基于长短时记忆神经网络的单井指标预测方法、系统与流程

1.本技术涉及油藏开发单井指标预测技术领域，尤其涉及一种基于长短时记忆神经网络的单井指标预测方法、系统、设备及可读存储介质。


背景技术：

2.本部分旨在为权利要求书中陈述的本技术实施例提供背景或上下文。此处的描述不因为包括在本部分中就承认是现有技术。
3.油井动态分析、开发效果评价、新老区开发方案编制是油田开发的重要手段，单井产量递减和含水预测是上述工作的基础。目前单井产量递减和含水预测主要依靠人工分析和不同软件实现，缺乏继承性，效率较低。现有指标预测方法单一、适用性差，预测精度有待提高，预测结果容易受到人为因素的影响，而油藏数值模拟等方法的时效性不强。
4.早在1994年我国吴新根就用ann准确预测了油田的产油量，随着人工智能技术快速发展，国内外学者在其他指标预测方面进行了探索，包括对页岩气产量、区块产油量、区块含水率、新井产油量等方面的实验，均取得了较好的效果。但目前的方法均不能做到逐井对应到不同油藏类型、不同开发方式、不同含水阶段等多维度的单井产量递减和含水预测，因而不能准确进行油井产量配产。


技术实现要素：

5.为此本技术实施例提供了一种基于长短时记忆神经网络的单井指标预测方法、系统、设备及可读存储介质，解决了以上技术问题。综合考虑单井静态地质数据、生产数据、注水数据、作业数据等历史数据，运用人工智能方法，建立不同开发方式、不同含水阶段的单井产量递减和含水预测模型，实现多维度的单井产量递减和含水预测，准确支撑油井产量预测和配产。
6.第一方面，本技术实施例提供了一种基于长短时记忆神经网络的单井指标预测方法，包括：
7.接收待预测单井的类型信息，所述类型信息包括开发方式信息和含水阶段信息；
8.将所述待预测单井的类型信息输入至预设的长短时记忆神经网络lstm模型，得到该类型信息对应的单井产量和/或单井含水量数据；其中，所述lstm模型是利用对应该类型信息的单井的历史数据训练得到，所述历史数据包括地质数据、生产数据以及监测数据。
9.可选地，所述方法还包括：
10.根据待预测单井的类型信息选取对应类型信息的lstm模型。
11.可选地，所述方法包括：
12.根据单井产量阈值，针对不同类型的单井数据样本库分别建立lstm模型；
13.针对每个lstm模型进行训练。
14.可选地，所述针对不同类型的单井数据样本库分别建立lstm模型，包括：
15.按照单井产量的高低设置阈值，将样本设置为高产井、中产井和低产井；
16.针对三种样本分别建立lstm模型。
17.可选地，所述针对每个lstm模型进行训练，包括：
18.针对每个模型，将样本数据划分为训练集、测试集和验证集；
19.将标注的训练集和所述训练集对应的主控影响因素作为所述lstm模型的输入样本，对所述lstm模型进行训练，得到不同类型的单井产油量和含水率预测模型；
20.利用测试集对训练后的所述lstm模型进行验证，满足设定条件的确定为验证合格的lstm模型。
21.第二方面，本技术实施例还提供了一种基于长短时记忆神经网络的单井指标预测系统，所述系统包括：
22.信息接收模块，用于接收待预测单井的类型信息，所述类型信息包括开发方式信息和含水阶段信息；
23.lstm模型预测模块，用于将所述待预测单井的类型信息输入至预设的长短时记忆神经网络lstm模型，得到该类型信息对应的单井产量和/或单井含水量数据；其中，所述lstm模型是利用对应该类型信息的单井的历史数据训练得到，所述历史数据包括地质数据、生产数据以及监测数据。
24.可选地，所述系统还包括：
25.lstm模型选取模块，用于根据待预测单井的类型信息选取对应类型信息的lstm模型。
26.可选地，所述lstm模型选取模块，具体用于：
27.根据单井产量阈值，针对不同类型的单井数据样本库分别建立lstm模型；
28.针对每个lstm模型进行训练。
29.可选地，所述针对不同类型的单井数据样本库分别建立lstm模型，包括：
30.按照单井产量的高低设置阈值，将样本设置为高产井、中产井和低产井；
31.针对三种样本分别建立lstm模型。
32.可选地，所述针对每个lstm模型进行训练，包括：
33.针对每个模型，将样本数据划分为训练集、测试集和验证集；
34.将标注的训练集和所述训练集对应的主控影响因素作为所述lstm模型的输入样本，对所述lstm模型进行训练，得到不同类型的单井产油量和含水率预测模型；
35.利用测试集对训练后的所述lstm模型进行验证，满足设定条件的确定为验证合格的lstm模型。
