CN120509552B - 一种天然气水合物产能预测方法、装置、电子设备及存储介质 - Google Patents

一种天然气水合物产能预测方法、装置、电子设备及存储介质

Info

Publication number
CN120509552B
CN120509552B CN202510999205.3A CN202510999205A CN120509552B CN 120509552 B CN120509552 B CN 120509552B CN 202510999205 A CN202510999205 A CN 202510999205A CN 120509552 B CN120509552 B CN 120509552B
Authority
CN
China
Prior art keywords
matrix
target
parameters
input
capacity
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.)
Active
Application number
CN202510999205.3A
Other languages
English (en)
Other versions
CN120509552A (zh
Inventor
刘鹏奇
陈伟
张伟
袁胜
王阔
张国庆
朱作飞
王力峰
刘晶晶
苏丕波
莫仕林
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Guangzhou Marine Geological Survey Sanya Institute Of South China Sea Geology
Yangtze University
Guangzhou Marine Geological Survey
Original Assignee
Guangzhou Marine Geological Survey Sanya Institute Of South China Sea Geology
Yangtze University
Guangzhou Marine Geological Survey
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Guangzhou Marine Geological Survey Sanya Institute Of South China Sea Geology, Yangtze University, Guangzhou Marine Geological Survey filed Critical Guangzhou Marine Geological Survey Sanya Institute Of South China Sea Geology
Priority to CN202510999205.3A priority Critical patent/CN120509552B/zh
Publication of CN120509552A publication Critical patent/CN120509552A/zh
Application granted granted Critical
Publication of CN120509552B publication Critical patent/CN120509552B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; 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 OR CALCULATING; COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; 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
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; 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
    • G06N3/082—Learning methods modifying the architecture, e.g. adding, deleting or silencing nodes or connections
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; 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
    • G06Q50/06—Energy or water supply

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • Mathematical Physics (AREA)
  • Data Mining & Analysis (AREA)
  • Health & Medical Sciences (AREA)
  • Economics (AREA)
  • Computing Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Human Resources & Organizations (AREA)
  • Software Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Strategic Management (AREA)
  • Computational Linguistics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • General Business, Economics & Management (AREA)
  • Evolutionary Computation (AREA)
  • Marketing (AREA)
  • Molecular Biology (AREA)
  • Pure & Applied Mathematics (AREA)
  • Mathematical Optimization (AREA)
  • Tourism & Hospitality (AREA)
  • Computational Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • Algebra (AREA)
  • Primary Health Care (AREA)
  • Water Supply & Treatment (AREA)
  • Public Health (AREA)
  • Databases & Information Systems (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

本申请公开了一种天然气水合物产能预测方法、装置、电子设备及存储介质，方法包括：获取气井样本在目标时间之前的目标参数，将目标参数输入至输入模块；通过数据处理模块对所有目标参数进行矩阵化，进而合并得到输入矩阵；将输入矩阵输入自注意力机制模块，利用多头自注意力机制处理得到目标时间的预测产能；基于预测产能和目标时间的实际产能，利用目标函数构建预测误差对产能预测模型进行优化调整；利用优化调整后的产能预测模型对目标气井进行天然气水合物产能预测。本申请通过自注意力机制，结合时域的参数数据进行模型优化调整，能够提升天然气水合物产能预测的准确性和可靠性。本申请可以广泛应用于数据处理技术领域。

