[发明专利]基于维诺图及时空图卷积神经网络的产油量预测方法

权利要求书

1.基于维诺图及时空图卷积神经网络的产油量预测方法，其特征在于，该基于维诺图及时空图卷积神经网络的产油量预测方法包括：

步骤1，获取目标井网数据；

步骤2，根据井网的位置信息，建立结构图；

步骤3，基于维诺图对邻接矩阵进行处理；

步骤4，建立时空图卷积神经网络模型；

步骤5，进行网络模型训练及产油量预测。

2.根据权利要求1所述的基于维诺图及时空图卷积神经网络的产油量预测方法，其特征在于，在步骤1中，获得需要进行产油量预测的目标生产井网的各类信息，包括采油速率、注水速率、井点位置、射孔信息、地层厚度、渗透率、流体粘度、压力数据以及不同时刻的开关井状态。

3.根据权利要求1所述的基于维诺图及时空图卷积神经网络的产油量预测方法，其特征在于，在步骤2中，根据得到的井网的位置信息，以井网中注水井、生产井为数据结构节点，以注水井和生产井之间的连接为边，建立目标井网对应的结构图。

4.根据权利要求1所述的基于维诺图及时空图卷积神经网络的产油量预测方法，其特征在于，在步骤3中，维诺图是由一组由连接两邻点直线的垂直平分线组成的连续多边形组成，N个在平面上有区别的点，按照最邻近原则划分平面。

5.根据权利要求4所述的基于维诺图及时空图卷积神经网络的产油量预测方法，其特征在于，在步骤3中，在维诺图中节点所属不同的区域内，使用该区域内平均数据代替节点的数据。

6.根据权利要求5所述的基于维诺图及时空图卷积神经网络的产油量预测方法，其特征在于，在步骤3中，由已知数据代入公式1中进行计算不同节点之间的qij用于表征两个节点之间的邻接矩阵：

q_ij＝T_ij(p_i-p_j) 公式1

公式1中qij表示流量，Tij表示节点i与节点j之间的传导率，pi表示节点i的压力，pj表示节点j的压力，公式2中Kij表示节点i和节点j之间的平均渗透率，μij表示节点i与节点j之间的流体粘度，Lij表示节点i与节点j之间的距离，Aij表示节点i与节点j之间射开层系的地层厚度乘以维诺图中两点之间的边界长度。

7.根据权利要求1所述的基于维诺图及时空图卷积神经网络的产油量预测方法，其特征在于，在步骤4中，将t-M+1到t时刻的M个时刻的生产井的采油速率、注水井的注水速率和各井的压力数据以及开关井状态作为节点特征进行输入，将输入的数据经过两个时空卷积块以及一个输出层，其中每个时空卷积块依次进行一个时间上的一维卷积，一个空间上的图卷积，再一个时间上的一维卷积，输出层包括一个时间上的一维卷积和一个全连接层；从而得到t+1到t+H的H个时刻的生产井的采油速率和含水率，将其与已知数据通过均方误差MSE计算误差进行优化。

8.根据权利要求7所述的基于维诺图及时空图卷积神经网络的产油量预测方法，其特征在于，在步骤5中，将多个时刻的数据划分为训练集和测试集，通过训练集进行误差计算并进行优化得到时空图卷积神经网络模型，并在测试集上验证其预测精度。