CN116976146A - 耦合物理驱动和数据驱动的压裂井产量预测方法与系统 - Google Patents
耦合物理驱动和数据驱动的压裂井产量预测方法与系统 Download PDFInfo
- Publication number
- CN116976146A CN116976146A CN202311226681.9A CN202311226681A CN116976146A CN 116976146 A CN116976146 A CN 116976146A CN 202311226681 A CN202311226681 A CN 202311226681A CN 116976146 A CN116976146 A CN 116976146A
- Authority
- CN
- China
- Prior art keywords
- period
- production
- yield
- model
- decreasing
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 52
- 238000004519 manufacturing process Methods 0.000 claims abstract description 377
- 230000003247 decreasing effect Effects 0.000 claims abstract description 200
- 238000013528 artificial neural network Methods 0.000 claims abstract description 23
- 238000005457 optimization Methods 0.000 claims description 32
- 230000008878 coupling Effects 0.000 claims description 22
- 238000010168 coupling process Methods 0.000 claims description 22
- 238000005859 coupling reaction Methods 0.000 claims description 22
- 238000004422 calculation algorithm Methods 0.000 claims description 18
- 230000008569 process Effects 0.000 claims description 14
- 239000000463 material Substances 0.000 claims description 11
- 230000001052 transient effect Effects 0.000 claims description 11
- 238000005507 spraying Methods 0.000 claims description 6
- 238000001914 filtration Methods 0.000 claims description 5
- 239000012530 fluid Substances 0.000 claims description 2
- 238000011161 development Methods 0.000 abstract description 4
- 239000003921 oil Substances 0.000 description 48
- 230000006870 function Effects 0.000 description 40
- 238000012549 training Methods 0.000 description 30
- 238000002347 injection Methods 0.000 description 21
- 239000007924 injection Substances 0.000 description 21
- 230000001186 cumulative effect Effects 0.000 description 13
- 230000000694 effects Effects 0.000 description 11
- 230000002159 abnormal effect Effects 0.000 description 8
- 238000011156 evaluation Methods 0.000 description 8
- 238000004458 analytical method Methods 0.000 description 7
- 238000010801 machine learning Methods 0.000 description 7
- 238000012360 testing method Methods 0.000 description 7
- 230000008859 change Effects 0.000 description 5
- 238000012216 screening Methods 0.000 description 5
- 238000005065 mining Methods 0.000 description 4
- 238000003062 neural network model Methods 0.000 description 4
- 239000010779 crude oil Substances 0.000 description 2
- 125000004122 cyclic group Chemical group 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000009499 grossing Methods 0.000 description 2
- 210000002569 neuron Anatomy 0.000 description 2
- 239000003129 oil well Substances 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 239000000243 solution Substances 0.000 description 2
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 1
- 239000004215 Carbon black (E152) Substances 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013211 curve analysis Methods 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000005553 drilling Methods 0.000 description 1
- 230000008030 elimination Effects 0.000 description 1
- 238000003379 elimination reaction Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 229930195733 hydrocarbon Natural products 0.000 description 1
