[发明专利]一种单井产量快速预测方法及系统

权利要求书

1.一种单井产量快速预测方法，其特征在于，包括以下内容：

1)分别获取每一油井的静态参数和动态参数，并分别构建对应的LSTM模型，具体过程为：

1.1)针对每一油井，分别获取影响生产过程中油井产量变化的静态参数和动态参数，并对选取的参数进行标准化处理，具体过程为：

1.1.1)选取静态参数和动态参数作为油井产量预测的约束条件，其中，静态参数包括有效厚度、渗透率和原油粘度，动态参数包括油压、流压、含水率、气油比和日产液量；

1.1.2)对选取的参数进行标准化处理：

式中，X为选取的某口生产油井的某一动态参数或静态参数；X^*为标准化后的该动态参数或静态参数；min(X)为该动态参数或静态参数的最小值；max(X)为该动态参数或静态参数的最大值；

1.2)分别构建每一油井对应的LSTM模型，并根据标准化后的静态参数和动态参数，对构建的LSTM模型进行训练和检验，具体过程为：

1.2.1)构建LSTM模型：

LSTM模型包括输入层、隐藏层和输出层，其中，隐藏层包括两个模块，一个模块为常规记忆单元状态，另一个模块由三个控制“门”组成，用于判别延续信息和即时输入信息的有用程度，以及向下传递信息的程度，从而更加有效的处理长期时间序列问题；三个控制“门”分别为：遗忘门，用于决定上一时刻的单元状态有多少保留到当前时刻单元状态；输入门，决定当前时刻网络的输入有多少保留到当前时刻单元状态；输出门，控制并决定当前时刻单元状态有多少作为输出值输出：

f_t＝σ(W_f·[h_t-1，x_t]+b_f)

i_t＝σ(W_i·[h_t-1，x_t]+b_i)

o_t＝σ(W_o·[h_t-1，x_t]+b_o)

式中，f_t、i_t和o_t分别为t时刻的遗忘门、输入门和输出门；x_t为t时刻的输入值，即某一动态参数或静态参数；W_f、W_i和W_o分别为遗忘门、输入门和输出门的权重矩阵；b_f、b_i和b_o分别为遗忘门、输入门和输出门的偏置项；h_t-1为t-1时刻网络的输出值，即日产油；σ为激活函数；

单元状态c_t、为：

式中，c_t为t时刻的单元状态；c_t-1为t-1时刻的单元状态；为t时刻的输入单元状态；W_c为单元状态的权重矩阵；t时刻的单元状态由t-1时刻的单元状态及t时刻的输入单元状态共同决定；通过公式确定单元状态的更新；

对单元状态更新后，确定t时刻网络的输出值h_t：

h_t＝o_t·tanh(c_t)

式中，tanh为一个函数；

由上述公式构成长短时记忆神经网络深度学习计算模型，利用向前和反向算法对LSTM模型进行学习和训练；

1.2.2)选取LSTM模型的网络计算参数，包括隐藏层个数、学习率和训练步数；

1.2.3)根据标准化后的静态参数和动态参数，对构建的LSTM模型进行训练和检验，具体过程为：

a)将标准化后的静态参数和动态参数样本分为训练集和检验集两个集合，通过训练集对构建的LSTM模型进行训练，并计算训练误差error_训练：

式中，n为训练集的样本个数；i为训练集中的第i个样本；oil_i-真实值为第i个样本的油井实际产量；oil_i-预测值为第i个样本的油井预测产量；

b)通过检验集对训练后的LSTM模型进行检验，并计算检验误差error_检验：

式中，m为检验集的样本个数；j为检验集中的第j个样本；oil_j-真实值为第j个样本的油井实际产量；oil_j-预测值为第j个样本的油井预测产量；

2)对各LSTM模型的网络计算参数进行敏感性分析，得到每一网络计算参数与综合误差之间的相关关系，形成每一网络计算参数与综合误差之间的关系图版，并将综合误差最小值对应的参数值作为该油井对应的最优网络计算参数，综合误差error_综合为：

error_综合＝(error_训练+error_检验)/2≤error_目标

式中，error_目标为预先设定的误差目标；

3)建立日产油波动程度与最优网络计算参数之间的相关关系，形成日产油波动程度与最优网络计算参数之间的关系图版，日产油波动程度v为：

式中，v为统计时间范围内日产油波动程度；k、k+1为第k、k+1天；x_k、x_k+1为第k、k+1天的日产油量；m为统计时间范围内的天数；

4)获取待预测油井的日产油波动程度，并根据每一网络计算参数与综合误差之间的关系图版以及日产油波动程度与最优网络计算参数之间的关系图版，确定最优的网络计算参数，进而确定最优的LSTM模型；

5)获取待预测油井的静态参数和动态参数，并输入至最优的LSTM模型，得到待预测油井的产量预测值。