36.第三方面，本技术实施例还提供了一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述第一方面任一所述方法。
37.第四方面，本技术实施例还提供了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执行上述第一方面任一所述方法的计算机程序。
38.综上所述，本技术实施例提供了一种基于长短时记忆神经网络的单井指标预测方法、系统、设备及可读存储介质，通过接收待预测单井的类型信息，所述类型信息包括开发方式信息和含水阶段信息；将所述待预测单井的类型信息输入至预设的长短时记忆神经网络lstm模型，得到该类型信息对应的单井产量和/或单井含水量数据；其中，所述lstm模型
是利用对应该类型信息的单井的历史数据训练得到，所述历史数据包括地质数据、生产数据以及监测数据。从而提升单井产量和含水指标预测的准确性。
附图说明
39.为了更清楚地说明本技术实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。在附图中：
40.图1为本技术实施例中提供的一种基于长短时记忆神经网络的单井指标预测方法流程示意图；
41.图2a、图2b和图2c为本技术实施例中提供的按照单井产量数据构建样本示意图；
42.图3为本技术实施例中提供的lstm神经网络示意图；
43.图4为本技术实施例中提供的lstm神经网络记忆单元结构示意图；
44.图5a、图5b和图5c为本技术实施例中提供的基于lstm神经网络的单井产油量预测效果对比图；
45.图6a、图6b和图6c为本技术实施例中提供的基于lstm神经网络的单井含水率预测效果对比图；
46.图7为本技术实施例中提供的基于长短时记忆神经网络的单井指标预测系统框图。
具体实施方式
47.下面将结合本技术实施例中的附图，对本技术实施例中的技术方案进行清楚、完整地描述，所描述的实施例仅仅是本技术一部分实施例，而不是全部的实施例。基于本技术中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本技术保护的范围。
48.下面参考本技术的若干代表性实施方式，详细阐释本技术的原理和精神。
49.虽然本技术提供了如下述实施例或附图所示的方法操作步骤或装置结构，但基于常规或者无需创造性的劳动在所述方法或装置中可以包括更多或者更少的操作步骤或模块单元。在逻辑性上不存在必要因果关系的步骤或结构中，这些步骤的执行顺序或装置的模块结构不限于本技术实施例或附图所示的执行顺序或模块结构。所述的方法或模块结构的在实际中的装置或终端产品应用时，可以按照实施例或者附图所示的方法或模块结构进行顺序执行或者并行执行。
50.图1为本技术实施例中提供的一种基于长短时记忆神经网络的单井指标预测方法流程示意图，所述方法包括如下步骤：
51.步骤101：接收待预测单井的类型信息，所述类型信息包括开发方式信息和含水阶段信息。
52.步骤102：将所述待预测单井的类型信息输入至预设的长短时记忆神经网络lstm模型，得到该类型信息对应的单井产量和/或单井含水量数据；其中，所述lstm模型是利用对应该类型信息的单井的历史数据训练得到，所述历史数据包括地质数据、生产数据以及
监测数据。
53.在一种可能的实施方式中，所述方法还包括：根据待预测单井的类型信息选取对应类型信息的lstm模型。
54.在一种可能的实施方式中，所述方法包括：根据单井产量阈值，针对不同类型的单井数据样本库分别建立lstm模型；针对每个lstm模型进行训练。
55.在一种可能的实施方式中，所述针对不同类型的单井数据样本库分别建立lstm模型，包括：按照单井产量的高低设置阈值，将样本设置为高产井、中产井和低产井；针对三种样本分别建立lstm模型。
56.在一种可能的实施方式中，所述针对每个lstm模型进行训练，包括：针对每个模型，将样本数据划分为训练集、测试集和验证集；将标注的训练集和所述训练集对应的主控影响因素作为所述lstm模型的输入样本，对所述lstm模型进行训练，得到不同类型的单井产油量和含水率预测模型；利用测试集对训练后的所述lstm模型进行验证，满足设定条件的确定为验证合格的lstm模型。
57.综合考虑单井地质数据、生产动态、措施数据、动态监测等相关数据，梳理参与分析的数据项。建立每个数据项的预处理方法，包括异常值处理、缺失值替换等。结合专业认识和专家经验，确定长垣水驱单井产量递减和含水上升涵盖的全部类型，建立基于不同类型的单井数据样本库，例如低含水井样本、中含水井样本、高含水井样本、特高含水井样本、压裂井样本、补孔井样本；样本数据划分为训练集、测试集和验证集。
