[发明专利]基于双并联神经网络的机器学习的注采连通性确定方法

权利要求书

1.一种基于双并联神经网路的机器学习的注采连通性确定方法，其特征在于，具体包括以下步骤：

步骤一：获取双并联神经网络模型的输入、输出数据，并进行数据预处理

步骤二：构建双并联神经网络，并进行模型训练

步骤三：基于训练完成的双并联神经网络，进行连通性分析

步骤四：利用测试集数据检查模型的泛化能力。

2.根据权利要求1所述的，其特征在于：步骤一具体步骤如下：

步骤1.1，采集待分析油田各个注水井与采油井的生产数据，包括：I1,I2,…IN五口注水井的日注入量(单位：m³/d)，作为双并联神经网络的输入，记作X＝{x₁,x₂,…,x_N}；P1,P2,…PM四口生产井的日产量(单位：m³/d)，记作Y＝{y₁,y₂,…,y_M},作为网络的理想输出；

步骤1.2，对于收集到的日注入量X，以及生产井的日产量数据Y所构成的初始注采数据样本进行归一化处理，使数值映射到[0,1]之间，转换函数如下：

X^*＝(X-X_min)/(X-X_max) (1)

Y^*＝(Y-Y_min)/(Y-Y_max) (2)

式中，X_min和X_max分别表示输入集合X中的最小值和最大值；Y_min和Y_max分别表示输出集合Y中的最小值和最大值；X^*和Y^*为X和Y归一化后的值，作为机器学习的标准样本集。

3.根据权利要求1-2所述的，其特征在于：步骤二具体步骤如下：

步骤2.1，搭建神经网络，在本示例中，由N个输入节点，Q个隐层节点和M个输出节点构成的三层神经网络模型，分别由向量表示为：[x₁,x₂,…,x_N]，[h₁,h₂,…,h_Q],[y₁,y₂,…,y_M]；

步骤2.2，根据步骤一得到的输入样本集X^*和输出样本集Y^*，以8：2的比例将样本集划分为训练集X^*_tr,Y^*_tr和测试集X^*_te,Y^*_te；

步骤2.3，基于生产井的实际日产量Y_j与神经网络预测值的平均误差平方和建立目标函数，作为双并联神经网络训练和学习的损失函数，具体为：

式中，F表示神经网络的误差，Y_j表示归一化后的产量，表示神经网络的预测值，j表示第j个样本点，J表示样本点的个数；

步骤2.4，通过步骤2.3中的目标函数，对双并联神经网络中的参数进行梯度更新，并计算误差，直到误差满足要求。

4.根据权利要求1-3所述的，其特征在于：步骤二具体步骤如下：

步骤3.1，基于双并联神经网络输入层与输出层之间直接连接的权重矩阵，可以进行连通性分析，该矩阵为一个M×N的非负矩阵W，对其做转置操作，得到一个N×M的非负矩阵,矩阵中1，2，…,i,…,N各行表示注水井，1，2，…,j…,M各列表示生产井，矩阵中元素W_ij对应的值即为第i口注水井和第j口生产井之间的连通性评价值，W_ij的值越大，表示对应的注水井与生产井之间的连通性越好；

步骤3.2，基于步骤3.1得到的权重矩阵，绘制连通性评价热图和注采连通图，其中色块颜色越深，对应的连通性数值越大，表示对应注采井的连通关系越强；注采连通图中箭头越粗，对应的连通性数值越大，表示两口井之间的连通性越强。

5.根据权利要求1-4所述的，其特征在于：步骤三具体步骤如下：

基于步骤二中训练完成的网络模型，利用测试集数据X^*_te,Y^*_te，替代X^*_tr,Y^*_tr，根据公式(3)重新计算网络误差；若测试集误差略大于训练集误差，说明网络具有较好的泛化能力；若测试集误差远大于训练集误差，说明网络可能发生了过拟合，需要返回步骤二，重新进行网络训练。