Description

一种天然气水合物产能预测方法、装置、电子设备及存储介质
技术领域
本申请涉及数据处理技术领域，尤其涉及一种天然气水合物产能预测方法、装置、电子设备及存储介质。
背景技术
天然气水合物产能预测是天然气勘探和开发中的一项关键技术，它直接影响着天然气水合物田的生产计划和资源评估。传统的天然气水合物产能预测方法主要依赖于物理模型和经验公式，如产量不稳定分析方法等。然而，这些方法在处理复杂的地下条件和非线性关系时存在一定局限性，尤其是在应对多因素耦合和动态变化的环境下，往往表现出较低的预测精度和泛化能力。随着人工智能（AI）技术的快速发展，尤其是深度学习方法的广泛应用，天然气水合物产能预测方法也逐渐引入了数据驱动的建模方法。近年来，深卷积神经网络（CNN）、循环神经网络（RNN）和长短期记忆网络（LSTM）等深度学习模型已经在天然气水合物产能预测中得到一定的应用，且取得了一定成果。
尽管传统的深度学习模型已经被应用于天然气水合物产能预测，但这些模型通常基于固定的局部信息进行学习，因此在处理具有长时间依赖性和全局特征的复杂问题时，难以充分捕捉输入数据中的全局信息，导致预测准确度较差。
发明内容
本申请实施例的主要目的在于提出一种天然气水合物产能预测方法、装置、电子设备及存储介质，旨在解决现有技术的至少一种问题。
为实现上述目的，本申请实施例的一方面提出了一种天然气水合物产能预测方法，方法包括：
获取气井样本在目标时间之前的目标参数，将目标参数输入至输入模块；其中，目标参数包括生产动态参数、气井储层静态参数和工程压裂参数；
通过数据处理模块对所有目标参数进行矩阵化，进而合并得到输入矩阵；
将输入矩阵输入自注意力机制模块，利用多头自注意力机制处理得到目标时间的预测产能；
基于预测产能和目标时间的实际产能，利用目标函数构建预测误差对产能预测模型进行优化调整；其中，产能预测模型包括输入模块、数据处理模块和自注意力机制模块；
利用优化调整后的产能预测模型对目标气井进行天然气水合物产能预测。
在一些实施例中，将目标参数输入至输入模块的步骤之前，方法还包括以下步骤：
利用卡尔曼滤波方法对生产动态参数进行过滤降噪；
其中，生产动态参数包括日产量、油管压力和套管压力。
在一些实施例中，对所有目标参数进行矩阵化，进而合并得到输入矩阵，包括以下步骤：
对生产动态参数进行矩阵化，得到第一矩阵；其中，第一矩阵中每列对应生产动态参数中每种类型的参数项在目标时间之前多个时间步的参数值；
对气井储层静态参数进行矩阵化，得到第二矩阵；其中，第二矩阵中每列对应气井储层静态参数中每种类型的参数项在目标时间之前多个时间步的参数值；
对工程压裂参数进行矩阵化，得到第三矩阵；其中，第三矩阵中每列对应工程压裂参数中每种类型的参数项在目标时间之前多个时间步的参数值；
将第一矩阵、第二矩阵和第三矩阵合并得到输入矩阵。
在一些实施例中，将第一矩阵、第二矩阵和第三矩阵合并得到输入矩阵，包括以下步骤：
对第一矩阵、第二矩阵和第三矩阵进行水平拼接，得到输入矩阵；
其中，输入矩阵的列数等于目标参数中所有参数项的总数量，输入矩阵的行数等于时间步的总数量。
在一些实施例中，目标参数包括各种类型的参数项在目标时间之前多个时间步的参数值；将输入矩阵输入自注意力机制模块，利用多头自注意力机制处理得到目标时间的预测产能，包括以下步骤：
将输入矩阵输入自注意力机制模块，基于预学习的权重矩阵对输入矩阵进行第一线性变化处理，得到查询矩阵、键矩阵和值矩阵；
对查询矩阵和键矩阵进行相关性运算，得到每个时间步之间的相关性得分；
利用归一化指数函数将相关性得分转化为注意力权重；
基于注意力权重，对每个时间步对应的值矩阵进行加权求和，得到预测输出；
将预测输出和预设的输出权重矩阵的乘积与预设的偏置相加，得到目标时间的预测产能。
在一些实施例中，气井样本包括多个子样本；基于预测产能和目标时间的实际产能，利用目标函数构建预测误差对产能预测模型进行优化调整，包括以下步骤：
根据每个子样本的预测产能和目标时间的实际产能构建均方根误差；
对所有子样本的预测产能进行平均运算，得到预测平均值，基于预测平均值结合每个子样本的预测产能和目标时间的实际产能构建确定系数；
将均方根误差和确定系数作为目标函数对产能预测模型的模型参数进行优化调整。
在一些实施例中，利用优化调整后的产能预测模型对目标气井进行天然气水合物产能预测，包括以下步骤：
获取目标气井在待预测时间之前的目标参数；
将目标气井对应的目标参数输入优化调整后的产能预测模型，通过矩阵化和多头自注意力机制，处理得到目标气井在待预测时间的目标预测产能。
为实现上述目的，本申请实施例的另一方面提出了一种天然气水合物产能预测装置，装置包括：
数据采集模块，用于获取气井样本在目标时间之前的目标参数，将目标参数输入至输入模块；其中，目标参数包括生产动态参数、气井储层静态参数和工程压裂参数；
第一数据处理模块，用于通过数据处理模块对所有目标参数进行矩阵化，进而合并得到输入矩阵；
第二数据处理模块，用于将输入矩阵输入自注意力机制模块，利用多头自注意力机制处理得到目标时间的预测产能；
模型训练模块，用于基于预测产能和目标时间的实际产能，利用目标函数构建预测误差对产能预测模型进行优化调整；其中，产能预测模型包括输入模块、数据处理模块和自注意力机制模块；
模型应用模块，用于利用优化调整后的产能预测模型对目标气井进行天然气水合物产能预测。
在一些实施例中，装置还包括：
滤波模块，用于利用卡尔曼滤波方法对生产动态参数进行过滤降噪；
其中，生产动态参数包括日产量、油管压力和套管压力。
为实现上述目的，本申请实施例的另一方面提出了一种电子设备，电子设备包括存储器和处理器，存储器存储有计算机程序，处理器执行计算机程序时实现前面的方法。
为实现上述目的，本申请实施例的另一方面提出了一种计算机可读存储介质，计算机可读存储介质存储有计算机程序，计算机程序被处理器执行时实现前面的方法。
为实现上述目的，本申请实施例的另一方面提出了一种计算机程序产品，包括计算机程序，计算机程序被处理器执行时实现前面的方法
本申请实施例至少包括以下有益效果：本申请提供一种天然气水合物产能预测方法、装置、电子设备、存储介质及程序产品,该方案通过获取气井样本在目标时间之前的目标参数，将目标参数输入至输入模块；其中，目标参数包括生产动态参数、气井储层静态参数和工程压裂参数；通过数据处理模块对所有目标参数进行矩阵化，进而合并得到输入矩阵；将输入矩阵输入自注意力机制模块，利用多头自注意力机制处理得到目标时间的预测产能；基于预测产能和目标时间的实际产能，利用目标函数构建预测误差对产能预测模型进行优化调整；其中，产能预测模型包括输入模块、数据处理模块和自注意力机制模块；利用优化调整后的产能预测模型对目标气井进行天然气水合物产能预测。本申请通过自注意力机制，结合时域的参数数据进行模型优化调整，旨在通过充分挖掘数据中的非线性关系和长距离依赖性，提升天然气水合物产能预测的准确性和可靠性，从而为油气田开发提供更加精准的决策支持。
附图说明
图1是本申请实施例提供的进行天然气水合物产能预测方法的一种实施环境示意图；
图2是本申请实施例提供的一种天然气水合物产能预测方法的流程示意图；
