施例中所涉及到的模块可以通过软件的方式实现,也可以通过硬件的方式来实现。其中,模块的名称在某种情况下并不构成对该模块本身的限定,例如,模型构建模块还可以被描述为“用于利用基于卷积神经网络的多智能体系统模型结构构建油井产量模型的模型构建模块”。
以上描述仅为本申请的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解,本申请中所涉及的公开范围,并不限于上述技术特征的特定组合而成的技术方案,同时也应涵盖在不脱离上述公开构思的情况下,由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本申请中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。
Claims (10)
1.一种油井产量预测模型生成方法,其特征在于,所述方法包括:
利用基于卷积神经网络的多智能体系统模型结构构建油井产量模型;
将预先获得的预测样本输入所述油井产量模型,并利用遗传算法对所述油井产量预测模型进行参数优化,获得油井产量预测模型。
2.根据权利要求1所述的油井产量预测模型生成方法,其特征在于,所述利用遗传算法对所述油井产量预测模型进行参数优化,获得油井产量预测模型,包括:
为多个智能体分配对应的突变算法,并利用所述突变算法优化所述油井产量模型;
确定所述油井产量模型满足预设条件中的一种或多种,则封装获得所述油井产量模型,输出获得所述油井产量预测模型;
其中,所述预设条件包括:达到预设的迭代次数、种群适应度大于或等于适应度阈值、预测精度大于或等于精度阈值。
3.根据权利要求2所述的油井产量预测模型生成方法,其特征在于,所述为多个智能体分配对应的突变算法,并利用所述突变算法优化所述油井产量模型之前,还包括:
确定基于交叉算法,并利用所述基于交叉算法对多个所述智能体之间进行交叉操作。
4.根据权利要求2所述的油井产量预测模型生成方法,其特征在于,所述为多个智能体分配对应的突变算法,并利用所述突变算法优化所述油井产量模型,包括:
通过不同智能体之间的交流比较,确定对应智能体的突变算法;
利用所述突变算法对所述智能体的参数组进行突变操作,获得突变后的参数组;
利用所述突变后的参数组训练所述油井产量模型。
5.根据权利要求4所述的油井产量预测模型生成方法,其特征在于,所述通过不同智能体之间的交流比较,确定对应智能体的突变算法,包括:
获取上一轮迭代中所述智能体对应的损失值;
若多个智能体中,所述智能体的损失值最小,则保留所述智能体在上一轮中的突变算法;否则,为所述智能体重新分配所述突变算法。
6.根据权利要求5所述的油井产量预测模型生成方法,其特征在于,所述封装获得所述油井产量模型,输出获得所述油井产量预测模型,包括:
使用适应度函数计算多个所述智能体在所述突变算法中的适应度,根据所述适应度最高的智能体对应的所述参数组生成所述油井产量预测模型。
7.根据权利要求1所述的油井产量预测模型生成方法,其特征在于,所述将预先获得的预测样本输入所述油井产量模型之前,所述方法还包括:
从油藏数值模拟模型中读取一个或多个油井对应的地质参数;
确定所述油井控制区域的面积,并将所述油井控制区域的所述地址参数转换为数字矩阵;
根据所述油井控制区域的多个地质参数对应的多个数字矩阵生成油井图像;
将标签参数与所述油井图像结合,生成所述预测样本。
8.一种油井产量预测方法,其特征在于,所述方法包括:
将待预测样本输入油井产量预测模型;
利用所述油井产量预测模型对所述待预测样本进行预测,输出获得油井产量。
9.一种油井产量预测模型生成装置,其特征在于,所述装置包括:
模型构建模块,用于利用基于卷积神经网络的多智能体系统模型结构构建油井产量模型;
模型优化模块,用于将预先获得的预测样本输入所述油井产量模型,并利用遗传算法对所述油井产量预测模型进行参数优化,获得油井产量预测模型。
10.一种油井产量预测装置,其特征在于,所述装置包括:
样本输入模块,用于将待预测样本输入油井产量预测模型;
预测输出模块,用于利用所述油井产量预测模型对所述待预测样本进行预测,输出获得油井产量。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310689240.6A CN116861987A (zh) | 2023-06-12 | 2023-06-12 | 油井产量预测模型生成方法、油井产量预测方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310689240.6A CN116861987A (zh) | 2023-06-12 | 2023-06-12 | 油井产量预测模型生成方法、油井产量预测方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116861987A true CN116861987A (zh) | 2023-10-10 |
Family
ID=88225853
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310689240.6A Pending CN116861987A (zh) | 2023-06-12 | 2023-06-12 | 油井产量预测模型生成方法、油井产量预测方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116861987A (zh) |
-
2023
- 2023-06-12 CN CN202310689240.6A patent/CN116861987A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11416268B2 (en) | Aggregate features for machine learning | |
CN109902186B (zh) | 用于生成神经网络的方法和装置 | |
US10360517B2 (en) | Distributed hyperparameter tuning system for machine learning | |
CN110728317A (zh) | 决策树模型的训练方法、系统、存储介质及预测方法 | |
CN114265979B (zh) | 确定融合参数的方法、信息推荐方法和模型训练方法 | |
US11093857B2 (en) | Method and apparatus for generating information | |
CN111340221B (zh) | 神经网络结构的采样方法和装置 | |
CN110348578B (zh) | 一种安全事件情景推演构建方法、系统、设备及介质 | |
CN112035743A (zh) | 数据推荐方法、装置、计算机设备以及存储介质 | |
CN112508118A (zh) | 针对数据偏移的目标对象行为预测方法及其相关设备 | |
CN117290477A (zh) | 一种基于二次检索增强的生成式建筑知识问答方法 | |
CN111767953B (zh) | 用于训练物品编码模型的方法和装置 | |
CN113610299A (zh) | 基于特征衰减强化神经网络的信息传播预测方法及装置 | |
CN115292390B (zh) | 负荷信息生成方法、装置、电子设备和计算机可读介质 | |
CN116861987A (zh) | 油井产量预测模型生成方法、油井产量预测方法及装置 | |
CN111325401B (zh) | 一种路径规划模型的训练方法、装置及计算机系统 | |
CN116932873A (zh) | 视频账号的推荐方法、装置、设备、存储介质及程序产品 | |
CN114239934A (zh) | 一种基于生成式对抗网络的电网负荷序列预测方法及系统 | |
CN110147804B (zh) | 一种不平衡数据处理方法、终端及计算机可读存储介质 | |
CN116955836B (zh) | 推荐方法、装置、设备、计算机可读存储介质及程序产品 | |
CN116501993B (zh) | 房源数据推荐方法及装置 | |
CN111526054B (zh) | 用于获取网络的方法及装置 | |
CN117312325B (zh) | 基于知识蒸馏的量化索引构建方法、装置及设备 | |
CN111582482B (zh) | 用于生成网络模型信息的方法、装置、设备和介质 | |
Yan | The Development Trend Prediction of the Internet of Things Industry in China |
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 |