[发明专利]一种基于LSTM的煤层气井产气量预测方法

说明书

本发明涉及一种基于LSTM的煤层气井产气量预测方法，属于计算机深度学习领域。解决了煤层气单井每日的产气量无法预测的问题；本发明的技术方案为：收集单井钻井数据；对单井钻井数据进行预处理，建立数据集；建立LSTM神经网络模型，建立全连接神经网络模型；设置LSTM神经网络模型的输入维度、隐藏层数、中间层维度、激活函数以及损失函数；训练LSTM神经网络模型，直到LSTM神经网络模型同煤层气井的日产量数据相拟合；将数据集中的后1/4的数据放入LSTM神经网络模型中，进行对煤层气井日产气量的预测。与现有发明相比，本发明具有以下有益效果：准确度高；高效快捷；利用实际数据进行训练，通单井实际情况更加符合。

技术领域

本发明涉及一种基于LSTM的煤层气井产气量预测方法，属于计算机深度学习领域。

背景技术

煤层气是近二十年来在世界越来越被重视的新型能源，其成分与常规天然气基本相同，完全可以作为与常规天然气同等质量的优质能源和化工原料。准确预测煤层气的产能是煤层气资源开发的关键，煤层气作为一种非常规天然气资源，其产能预测方式与常规的天然气井的预测方式存在着不同，因此必须了解煤层气井产量变化规律以及影响因素，才能建立更加符合煤储层地质特征的煤层气井产能预测模型。

在过去几十年的探索中，提出了很多煤层气井产能预测方面的理论方法，主要包括体积计算法、产量递减分析法、物质平衡法以及数值模拟计算法等。

体积计算法是估算储量的最简单的方法。在开发初期往往要用体积计算来估算出与开发投资和财务决定相关的储量。体积计算法最大的优点是使用简单，它只需几个参数和几个假设。缺点是在引入不完全知道的关键参数或必须的主观评价时，可能产生较大的错误。

数值模拟法是煤层气井未来产量计算的一个重要方法，这种方法是在计算机中利用专用软件对已获得的储层参数和早期的生产数据进行拟合匹配，最后获取气井的预计生产曲线。

产量递减法是通过研究煤层气井的产气规律、分析其生产特征和历史资料预测井的未来产量，一般是在煤层气井经历了产气高峰、稳产并出现递减后，利用产量递减曲线和斜率对未来产量进行计算。

在现有的基础上，上述采用的传统煤层气产量预测方式需要极为苛刻的数据条件为前提，同时，获得的产量预测局限于一定范围内，无法精确到对每日煤层气产量的预测。

发明内容

本发明目的是：为了解决现有的对一口井煤层气未来每日的产气量无法预测的问题，本发明基于Long Short-Term Memory（简称LSTM）神经网络模型，通过训练已有参数，建立时序网络模型，实现对煤层气每日产气量的预测。

为实现上述目的，本发明提供了一种基于LSTM的煤层气井产气量预测方法，该方法包括以下步骤：

S100、收集单井钻井数据，单井钻井数据包括泵效、井底压力、套管压力、动液面高度和日产气量；

S200、将收集的单井钻井数据存入列数为5的二维矩阵中，对单井钻井数据进行预处理，建立数据集；

S300、建立LSTM神经网络模型，LSTM由遗忘门函数、记忆门函数、输出门函数三部分组成；建立全连接神经网络模型，设定全连接神经网络模型的输入特征数目为20、全连接神经网络模型的隐藏层数为1和输出维度为1；

S400、设置LSTM神经网络模型的输入维度为5、LSTM神经网络模型的隐藏层数为5、LSTM神经网络模型的中间层维度为20、建立的LSTM神经网络模型的激活函数和损失函数，激活函数为relu函数以及损失函数为均方损失函数；所述激活函数为，式中，x为特征向量，无量纲量；max为取数据最大值函数；f(x)为通过激活函数计算后的数据，无量纲量；所述损失函数为，式中，f(x)为通过激活函数计算后的数据，无量纲量；y为真实值，无量纲量；N为样本个数，无量纲量；MSE为均方损失值，无量纲量；

S500、用数据集的前3/4的数据训练LSTM神经网络模型，当LSTM神经网络模型同煤层气井的日产量数据相拟合时，完成模型的训练；