图3是本申请实施例提供的步骤S200的展开流程的示意图；
图4是本申请实施例提供的步骤S300的展开流程的示意图；
图5是本申请实施例提供的天然气水合物产能预测方法的整体流程示意图；
图6是本申请实施例提供的卡尔曼滤波处理日产量前后对比的数据示例的示意图；
图7是本申请实施例提供的产能预测模型的模型原理结构的示意图；
图8是本申请实施例提供的真实产量与模型预测结果的对比示例的示意图；
图9是本申请实施例提供的一种天然气水合物产能预测装置的结构示意图；
图10是本申请实施例提供的一种电子设备的结构示意图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本申请实施例相一致的所有实施方式，它们仅是与如所附权利要求书中所详述的、本申请实施例的一些方面相一致的装置和方法的例子。
可以理解，本申请所使用的术语“第一”、“第二”等可在本文中用于描述各种概念，但除非特别说明，这些概念不受这些术语限制。这些术语仅用于将一个概念与另一个概念区分。例如，在不脱离本申请实施例范围的情况下，第一信息也可以被称为第二信息，类似地，第二信息也可以被称为第一信息。取决于语境，如在此所使用的词语“若”、“如果”可以被解释成为“在……时”或“当……时”或“响应于确定”。
本申请所使用的术语“至少一个”、“多个”、“每个”、“任一”等，至少一个包括一个、两个或两个以上，多个包括两个或两个以上，每个是指对应的多个中的每一个，任一是指多个中的任意一个。
除非另有定义，本文所使用的所有的技术和科学术语与属于本申请的技术领域的技术人员通常理解的含义相同。本文中所使用的术语只是为了描述本申请实施例的目的，不是旨在限制本申请。
相关技术中，在天然气水合物产能预测过程中，影响产能的因素众多，这些因素之间的相互关系和依赖性通常是非线性的，且存在复杂的时空动态变化。传统方法往往未能充分考虑这些复杂的因素，导致模型在预测精度和泛化能力上有所欠缺。
有鉴于此，本申请实施例中提供一种天然气水合物产能预测方法，该方案通过获取气井样本在目标时间之前的目标参数，将目标参数输入至输入模块；其中，目标参数包括生产动态参数、气井储层静态参数和工程压裂参数；通过数据处理模块对所有目标参数进行矩阵化，进而合并得到输入矩阵；将输入矩阵输入自注意力机制模块，利用多头自注意力机制处理得到目标时间的预测产能；基于预测产能和目标时间的实际产能，利用目标函数构建预测误差对产能预测模型进行优化调整；其中，产能预测模型包括输入模块、数据处理模块和自注意力机制模块；利用优化调整后的产能预测模型对目标气井进行天然气水合物产能预测。本申请通过自注意力机制，结合时域的参数数据进行模型优化调整，旨在通过充分挖掘数据中的非线性关系和长距离依赖性，提升天然气水合物产能预测的准确性和可靠性，从而为油气田开发提供更加精准的决策支持。
可以理解的是，本申请提供的天然气水合物产能预测方法，是能够应用于任意一种具备数据处理计算能力计算机设备，而这一计算机设备可以是各类终端或是服务器。当实施例中的计算机设备是服务器时，该服务器是独立的物理服务器，或者，是多个物理服务器构成的服务器集群或者分布式系统，或者，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(Content DeliveryNetwork，内容分发网络)、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。可选地，该终端是智能手机、平板电脑、笔记本电脑以及台式计算机等，但也并不局限于此。
如图1所示，是本申请实施例提供的一种实施环境示意图。参照图1，该实施环境包括至少一个终端102和服务器101。终端102和服务器101之间可以通过无线或者有线的方式进行网络连接，完成数据传输交换。
服务器101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（Content Delivery Network，内容分发网络）、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。
另外，服务器101还可以是区块链网络中的一个节点服务器。其中，区块链是分布式数据存储、点对点传输、共识机制、加密算法等计算机技术的新型应用模式。
终端102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102以及服务器101可以通过有线或无线通信方式进行直接或间接地连接，本申请实施例在此不做限制。
示例性地，基于图1所示的实施环境，本申请实施例提供了一种天然气水合物产能预测方法，下面以该天然气水合物产能预测方法应用于服务器101中为例子进行说明，可以理解的是，该天然气水合物产能预测方法也可以应用于终端102中。
参照图2，图2是本申请实施例提供的天然气水合物产能预测方法的一个可选的流程图，该天然气水合物产能预测方法的执行主体可以是前述的任意一种计算机设备（包括服务器或者终端）。图2中的方法可以包括但不限于包括步骤S100至步骤S500。
步骤S100，获取气井样本在目标时间之前的目标参数，将目标参数输入至输入模块；
其中，目标参数包括生产动态参数、气井储层静态参数和工程压裂参数；
示例性地，一些具体实施方式中，输入模块，该模块包括三部分:1.气井生产动态参数，包括气井日产量（日产气量）、油管压力、套管压力；2.气井储层静态参数，包括水合物饱和度、储层渗透率、储层孔隙度、储层深度；3.工程压裂参数，包括压裂液量、填砂量、裂缝长度、裂缝宽度。
一些实施例中，将目标参数输入至输入模块的步骤之前，方法还可以包括以下步骤：利用卡尔曼滤波方法对生产动态参数进行过滤降噪；其中，生产动态参数包括日产量、油管压力和套管压力。
示例性地，一些具体实施方式中，利用卡尔曼滤波方法对数据进行过滤，降低数据噪声值，具体步骤包括两部分：
在卡尔曼滤波的预测步骤中，系统状态的估计值基于上一步的状态进行预测：
1.预测步骤：
其中，是对当前时刻状态的预测，是前一时刻的最优估计，是状态转移矩阵，是控制输入矩阵，是控制输入。
2.更新步骤：
当新的观测数据到达时，卡尔曼滤波将更新预测的状态估计，结合新的观测信息，减少误差：
计算卡尔曼增益：
其中，是观测矩阵，表示从状态到观测的关系，是观测噪声协方差矩阵，表示测量的不确定性。
步骤S200，通过数据处理模块对所有目标参数进行矩阵化，进而合并得到输入矩阵；
需要说明的是，一些实施例中，如图3所示，对所有目标参数进行矩阵化，进而合并得到输入矩阵，可以包括以下步骤：S201、对生产动态参数进行矩阵化，得到第一矩阵；其中，第一矩阵中每列对应生产动态参数中每种类型的参数项在目标时间之前多个时间步的参数值；S202、对气井储层静态参数进行矩阵化，得到第二矩阵；其中，第二矩阵中每列对应气井储层静态参数中每种类型的参数项在目标时间之前多个时间步的参数值；S203、对工程压裂参数进行矩阵化，得到第三矩阵；其中，第三矩阵中每列对应工程压裂参数中每种类型的参数项在目标时间之前多个时间步的参数值；S204、将第一矩阵、第二矩阵和第三矩阵合并得到输入矩阵。
