[发明专利]基于迁移学习的油田产油量预测方法

说明书

本发明提供了一种基于迁移学习的油田产油量预测方法，本方法实现的功能是，通过迁移学习实现小样本井组的产油量预测。本发明首先对不同井组不同维度的数据进行处理，采用维度对齐统一数据维度，然后构建一个堆叠LSTM神经网络，采用样本量充足的源井组数据，保存网络参数，训练出预训练模型。在预测小样本的时候，调用迁移参数，在预训练模型的基础上，使用目标井组的小样本数据集进行训练，得到适用于小样本预测的模型。该基于迁移学习的油田产油量预测方法能帮油田节省预测时间，对井组部署和油井工作制度的确定有重要意义。

技术领域

本发明涉及注气油田分层开采技术领域，提供一种基于迁移学习的油田产油量预测方法。

背景技术

随着大部分油田进入到开发的中后期阶段，二次采油已成为各油田提高产量，维持产量的必然选择，主要有注气、注水等方法，对注气注水后的产油量及产液量进行预测，是油井配产及开发方案调整的重要内容，为深层油藏高效开发提供理论支撑。目前产量预测的方法有很多，如，LS-SVM算法和长短期记忆网络等，应用在实际油田的预测中，但这些方法一般都需要大量的训练样本。而实际中，新井组样本量较少，会对预测效果产生影响，以预测某油田新井组产油量为例，可能只有几年的数据，在小样本的情况下，模型精度不高。所以，对新井组产油量进行预测时，应该充分考虑样本量对预测结果的影响。由于油田产油量和注气量、注水量之间的关系不是线性的，而是一种非线性关系，需要大量数据训练模型才能拟合这种非线性关系。传统的产量预测方法，它们只适用于历史数据较多的情况，而油藏数值模拟方法，存在工作量大、投入多、适用性受到限制等局限性。

因此，我们发明了一种新的基于迁移学习的油田产油量预测方法，解决油田实际项目中遇到的技术问题。

发明内容

本发明提供一种基于迁移学习的油田产油量预测方法，采用堆叠LSTM神经网络对小样本进行预测。

本发明的目的可通过下述技术措施来实现：基于迁移学习的油田产油量预测方法，该基于迁移学习的油田产油量预测方法包括：步骤1，对不同井组的油田数据进行维度对齐处理，使模型可以迁移；步骤2，采用4层堆叠LSTM网络，使用源井组的数据训练网络；步骤3，根据损失指标来保存训练中最佳的模型权重参数；步骤4，加载已训练好的格式模型，训练目标井组的数据，比较预测值和实际值，优化预测模型。

本发明可以通过如下技术措施来实现：

步骤1，不同井组数据的维度不同。要想迁移模型，最终进入模型的数据维度就必须一致，因此维度对齐使得源井组和目标井组数据维度是一致的。

步骤2，采用4层堆叠LSTM网络，每层有50个神经元，网络最后一层Dense层神经元个数为1，使用Keras搭建网络，使用MSE损失函数，选择Adam优化器，用Dropout防止过拟合，Dropout比率选择0.2。在每次训练的时候保存损失最小的模型，重复进行多次实验，结果求平均值；根据堆叠LSTM网络模型输出的预测值与真实值的准确率来衡量模型的性能，得到这组数据的准确率均值。

步骤3，模型迁移就是将源井组已经训练好的模型拿过来，作为新井组初始化参数，然后继续训练就可以。因此，在多次迭代时，保存最小损失函数对应的最优网络，使用此模型进行迁移学习。

步骤4，迁移训练好的堆叠LSTM模型预测新井组的产油量，训练新井组的数据，比较预测值和实际值，优化预测模型进一步提高预测效率和预测精度。

附图说明

图1为本发明的基于迁移学习的油田产油量预测方法的流程图；

图2为本发明中维度对齐过程以及具体使用方式的示意图。

具体实施方式

为使本发明的上述目的、特征和优点能更明显易懂，下文特举出较佳实施例，并配合附图所示，作详细说明如下。

如图1所示，图1为本发明的基于迁移学习的油田产油量预测方法的流程图。