- 150000002430 hydrocarbons Chemical class 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 239000010721 machine oil Substances 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- YHXISWVBGDMDLQ-UHFFFAOYSA-N moclobemide Chemical compound C1=CC(Cl)=CC=C1C(=O)NCCN1CCOCC1 YHXISWVBGDMDLQ-UHFFFAOYSA-N 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 230000035699 permeability Effects 0.000 description 1
- 238000005293 physical law Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000003908 quality control method Methods 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 239000003079 shale oil Substances 0.000 description 1
Classifications
-
- 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
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/10—Numerical modelling
-
- 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
- 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)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Mining & Mineral Resources (AREA)
- Health & Medical Sciences (AREA)
- Geometry (AREA)
- Life Sciences & Earth Sciences (AREA)
- Agronomy & Crop Science (AREA)
- Animal Husbandry (AREA)
- Marine Sciences & Fisheries (AREA)
- Evolutionary Computation (AREA)
- Computer Hardware Design (AREA)
- General Engineering & Computer Science (AREA)
- Economics (AREA)
- General Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Feedback Control In General (AREA)
Abstract
本发明公开一种耦合物理驱动和数据驱动的压裂井产量预测方法与系统，涉及油气田开发技术领域。所述方法包括根据产量递减时间段的生产数据确定生产流态；根据生产流态确定最佳产量递减模型；采用生产数据对时间序列预测模型集中的各时间序列预测模型进行优化得到最优时间序列预测模型；基于内嵌物理知识神经网络原理根据最佳产量递减模型和最优时间序列预测模型构建压裂井生产动态预测模型；采用生产数据对压裂井生产动态预测模型进行优化得到最优压裂井生产动态预测模型，最优压裂井生产动态预测模型用于预测压裂井的产量。本发明可提高压裂井产量预测的准确性。
Description
技术领域
本发明涉及油气田开发技术领域，特别是涉及耦合物理驱动和数据驱动的压裂井产量预测方法与系统。
背景技术
致密油、页岩油等非常规油气资源的开发对保障原油产量持续稳定增长、降低原油对外依存度具有重要意义。非常规油气往往具有储层致密、自然产能低等特点，需要采用大规模水力压裂或体积压裂等技术才能获得工业油流。因此，压裂井产量预测对于非常规油气资源的有效开发和生产优化至关重要。但受复杂流动机理、繁琐开采工艺和人为因素干扰等影响，压裂井的产量预测极具挑战性。
目前常用的压裂井产量预测方法主要包括三种：一种是数值模拟方法，该方法是预测压裂井产量最常用的方法，该过程基于数值模型，提供了良好的结果，并充分描述了储层的非均质性。然而，构建这些模型繁琐且耗时，涉及建立地质模型、数值模型和历史拟合等操作，并且还需要各种类型的地层和流体数据，如测井数据、渗透率、孔隙度和饱和度等，对数据的要求较高，需要准确的油藏数据及压裂施工数据，而且计算复杂，工作量大。一种是传统产量递减曲线方法(DCA)，该方法可以通过分析压裂井长期生产数据来预测生产井产能。产量递减曲线分析包括将过去生产井的实际生产率与时间数据与“递减模型”相匹配，例如指数、调和和双曲递减模型。然而这些模型都是理想曲线，只适用于生产井的产量递减阶段且不能考虑实际的地层因素，因此使用这种方法很难保证正确性。另一种是机器学习方法，该方法在油藏生产动态预测中是有效果的，在给定大量数据的情况下可以获得令人满意的预测结果。然而，一些已有的基于生产数据的时间序列类预测方法如自回归积分滑动平均模型(Autoregressive Integrated Moving Average Model，ARIMA)无法考虑工作制度变化等人为操作对产量变化的影响，而且由于该方法对数据需求大，无法产生与物理上一致的结果，并且缺乏对样本以外场景的可推广性，纯机器学习方法无法满足复杂生产预测问题中预测性能和推广能力的要求。
发明内容
本发明的目的是提供耦合物理驱动和数据驱动的压裂井产量预测方法与系统，可提高压裂井产量预测的准确性。
为实现上述目的，本发明提供了如下方案：
一种耦合物理驱动和数据驱动的压裂井产量预测方法，包括：
获取待预测压裂井各时期的生产数据；所述时期包括自喷期和机采期；
对于任意一个时期，根据所述时期产量递减时间段的生产数据确定所述时期的生产流态；所述生产流态包括：早期线性流动阶段、瞬变流动阶段和拟稳态流动阶段；
根据所述时期的生产流态确定所述时期的最佳产量递减模型；
采用所述时期的生产数据对时间序列预测模型集中的各时间序列预测模型进行优化得到所述时期的最优时间序列预测模型；
基于内嵌物理知识神经网络原理根据所述时期的最佳产量递减模型和所述时期的最优时间序列预测模型构建耦合物理驱动和数据驱动的所述时期的压裂井生产动态预测模型；
采用所述时期的生产数据对所述时期的压裂井生产动态预测模型进行优化得到所述时期的最优压裂井生产动态预测模型，所述时期的最优压裂井生产动态预测模型用于预测所述时期未来时刻所述待预测压裂井的产量。
可选的，所述根据所述时期的生产流态确定所述时期的最佳产量递减模型，具体包括：
根据所述时期的生产流态确定所述时期对应的产量递减模型集合；
分别采用所述时期对应的产量递减模型集合中的各产量递减模型对所述时期产量递减时间段的生产数据进行拟合，得到所述时期的最佳产量递减模型。
可选的，所述根据所述时期产量递减时间段的生产数据确定所述时期的生产流态，具体包括：
根据所述时期产量递减时间段的生产数据绘制所述时期对应的产量与物质平衡时间双对数曲线；
根据所述时期对应的产量与物质平衡时间双对数曲线确定所述时期的生产流态。
可选的，所述根据所述时期的生产流态确定所述时期对应的产量递减模型集合，具体包括：