示例性地，一些具体实施方式中，数据处理模块，该模块承接输入模块，将数据矩阵化，便于模型计算。
进一步地，将动态参数矩阵化，表示为一个的矩阵，如下所示：
其中为时间步数，3表示每个时间步的三个动态参数，表示日产量（104/d），表示油管压力（MPa），表示套管压力（MPa）。
进一步地，将气井储层静态参数矩阵化，表示为一个的矩阵，如下所示：
其中表示水合物饱和度（%），表示储层渗透率（mD），表示储层孔隙度（%），表示储层深度（m）。
进一步地，将气井将工程参数矩阵化，表示为一个的矩阵，如下所示：
其中，表示压裂液量（m3），表示填砂量（m3），表示裂缝长度，表示裂缝宽度。
进一步地，将三种参数合并一块，形成一个整体输入矩阵。
一些实施例中，步骤S204可以包括以下步骤：对第一矩阵、第二矩阵和第三矩阵进行水平拼接，得到输入矩阵；其中，输入矩阵的列数等于目标参数中所有参数项的总数量，输入矩阵的行数等于时间步的总数量。
示例性地，一些具体实施方式中，通过将三种参数的矩阵进行水平拼接合并到一块，形成一个整体输入矩阵，形成一个的矩阵，如下所示：
步骤S300，将输入矩阵输入自注意力机制模块，利用多头自注意力机制处理得到目标时间的预测产能；
需要说明的是，目标参数包括各种类型的参数项在目标时间之前多个时间步的参数值；一些实施例中，如图4所示，步骤S300可以包括以下步骤：S301、将输入矩阵输入自注意力机制模块，基于预学习的权重矩阵对输入矩阵进行第一线性变化处理，得到查询矩阵、键矩阵和值矩阵；S302、对查询矩阵和键矩阵进行相关性运算，得到每个时间步之间的相关性得分；S303、利用归一化指数函数将相关性得分转化为注意力权重；S304、基于注意力权重，对每个时间步对应的值矩阵进行加权求和，得到预测输出；S305、将预测输出和预设的输出权重矩阵的乘积与预设的偏置相加，得到目标时间的预测产能。
示例性地，一些具体实施方式中，自注意力机制模块，该模块核心思想是通过计算各个输入之间的相关性，赋予不同的输入不同的权重，从而有效地捕捉输入特征之间的长期依赖关系。
进一步地，输入矩阵，通过线性变换得到查询()、键()和值()矩阵。
进一步地，设这些矩阵的维度为，其中为每个向量的维度，通过矩阵变换计算，如下所示：
其中，、、是查询()、键()和值()矩阵，、、是学习的权重矩阵。
进一步地，计算，与之间的相关性得分，用来衡量每个时间步之间的相关重要性。
通过Softmax函数，将得分转化为权重：
进一步地，得到的注意力权重对进行加权求和，得到加权后的输出：
进一步地，为了捕捉数据中的不同模式，使用多头自注意力机制，通过并行计算多个注意力头，每个头关注不同的特征表示，最后将多个头的输出拼接并通过一个线性变换得到最终的输出。
进一步地，输出最终气井的产能预测值，计算公式为：
其中，为气井预测产能，是输出层的权重矩阵，是偏置。
步骤S400，基于预测产能和目标时间的实际产能，利用目标函数构建预测误差对产能预测模型进行优化调整；
其中，产能预测模型包括输入模块、数据处理模块和自注意力机制模块；
需要说明的是，气井样本包括多个子样本；一些实施例中，步骤S400可以包括以下步骤：根据每个子样本的预测产能和目标时间的实际产能构建均方根误差；对所有子样本的预测产能进行平均运算，得到预测平均值，基于预测平均值结合每个子样本的预测产能和目标时间的实际产能构建确定系数；将均方根误差和确定系数作为目标函数对产能预测模型的模型参数进行优化调整。
示例性地，一些具体实施方式中，以均方根误差（）和决定系数（）为目标函数，其计算公式为：
均方根误差公式为：
其中，是样本数量；是实际值；是预测值。
确定系数公式为：
其中，是样本数量；是实际值；是预测值；是平均值。
一些具体应用场景中，还可以将样本预先划分为训练集和测试集，首先根据训练集执行如步骤S100至S400的相关处理流程，以优化调整实现模型的训练阶段；进而，可以根据测试集再次执行如步骤S100至S400的相关处理流程，其中，在执行步骤S400的相关处理流程时，仅依靠目标函数获得的预测误差进行模型预测精度验证，不做调整，如精度符合要求，则直接进行应用，否则，基于训练集循环进行如步骤S100至S400的相关处理流程以进行迭代训练，直至测试集的精度验证符合要求。
步骤S500，利用优化调整后的产能预测模型对目标气井进行天然气水合物产能预测；
需要说明的是，一些实施例中，步骤S500可以包括以下步骤：获取目标气井在待预测时间之前的目标参数；将目标气井对应的目标参数输入优化调整后的产能预测模型，通过矩阵化和多头自注意力机制，处理得到目标气井在待预测时间的目标预测产能。
示例性地，一些具体实施方式中，在产能预测模型进行实际应用的过程中，将目标参数输入模型之前，还可以采用卡尔曼滤波方法对目标参数中的生产动态数据进行噪声抑制和数据过滤，以确保输入数据的准确性和稳定性，为后续的模型预测提供高质量的输入数据。
为详细解释本发明技术方案的原理，下面结合一些具体实施例对本发明的整体流程进行说明，容易理解的是，下述为对本发明技术原理的解释，不能看做对本发明的限制。
首先需要说明的是，在天然气水合物产能预测过程中，影响产能的因素众多，这些因素之间的相互关系和依赖性通常是非线性的，且存在复杂的时空动态变化。传统方法往往未能充分考虑这些复杂的因素，导致模型在预测精度和泛化能力上有所欠缺。因此，如何有效挖掘天然气水合物生产数据中的复杂依赖关系，尤其是长时间依赖和全局信息的捕捉，成为目前技术中的一大难点。
鉴于此，本发明通过自注意力机制，结合时域的参数数据进行模型优化调整，旨在通过充分挖掘数据中的非线性关系和长距离依赖性，提升天然气水合物产能预测的准确性和可靠性，从而为油气田开发提供更加精准的决策支持。
一些具体应用场景中，如图5所示，本发明提供天然气水合物产能预测方法可以通过如下流程步骤实现：
（1）数据预处理：
取一口气井生产动态数据，包括气井油管压力、套管压力等数据。
具体地，利用卡尔曼滤波方法对数据进行过滤，降低数据噪声值，具体步骤包括两部分：
在卡尔曼滤波的预测步骤中，系统状态的估计值基于上一步的状态进行预测：
1.预测步骤：
其中，是对当前时刻状态的预测，是前一时刻的最优估计，是状态转移矩阵，是控制输入矩阵，是控制输入。
2.更新步骤：
当新的观测数据到达时，卡尔曼滤波将更新预测的状态估计，结合新的观测信息，减少误差：
计算卡尔曼增益：
其中，是观测矩阵，表示从状态到观测的关系，是观测噪声协方差矩阵，表示测量的不确定性。基于卡尔曼滤波处理前后气井生产动态效果如图6所示。
（2）气井产能预测模型结构设计（如图7所示，仅作示例说明，在数据处理流程明确的情况下，不对具体结构细节进行限定）：
为增强模型物理约束能力，本发明设计了三个模块：
第一个模块：输入模块，该模块包括三部分:1.通过卡尔曼滤波处理后的气井生产动态参数（动态数据），包括气井日产量、油管压力、套管压力；2.气井储层静态参数（静态数据），包括水合物饱和度、储层渗透率、储层孔隙度、储层深度；3.工程压裂参数（压裂数据），包括压裂液量、填砂量、裂缝长度、裂缝宽度。
