[发明专利]一种融合时空特征的油藏生产指标机器学习预测方法

说明书

本发明公开了一种融合时空特征的油藏生产指标机器学习预测方法，属于油藏开发技术领域，包括如下步骤：确定待预测的生产指标及生产指标的影响因素，建立油藏生产指标预测样本库；筛选得到油藏生产指标的主控因素；构建循环自编码器，提取动态影响因素的时间序列特征；构建基于极限梯度提升树的油藏生产指标预测模型；使用交叉验证技术评估模型对油藏生产指标的预测效果，然后利用验证效果良好的模型进行油藏生产指标预测。本发明通过引入循环自编码器将动态影响因素中的时间序列特征和静态影响因素中的空间特征进行融合，再通过极限梯度提升树高效建立机器学习模型，从而实现快速、准确的油藏生产指标预测。

技术领域

本发明属于油藏开发技术领域，具体涉及一种融合时空特征的油藏生产指标机器学习预测方法。

背景技术

在进行多年的开采后，油田的产量逐渐降低，含水率不断上升。因此，充分发掘油田的潜力成为科研人员和油田工作者面临的主要难题。为实现上述目标，需要准确预测油藏生产指标，进而才能在此基础上对油田生产进行合理优化。传统的生产指标预测方法主要包括经验公式法和数值模拟法两大类。经验公式法主要有水驱曲线法、产量递减法等，这类方法由于缺乏理论支撑，预测结果有很大的不确定性，与实际产量有很大误差。数值模拟方法通过偏微分方程描述地下多相流体的流动，进而实现对产量的预测。数值模拟方法有明确的理论基础，因此预测结果相较于经验公式法有较大提高。然而，复杂的偏微分方程没有明确的解析解，需要通过有限差分，有限体积等数值计算，这些方法的计算量巨大，需要大量的计算资源。

近年来，机器学习和数据挖掘的最新进展在不同的科学领域产生了变革性成果，同时也为油田生产开发提供了一条有别于上述传统方法的新思路。值得一提的是，油田在长达几十年的生产中，汇总了大量的生产数据，为数据挖掘技术的实施提供了有利条件。机器学习模型具有很强的非线性表达能力，可以准确刻画多输入与多输出之间的非线性关系，能够构建油田开发产量预测中多因素输入与输出之间的复杂映射关系，从而获得更高精度的预测性能。

影响油藏生产指标的因素众多，主要可分为静态影响因素和动态影响因素。由于测量原因，部分因素数据大量缺失，且一些因素之间存在复杂的关联性，导致数据冗余，这些都会对油田的产量预测造成不利影响。因此，合理的提取输入因素的特征至关重要。然而，当前基于机器学习的预测方法只是通过简单的数据清洗处理数据，而后通过相关性分析筛选影响预测目标的因素，难以真正实现静态影响因素及动态影响因素的相互融合。

发明内容

为了解决上述问题，本发明提出了一种融合时空特征的油藏生产指标机器学习预测方法。该方法通过循环自编码器捕捉动态影响因素的时序特征，将复杂的动态影响因素压缩为低维潜变量；而后将提取到的动态影响因素中涵盖的时间序列特征和静态影响因素进行拼接融合，将融合后的时空特征作为极限梯度提升树的输入，实现对油藏生产指标的快速、准确预测。

本发明的技术方案如下：

一种融合时空特征的油藏生产指标机器学习预测方法，包括如下步骤：

步骤1、确定待预测的生产指标及生产指标的影响因素，建立油藏生产指标预测样本库；

步骤2、筛选得到油藏生产指标的主控因素；

步骤3、构建循环自编码器，提取动态影响因素的时间序列特征；

步骤4、构建基于极限梯度提升树的油藏生产指标预测模型；

步骤5、使用交叉验证技术评估模型对油藏生产指标的预测效果，然后利用验证效果良好的模型进行油藏生产指标预测。

进一步地，步骤1的具体过程为：