[发明专利]基于递归神经网络的页岩气井生产压力预测方法

说明书

本发明公开了一种基于递归神经网络的页岩气井生产压力预测方法，首先利用自适应分段算法对页岩气生产数据进行初步分段拟合，分段剔除不完整数据以及异常数据，以保证数据的准确性；再利用斯皮尔曼相关系数分析法对生产数据进行相关性分析，从而分析不同变量因素的相关密切程度，以确定用于递归神网络建模的输入变量。最后运用递归神经网络对生产压力进行建模，最终利用建立好的模型对生产压力进行预测，以达到为后期实际生产提供参考和预警的目的。

技术领域

本发明属于智能控制领域，具体涉及一种基于递归神经网络的页岩气定产井生产压力预测方法。

背景技术

在采气过程中，生产压力可以反映(气井生产状态是否异常)，然而页岩气井储量巨大，生产过程复杂，呈现出非线性、强耦合、时序性等特点，导致生产压力难以预测。生产过程中采集的大量数据蕴含信息丰富，若能根据历史生产数据对气井的生产压力进行预测，可对后期开发和生产指导两个方面产生促进作用。传统页岩气产能预测方法有Arps典型曲线模型方法、幂律指数模型方法等，利用递减曲线法进行产量预测。然而，当涪陵焦石坝页岩气田采用定产生产方式时，产量恒定不变，无法采用递减曲线法，因此传统方法无法有效对生产压力进行预测。而递归神经网络具有很强的非线性映射能力，适用于解决非线性系统建模问题，为生产过程压力建模提供了新的思路。对于页岩气生产数据，具有噪声大、不完整、易受人为影响等特点，若直接使用，会影响动态模型的准确度。因此，在模型建立之前，应对数据进行筛选及处理操作，保留完整、正确的数据，才能保证所建模型的真实性与准确性。因此可引入初步分段拟合的方法，初步对数据进行处理，利用斯皮尔曼相关系数分析法对生产数据进行相关性分析，从而分析不同变量因素的相关密切程度，以确定用于递归神网络建模的输入变量。最后运用Elman递归神经网络对生产压力进行建模，最终利用建立好的模型对生产压力进行预测。递归神经网络通常用于描述动态时间行为序列，将状态在自身网络中循环传递，可以接受更为广泛的时序序列结构输入。不同于前馈深层神经网络，递归神经网络更重视网络的反馈作用。由于存在当前状态和过去状态的连接，递归神经网络可以具有一定的记忆功能。

发明内容

本发明的目的在于克服现有技术的不足，提供一种预测结果更加准确的基于递归神经网络的页岩气井生产压力预测方法。

本发明的目的是这样实现的：

一种基于递归神经网络的页岩气井生产压力预测方法，如下步骤：

S1：选择对页岩气井生产有影响的控制参数构成决策变量X＝[x₁,x₂,…,x_M]，M为所选控制参数的个数；选定页岩气工业现场，采集N组决策变量X₁,X₂,…,X_N及其对应的N组生产数据；利用自适应分段算法对所述的生产数据进行初步分段拟合；

S2：选定相关系数分析法对N组生产数据进行相关性分析，以确定页岩气井生产数据模型的输入变量；

S3：利用递归神经网络算法，对步骤S2所得的输入变量进行建模，建立基于递归神经网络的页岩气井生产数据模型；

S4：按照步骤S3所得的基于递归神经网络的页岩气井生产数据模型对页岩气井生产压力进行预测。

优选地，步骤S1中，所述控制参数包括系列油管压力Y、套管压力T、产水量W、页岩气产量P。

优选地，步骤S1中的自适应分段算法包括以下步骤：

S11：根据页岩气井历史生产数据，评价每个油管压力数据的准确度，首先将不完整的数据进行线性插值，其公式为：

其中y_k为油管压力，x_k为生产时间；

S12：将插值补充完整后的油管压力数据进行自适应初步分段拟合，分段剔除异常数据：