[发明专利]基于LSTM模型的长时不稳定试井解释方法

权利要求书

1.一种新的基于LSTM模型的长时不稳定试井解释方法，其特征在于，包括：

步骤101、获取待测油气井固定时间段内的井底压力和流量数据；

步骤102、划分训练集和测试集；

步骤103、LSTM模型建立与训练；

步骤104、LSTM模型测试验证；

步骤105、利用无噪流量数据建立LSTM模型，并进行压力预测；

步骤106、油气藏特征解释。

2.根据权利要求1所述的一种新的基于LSTM模型的长时不稳定试井解释方法，其特征在于：

所述步骤101具体包括：在获取时，在至少改变2个流量情况下，分别对应获取井底压力和流量数据；

所述的改变流量是指改变油气井的产液量或产气量；

所述流量数据包括通过所述改变流量后的产液量、产油量、产水量和/或产气量中的一种或多种；

单位时间内所获取到单个井底压力数据和单个流量数据构成单个数据组；固定时间段内所有数据组称为数据集合。

3.根据权利要求2所述的一种新的基于LSTM模型的长时不稳定试井解释方法，其特征在于：

所述步骤102具体包括：按预设比例将步骤101所述的数据集合划分为训练集和测试集；

所述训练集是按照所述预设比例从所述数据集合中，按照时间顺序选取的，训练集包括数据组及对应的获取时间；

所述数据集合中除训练集以外的数据组及对应的获取时间为所述测试集。

4.根据权利要求3所述的一种新的基于LSTM模型的长时不稳定试井解释方法，其特征在于：

所述步骤103具体包括：采用python中的LSTM模型算法工具模块搭建学习网络：包括遗忘门、输入门和输出门；

在t时刻，LSTM单元处理输入状态x_t、短期隐藏状态h_t-1和长期隐藏状态c_t-1来生成输出状态y_t；

长期隐藏状态c_t-1包含t时刻之前的时间步的信息；

短期隐藏状态h_t-1包含上一个时间步的信息；

在LSTM单元内，输入状态x_t和短期隐藏状态h_t-1被全连接层FC处理，其中g_t、f_t、i_t、o_t分别为：

在公式(1)-(5)中，f为非线性激活函数；

σ为激活函数；

f_t、i_t、o_t由激活函数σ决定，分别控制遗忘门、输入门和输出门，取值范围为0到1；

g_t为由非线性激活函数f决定，与i_t一起控制输入门的参数，取值范围为0到1；

W_xg、W_xf、W_xi、W_xo为处理输入x_t的权重矩阵，W_hg、W_hf、W_hi、W_ho为处理短期隐藏状态h_t-1的权重矩阵，b_g、b_f、b_i、b_o为偏置项；

在遗忘门，LSTM单元决定t时刻c_t-1被遗忘的部分，这是通过执行f_t和c_t-1之间的数组元素相乘实现的；

在输入门，LSTM单元通过执行g_t和i_t之间的数组元素相乘来决定在长期隐藏状态中g_t被保存的部分；

将遗忘门的处理信息和输入门的处理信息结合起来更新时刻t的长期隐藏状态c_t，上述过程如公式(5)所示：

其中，代表数组元素依次相乘；

输出门处理更新的长期隐藏状态c_t和输出向量o_t来生成更新的短期隐藏状态h_t，如公式(5)所示：

将训练集中的时间和流量数据作为输入、压力数据作为输出，采用LSTM模型算法工具模块搭建的学习网络针对训练集开展训练：

不断调节遗忘门、输入门、输出门的权重，降低训练预测结果与真实结果之间的均方误差；直至训练预测结果与真实结果之间的均方误差最小时，训练结束，由此确定各个所述的权重，最终形成优化后的LSTM模型。