若所述时期的生产流态为早期线性流动阶段或瞬变流动阶段，则确定所述时期对应的产量递减模型集合包括SEPD产量递减模型、Duong产量递减模型和PLE产量递减模型；
若所述时期的生产流态为拟稳态流动阶段，则确定所述时期对应的产量递减模型集合包括Arps产量递减模型、SEPD产量递减模型、Duong产量递减模型和PLE产量递减模型。
可选的，所述分别采用所述时期对应的产量递减模型集合中的各产量递减模型对所述时期产量递减时间段的生产数据进行拟合，得到所述时期的最佳产量递减模型，具体包括：
采用优化算法对所述时期对应的产量递减模型集合中的各产量递减模型进行参数优选得到优选后的所述时期对应的产量递减模型集合；
采用优选后的所述时期对应的产量递减模型集合中的各产量递减模型对所述时期产量递减时间段的生产数据进行拟合，得到优选后的所述时期对应的产量递减模型集合中的各产量递减模型对应的拟合生产数据曲线；
根据优选后的所述时期对应的产量递减模型集合中的各产量递减模型对应的拟合生产数据曲线与所述时期产量递减时间段的生产数据，计算优选后的所述时期对应的产量递减模型集合中的各产量递减模型对应的决定系数；
根据优选后的所述时期对应的产量递减模型集合中的各产量递减模型对应的决定系数确定所述时期的最佳产量递减模型。
可选的，所述采用所述时期的生产数据对时间序列预测模型集中的各时间序列预测模型进行优化得到所述时期的最优时间序列预测模型，具体包括：
采用所述时期的生产数据对时间序列预测模型集中的各时间序列预测模型进行优化得到所述时期优化后的时间序列预测模型集；
采用所述时期优化后的时间序列预测模型集对所述时期的生产数据进行预测，得到所述时期优化后的时间序列预测模型集中各时间序列预测模型对应的预测生产数据；
根据所述时期优化后的时间序列预测模型集中各时间序列预测模型对应的预测生产数据与所述时期的生产数据，计算所述时期优化后的时间序列预测模型集中各时间序列预测模型对应的绝对均方根误差和平均绝对误差；
根据所述时期优化后的时间序列预测模型集中各时间序列预测模型对应的绝对均方根误差和平均绝对误差确定所述时期的最优时间序列预测模型。
可选的，所述采用所述时期的生产数据对所述时期的压裂井生产动态预测模型进行优化得到所述时期的最优压裂井生产动态预测模型，具体包括：
以总损失函数最小为目标对所述时期的压裂井生产动态预测模型进行优化得到所述时期的最优压裂井生产动态预测模型；所述总损失函数为第一损失函数值、第二损失函数值和第三损失函数值之和；所述第一损失函数值为根据所述时期的第一预测产量以及所述生产数据中的产油量确定的；所述第二损失函数值为根据所述时期的第一预测产量以及所述时期的第二预测产量确定的；所述第三损失函数值为根据所述时期的最佳产量递减模型的特征参数值以及各特征参数的取值范围确定的；所述时期的第一预测产量为将所述时期的生产数据输入所述时期的最优时间序列预测模型得到的；所述时期的第二预测产量为将所述时期的生产数据输入所述时期的最佳产量递减模型得到的；所述特征参数包括：初始递减率、递减指数、时间无穷大时递减率、周期特征数、双对数曲线截距和双对数曲线斜率。
可选的，在所述根据所述时期产量递减时间段的生产数据绘制所述时期对应的产量与物质平衡时间双对数曲线之前，还包括：依次采用孤立森林算法和卡尔曼滤波算法对所述时期产量递减时间段的日产量进行处理。
一种耦合物理驱动和数据驱动的压裂井产量预测系统，包括：
获取模块，用于获取待预测压裂井各时期的生产数据；所述时期包括自喷期和机采期；
生产流态确定模块，用于对于任意一个时期，根据所述时期产量递减时间段的生产数据确定所述时期的生产流态；所述生产流态包括：早期线性流动阶段、瞬变流动阶段和拟稳态流动阶段；
最佳产量递减模型确定模块，用于根据所述时期的生产流态确定所述时期的最佳产量递减模型；
最优时间序列预测模型确定模块，用于采用所述时期的生产数据对时间序列预测模型集中的各时间序列预测模型进行优化得到所述时期的最优时间序列预测模型；
生产动态预测模型确定模块，用于基于内嵌物理知识神经网络原理根据所述时期的最佳产量递减模型和所述时期的最优时间序列预测模型构建耦合物理驱动和数据驱动的所述时期的压裂井生产动态预测模型；
最优压裂井生产动态预测模型确定模块，用于采用所述时期的生产数据对所述时期的压裂井生产动态预测模型进行优化得到所述时期的最优压裂井生产动态预测模型，所述时期的最优压裂井生产动态预测模型用于预测所述时期未来时刻所述待预测压裂井的产量。
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：
本发明基于内嵌物理知识神经网络原理根据最佳产量递减模型和最优时间序列预测模型构建生产动态预测模型，使得生产动态预测模型结合了物理和机器学习的优点，以实现准确并符合物理规律的预测，可提高压裂井产量预测的准确性。该模型将表示产量递减模型的物理方程作为限制加入到神经网络之中使得模型训练效果更加满足产量递减规律。
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性的前提下，还可以根据这些附图获得其他的附图。
图1为耦合物理驱动和数据驱动的压裂井产量预测方法流程图；
图2为A油田典型压裂井日产油量的递减曲线图；
图3为生产动态预测原理图；
图4为井S油嘴大小变化曲线图；
图5为井S日生产时间变化曲线图；
图6为不同时间序列预测模型对井S的生产动态预测结果与实际生产动态数据对比图；
图7为不同时间序列预测模型对井S的累产油量预测结果与实际累产油量对比图；
图8为耦合模型DCA-LSTM结构示意图；
图9为耦合模型生产动态预测流程图；
图10为不同时间序列预测模型对井M日产油量预测结果与实际日产油量对比图；
图11为不同时间序列预测模型对井M日产油量预测结果与对应时间实际日产油量对比图；
图12为不同时间序列预测模型对井M累产油量预测结果与实际累产油量对比图。
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。
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。
如图1所示，本发明实施例提供了一种耦合物理驱动和数据驱动的压裂井产量预测方法，包括：
步骤101：获取待预测压裂井各时期的生产数据。所述时期包括自喷期和机采期。自喷期的生产数据主要包括不同生产时刻所对应的日自喷产油量、日生产时间和油嘴尺寸。机采期的生产数据主要包括不同生产时刻所对应的日机采产油量、日生产时间、有杆泵冲程和有杆泵冲数。
步骤102：对于任意一个时期，根据所述时期产量递减时间段的生产数据确定所述时期的生产流态。所述生产流态包括：早期线性流动阶段、瞬变流动阶段和拟稳态流动阶段。
步骤103：根据所述时期的生产流态确定所述时期的最佳产量递减模型。
步骤104：采用所述时期的生产数据对时间序列预测模型集中的各时间序列预测模型进行优化得到所述时期的最优时间序列预测模型。所述时间序列预测模型集包括：长短期记忆神经网络时间序列预测模型、门控循环神经网络时间序列预测模型和双向长短期记忆神经网络时间序列预测模型；时间序列预测模型为考虑日生产时间和工作制度的时间序列预测模型。
步骤105：基于内嵌物理知识神经网络原理根据所述时期的最佳产量递减模型和所述时期的最优时间序列预测模型构建耦合物理驱动和数据驱动的所述时期的压裂井生产动态预测模型。
步骤106：采用所述时期的生产数据对所述时期的压裂井生产动态预测模型进行优化得到所述时期的最优压裂井生产动态预测模型，所述时期的最优压裂井生产动态预测模型用于预测所述时期未来时刻所述待预测压裂井的产量。当所述时期为自喷期时，所述自喷期的最优压裂井生产动态预测模型的输入为历史时间段的日自喷产油量、日生产时间和油嘴尺寸，输出为自喷期待预测时刻的日自喷产油量；当所述时期为机采期时，所述机采期的最优压裂井生产动态预测模型的输入为历史时间段的日机采产油量、日生产时间、有杆泵冲程和有杆泵冲数，输出为机采期待预测时刻的日机采产油量。
