基于BP神经网络的页岩气井产能分析方法及系统与流程

基于bp神经网络的页岩气井产能分析方法及系统
技术领域
1.本发明涉及页岩气建产区水平井产能影响因素分析技术领域，尤其涉及一种基于bp神经网络的页岩气井产能分析方法及系统。


背景技术：

2.随着页岩气资源开发工作的不断深入，当前全国页岩气生产井超过1500口，生产数据规模不断增大，如何分析气井产能影响因素成为建产区评价的关键。
3.页岩气井产能受地质和工程等多因素影响，常规统计方法的结果规律性不强，不能实现有效分析。特别是当前页岩气产业进入规模快速发展阶段，随着建产规模的不断扩大，从大量区块地质特征、工程参数等分析中，建立地质工程参数对气井产能的影响关系，找到页岩气产能影响主控因素，是实现高效开发亟待解决的关键问题。


技术实现要素：

4.本发明的一个目的在于提供一种基于bp神经网络的页岩气井产能分析方法，通过大数据人工智能分析技术，结合页岩气井开发特点进行页岩气井产能分析，为页岩气井开发优化提供有效支撑。本发明的另一个目的在于提供一种基于bp神经网络的页岩气井产能分析系统。本发明的再一个目的在于提供一种计算机设备。本发明的还一个目的在于提供一种可读介质。
5.为了达到以上目的，本发明一方面公开了一种基于bp神经网络的页岩气井产能分析方法，包括：
6.得到页岩气井地质参数和工程参数；
7.根据所述地质参数和工程参数形成输入向量，将输入向量输入n个不同的bp神经网络得到n个拟合结果，其中n为正整数；
8.改变地质参数和工程参数的参数值并分别得到对应的n个拟合结果，根据不同的n个拟合结果分析所述页岩气井产能的影响因素。
9.优选的，所述n个不同的bp神经网络为通过多个随机样本训练得到的，所述随机样本包括地质参数和工程参数形成的bp神经网络的输入向量，页岩气井产能参数形成的bp神经网络的输出向量。
10.优选的，进一步包括形成所述n个不同的bp神经网络的步骤。
11.优选的，所述形成所述n个不同的bp神经网络具体包括：
12.采集页岩气井地质参数、工程参数和对应的产能参数得到样本数据；
13.从所述样本数据中随机抽取地质参数、工程参数和对应的产能参数形成n个不同的随机样本；
14.建立bp神经网络模型，通过n个不同的随机样本训练所述bp神经网络模型得到n个不同的bp神经网络。
15.优选的，所述根据不同的n个拟合结果分析所述页岩气井产能的影响因素具体包
括：
16.求取n个拟合结果的概率密度；
17.若所述概率密度服从正态分布，得到所述概率密度的期望值和预设置信度的置信区间；
18.根据所述期望值和置信区间分析不同地质参数和工程参数的参数值对页岩气井产能的影响。
19.本发明还公开了一种基于bp神经网络的页岩气井产能分析系统，包括：
20.数据获取模块，用于得到页岩气井地质参数和工程参数；
21.数据拟合模块，用于根据所述地质参数和工程参数形成输入向量，将输入向量输入n个不同的bp神经网络得到n个拟合结果，其中n为正整数；
22.数据分析模块，用于改变地质参数和工程参数的参数值并分别得到对应的n个拟合结果，根据不同的n个拟合结果分析所述页岩气井产能的影响因素。
23.优选的，所述n个不同的bp神经网络为通过多个随机样本训练得到的，所述随机样本包括地质参数和工程参数形成的bp神经网络的输入向量，页岩气井产能参数形成的bp神经网络的输出向量。
24.优选的，进一步包括模型构建模块，用于形成所述n个不同的bp神经网络。
25.优选的，所述模型构建模块具体用于采集页岩气井地质参数、工程参数和对应的产能参数得到样本数据；从所述样本数据中随机抽取地质参数、工程参数和对应的产能参数形成n个不同的随机样本；建立bp神经网络模型，通过n个不同的随机样本训练所述bp神经网络模型得到n个不同的bp神经网络。
26.优选的，所述数据分析模块具体用于求取n个拟合结果的概率密度；若所述概率密度服从正态分布，得到所述概率密度的期望值和预设置信度的置信区间；根据所述期望值和置信区间分析不同地质参数和工程参数的参数值对页岩气井产能的影响。
27.本发明还公开了一种计算机设备，包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序，