第二个模块：数据处理模块，该模块承接输入模块，将数据矩阵化，便于模型计算。
进一步地，将动态参数矩阵化，表示为一个的矩阵，如下所示：
其中为时间步数，3表示每个时间步的三个动态参数，表示日产量（104/d），表示油管压力（MPa），表示套管压力（MPa）。
进一步地，将气井储层静态参数矩阵化，表示为一个的矩阵，如下所示：
其中表示水合物饱和度（%），表示储层渗透率（mD），表示储层孔隙度（%），表示储层深度（m）。
进一步地，将气井将工程参数矩阵化，表示为一个的矩阵，如下所示：
其中，表示压裂液量（m3），表示填砂量（m3），表示裂缝长度，表示裂缝宽度。
进一步地，将三种参数合并一块，形成一个整体输入矩阵，形成一个的矩阵，如下所示：
第三个模块：自注意力机制模块，该模块核心思想是通过计算各个输入之间的相关性，赋予不同的输入不同的权重，从而有效地捕捉输入特征之间的长期依赖关系。
进一步地，输入矩阵，通过线性变换得到查询()、键()和值()矩阵。
进一步地，设这些矩阵的维度为，其中为每个向量的维度，通过矩阵变换计算，如下所示：
其中，、、是查询()、键()和值()矩阵，、、是学习的权重矩阵。
进一步地，计算，与之间的相关性得分，用来衡量每个时间步之间的相关重要性。
通过Softmax函数，将得分转化为权重：
进一步地，得到的注意力权重对进行加权求和，得到加权后的输出：
进一步地，为了捕捉数据中的不同模式，使用多头自注意力机制，通过并行计算多个注意力头，每个头关注不同的特征表示，最后将多个头的输出拼接并通过一个线性变换得到最终的输出。
进一步地，输出最终气井的产能预测值，计算公式为：
其中，为气井预测产能，是输出层的权重矩阵，是偏置。
（3）模型训练与验证（测试）：
模型训练具体步骤如下：
首先对数据集进行训练集、测试集的划分，如图8，为真实产量与采用不同类型的模型（LSTM和SAM）应用本申请实施例的注意力机制和训练优化流程实现模型预测结果的对比示例。具体地，可以根据气井实际生产动态时间按照0.5~0.8之间的比列进行调控。
进一步地，以均方根误差（）和决定系数（）为目标函数，其计算公式为：
均方根误差公式为：
其中，是样本数量；是实际值；是预测值。
确定系数公式为：
其中，是样本数量；是实际值；是预测值；是平均值。
综上所述，本发明提出了基于自注意力机制的天然气水合物产能预测方法，利用自注意力机制捕捉影响产能的复杂依赖关系。具体地，通过构建基于Transformer架构的深度学习模型，充分挖掘气井生产数据中的长时间依赖性和全局特征，自动学习并调整各输入特征之间的关系权重。该方法不仅能够有效应对多因素耦合及非线性问题，还能在较少的历史数据支持下提供较高的预测精度。通过实验验证，本发明所提方法能够显著提升天然气水合物产能预测的准确性，为油气田的生产计划、资源评估及优化决策提供更加可靠的技术支持。
具体地，本发明技术方案实现的核心原理包括：
1.基于自注意力机制的天然气水合物产能预测方法：本发明的核心技术在于利用自注意力机制（Self-Attention Mechanism）来处理气井的生产动态数据。通过赋予输入特征不同的权重，模型能够动态调整和捕捉数据之间的长时间依赖性和全局信息，从而提升预测的准确性和泛化能力。
2.卡尔曼滤波预处理步骤：本发明采用卡尔曼滤波方法对气井生产动态数据进行噪声抑制和数据过滤，以确保输入数据的准确性和稳定性，为后续的模型训练提供高质量的输入数据。
3.气井产能预测模型的模块化设计：本发明设计了三个模块：输入模块、数据处理模块、自注意力机制模块。每个模块都能独立且高效地处理不同类型的输入数据（如动态参数、静态参数和工程压裂参数），并通过自注意力机制进行综合建模，提升整体预测精度。
4.多头自注意力机制的应用：为了进一步提升模型的性能，本发明采用了多头自注意力机制，使得模型能够从多个角度对输入数据进行加权处理，捕捉不同特征的表达信息。每个“注意力头”聚焦于不同的特征表示，有效增强了模型对复杂问题的处理能力。
5.模型训练与验证方法：本发明设计了明确的训练过程，包括数据集的划分、目标函数的选择（均方根误差和决定系数）以及训练和验证方法的实现。通过对模型的训练过程进行严格的验证和评估，确保模型在实际应用中的准确性和可靠性。
相较于现有技术，本发明至少包括如下有益效果：
首先，传统方法多依赖于物理模型和经验公式，无法有效处理多因素的非线性关系和长时间依赖性，尤其是在复杂地下条件下预测精度较低。而本发明通过引入自注意力机制，能够动态调整输入特征之间的权重，从而有效捕捉各特征之间的长期依赖关系，提升了模型的表达能力和预测精度。
其次，本发明采用卡尔曼滤波对生产动态数据进行噪声滤除，确保数据的准确性和稳定性，进一步提高了模型训练的可靠性。通过卡尔曼滤波和自注意力机制的结合，能够在处理噪声数据时更加鲁棒，并充分利用气井的生产动态、储层静态参数和工程压裂参数等信息，实现多维度数据的有效融合。
此外，采用多头自注意力机制使得模型能够从不同角度关注输入数据的不同特征，进一步增强了模型对复杂非线性关系的处理能力。模型通过线性变换计算得到的加权输出，使得每个特征能够根据其重要性动态调整，提升了对气井产能预测的准确性和泛化能力。
最后，通过优化训练过程中的目标函数（均方根误差和决定系数），本发明不仅能够对气井产能进行高精度预测，还能够有效衡量模型的拟合效果和预测精度，确保在不同生产条件下的应用有效性。
综上所述，本发明通过结合卡尔曼滤波和自注意力机制，创新性地提升了天然气水合物产能预测的准确性、鲁棒性和泛化能力，解决了现有技术中难以处理多因素交互和长时间依赖性的问题，具有重要的实际应用价值和经济效益。
如图9所示，本申请实施例还提供一种天然气水合物产能预测装置900，可以实现上述的方法，该装置包括：
数据采集模块901，用于获取气井样本在目标时间之前的目标参数，将目标参数输入至输入模块；其中，目标参数包括生产动态参数、气井储层静态参数和工程压裂参数；
第一数据处理模块902，用于通过数据处理模块对所有目标参数进行矩阵化，进而合并得到输入矩阵；
第二数据处理模块903，用于将输入矩阵输入自注意力机制模块，利用多头自注意力机制处理得到目标时间的预测产能；
模型训练模块904，用于基于预测产能和目标时间的实际产能，利用目标函数构建预测误差对产能预测模型进行优化调整；其中，产能预测模型包括输入模块、数据处理模块和自注意力机制模块；
模型应用模块905，用于利用优化调整后的产能预测模型对目标气井进行天然气水合物产能预测。
一些实施例中，装置还可以包括：
滤波模块，用于利用卡尔曼滤波方法对生产动态参数进行过滤降噪；
其中，生产动态参数包括日产量、油管压力和套管压力。
可以理解的是，上述方法实施例中的内容均适用于本装置实施例中，本装置实施例所具体实现的功能与上述方法实施例相同，并且达到的有益效果与上述方法实施例所达到的有益效果也相同。
本申请实施例还提供了一种电子设备，电子设备包括存储器和处理器，存储器存储有计算机程序，处理器执行计算机程序时实现上述的方法。该电子设备可以为包括平板电脑、车载电脑等任意智能终端。
可以理解的是，上述方法实施例中的内容均适用于本设备实施例中，本设备实施例所具体实现的功能与上述方法实施例相同，并且达到的有益效果与上述方法实施例所达到的有益效果也相同。