在实际应用中，所述根据所述时期的生产流态确定所述时期的最佳产量递减模型，具体包括：
根据所述时期的生产流态确定所述时期对应的产量递减模型集合。
分别采用所述时期对应的产量递减模型集合中的各产量递减模型对所述时期产量递减时间段的生产数据进行拟合，得到所述时期的最佳产量递减模型。产量递减模型可以描述为日产量与生产时间的函数表达式，输入为生产时间，输出为日产量。
在实际应用中，所述根据所述时期产量递减时间段的生产数据确定所述时期的生产流态，具体包括：
根据所述时期产量递减时间段的生产数据绘制所述时期对应的产量与物质平衡时间双对数曲线。
根据所述时期对应的产量与物质平衡时间双对数曲线确定所述时期的生产流态。
在实际应用中，所述根据所述时期的生产流态确定所述时期对应的产量递减模型集合，具体包括：
若所述时期的生产流态为早期线性流动阶段或瞬变流动阶段，则确定所述时期对应的产量递减模型集合包括SEPD产量递减模型、Duong产量递减模型和PLE产量递减模型。
若所述时期的生产流态为拟稳态流动阶段，则确定所述时期对应的产量递减模型集合包括Arps产量递减模型、SEPD产量递减模型、Duong产量递减模型和PLE产量递减模型。
在实际应用中，所述分别采用所述时期对应的产量递减模型集合中的各产量递减模型对所述时期产量递减时间段的生产数据进行拟合，得到所述时期的最佳产量递减模型，具体包括：
采用优化算法对所述时期对应的产量递减模型集合中的各产量递减模型进行参数优选得到优选后的所述时期对应的产量递减模型集合。
采用优选后的所述时期对应的产量递减模型集合中的各产量递减模型对所述时期产量递减时间段的生产数据进行拟合，得到优选后的所述时期对应的产量递减模型集合中的各产量递减模型对应的拟合生产数据曲线。
根据优选后的所述时期对应的产量递减模型集合中的各产量递减模型对应的拟合生产数据曲线与所述时期产量递减时间段的生产数据，计算优选后的所述时期对应的产量递减模型集合中的各产量递减模型对应的决定系数R2。
根据优选后的所述时期对应的产量递减模型集合中的各产量递减模型对应的决定系数确定所述时期的最佳产量递减模型。
在实际应用中，所述采用所述时期的生产数据对时间序列预测模型集中的各时间序列预测模型进行优化得到所述时期的最优时间序列预测模型，具体包括：
采用所述时期的生产数据对时间序列预测模型集中的各时间序列预测模型进行优化得到所述时期优化后的时间序列预测模型集。
采用所述时期优化后的时间序列预测模型集对所述时期的生产数据进行预测，得到所述时期优化后的时间序列预测模型集中各时间序列预测模型对应的预测生产数据。
根据所述时期优化后的时间序列预测模型集中各时间序列预测模型对应的预测生产数据与所述时期的生产数据，计算所述时期优化后的时间序列预测模型集中各时间序列预测模型对应的绝对均方根误差RMSE和平均绝对误差MAE。
根据所述时期优化后的时间序列预测模型集中各时间序列预测模型对应的绝对均方根误差和平均绝对误差确定所述时期的最优时间序列预测模型。
在实际应用中，所述采用所述时期的生产数据对所述时期的压裂井生产动态预测模型进行优化得到所述时期的最优压裂井生产动态预测模型，具体包括：
以总损失函数最小为目标对所述时期的压裂井生产动态预测模型进行优化得到所述时期的最优压裂井生产动态预测模型；所述总损失函数为第一损失函数值、第二损失函数值和第三损失函数值之和；所述第一损失函数值为根据所述时期的第一预测产量以及所述生产数据中的产油量确定的；所述第二损失函数值为根据所述时期的第一预测产量以及所述时期的第二预测产量确定的；所述第三损失函数值为根据所述时期的最佳产量递减模型的特征参数值以及各特征参数的取值范围确定的；所述时期的第一预测产量为将所述时期的生产数据输入所述时期的最优时间序列预测模型得到的；所述时期的第二预测产量为将所述时期的生产数据输入所述时期的最佳产量递减模型得到的；所述特征参数包括：初始递减率、递减指数、时间无穷大时递减率、周期特征数、双对数曲线截距和双对数曲线斜率。更具体的：耦合物理驱动和数据驱动的所述时期的压裂井生产动态预测模型由时间序列层、隐藏层和输出层构成。所述时间序列层为所述时期的最优时间序列预测模型，用于获得最优时间序列预测模型的预测值；所述隐藏层由多层全连接神经网络构成，用于获取在最佳产量递减模型约束下的预测值，由于第二损失值与第三损失值的计算过程中使用了最佳产量递减模型，因此隐藏层的训练过程中涵盖了最佳产量递减模型约束；所述输出层用于输出整个模型的预测值。当所述时期为机采期时，产油量为日机采产油量，当所述时期为自喷期时，产油量是日自喷产油量。
所述耦合物理驱动和数据驱动的生产动态预测模型的损失函数MSE由三部分构成，可表示为MSE=MSEu+MSEf+MSEICBC；第一损失函数值MSEu为训练过程中实际产量与最优时间序列预测模型预测产量的均方损失值；第二损失函数值MSEf为训练过程中最优时间序列预测模型的预测产量与最佳产量递减模型计算的预测产量之间的均方损失值；第三损失函数值MSEICBC为最佳产量递减模型的特征参数取值与该参数取值范围边界的均方损失值。
输入数据首先经过时间序列层进行预测，获得最优时间序列预测模型的预测值；将最优时间序列预测模型的预测值与预测点对应时刻t输入隐藏层，对隐藏层进行训练；最终由输出层输出模型的预测值。
训练过程中，计算所述耦合物理驱动和数据驱动的生产动态预测模型的损失函数，判断损失函数是否达到预设的误差限或迭代次数达到预设最大迭代次数。如果损失函数已经低于预设的误差限或者迭代次数达到预设最大迭代次数，则停止训练；否则，采用优化算法调节所述生产动态预测模型的神经元数量和权重等参数，至到损失函数值达到最小，此时得到的耦合物理驱动和数据驱动的生产动态预测模型即为最优压裂井生产动态预测模型。
在实际应用中，在所述根据所述时期产量递减时间段的生产数据绘制所述时期对应的产量与物质平衡时间双对数曲线之前，还包括：依次采用孤立森林算法和卡尔曼滤波算法对所述时期产量递减时间段的日产量进行处理。
本发明还提供了一种实施例对上述方法进行具体说明，本实施例通过获取现场实际井自喷期与机采期生产数据，建立神经网络模型训练所需的数据集。通过对递减段数据进行产量递减分析，确定最佳的产量递减模型（最佳产量递减模型），并根据生产动态数据确定考虑日生产时间和工作制度最佳的时间序列预测模型（最优时间序列预测模型）。通过最优时间序列预测模型和最佳产量递减模型构建耦合物理驱动和数据驱动的压裂井生产动态预测模型，采用该井前期生产数据对构建的压裂井生产动态预测模型进行训练，得到最优压裂井生产动态预测模型，最优压裂井生产动态预测模型可实现预测该井未来的生产动态。
步骤一：获取现场实际井自喷期与机采期生产数据，筛选其中递减段数据并对数据进行预处理，剔除生产动态数据中的异常点并进行平滑处理；所述生产动态数据包括：日自喷产油量和日机采产油量，具体包括：
获取现场实际井自喷期与机采期生产数据，根据生产动态数据得到递减段数据（递减的产油量）。现场的产量和压力数据往往有许多质量问题，比如油嘴更换、下油管、钻塞、下气嘴、油管更换、关井等生产措施带来的数据质量问题，会对后续的分析和解释产生巨大的影响，甚至形成错误的认识。对于传统的递减曲线产能预测方法，通常需要满足相当多的条件，直接使用缺少数据质量控制的原始数据往往会得到错误的预测结果。在开展递减段数据产量递减分析并确定最佳的产量递减模型之前，检测并剔除异常数据点，对后续分析尤为重要。异常数据点一般是指远离整体数据变化趋势且规律不一致的数据点，噪声数据点一般是指符合产量变化趋势和规律但有波动的数据点。传统的递减曲线产能预测过程中，噪声数据点对产能预测的结果影响很小，预测结果主要受异常数据点的影响，异常数据点越多，预测结果误差越大。为节约人力，采用机器学习方法对异常点进行剔除。利用孤立森林算法对递减段数据中的生产动态数据进行筛选并剔除异常点，利用卡尔曼滤波算法平滑处理剔除异常点后的递减段数据中的生产动态数据。