28.所述处理器执行所述程序时实现如上所述方法。
29.本发明还公开了一种计算机可读介质，其上存储有计算机程序，
30.该程序被处理器执行时实现如上所述方法。
31.本发明通过bp神经网络进行页岩气井产能分析，最大限度利用页岩气井地质参数和工程参数，通过模拟人脑细胞结构对bp神经网络模型进非分线性数据拟合，能够深度挖掘数据信息，避免常规统计分析受多因素干扰，掩盖了数据的内在信息的问题。并且，本发明通过大数据技术建立bp神经网络，使得错误数据值在网络中的权重消减而得到有效的抑制。多次随机选取样本建立的网络模型，去除了人为分析或局部数据干扰形成的误差，模拟分析后，得到不同参数对单井产能影响的真实关系，分析结果将落入正态分布的高可能性区间内。
附图说明
32.为了更清楚地说明本发明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
发明的一些实施例，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。
33.图1示出本发明一种基于bp神经网络的页岩气井产能分析方法一个具体实施例的流程图；
34.图2示出本发明一种基于bp神经网络的页岩气井产能分析方法一个具体实施例s000的流程图；
35.图3示出本发明一种基于bp神经网络的页岩气井产能分析方法一个具体实施例s300的流程图；
36.图4示出本发明一种基于bp神经网络的页岩气井产能分析方法一个具体例子的流程图；
37.图5示出本发明一种基于bp神经网络的页岩气井产能分析方法一个具体例子通过常规方法统计储层厚度与单井eur关系的相关系数的示意图；
38.图6示出本发明一种基于bp神经网络的页岩气井产能分析方法一个具体例子通过本发明方法统计储层厚度与单井eur关系的相关系数的示意图；
39.图7示出本发明一种基于bp神经网络的页岩气井产能分析方法一个具体例子通过本发明概率分析处理后统计储层厚度与单井eur关系的相关系数的示意图；
40.图8示出本发明一种基于bp神经网络的页岩气井产能分析系统一个具体实施例的结构图；
41.图9示出本发明一种基于bp神经网络的页岩气井产能分析系统一个具体实施例包括模型构建模块的结构图；
42.图10示出适于用来实现本发明实施例的计算机设备的结构示意图。
具体实施方式
43.下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，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，都属于本发明保护的范围。
44.根据本发明的一个方面，本实施例公开了一种基于bp神经网络的页岩气井产能分析方法。如图1所示，本实施例中，所述方法包括：
45.s100：得到页岩气井地质参数和工程参数。其中，地质参数和工程参数可包括储层厚度、压力系数、埋深、井距、水平段长、压裂段数、砂量和液量等参数。在实际应用中，地质参数和工程参数也可根据实际情况灵活设置，本发明对此并不作限定。
46.s200：根据所述地质参数和工程参数形成输入向量，将输入向量输入n个不同的bp神经网络得到n个拟合结果，其中n为正整数。
47.s300：改变地质参数和工程参数的参数值并分别得到对应的n个拟合结果，根据不同的n个拟合结果分析所述页岩气井产能的影响因素。
48.本发明通过bp神经网络进行页岩气井产能分析，最大限度利用页岩气井地质参数和工程参数，通过模拟人脑细胞结构对bp神经网络模型进非分线性数据拟合，能够深度挖掘数据信息，避免常规统计分析受多因素干扰，掩盖了数据的内在信息的问题。并且，本发
明通过大数据技术建立bp神经网络，使得错误数据值在网络中的权重消减而得到有效的抑制。多次随机选取样本建立的网络模型，去除了人为分析或局部数据干扰形成的误差，模拟分析后，得到不同参数对单井产能影响的真实关系，分析结果将落入正态分布的高可能性区间内。
49.在优选的实施方式中，所述方法进一步包括形成所述n个不同的bp神经网络的步骤s000。优选的，所述n个不同的bp神经网络可通过多个随机样本训练得到，所述随机样本包括地质参数和工程参数形成的bp神经网络的输入向量，页岩气井产能参数形成的bp神经网络的输出向量。
