[发明专利]基于卷积编码动态序列网络的产量预测方法、装置及设备

权利要求书

1.一种基于卷积编码动态序列网络的产量预测方法，其特征在于，包括：

获取各目标水平井对应的静态数据和动态数据；其中，所述动态数据包括预设时间内各时间点对应的产量数据；

基于预测时间点将各目标水平井的动态数据划分为第一动态数据和第二动态数据，获得样本数据集；其中，所述预测时间点在所述预设时间内；

利用所述样本数据集训练卷积编码动态序列神经网络，获得目标水平井产量预测模型；

其中，所述获取各目标水平井对应的静态数据和动态数据，包括：

确定目标水平井的各个静态参数的取值范围；

基于各个静态参数的取值范围，利用拉丁超立方抽样方法生成各目标水平井对应的静态数据；

将各目标水平井的静态数据分别输入页岩气藏数值模拟软件中，获得各目标水平井对应的动态数据；

其中，所述静态参数包括：储层厚度、初始地层压力、基质渗透率、基质孔隙度、压裂改造体积区域渗透率、压裂改造体积区域孔隙度、裂缝半长、裂缝渗透率、裂缝数量、裂缝导流能力；

其中，所述利用所述样本数据集训练卷积编码动态序列神经网络，获得目标水平井产量预测模型，包括：

将所述样本数据集划分为训练集和测试集；

将所述训练集中的静态数据和第一动态数据作为输入、第二动态数据作为输出，对所述卷积编码动态序列神经网络进行训练，获得第一水平井产量预测模型；

将所述测试集中的静态数据和第一动态数据输入所述第一水平井产量预测模型，获得第一预测结果；

在所述第一预测结果与所述测试集中第二动态数据满足预设条件的情况下，将所述第一水平井产量预测模型作为目标水平井产量预测模型。

2.根据权利要求1所述的方法，其特征在于，所述卷积编码动态序列神经网络包括卷积神经网络部分、信息融合层、编码器部分、解码器部分。

3.根据权利要求2所述的方法，其特征在于，将所述训练集中的静态数据和第一动态数据作为输入、第二动态数据作为输出，对所述卷积编码动态序列神经网络进行训练，包括：

基于所述卷积神经网络部分对各目标水平井的静态数据进行特征提取，获得各目标水平井的静态特征数据；

基于所述信息融合层将各目标水平井的静态特征数据和第一动态数据进行融合，获得各目标水平井对应的融合数据；

基于所述编码器部分对各目标水平井对应的融合数据进行编码，得到中间向量；

基于所述解码器部分对中间向量进行解码，获得输出结果。

4.根据权利要求3所述的方法，其特征在于，通过下述方式将各目标水平井的静态特征数据和第一动态数据进行融合：

g＝σ(W_cx_c+W_lx_l+b)

x_combined＝g·x_c+(1-g)·x_l

其中，g表示信息融合时的权重，σ表示sigoid激活函数，x_c表示静态特征数据，x_l表示第一动态数据，W_c、W_l分别表示网络层的权重，b表示网络层的偏置，x_combined表示融合数据。