如图10所示，图10示意了另一实施例的电子设备1000的硬件结构，电子设备1000包括：
处理器1001，可以采用通用的CPU(Central Processing Unit，中央处理器)、微处理器、应用专用集成电路(application Specific Integrated Circuit，aSIC)、或者一个或多个集成电路等方式实现，用于执行相关程序，以实现本发明实施例所提供的技术方案；
存储器1002，可以采用只读存储器（Read Only Memory，ROM）、静态存储设备、动态存储设备或者随机存取存储器(Random access Memory，RaM)等形式实现。存储器1002可以存储操作系统和其他应用程序，在通过软件或者固件来实现本说明书实施例所提供的技术方案时，相关的程序代码保存在存储器1002中，并由处理器1001来调用执行本发明实施例的网络节点种群优化方法；
输入/输出接口1003，用于实现信息输入及输出；
通信接口1004，用于实现本设备与其他设备的通信交互，可以通过有线方式（例如USB、网线等）实现通信，也可以通过无线方式（例如移动网络、WIFI、蓝牙等）实现通信；
总线1005，在设备的各个组件（例如处理器1001、存储器1002、输入/输出接口1003和通信接口1004）之间传输信息；
其中处理器1001、存储器1002、输入/输出接口1003和通信接口1004通过总线1005实现彼此之间在设备内部的通信连接。
以上所描述的电子设备实施例仅仅是示意性的，其中作为分离部件说明的单元可以是或者也可以不是物理上分开的，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。
本申请实施例还提供了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的方法。
可以理解的是，上述方法实施例中的内容均适用于本存储介质实施例中，本存储介质实施例所具体实现的功能与上述方法实施例相同，并且达到的有益效果与上述方法实施例所达到的有益效果也相同。
本申请实施例还提供了一种计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现上述的方法。
可以理解的是，上述方法实施例中的内容均适用于本程序产品实施例中，本程序产品实施例所具体实现的功能与上述方法实施例相同，并且达到的有益效果与上述方法实施例所达到的有益效果也相同。
存储器作为一种非暂态计算机可读存储介质，可用于存储非暂态软件程序以及非暂态性计算机可执行程序。此外，存储器可以包括高速随机存取存储器，还可以包括非暂态存储器，例如至少一个磁盘存储器件、闪存器件、或其他非暂态固态存储器件。在一些实施方式中，存储器可选包括相对于处理器远程设置的存储器，这些远程存储器可以通过网络连接至该处理器。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
本申请实施例提供的天然气水合物产能预测方法、装置、电子设备、存储介质及程序产品，其通过获取气井样本在目标时间之前的目标参数，将目标参数输入至输入模块；其中，目标参数包括生产动态参数、气井储层静态参数和工程压裂参数；通过数据处理模块对所有目标参数进行矩阵化，进而合并得到输入矩阵；将输入矩阵输入自注意力机制模块，利用多头自注意力机制处理得到目标时间的预测产能；基于预测产能和目标时间的实际产能，利用目标函数构建预测误差对产能预测模型进行优化调整；其中，产能预测模型包括输入模块、数据处理模块和自注意力机制模块；利用优化调整后的产能预测模型对目标气井进行天然气水合物产能预测。本申请通过自注意力机制，结合时域的参数数据进行模型优化调整，旨在通过充分挖掘数据中的非线性关系和长距离依赖性，提升天然气水合物产能预测的准确性和可靠性，从而为油气田开发提供更加精准的决策支持。
本申请实施例描述的实施例是为了更加清楚的说明本申请实施例的技术方案，并不构成对于本申请实施例提供的技术方案的限定，本领域技术人员可知，随着技术的演变和新应用场景的出现，本申请实施例提供的技术方案对于类似的技术问题，同样适用。
本领域技术人员可以理解的是，图中示出的技术方案并不构成对本申请实施例的限定，可以包括比图示更多或更少的步骤，或者组合某些步骤，或者不同的步骤。
以上所描述的装置实施例仅仅是示意性的，其中作为分离部件说明的单元可以是或者也可以不是物理上分开的，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。
本领域普通技术人员可以理解，上文中所公开方法中的全部或某些步骤、系统、设备中的功能模块/单元可以被实施为软件、固件、硬件及其适当的组合。
本申请的说明书及上述附图中的术语“第一”、“第二”、“第三”、“第四”等(如果存在)是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本申请的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
应当理解，在本申请中，“至少一个(项)”是指一个或者多个，“多个”是指两个或两个以上。“和/或”，用于描述关联对象的关联关系，表示可以存在三种关系，例如，“A和/或B”可以表示：只存在A，只存在B以及同时存在A和B三种情况，其中A，B可以是单数或者复数。字符“/”一般表示前后关联对象是一种“或”的关系。“以下至少一项(个)”或其类似表达，是指这些项中的任意组合，包括单项(个)或复数项(个)的任意组合。例如，a，b或c中的至少一项(个)，可以表示：a，b，c，“a和b”，“a和c”，“b和c”，或“a和b和c”，其中a，b，c可以是单个，也可以是多个。
在本申请所提供的几个实施例中，应该理解到，所揭露的装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，上述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
上述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本申请各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括多指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本申请各个实施例的方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(Read-Only Memory，简称ROM)、随机存取存储器(Random Access Memory，简称RAM)、磁碟或者光盘等各种可以存储程序的介质。
以上参照附图说明了本申请实施例的优选实施例，并非因此局限本申请实施例的权利范围。本领域技术人员不脱离本申请实施例的范围和实质内所作的任何修改、等同替换和改进，均应在本申请实施例的权利范围之内。