50.在优选的实施方式中，如图2所示，所述s000形成所述n个不同的bp神经网络具体可包括：
51.s010：采集页岩气井地质参数、工程参数和对应的产能参数得到样本数据。
52.s020：从所述样本数据中随机抽取地质参数、工程参数和对应的产能参数形成n个不同的随机样本。
53.s030：建立bp神经网络模型，通过n个不同的随机样本训练所述bp神经网络模型得到n个不同的bp神经网络。
54.具体的，可根据历史的页岩气井地质参数和工程参数建立样本数据池，从样本数据池中随机选择一定比例的数据形成随机样本。根据地质参数和工程参数形成bp神经网络的输入向量，根据对应的页岩气井产能参数形成bp神经网络的输出向量，通过输入向量和输出向量的循环比对以建立非线性输入输出关系—即bp神经网络。通过多次从样本数据池中随机选择大数据随机数据可得到多个随机样本，通过多个随机样本对建立的bp神经网络模型进行训练可得到n个不同的bp神经网络。综合考虑需要模拟的页岩气井地质参数和工程参数，每一种参数作为一个输入向量，将每个向量分别输入n个不同的bp神经网络，则计算出n个拟合结果。
55.进一步的，还可从样本数据池中选取多个随机样本作为检验样本，将检验样本输入训练好的bp神经网络，根据bp神经网络输出的产能参数与检验样本中的产能参数进行比对可对bp神经网络的预测准确性进行校验，若不满足精度要求，还需进一步训练以提高bp神经网络的预测准确度直至满足预设的精度要求。
56.在优选的实施方式中，如图3所示，所述s300根据不同的n个拟合结果分析所述页岩气井产能的影响因素具体可包括：
57.s310：求取n个拟合结果的概率密度。
58.s320：若所述概率密度服从正态分布，得到所述概率密度的期望值和预设置信度的置信区间。
59.s330：根据所述期望值和置信区间分析不同地质参数和工程参数的参数值对页岩气井产能的影响。
60.具体的，为了对页岩气井产能进行分析，可求取n个拟合结果的概率密度，通常情况下服从正态分布，分析拟合结果的期望值和指定置信度的置信区间。通过改变所需模拟的某个(或某类)参数，得到其对气井产能影响的程度变化，即可实现产能影响因素分析。
61.下面通过一个具体例子来对本发明作进一步的说明。如图4所示，在该具体例子中，首先建立样本数据池以训练得到bp神经网络。具体的，根据已知地质参数、工程参数和
产能参数等数据的大量开发井建立样本数据池，为提高所建立的神经网络的预测能力，样本量越大越好，推荐样本数大于100个。在样本池中随机选择一定比例的样本，推荐每次随机选取80％的样本进行神经网络的学习，推荐随机选取样本的次数超过100次。将随机选取的样本输入网络，通过误差反馈最终得到每次学习后的bp神经网络，推荐进行100次以上反馈的网络构建，以提升模拟结果的相关性分析能力。
62.然后，将所需模拟井的地质参数和工程参数按照bp神经网络模型的输入格式，使每一种参数情景的地质参数和工程参数作为一个输入向量，将每个井参数输入向量分别输入随机样本生成的不同的n个bp神经网络，每口井得到n个单井产能分析结果。通过多次随机bp网络分析得到单井产能评价结果(产能参数)，若输入向量对产能具有影响，则应符合一定的概率分布，通常为正态分布。可根据概率分布特征，求得最大期望值和确定置信度下的置信区间。进一步通过建立典型井参数系列，改变不同参数的赋值，可分析不同参数对典型井产能的影响程度。
63.常规统计分析受多因素干扰，掩盖了数据的内在信息。本实施例中，以某页岩气建产区块为例，常规方法统计储层厚度与单井eur关系的相关系数仅为0.0357，如图5所示。通过本方法进行分析，储层厚度与单井eur关系明显，相关系数达到0.82，如图6所示。特别是通过概率分析处理后，得到50％置信区间内的数据较窄，能更好的显示相关性，如图7所示。
64.基于相同原理，本实施例还公开了一种基于bp神经网络的页岩气井产能分析系统。如图8所示，本实施例中，所述系统包括数据获取模块11、数据拟合模块12和数据分析模块13。
65.其中，数据获取模块11用于得到页岩气井地质参数和工程参数。