58.通过相关性分析，识别影响不同类型样本的主要关键参数；将标注的训练数据集和其对应的主控影响因素作为长短时记忆神经网络的输入样本，对神经网络进行训练，获得不同类型单井产油量、含水率预测模型，然后，利用测试数据集对训练后的神经网络模型进行验证,若满足精度要求，则获得训练好的单井产油量预测、含水预测模型；利用训练好的的神经网络模型，自动进行不同类型单井产油量或含水率的趋势预测。
59.基于长短时记忆神经网络的单井产量和含水预测方法，实现不同开发方式、不同含水阶段单井产量和含水快速预测，大幅提升单井指标预测准确率，使单井产量和含水预测精度达到90-95％。另外，本方法可以使得每次机器学习后得到的预测模型得到沉淀，使得单井指标预测技术具有学习能力，获取更高的单井指标预测准确度，这对油藏动态分析和开发规划均有重要意义。
60.下面对本技术实施例提供的基于长短时记忆神经网络的单井指标预测方法进行进一步解释说明，具体包括如下步骤：
61.步骤1：收集单井数据，将不同类型的单井样本标定。
62.利用单井月度生产曲线图，通过选择样本时间段进行样本标定,并分类保存样本标定的成果，老井样本分低含水井样本、中含水井样本、高含水井样本、特高含水井样本，措施井样本分补孔样本、压裂样本。
63.步骤2：数据预处理。原始单井各类数据的预处理方式如下：
64.异常值处理：根据业务专家制定的不同特征的合理取值范围，对数据中的特征值设置阈值进行过滤，对超过阈值的不合理值进行临近数据或井平均数据进行修正。
65.缺失值处理：对单井产量数据中的缺失数据，补充合理值。
66.数据归一化：在机器学习领域中，不同特征向量往往具有不同的量纲和量纲单位，
这样的情况会影响到数据分析的结果，为了消除指标之间的量纲影响，需要进行数据标准化处理，以解决数据指标之间的可比性。原始数据经过数据标准化处理后，各指标处于同一数量级，适合进行综合对比评价。采用z-score标准化方法，数据处理后符合标准正态分布，即均值为0，标准差为1。
67.具体标准化方法如下：假设某一特征的离散序列为x＝{x1,x2....x
n
}，序列平均值为归一化计算公式如下公式(1)所示：
[0068][0069]
式中：x
*
为油井生产数据归一化特征，为油井某特征的平均值，σ为数据的标准差。
[0070]
相关性分析：为了减少数据的特征数量，降低特征间的相关性，充分利用与产油量相关性高的特征，计算特征间的皮尔逊相关性系数，对特征进行优选。
[0071]
步骤3：将样本构分类。参考图2a、图2b和图2c，由于不同油井因为区块，开井年份等原因，单井间的产量差距较大，给模型预测增加了难度。为此，按照产量的高低，设置阈值，将样本设置为高产，中产，低产井。对三种样本分别建模。
[0072]
步骤4：根据样本特征，确定长短时神经网络的结构。参考图3，选用了长短时记忆神经网络(lstm)，lstm是一种具有记忆功能(参考图4)的循环神经网络，能够充分考虑样本之间随时间的变化趋势。
[0073]
在本技术实施例中，lstm神经网络包含4个lstm层。在每个lstm层加入dropput层来消除lstm模型过拟合的问题。采用tanh激活函数，增加模型的非线性拟合能力。采用mse作为目标优化函数，使用adam优化器优化目标函数。
[0074]
步骤5：将井样本选取90％作为训练集，对lstm模型进行模型训练，调节网络参数以保证满足预测准确度，获得训练好的lstm神经网络。
[0075]
步骤6：将打标签数据的10％作为验证集。利用验证集对网络模型精度进行验证评估。
[0076]
步骤7：利用模型评估验证后，效果好的单井产量、单井含水模型对测试数据进行自动预测，并人工验证预测效果。
[0077]
图5a、图5b和图5c为实际单井数据的产量预测效果对比图，分别为三个含水阶段的低产井的产量预测。其中，蓝色的折线为单井真实的月度生产数据，橘色的折线为拟合的单井月度产量。通过对比可以看出，训练后的lstm模型对月度产量预测较为准确。图6a、图6b和图6c实际单井数据的含水率预测效果对比图，分别为三个含水阶段的低产井的含水预测。其中，蓝色的折线为单井真实的含水率，橘色的折线为拟合的单井月度含水率。通过对比可以看出，lstm模型预测的含水变化趋势与实际含水趋势吻合。
[0078]
可以看出，通过本技术实施例提供的基于长短时记忆神经网络的单井产量和含水预测方法，大幅提升单井指标预测准确率，极大的减轻油藏开发人员的预测工作量。另外还可以使得每次机器学习后得到的预测模型得到沉淀，使得单井指标预测技术具有学习能力，获取更高的单井指标预测准确度，这对油藏动态分析和开发规划均有重要意义。
