[发明专利]基于LSTM模型的长时不稳定试井解释方法

说明书

本发明提供了一种基于LSTM模型的长时不稳定试井解释方法，无需事先选择解释模型，即可实现油气井试井数据解释。本发明利用长短期记忆神经网络LSTM是RNN模型的改进。该模型是一种时间递归神经网络模型，具备时序观念，具有长时间的记忆能力，属于典型的深度学习模型，能够更深层次挖掘数据之间的潜在规律，使预测变得更加准确可靠。当用于油气井生产动态分析时，长短期记忆神经网络(LSTM)能保留先前的油气井生产信息并传递到后续时间节点的生产预测，充分考虑油气井生产动态数据的变化趋势和前后关联性，因此能深层次揭示油气井生产数据之间的潜在规律。

技术领域

本发明涉及油气田开发技术领域，特别是涉及一种基于LSTM模型的长时不稳定试井解释方法。

技术背景

油气藏地层压力测试是认识油藏产液能力、评价储层物性参数的重要手段。试井解释时，通常是在渗流力学的基础上，对流量、压力测试数据进行分析，从而确定油气藏特征。这种方法存在一定局限性。首先，在进行不稳定压力分析前需要假定一个解释模型。然而，确定试井解释模型是一个反问题，单个流量和压力特征可以用多个模型来进行解释，导致多解性问题。其次，对于一些复杂油藏，建立解析的解释模型仍存在很大挑战；最后，解释模型通常是解析或半解析，并假设为均匀介质或简单几何形状的非均质分布，对于一个高度非均质油藏而言，这种处理方法太过于简化。

近年来，机器学习方法也逐渐用于试井解释。Al-Kaabi和Lee于1993年利用训练的神经网络从压力导数曲线中识别试井解释模型，Liu和Horne于2013年采用卷积核数据挖掘方法对长期监测的流量和压力数据进行解释，Tian和Horne于2017年引入循环神经网络RNN用于流量和压力数据解释，但它不能捕获顺序数据集之间的长期依赖关系。

据此，现有技术中利用及其学习对试井进行解释时需要借助解释模型实现，而模型与实际工况的匹配程度直接影响了解释结果的准确性。

发明内容

为了解决以上技术问题，本发明提供了一种基于LSTM模型的长时不稳定试井解释方法，无需事先选择解释模型，即可实现油气井试井数据解释。

本发明利用长短期记忆神经网络(LSTM)是RNN模型的改进。该模型是一种时间递归神经网络模型，具备时序观念，具有长时间的记忆能力，属于典型的深度学习模型，能够更深层次挖掘数据之间的潜在规律，使预测变得更加准确可靠。当用于油气井生产动态分析时，长短期记忆神经网络(LSTM)能保留先前的油气井生产信息并传递到后续时间节点的生产预测，充分考虑油气井生产动态数据的变化趋势和前后关联性，因此能深层次揭示油气井生产数据之间的潜在规律。

为实现上述目的，本发明采用下述方案：

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；

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；

步骤102、划分训练集和测试集

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；

步骤103、LSTM模型建立与训练