66.数据拟合模块12用于根据所述地质参数和工程参数形成输入向量，将输入向量输入n个不同的bp神经网络得到n个拟合结果，其中n为正整数。
67.数据分析模块13用于改变地质参数和工程参数的参数值并分别得到对应的n个拟合结果，根据不同的n个拟合结果分析所述页岩气井产能的影响因素。
68.本发明通过bp神经网络进行页岩气井产能分析，最大限度利用页岩气井地质参数和工程参数，通过模拟人脑细胞结构对bp神经网络模型进非分线性数据拟合，能够深度挖掘数据信息，避免常规统计分析受多因素干扰，掩盖了数据的内在信息的问题。并且，本发明通过大数据技术建立bp神经网络，使得错误数据值在网络中的权重消减而得到有效的抑制。多次随机选取样本建立的网络模型，去除了人为分析或局部数据干扰形成的误差，模拟分析后，得到不同参数对单井产能影响的真实关系，分析结果将落入正态分布的高可能性区间内。
69.在优选的实施方式中，如图9所示，所述系统进一步包括模型构建模块10。模型构建模块10用于形成所述n个不同的bp神经网络。优选的，所述n个不同的bp神经网络可通过多个随机样本训练得到，所述随机样本包括地质参数和工程参数形成的bp神经网络的输入向量，页岩气井产能参数形成的bp神经网络的输出向量。
70.在优选的实施方式中，所述模型构建模块10具体用于采集页岩气井地质参数、工程参数和对应的产能参数得到样本数据；从所述样本数据中随机抽取地质参数、工程参数和对应的产能参数形成n个不同的随机样本；建立bp神经网络模型，通过n个不同的随机样本训练所述bp神经网络模型得到n个不同的bp神经网络。
71.具体的，可根据历史的页岩气井地质参数和工程参数建立样本数据池，从样本数据池中随机选择一定比例的数据形成随机样本。根据地质参数和工程参数形成bp神经网络的输入向量，根据对应的页岩气井产能参数形成bp神经网络的输出向量，通过输入向量和输出向量的循环比对以建立非线性输入输出关系—即bp神经网络。通过多次从样本数据池中随机选择大数据随机数据可得到多个随机样本，通过多个随机样本对建立的bp神经网络模型进行训练可得到n个不同的bp神经网络。综合考虑需要模拟的页岩气井地质参数和工程参数，每一种参数作为一个输入向量，将每个向量分别输入n个不同的bp神经网络，则计算出n个拟合结果。
72.进一步的，还可从样本数据池中选取多个随机样本作为检验样本，将检验样本输入训练好的bp神经网络，根据bp神经网络输出的产能参数与检验样本中的产能参数进行比对可对bp神经网络的预测准确性进行校验，若不满足精度要求，还需进一步训练以提高bp神经网络的预测准确度直至满足预设的精度要求。
73.在优选的实施方式中，所述数据分析模块13具体用于求取n个拟合结果的概率密度；若所述概率密度服从正态分布，得到所述概率密度的期望值和预设置信度的置信区间；根据所述期望值和置信区间分析不同地质参数和工程参数的参数值对页岩气井产能的影响。
74.具体的，为了对页岩气井产能进行分析，可求取n个拟合结果的概率密度，通常情况下服从正态分布，分析拟合结果的期望值和指定置信度的置信区间。通过改变所需模拟的某个(或某类)参数，得到其对气井产能影响的程度变化，即可实现产能影响因素分析。
75.由于该系统解决问题的原理与以上方法类似，因此本系统的实施可以参见方法的实施，在此不再赘述。
76.上述实施例阐明的系统、装置、模块或单元，具体可以由计算机芯片或实体实现，或者由具有某种功能的产品来实现。一种典型的实现设备为计算机设备，具体的，计算机设备例如可以为个人计算机、膝上型计算机、蜂窝电话、相机电话、智能电话、个人数字助理、媒体播放器、导航设备、电子邮件设备、游戏控制台、平板计算机、可穿戴设备或者这些设备中的任何设备的组合。
77.在一个典型的实例中计算机设备具体包括存储器、处理器以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程序时实现如上所述的由客户端执行的方法，或者，所述处理器执行所述程序时实现如上所述的由服务器执行的方法。
78.下面参考图10，其示出了适于用来实现本技术实施例的计算机设备600的结构示意图。
