[发明专利]一种基于LSTM来构建油田分层注水预测模型的方法

说明书

本发明公开了一种基于LSTM来构建油田分层注水预测模型的方法，包括：步骤一、采集油田中的注水数据，进行数据预处理；步骤二、基于LSTM神经网络，建立注水预测模型，将注水数据输入预测模型，将数据分为测集和训练集，通过训练集对注水预测模型进行训练，训练结束后通过测试集对模型进行评估；步骤三、训练结束后，将将测试集和训练结果一同进行模型评估，输出最优预测结果。基于LSTM神经网络，建立注水预测模，能够考虑注水影响因素以及注水量随时间的变化趋势，克服现有神经网络无法适应时间序列数据的问题。

技术领域

本发明涉及一种基于LSTM来构建油田分层注水预测模型的方法，属于井下作业领域。

背景技术

复杂断块油藏注水开发过程中，由于注水井层间矛盾突出，油水分布、运动规律复杂，会导致油田开发时低渗透层吸水情况差，影响水驱油田的开采率。为改善油田注水开发的效果，对注水指标进行科学可靠的预测，需要一种能够提高工作效率和预测精度的预测方法。随着人工智能算法在工程领域的广泛应用，其中，BP神经网络已经成功应用于棉纱强度和海洋区域经济的预测，但是其有着收敛速度慢，网络结构选择不统一的缺点。全连接神经网络(Fully Connected Neural Network，FCNN)预测模型，在软件缺陷预测上表现出较好的效果，但其无法考虑到数据在时间上的相关性，难以预测时间序列数据。基于改进循环神经网络(Recurrent Neural Network，RNN)，即长短期记忆(Long Short-Term Memory,LSTM)网络预测模型，在交通流量和油田产油量预测上得到了广泛的应用。该模型能考虑到数据在时间上的相关性，捕捉到序列的历史信息，并将其运用到当前输出的计算中，可以有效解决其它神经网络无法适应时间序列数据的问题，弥补了RNN神经网络可能存在的梯度消失、梯度爆炸缺点，以及在长时间序列的处理上存在的记忆力不足问题。

发明内容

本发明设计开发了一种基于LSTM来构建油田分层注水预测模型的方法，基于LSTM神经网络，建立注水预测模，能够考虑注水影响因素以及注水量随时间的变化趋势，克服现有神经网络无法适应时间序列数据的问题。

本发明提供的技术方案为：

一种基于LSTM来构建油田分层注水预测模型的方法，包括：

步骤一、采集油田中的注水数据，进行数据预处理；

其中，注水数据包括：历史注水数据、历史注水计划、当前时刻瞬时流量、当前时刻油管压力、当前时刻套管压力、当前时刻地层温度、流体系数和影响因素系数；

步骤二、基于LSTM神经网络，建立注水预测模型，将注水数据输入预测模型，将数据分为测集和训练集，通过训练集对注水预测模型进行训练；

步骤三、训练结束后，将测试集和训练结果一同进行模型评估，输出最优预测结果。

优选的是，

所述步骤二中，选取均方差误差、平均绝对误差、决定系数作为评价注水预测模型精度的指标。

优选的是，

所述LSTM神经网络中，隐藏层神经元个数为50、输出层1个神经元、模型训练次数为60、每次抓取用于训练的批次大小为72，网络优化选用“Adam”优化函数。

优选的是，

选用预测时段前的历史流量和注水影响因素数据对未来注水量进行预测。

优选的是，

所述LSTM神经网络中，模型的输出为预测流量

式中，是预测t时刻到k时刻的瞬时流量矩阵/列向量；

预测时间段前t时刻的历史流量为：