以A油田某口处于自喷期递减段的水平井典型曲线为例。通过人工分析，筛选其递减段用以后续产量递减模型分析，递减段曲线如图2所示。利用孤立森林算法筛选并剔除异常值结果如图3所示。异常值剔除后，利用卡尔曼滤波算法平滑数据，便于后续递减曲线的拟合。
步骤二：对递减段数据进行产量递减分析，确定最佳的产量递减模型，具体包括：
2.1分别将处理后的自喷期递减段数据和机采期递减段数据进行生产流态识别并根据所识别的生产流态确定所适用的产量递减模型。
流动阶段的识别即流态识别是进行合理递减分析的前提条件，它是递减预测结果具有合理性的重要保证。分别根据预处理后生产井自喷期递减段生产数据与机采期递减段生产数据绘制产量与物质平衡时间双对数曲线，根据产量与物质平衡时间双对数曲线判断生产流态，生产流态具体包括：早期线性流动阶段、瞬变流动阶段、拟稳态流动阶段，瞬变流动阶段和拟稳态流动阶段常常表现为两段不同斜率的直线段，斜率分别为0.5和1.0。
2.2利用不同的产量递减模型对生产数据进行拟合并对比不同的产量递减模型的拟合效果，确定最佳的产量递减模型。
由于产量递减模型中未知参数较多，人为调参主观性强，利用优化算法对不同产量递减模型的特征参数进行参数优选，以均方误差（MSE）最小为目标，基于粒子群优化算法寻找不同经验产量递减模型的最优参数，根据最优参数利用不同产量递减模型对生产数据进行拟合；最后绘制不同产量递减模型拟合生产数据曲线，以决定系数作为评价指标，根据不同拟合曲线数据与生产数据计算决定系数，对比不同产量递减模型拟合效果并确定最佳的产量递减模型；所述最优化参数包括：初始递减率、递减指数、时间无穷大时的递减率、周期特征数、双对数曲线截距和双对数曲线斜率。
步骤三：根据生产动态数据确定考虑日生产时间和工作制度最佳的时间序列预测模型，具体包括：
3.1根据生产井不同生产阶段对生产数据进行预处理并将数据划分为训练集与测试集。首先将生产井生产阶段划分为自喷阶段和机采阶段，获取不同生产阶段生产数据并分别对其中的缺失段数据进行删除处理，剔除数据中的空值。之后将处理后的不同生产阶段生产数据分别构建为时间序列预测模型的输入部分与输出部分。自喷阶段输入部分为时间t到时间t+ts之间的自喷产油量、日生产时间、油嘴尺寸数据，输出部分为t+ts+1时刻的自喷产油量数据；机采阶段输入部分包括时间t到时间t+ts之间的日机采产油量、日生产时间、有杆泵冲程与冲数数据，输出部分为t+ts+1时刻的日机采产油量数据。最后将处理后的数据划分为训练集与测试集，其中训练集为生产井前期生产数据，用于训练神经网络模型；测试集为生产井后期生产数据，用于对训练后的生产动态预测模型进行网络结构和超参数的调整，并检验调整后的生产动态预测模型。
3.2构建考虑多影响因素时间序列预测模型。模型包括：长短期记忆神经网络时间序列预测模型、门控循环神经网络时间序列预测模型和双向长短期记忆神经网络时间序列预测模型。
3.3利用所构建的训练集与测试集对不同时间序列预测模型进行训练，时间序列预测模型考虑日生产时间和油嘴大小等特征参数的变化，实现了由前期产量数据预测后期动态的目的，克服了传统产量递减方法难以考虑油嘴等工作制度变化的局限，获得用于预测生产动态数据的时间序列预测模型。
对不同时间序列预测模型进行预测效果评价，绘制不同时间序列预测模型生产动态预测曲线与实际生产动态曲线，计算不同时间序列预测模型预测结果的评价指标，评价指标包括：绝对均方根误差和平均绝对误差。对比不同模型评价指标大小筛选出最佳的时间序列预测模型，并计算不同时间序列预测模型累计预测产油量并与真实累计产油量进行对比，对评价结果进行进一步验证。
以A油田某口生产井井S的自喷期生产数据为例，基于上述流程，利用实际数据对比多种深度学习模型，包括LSTM、GRU和Bi-LSTM。为了充分地训练神经网络模型，反映模型对工作制度变化的敏感程度，选取该生产井井自喷期前50%的数据用于训练，并预测之后500天油井产量。该井工作制度变化曲线如图4和图5所示。
绘制该井不同时间序列预测模型生产动态预测曲线与实际生产动态曲线，LSTM、GRU和Bi-LSTM模型预测的生产动态预测曲线与实际生产动态曲线real如图6所示。计算不同时间序列预测模型对该井生产动态预测结果的绝对均方根误差(RMSE)和平均绝对误差(MAE)，其中LSTM模型的RMSE为4.85，MAE为4.09；GRU模型的RMSE为5.86，MAE为5.05；Bi-LSTM模型的RMSE为4.15，MAE为2.84。对比不同模型评价指标大小筛选出该井最佳的时间序列预测模型为Bi-LSTM。计算不同时间序列预测模型累计预测产油量并与真实累计产油量进行对比，LSTM、GRU和Bi-LSTM预测模型的累计预测产油量曲线与真实累计产油量曲线real如图7所示，经验证Bi-LSTM预测效果更好。
步骤四：根据时间序列预测模型和产量递减模型构建耦合物理驱动和数据驱动的生产动态预测模型并采用生产井前期生产数据对构建的生产动态预测模型进行训练，进而预测得到该井未来的生产动态：
4.1基于内嵌物理知识神经网络根据最佳的时间序列预测模型和最佳产量递减模型，构建耦合物理驱动和数据驱动的最优压裂井生产动态预测模型生产动态预测模型。
所述耦合物理驱动和数据驱动的生产动态预测模型由时间序列层、隐藏层和输出层构成。输入数据首先经过时间序列层进行训练与预测，获得最佳的时间序列预测模型的预测值。
将最佳的时间序列预测模型的预测值与预测点对应时刻t作为隐藏层的输入，通过对隐藏层进行训练，从而得到整个模型的预测值。
整个模型的预测值由输出层输出。
所述耦合物理驱动和数据驱动的生产动态预测模型的损失函数由三部分构成，可以表示为：
，其中，MSE为整个模型的均方损失值，MSEu为真实产量与最佳的时间序列预测模型预测值的均方损失值，MSEf为最佳的时间序列预测模型与所述最佳产量递减模型计算的预测产量之间的均方损失值，MSEICBC为最佳产量递减模型的特征参数取值与该参数取值范围的边界的均方损失值。
训练过程中，计算所述耦合物理驱动和数据驱动的生产动态预测模型的损失函数，判断损失函数是否达到预设的误差限或迭代次数。如果损失函数已经低于预设的误差限或者达到预设的迭代次数，则停止训练；否则，采用优化算法调节所述生产动态预测模型的神经元数量和权重等参数，至到损失函数值达到最小，此时得到的耦合物理驱动和数据驱动的生产动态预测模型即为最优压裂井生产动态预测模型。
基本生产动态预测模型结合了物理和机器学习的优点，以实现更准确并符合物理规律的预测。对于没有足够数据点来训练纯机器学习模型并且没有足够明确的规律来开发分析模型的井，所构建的最优压裂井生产动态预测模型能够更准确的预测结果且表现良好。模型架构如图8所示。
与常规的时间序列预测模型相比，该模型将表示产量递减模型的物理方程作为限制加入到神经网络之中使得模型训练效果更加满足产量递减规律。通过将物理方程迭代前后的差值作为整个神经网络损失函数的一部分，使物理方程每次都能够得到训练，从而使神经网络在训练迭代的过程之中不仅仅优化网络自身的损失函数，还包括了物理方程每次迭代的差值，使得最后模型的训练效果满足产量递减规律。
在该模型架构设计中，将上述所确定的最佳产量递减模型转换并添加到损失函数中，以帮助正则化预测结果。各种物理约束可以容易地结合到损失函数中，以约束机器学习模型的训练过程。
以Duong产量递减模型为例，将该产量递减模型与时间序列预测模型耦合。
