[发明专利]基于递归神经网络的油田勘探储量预测方法

说明书

本发明提供一种基于递归神经网络的油田勘探储量预测方法，该基于递归神经网络的油田勘探储量预测方法包括：步骤1，获取递归神经网络的基础数据；步骤2，将基础数据进行预处理，得到初步处理的基础数据；步骤3，利用基础数据之间的内在联系，产生递归神经网络建模需要的集成化数据；步骤4，通过上述数据作为递归神经网络的训练数据，得到可供预测的递归神经网络模型；步骤5，在递归神经网络模型中输入预测年度基础数据，产生预测输出。该基于递归神经网络的油田勘探储量预测方法摒弃传统的人为设计预测方程的弊端，利用计算机从大量的历史数据中学习出最适合于该储量数据的预测模型，实现对于油田勘探储量的精确预测。

技术领域

本发明涉及油田开发技术领域，特别是涉及到一种基于递归神经网络的油田勘探储量预测方法。

背景技术

深度学习是机器学习中关于数据建模的一个重要算法，其中，RNN预测模型是深度学习在时间序列领域建模的经典应用，RNN以其网络对训练数据的多层映射而拥有对复杂数据的建模能力，在数据建模领域有着广泛的应用。

RNN(递归神经网络)之所以称为循环神经网路，即一个序列当前的输出与前面的输出也有关。具体的表现形式为网络会对前面的信息进行记忆并应用于当前输出的计算中，即隐藏层之间的节点不再无连接而是有连接的，并且隐藏层的输入不仅包括输入层的输出还包括上一时刻隐藏层的输出。理论上，RNN能够对任何长度的序列数据进行处理。但是在实践中，为了降低复杂性往往假设当前的状态只与前面的几个状态相关。

油田勘探储量预测由于其市场因素，开发成本，人为决策等因素导致预测难度大大增加，传统的储量预测模型如龚帕兹模型，翁氏旋回模型，帚状模型等只能拟合数据变化的大体规律，拟合误差较大，而由于RNN模型每一个节点已知S型生长曲线激活函数作为非线性映射单元，理论上可以拟合任意复杂的方程，因此具有优秀的建模能力。为此我们发明了一种新的基于递归神经网络的油田勘探储量预测方法，解决了以上技术问题。

发明内容

本发明的目的是提供一种利用计算机从大量的历史数据中学习出最适合于该储量数据的预测模型，实现对于油田勘探储量的精确预测的基于递归神经网络的油田勘探储量预测方法。

本发明的目的可通过如下技术措施来实现：基于递归神经网络的油田勘探储量预测方法，该基于递归神经网络的油田勘探储量预测方法包括：步骤1，获取递归神经网络的基础数据；步骤2，将基础数据进行预处理，得到初步处理的基础数据；步骤3，利用基础数据之间的内在联系，产生递归神经网络建模需要的集成化数据；步骤4，通过上述数据作为递归神经网络的训练数据，得到可供预测的递归神经网络模型；步骤5，在递归神经网络模型中输入预测年度基础数据，产生预测输出。

本发明的目的还可通过如下技术措施来实现：

在步骤1中，基于已有的历年来油田各区块的基础数据，得到历年来油田各区块的资源探明程度、探井勘探程度、累计油藏个数、年累计探明储量数据，将上述数据作递归神经网络基础数据。

在步骤2中，原有的基础数据包含格式不对、顺序不对、重复的数据，对原有的基础数据筛选、过滤，得到初步处理的基础数据。

在步骤3中，以初步处理的基础数据为基础，利用基础数据之间的内在联系，采取相加、相减、相乘、相除的方式，产生递归神经网络建模需要的集成化数据。

在步骤4中，递归神经网络模型中采用时间序列数据预测，通过编制和分析时间序列，根据时间序列所反映出来的发展过程、方向和趋势，进行类推或延伸，借以预测下一段时间或以后若干年内可能达到的水平，包括：收集与整理某种变化规律的历史数据资料；对这些数据资料进行检查鉴别，排成数列；分析时间数列，从中寻找该变化规律随时间变化而变化的规律，得出一定的模式。