79.如图10所示，计算机设备600包括中央处理单元(cpu)601，其可以根据存储在只读存储器(rom)602中的程序或者从存储部分608加载到随机访问存储器(ram))603中的程序而执行各种适当的工作和处理。在ram603中，还存储有系统600操作所需的各种程序和数据。cpu601、rom602、以及ram603通过总线604彼此相连。输入/输出(i/o)接口605也连接至总线604。
80.以下部件连接至i/o接口605：包括键盘、鼠标等的输入部分606；包括诸如阴极射线管(crt)、液晶反馈器(lcd)等以及扬声器等的输出部分607；包括硬盘等的存储部分608；以及包括诸如lan卡，调制解调器等的网络接口卡的通信部分609。通信部分609经由诸如因
特网的网络执行通信处理。驱动器610也根据需要连接至i/o接口605。可拆卸介质611，诸如磁盘、光盘、磁光盘、半导体存储器等等，根据需要安装在驱动器610上，以便于从其上读出的计算机程序根据需要被安装如存储部分608。
81.特别地，根据本发明的实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本发明的实施例包括一种计算机程序产品，其包括有形地包含在机器可读介质上的计算机程序，所述计算机程序包括用于执行流程图所示的方法的程序代码。在这样的实施例中，该计算机程序可以通过通信部分609从网络上被下载和安装，和/或从可拆卸介质611被安装。
82.计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(pram)、静态随机存取存储器(sram)、动态随机存取存储器(dram)、其他类型的随机存取存储器(ram)、只读存储器(rom)、电可擦除可编程只读存储器(eeprom)、快闪记忆体或其他内存技术、只读光盘只读存储器(cd-rom)、数字多功能光盘(dvd)或其他光学存储、磁盒式磁带，磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括暂存电脑可读媒体(transitory media)，如调制的数据信号和载波。
83.为了描述的方便，描述以上装置时以功能分为各种单元分别描述。当然，在实施本技术时可以把各单元的功能在同一个或多个软件和/或硬件中实现。
84.本发明是参照根据本发明实施例的方法、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。
85.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。
86.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。
87.还需要说明的是，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个
……”
限定的要素，并不排除在包括所述要素的过程、方法、商品或者设备中还存在另外的相同要素。
88.本领域技术人员应明白，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。
89.本技术可以在由计算机执行的计算机可执行指令的一般上下文中描述，例如程序模块。一般地，程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践本技术，在这些分布式计算环境中，由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中，程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。
90.本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于系统实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。
91.以上所述仅为本技术的实施例而已，并不用于限制本技术。对于本领域技术人员来说，本技术可以有各种更改和变化。凡在本技术的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本技术的权利要求范围之内。