Duong产量递减模型描述生产井产量递减规律为，其中，Q为日产油量，/>为初始产量；t为生产时间；a为双对数曲线截距，m为双对数曲线斜率，可通过产量与积累产量的比值和时间双对数的关系得到。对于每口符合Duong产量递减模型的生产井，MSEf可由公式/>表示，QLSTM(t)为t时刻最优时间序列预测模型预测值；MSEICBC可由/>表示，其中，a、m的取值范围为/>；MSEu可由/>表示，/>为真实产量。将所确定的最佳产量递减模型转换并添加到损失函数中，整个生产动态预测模型的损失函数为：MSE=MSEu+MSEf+MSEICBC，将上述损失函数作为耦合物理驱动和数据驱动的生产动态预测模型的损失函数，并采用Adam优化算法进行优化，该模型在训练过程中以上述损失函数值最小为目标，使得模型的训练结果同时受到Duong产量递减规律限制。
4.2采用生产井前期生产数据对构建的生产动态预测模型进行训练，进而预测得到该井未来的生产动态耦合模型生产动态预测流程如图9所示。构建好耦合模型之后，将该井前期生产数据作为训练集，对所构建的生产动态预测模型进行训练，获得训练后的生产动态预测模型；采用测试集对训练后的生产动态预测模型进行网络结构和超参数的调整；利用所述测试集检验调整后的生产动态预测模型，将满足测试要求的调整后的生产动态预测模型（最优压裂井生产动态预测模型）确定为用于预测该井未来的生产动态。
以A油田某口生产井M的自喷期生产数据为例，基于上述流程，利用实际数据根据所构建的耦合模型进行生产动态预测，并对比纯数据驱动生产动态预测模型以及产量递减模型预测结果。为了充分地训练神经网络模型选取该井井自喷期前50%的数据用于训练，并预测之后350天油井产量。绘制该井不同时间序列预测模型生产动态预测曲线与实际生产动态曲线，曲线如图10和图11所示，其中DCA代表产量递减模型预测结果，real代表实际生产动态曲线。计算不同时间序列预测模型对该井生产动态预测结果的绝对均方根误差(RMSE)、平均绝对误差(MAE)，其中产量递减模型DCA的RMSE为6.25，MAE为5.79；时间序列模型Bi-LSTM的RMSE为3.64，MAE为2.97；本发明所构建的耦合物理驱动和数据驱动的生产动态预测模型DCA-LSTM的RMSE为2.55，MAE为1.96。对比不同模型评价指标大小可知耦合模型效果更好，产量递减模型未考虑工作制度变化对产量的影响，生产动态预测模型对油井后期的递减规律不明确。进一步计算不同时间序列预测模型累计预测产油量并与真实累计产油量进行对比，如图12所示，其中DCA代表产量递减模型预测的累计产油量，real表示实际的累计产油量，对评价结果进行进一步验证，经验证本发明所构建耦合模型DCA-LSTM的预测效果更好。
本发明实施例还提供了一种与上述方法对应的耦合物理驱动和数据驱动的压裂井产量预测系统，包括：
获取模块，用于获取待预测压裂井各时期的生产数据；所述时期包括自喷期和机采期。
生产流态确定模块，用于对于任意一个时期，根据所述时期产量递减时间段的生产数据确定所述时期的生产流态；所述生产流态包括：早期线性流动阶段、瞬变流动阶段和拟稳态流动阶段。
最佳产量递减模型确定模块，用于根据所述时期的生产流态确定所述时期的最佳产量递减模型。
最优时间序列预测模型确定模块，用于采用所述时期的生产数据对时间序列预测模型集中的各时间序列预测模型进行优化得到所述时期的最优时间序列预测模型。
生产动态预测模型确定模块，用于基于内嵌物理知识神经网络原理根据所述时期的最佳产量递减模型和所述时期的最优时间序列预测模型构建耦合物理驱动和数据驱动的所述时期的压裂井生产动态预测模型。
最优压裂井生产动态预测模型确定模块，用于采用所述时期的生产数据对所述时期的压裂井生产动态预测模型进行优化得到所述时期的最优压裂井生产动态预测模型，所述时期的最优压裂井生产动态预测模型用于预测所述时期压裂井的产量。
本发明通过将物理方程预测结果与时间序列模型预测结果的差值作为整个神经网络损失函数的一部分，使得神经网络在迭代训练过程中不仅优化网络自身的损失函数，而且还需要考虑预测结果与物理方程之间的差别，因此模型最终的预测效果既满足产量递减规律，同时又满足时间序列变化特征。由于模型考虑了物理规律，因此与现有方法相比，该模型需要的数据量少，预测准确性更高。
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 (9)
1.一种耦合物理驱动和数据驱动的压裂井产量预测方法，其特征在于，包括：
获取待预测压裂井各时期的生产数据；所述时期包括自喷期和机采期；
对于任意一个时期，根据所述时期产量递减时间段的生产数据确定所述时期的生产流态；所述生产流态包括：早期线性流动阶段、瞬变流动阶段和拟稳态流动阶段；
根据所述时期的生产流态确定所述时期的最佳产量递减模型；
采用所述时期的生产数据对时间序列预测模型集中的各时间序列预测模型进行优化得到所述时期的最优时间序列预测模型；
基于内嵌物理知识神经网络原理根据所述时期的最佳产量递减模型和所述时期的最优时间序列预测模型构建耦合物理驱动和数据驱动的所述时期的压裂井生产动态预测模型；
采用所述时期的生产数据对所述时期的压裂井生产动态预测模型进行优化得到所述时期的最优压裂井生产动态预测模型，所述时期的最优压裂井生产动态预测模型用于预测所述时期未来时刻所述待预测压裂井的产量。
2.根据权利要求1所述的耦合物理驱动和数据驱动的压裂井产量预测方法，其特征在于，所述根据所述时期的生产流态确定所述时期的最佳产量递减模型，具体包括：
根据所述时期的生产流态确定所述时期对应的产量递减模型集合；
分别采用所述时期对应的产量递减模型集合中的各产量递减模型对所述时期产量递减时间段的生产数据进行拟合，得到所述时期的最佳产量递减模型。
3.根据权利要求1所述的耦合物理驱动和数据驱动的压裂井产量预测方法，其特征在于，所述根据所述时期产量递减时间段的生产数据确定所述时期的生产流态，具体包括：
根据所述时期产量递减时间段的生产数据绘制所述时期对应的产量与物质平衡时间双对数曲线；
根据所述时期对应的产量与物质平衡时间双对数曲线确定所述时期的生产流态。
4.根据权利要求2所述的耦合物理驱动和数据驱动的压裂井产量预测方法，其特征在于，所述根据所述时期的生产流态确定所述时期对应的产量递减模型集合，具体包括：
若所述时期的生产流态为早期线性流动阶段或瞬变流动阶段，则确定所述时期对应的产量递减模型集合包括SEPD产量递减模型、Duong产量递减模型和PLE产量递减模型；
若所述时期的生产流态为拟稳态流动阶段，则确定所述时期对应的产量递减模型集合包括Arps产量递减模型、SEPD产量递减模型、Duong产量递减模型和PLE产量递减模型。
5.根据权利要求2所述的耦合物理驱动和数据驱动的压裂井产量预测方法，其特征在于，所述分别采用所述时期对应的产量递减模型集合中的各产量递减模型对所述时期产量递减时间段的生产数据进行拟合，得到所述时期的最佳产量递减模型，具体包括：
采用优化算法对所述时期对应的产量递减模型集合中的各产量递减模型进行参数优选得到优选后的所述时期对应的产量递减模型集合；
采用优选后的所述时期对应的产量递减模型集合中的各产量递减模型对所述时期产量递减时间段的生产数据进行拟合，得到优选后的所述时期对应的产量递减模型集合中的各产量递减模型对应的拟合生产数据曲线；
根据优选后的所述时期对应的产量递减模型集合中的各产量递减模型对应的拟合生产数据曲线与所述时期产量递减时间段的生产数据，计算优选后的所述时期对应的产量递减模型集合中的各产量递减模型对应的决定系数；
根据优选后的所述时期对应的产量递减模型集合中的各产量递减模型对应的决定系数确定所述时期的最佳产量递减模型。
