基于迁移学习的油田产油量预测方法与流程

1.本发明涉及注气油田分层开采技术领域，提供一种基于迁移学习的油田产油量预测方法。


背景技术：

2.随着大部分油田进入到开发的中后期阶段，二次采油已成为各油田提高产量，维持产量的必然选择，主要有注气、注水等方法，对注气注水后的产油量及产液量进行预测，是油井配产及开发方案调整的重要内容，为深层油藏高效开发提供理论支撑。目前产量预测的方法有很多，如，ls-svm算法和长短期记忆网络等，应用在实际油田的预测中，但这些方法一般都需要大量的训练样本。而实际中，新井组样本量较少，会对预测效果产生影响，以预测某油田新井组产油量为例，可能只有几年的数据，在小样本的情况下，模型精度不高。所以，对新井组产油量进行预测时，应该充分考虑样本量对预测结果的影响。由于油田产油量和注气量、注水量之间的关系不是线性的，而是一种非线性关系，需要大量数据训练模型才能拟合这种非线性关系。传统的产量预测方法，它们只适用于历史数据较多的情况，而油藏数值模拟方法，存在工作量大、投入多、适用性受到限制等局限性。
3.因此，我们发明了一种新的基于迁移学习的油田产油量预测方法，解决油田实际项目中遇到的技术问题。


技术实现要素：

4.本发明提供一种基于迁移学习的油田产油量预测方法，采用堆叠lstm神经网络对小样本进行预测。
5.本发明的目的可通过下述技术措施来实现：基于迁移学习的油田产油量预测方法，该基于迁移学习的油田产油量预测方法包括：步骤1，对不同井组的油田数据进行维度对齐处理，使模型可以迁移；步骤2，采用4层堆叠lstm网络，使用源井组的数据训练网络；步骤3，根据损失指标来保存训练中最佳的模型权重参数；步骤4，加载已训练好的格式模型，训练目标井组的数据，比较预测值和实际值，优化预测模型。
6.本发明可以通过如下技术措施来实现：
7.步骤1，不同井组数据的维度不同。要想迁移模型，最终进入模型的数据维度就必须一致，因此维度对齐使得源井组和目标井组数据维度是一致的。
8.步骤2，采用4层堆叠lstm网络，每层有50个神经元，网络最后一层dense层神经元个数为1，使用keras搭建网络，使用mse损失函数，选择adam优化器，用dropout防止过拟合，dropout比率选择0.2。在每次训练的时候保存损失最小的模型，重复进行多次实验，结果求平均值；根据堆叠lstm网络模型输出的预测值与真实值的准确率来衡量模型的性能，得到这组数据的准确率均值。
9.步骤3，模型迁移就是将源井组已经训练好的模型拿过来，作为新井组初始化参数，然后继续训练就可以。因此，在多次迭代时，保存最小损失函数对应的最优网络，使用此
模型进行迁移学习。
10.步骤4，迁移训练好的堆叠lstm模型预测新井组的产油量，训练新井组的数据，比较预测值和实际值，优化预测模型进一步提高预测效率和预测精度。
附图说明
11.图1为本发明的基于迁移学习的油田产油量预测方法的流程图；
12.图2为本发明中维度对齐过程以及具体使用方式的示意图。
具体实施方式
13.为使本发明的上述目的、特征和优点能更明显易懂，下文特举出较佳实施例，并配合附图所示，作详细说明如下。
14.如图1所示，图1为本发明的基于迁移学习的油田产油量预测方法的流程图。
15.在本发明的具体实施例中，根据拉丁超立方生成15种井组的月度产油量数据作为样本，首先从中取出几类作为训练模型的源井组数据集，然后再从剩余的井组中挑选一类作为小样本目标井组数据集，并将数据集按照一定比例分为训练集和测试集。利用模型预测油田月产油量，其输入变量为各井在每个时间上的工作制度，如注气井的注气量、注水井的注水量、生产井的井底流压等。
16.当实际操作时，用keras构建神经网络，在linux系统、英伟达rtx3090gpu、英特尔i9cpu设备上训练模型。源井组数据样本尽可能大且多样化，尽可能多涵盖几种情况，获得的迁移模型具有较好的预测效果，小样本情况下，准确率也较高。本发明实施例选用4种井组400种制度作为源井组数据，1种井组(不含于上述4种井组)10种制度作为目标井组数据，准确率是90.4％，20种制度时准确率可达91.6％。
17.根据堆叠lstm网络模型输出的预测值与真实值的准确率来衡量模型的性能，小样本准确率的均值，可以达到90％。


技术特征：
1.基于迁移学习的油田产油量预测方法，其特征在于，该基于迁移学习的油田产油量预测方法包括：步骤1，对不同井组的油田数据进行维度对齐处理，使模型可以迁移；步骤2，采用4层堆叠lstm网络，使用源井组的数据训练网络；步骤3，根据损失指标来保存训练中最佳的模型权重参数；步骤4，加载已训练好的格式模型，训练目标井组的数据，比较预测值和实际值，优化预测模型。2.根据权利要求1所述的基于迁移学习的油田产油量预测方法，其特征在于，在步骤1中，不同的井组之间会存在数据维度差异，利用维度对齐进行数据预处理，将两个井组不同维度的数据整合到同一维度，使模型可以迁移。3.根据权利要求1所述的基于迁移学习的油田产油量预测方法，其特征在于，在步骤2中，设计网络结构与参数，把源井组数据归一化后，导入神经网络模型中进行训练而得到预训练模型，为迁移做准备。4.根据权利要求1所述的基于迁移学习的油田产油量预测方法，其特征在于，在步骤3中，保存训练过程中的最佳模型权重，即保存精度较高的模型，预训练模型很准确的时候，把参数保存，迁移后也能获得较好的结果。5.根据权利要求1所述的基于迁移学习的油田产油量预测方法，其特征在于，在步骤4中，对样本数据较少的新井组，可以加载预训练模型，在预训练模型的基础上训练，训练出最终模型用于预测油田产油量。

技术总结
本发明提供了一种基于迁移学习的油田产油量预测方法，本方法实现的功能是，通过迁移学习实现小样本井组的产油量预测。本发明首先对不同井组不同维度的数据进行处理，采用维度对齐统一数据维度，然后构建一个堆叠LSTM神经网络，采用样本量充足的源井组数据，保存网络参数，训练出预训练模型。在预测小样本的时候，调用迁移参数，在预训练模型的基础上，使用目标井组的小样本数据集进行训练，得到适用于小样本预测的模型。该基于迁移学习的油田产油量预测方法能帮油田节省预测时间，对井组部署和油井工作制度的确定有重要意义。油井工作制度的确定有重要意义。


技术研发人员：董玉坤 张宇 刘富彬
受保护的技术使用者：中国石油大学（华东）
技术研发日：2021.12.21
技术公布日：2022/3/29