[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

说明书

本发明实施例公开了一种基于长短时记忆网络的油气藏产量预测方法及装置，该方法包括：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。本发明能够实现对新井进行全生命周期的产量预测。

技术领域

本发明涉及油气藏开发技术领域，具体而言，涉及一种基于长短时记忆网络的油气藏产量预测方法及装置。

背景技术

在油气藏的开发过程中，由于地层的强非均质性，流体渗流规律变得极其复杂，使得产量受多种因素的控制，而这些因素内部之间也存在着一定的联系，种种原因导致该类油气藏的产量无法用公式进行定量计算，预测难度大，传统的产能预测方法预测精度低，严重制约了油气藏的高效开发。

近年来，随着人工智能在科学和工程领域的广泛应用，且具有数据广、数据量大、多样性、真实可靠性等特点，大数据和机器学习己经成为石油和天然气工业的热点。大数据和机器学习已在地质特征预测、岩性判断、油气井产量主控因素、油气井产量预测分析取得了显著的成果。

现今基于机器学习的油气藏产量预测模型，虽能考虑多种影响因素和非线性关系，但是只能对已经有生产历史的老井进行产量预测，不能对新井，即从来没有生产过的井，进行全生命周期的产量预测，使用范围很有限。

因此，现有技术缺少一种能够对新井进行全生命周期的产量预测的方法。

发明内容

本发明为了解决上述背景技术中的技术问题，提出了一种基于长短时记忆网络的油气藏产量预测方法及装置。

为了实现上述目的，根据本发明的一个方面，提供了一种基于长短时记忆网络的油气藏产量预测方法，该方法包括：

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。

可选的，该基于长短时记忆网络的油气藏产量预测方法，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。

可选的，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。

可选的，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。

可选的，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。

可选的，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。