6.根据权利要求1所述的耦合物理驱动和数据驱动的压裂井产量预测方法，其特征在于，所述采用所述时期的生产数据对时间序列预测模型集中的各时间序列预测模型进行优化得到所述时期的最优时间序列预测模型，具体包括：
采用所述时期的生产数据对时间序列预测模型集中的各时间序列预测模型进行优化得到所述时期优化后的时间序列预测模型集；
采用所述时期优化后的时间序列预测模型集对所述时期的生产数据进行预测，得到所述时期优化后的时间序列预测模型集中各时间序列预测模型对应的预测生产数据；
根据所述时期优化后的时间序列预测模型集中各时间序列预测模型对应的预测生产数据与所述时期的生产数据，计算所述时期优化后的时间序列预测模型集中各时间序列预测模型对应的绝对均方根误差和平均绝对误差；
根据所述时期优化后的时间序列预测模型集中各时间序列预测模型对应的绝对均方根误差和平均绝对误差确定所述时期的最优时间序列预测模型。
7.根据权利要求1所述的耦合物理驱动和数据驱动的压裂井产量预测方法，其特征在于，所述采用所述时期的生产数据对所述时期的压裂井生产动态预测模型进行优化得到所述时期的最优压裂井生产动态预测模型，具体包括：
以总损失函数最小为目标对所述时期的压裂井生产动态预测模型进行优化得到所述时期的最优压裂井生产动态预测模型；所述总损失函数为第一损失函数值、第二损失函数值和第三损失函数值之和；所述第一损失函数值为根据所述时期的第一预测产量以及所述生产数据中的产油量确定的；所述第二损失函数值为根据所述时期的第一预测产量以及所述时期的第二预测产量确定的；所述第三损失函数值为根据所述时期的最佳产量递减模型的特征参数值以及各特征参数的取值范围确定的；所述时期的第一预测产量为将所述时期的生产数据输入所述时期的最优时间序列预测模型得到的；所述时期的第二预测产量为将所述时期的生产数据输入所述时期的最佳产量递减模型得到的；所述特征参数包括：初始递减率、递减指数、时间无穷大时递减率、周期特征数、双对数曲线截距和双对数曲线斜率。
8.根据权利要求2所述的耦合物理驱动和数据驱动的压裂井产量预测方法，其特征在于，在所述根据所述时期产量递减时间段的生产数据绘制所述时期对应的产量与物质平衡时间双对数曲线之前，还包括：依次采用孤立森林算法和卡尔曼滤波算法对所述时期产量递减时间段的日产量进行处理。
9.一种耦合物理驱动和数据驱动的压裂井产量预测系统，其特征在于，包括：
获取模块，用于获取待预测压裂井各时期的生产数据；所述时期包括自喷期和机采期；
生产流态确定模块，用于对于任意一个时期，根据所述时期产量递减时间段的生产数据确定所述时期的生产流态；所述生产流态包括：早期线性流动阶段、瞬变流动阶段和拟稳态流动阶段；
最佳产量递减模型确定模块，用于根据所述时期的生产流态确定所述时期的最佳产量递减模型；
最优时间序列预测模型确定模块，用于采用所述时期的生产数据对时间序列预测模型集中的各时间序列预测模型进行优化得到所述时期的最优时间序列预测模型；
生产动态预测模型确定模块，用于基于内嵌物理知识神经网络原理根据所述时期的最佳产量递减模型和所述时期的最优时间序列预测模型构建耦合物理驱动和数据驱动的所述时期的压裂井生产动态预测模型；
最优压裂井生产动态预测模型确定模块，用于采用所述时期的生产数据对所述时期的压裂井生产动态预测模型进行优化得到所述时期的最优压裂井生产动态预测模型，所述时期的最优压裂井生产动态预测模型用于预测所述时期未来时刻所述待预测压裂井的产量。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311226681.9A CN116976146B (zh) | 2023-09-22 | 2023-09-22 | 耦合物理驱动和数据驱动的压裂井产量预测方法与系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311226681.9A CN116976146B (zh) | 2023-09-22 | 2023-09-22 | 耦合物理驱动和数据驱动的压裂井产量预测方法与系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116976146A true CN116976146A (zh) | 2023-10-31 |
| CN116976146B CN116976146B (zh) | 2024-01-05 |
Family
ID=88473338
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311226681.9A Active CN116976146B (zh) | 2023-09-22 | 2023-09-22 | 耦合物理驱动和数据驱动的压裂井产量预测方法与系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116976146B (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117744527A (zh) * | 2023-12-21 | 2024-03-22 | 西南交通大学 | 基于PINNs与物理边界条件约束的地热产能智能预测方法及系统 |
Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105569646A (zh) * | 2014-11-05 | 2016-05-11 | 中国石油化工股份有限公司 | 一种油气井技术可采储量预测方法 |
| CN105631184A (zh) * | 2014-11-05 | 2016-06-01 | 中国石油化工股份有限公司 | 一种油气井产量递减分析方法和系统 |
| CN112732691A (zh) * | 2021-01-07 | 2021-04-30 | 云南电网有限责任公司电力科学研究院 | 一种基于多种模型对比的大气环境预测方法 |
| CN113537515A (zh) * | 2021-07-27 | 2021-10-22 | 江苏蓝创智能科技股份有限公司 | Pm2.5预测方法、系统、装置及存储介质 |
| CN115618987A (zh) * | 2021-07-13 | 2023-01-17 | 中国石油化工股份有限公司 | 生产井生产数据预测方法、装置、设备和存储介质 |
| CN115640888A (zh) * | 2022-10-18 | 2023-01-24 | 中国石油大学(北京) | 一种递减函数嵌入式门限序列网络的产量预测方法 |
| US20230111179A1 (en) * | 2021-10-08 | 2023-04-13 | Unconventional Subsurface Integration LLC dba USI | Predicting oil and gas reservoir production |
| CN116362121A (zh) * | 2023-03-20 | 2023-06-30 | 中国石油大学(北京) | 水平井压裂的裂缝参数确定方法及装置 |
| CN116577821A (zh) * | 2023-05-25 | 2023-08-11 | 西南石油大学 | 基于神经网络的时移地震预测方法和系统 |
| CN116658155A (zh) * | 2023-06-02 | 2023-08-29 | 西南石油大学 | 一种页岩气井产量预测的方法 |
-
2023
- 2023-09-22 CN CN202311226681.9A patent/CN116976146B/zh active Active