Claims (9)

1.一种天然气水合物产能预测方法，其特征在于，所述方法包括以下步骤：
获取气井样本在目标时间之前的目标参数，将所述目标参数输入至输入模块；其中，所述目标参数包括生产动态参数、气井储层静态参数和工程压裂参数；
通过数据处理模块对所有所述目标参数进行矩阵化，进而合并得到输入矩阵；
其中，所述对所有所述目标参数进行矩阵化，进而合并得到输入矩阵，包括以下步骤：
对所述生产动态参数进行矩阵化，得到第一矩阵；其中，所述第一矩阵中每列对应所述生产动态参数中每种类型的参数项在所述目标时间之前多个时间步的参数值；
其中，所述第一矩阵表示为一个的矩阵，表达式为：
其中，为时间步数；3表示每个时间步的三个动态参数；表示日产量，单位为104/d；表示油管压力，单位为MPa；表示套管压力，单位为MPa；
对所述气井储层静态参数进行矩阵化，得到第二矩阵；其中，所述第二矩阵中每列对应所述气井储层静态参数中每种类型的参数项在所述目标时间之前多个时间步的参数值；
其中，所述第二矩阵表示为一个的矩阵，表达式为：
其中，表示水合物饱和度，单位为%；表示储层渗透率，单位为mD；表示储层孔隙度，单位为%；表示储层深度，单位为m；
对所述工程压裂参数进行矩阵化，得到第三矩阵；其中，所述第三矩阵中每列对应所述工程压裂参数中每种类型的参数项在所述目标时间之前多个时间步的参数值；
其中，所述第三矩阵表示为一个的矩阵，表达式为：
其中，表示压裂液量，单位m3；表示填砂量m3；表示裂缝长度；表示裂缝宽度；
将所述第一矩阵、所述第二矩阵和所述第三矩阵合并得到所述输入矩阵；
将所述输入矩阵输入自注意力机制模块，利用多头自注意力机制处理得到所述目标时间的预测产能；
基于所述预测产能和所述目标时间的实际产能，利用目标函数构建预测误差对产能预测模型进行优化调整；其中，所述产能预测模型包括所述输入模块、所述数据处理模块和所述自注意力机制模块；
利用优化调整后的所述产能预测模型对目标气井进行天然气水合物产能预测。
2.根据权利要求1所述的方法，其特征在于，所述将所述目标参数输入至输入模块的步骤之前，所述方法还包括以下步骤：
利用卡尔曼滤波方法对所述生产动态参数进行过滤降噪；
其中，所述生产动态参数包括日产量、油管压力和套管压力。
3.根据权利要求1所述的方法，其特征在于，所述将所述第一矩阵、所述第二矩阵和所述第三矩阵合并得到所述输入矩阵，包括以下步骤：
对所述第一矩阵、所述第二矩阵和所述第三矩阵进行水平拼接，得到所述输入矩阵；
其中，所述输入矩阵的列数等于所述目标参数中所有所述参数项的总数量，所述输入矩阵的行数等于所述时间步的总数量。
4.根据权利要求1所述的方法，其特征在于，所述目标参数包括各种类型的参数项在所述目标时间之前多个时间步的参数值；所述将所述输入矩阵输入自注意力机制模块，利用多头自注意力机制处理得到所述目标时间的预测产能，包括以下步骤：
将所述输入矩阵输入自注意力机制模块，基于预学习的权重矩阵对所述输入矩阵进行第一线性变化处理，得到查询矩阵、键矩阵和值矩阵；
对所述查询矩阵和所述键矩阵进行相关性运算，得到每个所述时间步之间的相关性得分；
利用归一化指数函数将所述相关性得分转化为注意力权重；
基于所述注意力权重，对每个所述时间步对应的所述值矩阵进行加权求和，得到预测输出；
将所述预测输出和预设的输出权重矩阵的乘积与预设的偏置相加，得到所述目标时间的所述预测产能。
5.根据权利要求1所述的方法，其特征在于，所述气井样本包括多个子样本；所述基于所述预测产能和所述目标时间的实际产能，利用目标函数构建预测误差对产能预测模型进行优化调整，包括以下步骤：
根据每个所述子样本的所述预测产能和所述目标时间的所述实际产能构建均方根误差；
对所有所述子样本的所述预测产能进行平均运算，得到预测平均值，基于所述预测平均值结合每个所述子样本的所述预测产能和所述目标时间的所述实际产能构建确定系数；
将所述均方根误差和所述确定系数作为所述目标函数对产能预测模型的模型参数进行优化调整。
6.根据权利要求1至5任一项所述的方法，其特征在于，所述利用优化调整后的所述产能预测模型对目标气井进行天然气水合物产能预测，包括以下步骤：
获取所述目标气井在待预测时间之前的所述目标参数；
将所述目标气井对应的所述目标参数输入优化调整后的所述产能预测模型，通过所述矩阵化和所述多头自注意力机制，处理得到所述目标气井在所述待预测时间的目标预测产能。
7.一种天然气水合物产能预测装置，其特征在于，所述装置包括：
数据采集模块，用于获取气井样本在目标时间之前的目标参数，将所述目标参数输入至输入模块；其中，所述目标参数包括生产动态参数、气井储层静态参数和工程压裂参数；
第一数据处理模块，用于通过数据处理模块对所有所述目标参数进行矩阵化，进而合并得到输入矩阵；
其中，所述对所有所述目标参数进行矩阵化，进而合并得到输入矩阵，包括以下步骤：
对所述生产动态参数进行矩阵化，得到第一矩阵；其中，所述第一矩阵中每列对应所述生产动态参数中每种类型的参数项在所述目标时间之前多个时间步的参数值；
其中，所述第一矩阵表示为一个的矩阵，表达式为：
其中，为时间步数；3表示每个时间步的三个动态参数；表示日产量，单位为104/d；表示油管压力，单位为MPa；表示套管压力，单位为MPa；
对所述气井储层静态参数进行矩阵化，得到第二矩阵；其中，所述第二矩阵中每列对应所述气井储层静态参数中每种类型的参数项在所述目标时间之前多个时间步的参数值；
其中，所述第二矩阵表示为一个的矩阵，表达式为：
其中，表示水合物饱和度，单位为%；表示储层渗透率，单位为mD；表示储层孔隙度，单位为%；表示储层深度，单位为m；
对所述工程压裂参数进行矩阵化，得到第三矩阵；其中，所述第三矩阵中每列对应所述工程压裂参数中每种类型的参数项在所述目标时间之前多个时间步的参数值；
其中，所述第三矩阵表示为一个的矩阵，表达式为：
其中，表示压裂液量，单位m3；表示填砂量m3；表示裂缝长度；表示裂缝宽度；
将所述第一矩阵、所述第二矩阵和所述第三矩阵合并得到所述输入矩阵；
第二数据处理模块，用于将所述输入矩阵输入自注意力机制模块，利用多头自注意力机制处理得到所述目标时间的预测产能；
模型训练模块，用于基于所述预测产能和所述目标时间的实际产能，利用目标函数构建预测误差对产能预测模型进行优化调整；其中，所述产能预测模型包括所述输入模块、所述数据处理模块和所述自注意力机制模块；
模型应用模块，用于利用优化调整后的所述产能预测模型对目标气井进行天然气水合物产能预测。
8.一种电子设备，其特征在于，所述电子设备包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现权利要求1至6任一项所述的方法。
9.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至6中任一项所述的方法。
CN202510999205.3A 2025-07-21 2025-07-21 一种天然气水合物产能预测方法、装置、电子设备及存储介质 Active CN120509552B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202510999205.3A CN120509552B (zh) 2025-07-21 2025-07-21 一种天然气水合物产能预测方法、装置、电子设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202510999205.3A CN120509552B (zh) 2025-07-21 2025-07-21 一种天然气水合物产能预测方法、装置、电子设备及存储介质

