[发明专利]基于深度学习算法的油井产量预测方法

权利要求书

1.基于深度学习算法的油井产量预测方法，其特征在于，该基于深度学习算法的油井产量预测方法包括：

步骤1，获取数据并进行质量检查；

步骤2，进行数据处理及划分；

步骤3，建立学习模型；

步骤4，采用步骤3搭建的模型开展训练，并进行验证；

步骤5，预测油井产量；

在步骤1中，井位参数包括井位平面横坐标(X_H)、平面纵坐标(Y_Z)，井位平面横坐标(X_H)、平面纵坐标(Y_Z)对应油井地下所在平面位置，直井采用井口地面坐标，定向井、大位移井采用生产层位的地下坐标；层位[L](L₁，L₂，L₃...L_n)是指通过地质研究划分的含油砂层组或小层，根据测井解释资料，可获得各小层的平均物性参数，包括渗透率[K](K₁，K₂，K₃...K_n)、含油饱和度[S_o](S_o1，S_o2，S_o3...S_on)；月度生产动态数据，是指按月记录的油井生产状态的参数，包括工作时间(t)，动液面深度(H_d)，月产液量(Q_L)，月产油量(Q_o)，该月度对应的累积产油量(N_o)，累产水量(N_w)，其中月产油量(Q_o)是深度学习预测的目标；

在步骤2中，油井生产时分阶段将各层投入开发，并记录某个层段生产开始和结束的时间，需要累加各时间段内各月的工作时间(t)，从而获得各层投入工作的累积时间[T](T₁，T₂，T₃...T_n)；

以预处理后的月度数据为基准，将井位参数和层位参数填入其中，形成满足学习要求的特征数据集，每条数据记录包含9组特征数据(X_H，Y_Z，[K]，[S_o]，[T]，H_d，Q_L，N_o，N_w)；将特征数据集对应月产油量(Q_o)数据作为学习标签单独存放入另一数据集中，作为标签数据集；

针对特征数据集，通过协方差矩阵分析任意两列的相关性，确定特征数据列，则需要重新检查数据的来源及质量，并考虑去除某一列特征参数；特征数据列确定后对数据做归一化处理，消除单位差异的影响，归一化处理方法见公式(1)：

其中，为所在列所有数据的平均值，c为原始数据，c′为归一化后的数据；

将特征数据和标签数据集按照划分为训练集、测试集，至此，完成数据的准备工作，深度学习的目的就是建立归一化后特征数据(X_H′，Y_Z′，[K]′，[S_o]′，[T]′，H_d′，Q_L′，N_o′，N_w′)′与标签数据Q_o之间的函数关系，见公式(2)：

f(X_H′，Y_Z′，[K]′，[S_o]′，[T]′，H_d′，Q_L′，N_o′，N_w′)＝Q_o (2)；

在步骤3中，采用人工神经网络算法工具模块搭建学习网络，网络结构包含输入层、隐藏层、输出层，其中输入层包含神经元个数等于特征数据个数，输出层包含1个神经元，隐藏层数和隐藏层内包含个神经元的个数是根据训练效果调节；

在步骤4中，采用步骤3搭建的人工神经网络针对训练集针开展训练，训练优化算法包括：梯度下降法，共轭梯度法，Momentum算法，Adadelta，RMSprop算法，采用反向传播算法不断调节输入层、隐藏层、输出层之间连线的权值，降低训练预测结果与真实结果之间的均方误差；

在步骤5中，按照特征数据的格式要求准备预测数据，做归一化处理后代入步骤4训练完成的模型，预测油井下一月度的产量，重复以上预测过程，直到完成预设生产时间段的预测产量。