[发明专利]一种基于小样本条件下的吸水剖面预测方法

摘要

本发明公开了一种基于小样本条件下的吸水剖面预测方法，对待分析油田区块的多源数据进行收集；进行井间连通性分析和灰色关联分析，确定影响吸水剖面的静态和动态因素，并进行归一化处理构成标准的吸水剖面小样本库；以小层为机器学习单元建立集成多任务的代价函数，以梯度下降为学习算法得到适应各个小层吸水量预测的泛化模型；依托注水井有限的吸水剖面资料进一步参数微调和个性化学习，建立适应注水井吸水劈分规律的吸水量预测模型，基于该模型实现吸水剖面的连续动态预测。本发明基于小样本条件下的机器学习理论基础，实现了注水量的准确劈分和吸水剖面的预测，对于认清地下剩余油分布具有重要意义，是实现智能油田分层配产配注的基础。

主权项

1.一种基于小样本条件下的吸水剖面预测方法，其特征在于，具体包括以下步骤：步骤一：针对待分析和研究的油田区块进行多源数据的收集，构建原始数据集；步骤二：根据井间连通性分析结果和灰色关联分析，确定影响小层吸水量的静态参数和动态参数，从而构成吸水剖面小样本数据集的特征维度，实现初级吸水剖面小样本数据库的构建；步骤三：对初级小样本数据库逐小层数据分析和融合，统一每个小层的特征维度，并进行数据的归一化处理，实现标准吸水剖面小样本数据库的构建，按照6:2:2的比例将各个小层对应的样本集划分为训练集、验证集和测试集；步骤四：搭建神经网络的初始结构，并对权重系数随机初始化；步骤五：逐小层建立机器学习的代价函数；步骤六：在训练数据集上完成各小层神经网络模型的学习和训练，并在验证集上基于网格搜索方法，反复验证和评估，确定最合适的隐藏层数及其神经元节点数；步骤七：利用步骤六经训练过的各个小层的神经网络模型，在测试集上建立集成多任务优化的目标函数，引入梯度下降优化算法，进行小层吸水量预测模型的泛化学习，得到适应各个小层吸水规律的泛化神经网络模型；步骤八：重复步骤五～七，继续神经网络的学习与参数更新；步骤九：基于泛化模型，依托注水井的少量吸水剖面数据，进行神经网络模型的参数微调和个性化学习，得到适应各小层的吸水量预测模型，进而得到适应该注水井的吸水剖面预测模型。