[发明专利]基于长短时记忆网络的油气藏产量预测方法及装置

权利要求书

1.一种基于长短时记忆网络的油气藏产量预测方法，其特征在于，包括：

获取目标新井的生命周期中每个月各自对应的生产参数，其中，所述目标新井的生命周期为T个月；

将所述目标新井的生命周期中每个月各自对应的生产参数输入到预先训练出的产量预测模型中，得到所述目标新井的生命周期中每个月各自对应的产量预测值，其中，所述产量预测模型为采用训练样本对预设的长短时记忆网络进行训练得到的，并且在训练时采用贝叶斯优化算法对所述长短时记忆网络的超参数进行优化，所述训练样本包括已投产油气井历史上T个月中每个月各自对应的生产参数及产量；收集与所述目标新井生产条件相同的多个已投产油气井的全生命周期的历史生产数据，从中筛选出生命周期大于T的已投油气井，然后将筛选出的已投油气井的T个月的历史生产数据，以油井为单位，按照一定的比例划分为训练样本集、验证样本集和测试样本集，每个筛选出的已投产油气井对应一个训练样本、验证样本或测试样本，T个月的历史生产数据具体为已投产油气井从投产第一个月至第T个月的历史生产数据。

2.根据权利要求1所述的基于长短时记忆网络的油气藏产量预测方法，其特征在于，还包括：

获取训练样本集，其中，所述训练样本集包含多个所述训练样本；

根据所述训练样本集对预设的长短时记忆网络进行训练，并且在训练时采用贝叶斯优化算法对所述长短时记忆网络的超参数进行优化，得到所述产量预测模型。

3.根据权利要求1所述的基于长短时记忆网络的油气藏产量预测方法，其特征在于，所述采用贝叶斯优化算法对所述长短时记忆网络的超参数进行优化，具体包括：

结合贝叶斯优化算法，以训练后的长短时记忆网络对验证样本集中的各验证样本的预测平均误差作为目标，对所述长短时记忆网络的超参数进行优化。

4.根据权利要求1所述的基于长短时记忆网络的油气藏产量预测方法，其特征在于，所述超参数具体包括：网络层数、每层网络的神经元个数、每层网络后防止过拟合的Dropout层的丢失率、Adam优化器的学习率、每次训练网络代入的训练样本集中训练样本的个数以及总的训练周期数。

5.根据权利要求1所述的基于长短时记忆网络的油气藏产量预测方法，其特征在于，所述生产参数包括：注水量、渗透率、孔隙度、油藏含油饱和度以及油藏厚度。

6.根据权利要求1所述的基于长短时记忆网络的油气藏产量预测方法，其特征在于，所述已投产油气井和所述目标新井的生产条件相同，所述生产条件包括：井网条件。

7.一种基于长短时记忆网络的油气藏产量预测装置，其特征在于，包括：

新井数据获取模块，用于获取目标新井的生命周期中每个月各自对应的生产参数，其中，所述目标新井的生命周期为T个月；

新井全周期产量预测模块，用于将所述目标新井的生命周期中每个月各自对应的生产参数输入到预先训练出的产量预测模型中，得到所述目标新井的生命周期中每个月各自对应的产量预测值，其中，所述产量预测模型为采用训练样本对预设的长短时记忆网络进行训练得到的，并且在训练时采用贝叶斯优化算法对所述长短时记忆网络的超参数进行优化，所述训练样本包括已投产油气井历史上T个月中每个月各自对应的生产参数及产量；收集与所述目标新井生产条件相同的多个已投产油气井的全生命周期的历史生产数据，从中筛选出生命周期大于T的已投油气井，然后将筛选出的已投油气井的T个月的历史生产数据，以油井为单位，按照一定的比例划分为训练样本集、验证样本集和测试样本集，每个筛选出的已投产油气井对应一个训练样本、验证样本或测试样本，T个月的历史生产数据具体为已投产油气井从投产第一个月至第T个月的历史生产数据。

8.根据权利要求7所述的基于长短时记忆网络的油气藏产量预测装置，其特征在于，还包括：

训练样本集获取模块，用于获取训练样本集，其中，所述训练样本集包含多个所述训练样本；

训练模块，用于根据所述训练样本集对预设的长短时记忆网络进行训练，并且在训练时采用贝叶斯优化算法对所述长短时记忆网络的超参数进行优化，得到所述产量预测模型。