[0079]
综上所述，本技术实施例提供了一种基于长短时记忆神经网络的单井指标预测方法，通过接收待预测单井的类型信息，所述类型信息包括开发方式信息和含水阶段信息；将
所述待预测单井的类型信息输入至预设的长短时记忆神经网络lstm模型，得到该类型信息对应的单井产量和/或单井含水量数据；其中，所述lstm模型是利用对应该类型信息的单井的历史数据训练得到，所述历史数据包括地质数据、生产数据以及监测数据。从而提升单井产量和含水指标预测的准确性。综合考虑单井静态地质数据、生产数据、注水数据、作业数据等历史数据，运用人工智能方法，建立不同开发方式、不同含水阶段的单井产量递减和含水预测模型，实现多维度的单井产量递减和含水预测，准确支撑油井产量预测和配产，提高油井生产动态管理水平、提高单井措施决策的准确性，最终实现油田最终采收率和生产效益的提升。利用人工智能的可迁移学习特征，在水驱砂岩油藏中进行推广应用的同时向其他油藏类型扩展应用。
[0080]
基于相同的技术构思，本技术实施例还提供一种基于长短时记忆神经网络的单井指标预测系统框图，如图7，具体包括：
[0081]
信息接收模块701，用于接收待预测单井的类型信息，所述类型信息包括开发方式信息和含水阶段信息。
[0082]
lstm模型预测模块702，用于将所述待预测单井的类型信息输入至预设的长短时记忆神经网络lstm模型，得到该类型信息对应的单井产量和/或单井含水量数据；其中，所述lstm模型是利用对应该类型信息的单井的历史数据训练得到，所述历史数据包括地质数据、生产数据以及监测数据。
[0083]
在一种可能的实施方式中，所述系统还包括：lstm模型选取模块，用于根据待预测单井的类型信息选取对应类型信息的lstm模型。
[0084]
在一种可能的实施方式中，所述lstm模型选取模块，具体用于：根据单井产量阈值，针对不同类型的单井数据样本库分别建立lstm模型；针对每个lstm模型进行训练。
[0085]
在一种可能的实施方式中，所述针对不同类型的单井数据样本库分别建立lstm模型，包括：按照单井产量的高低设置阈值，将样本设置为高产井、中产井和低产井；针对三种样本分别建立lstm模型。
[0086]
在一种可能的实施方式中，所述针对每个lstm模型进行训练，包括：针对每个模型，将样本数据划分为训练集、测试集和验证集；将标注的训练集和所述训练集对应的主控影响因素作为所述lstm模型的输入样本，对所述lstm模型进行训练，得到不同类型的单井产油量和含水率预测模型；利用测试集对训练后的所述lstm模型进行验证，满足设定条件的确定为验证合格的lstm模型。
[0087]
基于相同的技术构思，本技术实施例还提供一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述任一所述方法。
[0088]
基于相同的技术构思，本技术实施例还提供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执行上述任一所述方法的计算机程序。
[0089]
本领域内的技术人员应明白，本技术的实施例可提供为方法、系统、或计算机程序产品。因此，本技术可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本技术可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、cd-rom、光学存储器等)上实施的计算机程序产品的形式。
[0090]
本技术是参照根据本技术实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
[0091]
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
[0092]
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
[0093]
以上所述的具体实施例，对本技术的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上所述仅为本技术的具体实施例而已，并不用于限定本技术的保护范围，凡在本技术的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本技术的保护范围之内。