Publications (2)

Publication Number Publication Date
CN120509552A CN120509552A (zh) 2025-08-19
CN120509552B true CN120509552B (zh) 2025-11-11

Family

ID=96715204

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202510999205.3A Active CN120509552B (zh) 2025-07-21 2025-07-21 一种天然气水合物产能预测方法、装置、电子设备及存储介质

Country Status (1)

Country Link
CN (1) CN120509552B (zh)

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112214591A (zh) * 2020-10-29 2021-01-12 腾讯科技（深圳）有限公司 一种对话预测的方法及装置
CN119252027A (zh) * 2024-10-11 2025-01-03 中国移动通信集团江苏有限公司 交通流量预测方法、装置、设备、存储介质及产品

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
FR3007165B1 (fr) * 2013-06-13 2016-10-28 Ifp Energies Now Methode pour optimiser l’exploitation d’un gisement de fluide par prise en compte d’un terme d’echange geologique et transitoire entre blocs matriciels et fractures

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112214591A (zh) * 2020-10-29 2021-01-12 腾讯科技（深圳）有限公司 一种对话预测的方法及装置
CN119252027A (zh) * 2024-10-11 2025-01-03 中国移动通信集团江苏有限公司 交通流量预测方法、装置、设备、存储介质及产品

Also Published As

Publication number Publication date
CN120509552A (zh) 2025-08-19

Similar Documents

Publication Publication Date Title
JP7399269B2 (ja) 機械学習モデルにおいて動的外れ値偏り低減を実装するように構成されるコンピュータベースシステム、コンピュータコンポーネント及びコンピュータオブジェクト
CN109611087B (zh) 一种火山岩油藏储层参数智能预测方法及系统
US20160004800A1 (en) Methods and systems for reservoir history matching for improved estimation of reservoir performance
CN111766635B (zh) 砂体连通程度分析方法和系统
CN117349798B (zh) 一种基于非均衡回归的机械钻速预测方法及系统
CN110852415B (zh) 基于神经网络算法的植被指数预测方法、系统及设备
WO2023133213A1 (en) Method for automated ensemble machine learning using hyperparameter optimization
CN120197528B (zh) 一种粗糙环境下天然气工业系统的模拟与优化方法
CN119692107B (zh) 一种评估污染物影响的水生环境模拟监测方法及系统
CN118094444A (zh) 异常账户检测模型训练方法、装置、电子设备及存储介质
CN113094284A (zh) 应用故障检测方法及装置
CN118657259A (zh) 页岩气藏最终可采储量预测方法、系统及介质
CN120509552B (zh) 一种天然气水合物产能预测方法、装置、电子设备及存储介质
CN120492876B (zh) 一种天然气水合物产能主控因素分析方法、装置、电子设备及存储介质
CN116342172A (zh) 基于线性回归和决策树结合的油价预测方法、装置及设备
CN116258194A (zh) 用于预测电离层电子浓度的模型训练方法、装置和设备
CN119692443A (zh) 链路预测方法及装置、模型训练方法及装置
CN113779103A (zh) 用于检测异常数据的方法和装置
CN119849292A (zh) 压裂参数的确定方法、装置及设备
CN110020402A (zh) 变异函数套合模型参数估计方法、装置、设备及存储介质
CN119670521A (zh) 一种基于测井资料的储层参数预测方法、装置及存储介质
CN115544867B (zh) 一种基于小层信息的未测量测井曲线智能构建方法及装置
CN119644418B (zh) 一种有效烃源岩发育情况的预测方法及相关装置
CN120541621B (zh) 一种测井相解释结果分析方法、设备、介质和产品
US20250378236A1 (en) Systems and methods for optimizing saltwater disposal reservoirs

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