Patent Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105569646A (zh) * | 2014-11-05 | 2016-05-11 | 中国石油化工股份有限公司 | 一种油气井技术可采储量预测方法 |
| CN105631184A (zh) * | 2014-11-05 | 2016-06-01 | 中国石油化工股份有限公司 | 一种油气井产量递减分析方法和系统 |
| CN112732691A (zh) * | 2021-01-07 | 2021-04-30 | 云南电网有限责任公司电力科学研究院 | 一种基于多种模型对比的大气环境预测方法 |
| CN115618987A (zh) * | 2021-07-13 | 2023-01-17 | 中国石油化工股份有限公司 | 生产井生产数据预测方法、装置、设备和存储介质 |
| CN113537515A (zh) * | 2021-07-27 | 2021-10-22 | 江苏蓝创智能科技股份有限公司 | Pm2.5预测方法、系统、装置及存储介质 |
| US20230111179A1 (en) * | 2021-10-08 | 2023-04-13 | Unconventional Subsurface Integration LLC dba USI | Predicting oil and gas reservoir production |
| CN115640888A (zh) * | 2022-10-18 | 2023-01-24 | 中国石油大学(北京) | 一种递减函数嵌入式门限序列网络的产量预测方法 |
| CN116362121A (zh) * | 2023-03-20 | 2023-06-30 | 中国石油大学(北京) | 水平井压裂的裂缝参数确定方法及装置 |
| CN116577821A (zh) * | 2023-05-25 | 2023-08-11 | 西南石油大学 | 基于神经网络的时移地震预测方法和系统 |
| CN116658155A (zh) * | 2023-06-02 | 2023-08-29 | 西南石油大学 | 一种页岩气井产量预测的方法 |
Non-Patent Citations (3)
| Title |
|---|
| D.BUSBY ET AL.: "Deep-DCA A new Approach for Well Hydrocarbon Production Forecasting", ECMOR, pages 2131 - 2140 * |
| LIANG XUE ER AL.: "Gas well performance prediction using deep learning jointly driven by decline curve analysis model and production data", ADVANCES IN GEO-ENERGY RESEARCH, vol. 8, no. 3, pages 159 - 169 * |
| 王乾宇等: "页岩气产能预测方法的优选与评价", 断块油气田, vol. 30, no. 4, pages 559 - 565 * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117744527A (zh) * | 2023-12-21 | 2024-03-22 | 西南交通大学 | 基于PINNs与物理边界条件约束的地热产能智能预测方法及系统 |
| CN117744527B (zh) * | 2023-12-21 | 2024-07-16 | 西南交通大学 | 基于PINNs与物理边界条件约束的地热产能智能预测方法及系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116976146B (zh) | 2024-01-05 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US20210350208A1 (en) | Method and device for predicting production performance of oil reservoir | |
| CN109447532B (zh) | 一种基于数据驱动的油藏井间连通性确定方法 | |
| CN109543828B (zh) | 一种基于小样本条件下的吸水剖面预测方法 | |
| CN110807557B (zh) | 一种基于bp神经网络的钻速预测方法和基于bp神经网络以及粒子群算法的钻速优化方法 | |
| CN112901137B (zh) | 基于深度神经网络Sequential模型的深井钻井机械钻速预测方法 | |
| CN116976146B (zh) | 耦合物理驱动和数据驱动的压裂井产量预测方法与系统 | |
| CN112861423B (zh) | 数据驱动的注水油藏优化方法和系统 | |
| CA2640727A1 (en) | Methods, systems, and computer-readable media for real-time oil and gas field production optimization using a proxy simulator | |
| WO2020154048A1 (en) | Intelligent optimization of flow control devices | |
| CN108595803A (zh) | 基于递归神经网络的页岩气井生产压力预测方法 | |
| CN114896903A (zh) | 一种基于强制学习的油田生产系统决策优化方法 | |
| CN103198354A (zh) | 一种利用bp神经网络与nsga2实现油田抽油机采油节能增产优化方法 | |
| CN111048163B (zh) | 一种基于高阶神经网络的页岩油滞留烃量(s1)评价方法 | |
| CN115618987A (zh) | 生产井生产数据预测方法、装置、设备和存储介质 | |
| CN114004100B (zh) | 一种油藏辅助历史拟合和优化模拟方法 | |
| CN115860197A (zh) | 一种基于数据驱动的煤层气产量预测方法及系统 | |
| CN116910638A (zh) | 一种基于大数据的优势渗流通道智能识别方法 | |
| 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 | |
| CN116911216B (zh) | 一种储层油井产能因素评估与预测方法 | |
| CN114580261A (zh) | 可采储量预测模型建立方法、可采储量预测方法和装置 | |
| CN110486009B (zh) | 一种无限大地层的参数自动反求方法及系统 | |
| CN110486008B (zh) | 一种径向复合油藏的参数解释方法及系统 | |
| CN116644844A (zh) | 一种基于神经网络时间序列的地层压力预测方法 | |
| CN114075973B (zh) | 地层元素测井曲线重构方法及装置 | |
| Liu et al. | Research on oil and gas production prediction process based on machine learning |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |