[发明专利]基于元学习的多任务油田生产动态拟合模型

说明书

本发明提出了一种基于元学习(Meta‑Learning)的多任务油田生产动态拟合模型。油田生产任务众多，特性复杂，针对每一类任务每一个油田设计算法模型不现实，因此我们提出了基于元学习的多任务油田生产动态拟合模型。该模型相比与常用的算法模型具有以下优势：该模型适用于多类任务，例如分类、回归以及强化学习等；该模型适用于当前常用的多种模型，例如CNN、DNN等；该模型在数据集较少的情况下表现优于常见的模型，模型训练速度快，通过较少次数的梯度下降就可以到达很好的效果；该模型针对油田任务提出了一种通用的表达方式。该模型分为训练阶段与运行测试阶段：训练阶段，通过不同井的生产数据，调整模型参数，找到每口井的敏感参数，从而得到较好的油田生产动态模型；运行阶段，针对不同类型的任务，可以较好的实现某口井的生产动态预测任务(回归)，井下故障预测任务(分类)，或者其他任务。

技术领域

本发明涉及人工智能领域和石油工程领域。

背景技术

基于元学习的多任务油田生产动态拟合模型。最接近本发明的技术有：

(1)、基于动态集成建模的油井动态液面预测方法：该方法首先对子模型进行训练，然后对子模型加权输出集成模型；测试阶段，集成模型的误差较大则对其原有的子模型在重新训练，得到最终模型，然而该方法受离群点数据影响较大，并且迭代次数较多，训练时间较长。

(2)、油田注水动态系统分析方法：该方法首先选取一个注采系统的注采井作为分析对象，动态处理数据，计算综合参数，绘制水驱图，最后进行水驱效果的评价。该方法需要数据较大，处理数据时需要专家经验。

(3)、基于动态径向基函数神经网络的油田产量预测方法：该方法利用敏感度法动态调整RBF神经网络，建立临时RBF神经网络预测模型；随后利用状态转移概率矩阵对模型误差进行修正，得到稳定的RBF神经网络油田产量预测模型。该方法也由不足之处，RBF网络需要数据量较大，RBF网络隐藏层神经元数量较大。

发明内容

为解决现有技术中的缺点和不足，本发明提出了基于元学习的多任务油田生产动态拟合模型。

本发明的技术方案为：

一种基于元学习的多任务油田生产动态拟合模型，其优势在于，适用于多类任务，适用于多种模型，适用于小样本数据，模型收敛速度快，提出了一种通用的任务表达方式：

步骤(1)、根据数据输入对数据进行数据预处理操作包括归一化、补全、主成分分析等操作；

步骤(2)、将预处理数据输入到元学习模型中进行训练，在数据集中随机选取几组数据，通过梯度下降训练模型，学习到对该任务敏感的模型参数；

步骤(3)、重复前两部步骤，得到根据油田多口井数据构建出的元学习油田系统化模型；

步骤(4)、构建出的油田系统化模型在面对新任务时，可以通过较少的数据集进行训练快速收敛适应新任务，达到预测、回归等任务需求。

本发明的有益效果：

(1)该模型适用于多类任务，例如分类、回归以及强化学习等；

(2)该模型适用于当前常用的多种模型，例如CNN、DNN等；

(3)该模型在数据集较少的情况下表现优于常见的模型，模型训练速度快，通过较少次数的梯度下降就可以到达很好的效果；

(4)该模型针对油田任务提出了一种通用的表达方式。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。