[发明专利]基于深度学习算法的油井产量预测方法

说明书

本发明提供一种基于深度学习算法的油井产量预测方法，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。该基于深度学习算法的油井产量预测方法通过训练建立储层物性、工作制度、开发阶段等因素与产油量、产液量之间的关系，发挥数据驱动算法的优势，建立多因素油井产量预测模型。

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深度学习算法的油井产量预测方法。

背景技术

油井及油田产量预测是油田生产管理最重要的工作之一，预测结果直接决定了后续油田的开发决策。然而受地质条件、工艺水平、开发历史、数据质量等条件限制，油井产量随时间变化非常难预测。目前矿场常用的方法包括：油藏工程方法、数值模拟方法。以Arps递减曲为代表的油藏工程方法，是对油井产量递减现象的直接拟合，操作简单且不受油气藏类型限制，该方法的缺陷非常明显，预测必须假定历史生产条件在未来保持不变，递不能用来分析不稳定流状态下的数据。虽然后续改进方法不同程度上弥补油藏类型、流动阶段的差异，但始终限制在典型数学模型-现场数据拟合的基本流程，典型理论模型建立的假设条件就是该方法的限制条件。油藏数值模拟建立在地下多孔介质真实流动过程认识基础，是典型的物理驱动数据分析方法，能够更加细致考虑更多因素，预测结果较油藏工程更加客观，然而建模数模过程非常耗费时间，特别当地质情况复杂或渗流机理不明确时，预测结果仍有待提高。为此我们发明了一种新的基于深度学习算法的油井产量预测方法，解决了以上技术问题。

发明内容

本发明的目的是提供一种发挥数据驱动算法的优势，建立多因素油井产量预测模型的基于深度学习算法的油井产量预测方法。

本发明的目的可通过如下技术措施来实现：基于深度学习算法的油井产量预测方法，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。

本发明的目的还可通过如下技术措施来实现：

在步骤1中，针对目标研究区，从数据库获取以下原始数据，井位参数、层位物性参数、月度生产动态数据。

在步骤1中，井位参数包括井位平面横坐标(x)、平面纵坐标(y)，井位平面横坐标(x)、平面纵坐标(y)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)，该月份对应的累积产油量(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1中，数据获取后采用聚类分析或箱型图这些异常点监测算法，对原始数据进行异常值分析，根据分析结果剔除异常值。

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实际工作天数(t),从而获得各层投入工作的累积时间[T](T₁，T₂，T₃...T_n)；