[发明专利]一种基于深度学习的油井日产油及含水率的预测方法

说明书

本发明公开了一种基于深度学习的油井日产油及含水率的预测方法，包括S1、建立学习样本选择标准，并从目标油田的历史数据中选择出符合标准的数据作为学习样本；S2、基于学习样本对影响油田开发的众多因素进行分析，进而从中筛选出符合要求的指标数据，并形成单井产量和含水影响指标体系；S3、对符合要求的指标数据进行数据预处理，形成用于模型训练的数据集；S4、基于数据集搭建、训练并验证用于预测油井日产油及含水率的混合深度学习网络模型；S5、利用训练好的混合深度学习网络模型，预测油井的日产油及含水率。优点是：能够明显提高油井日产油及含水率预测的精度及稳定性。

技术领域

本发明涉及油田开发技术领域，尤其涉及一种基于深度学习的油井日产油及含水率的预测方法。

背景技术

目前，注水开发作为中国石油油田开发的主要方式，其产量占原油产量的80％。其中单井产量和含水变化规律预测是油田产量剖面预测的基础，对投资决策等工作起着重要的作用。此项工作贯穿水驱油田整个开发过程。早期采用的预测方法有试油、类比法、经验法、水驱油实验等方法，但由于井少、资料代表性差等导致预测结果相差较大。目前普遍采用的预测方法有数值模拟、递减曲线、水驱曲线等方法。预测方法相对可靠，但都有一定的局限性，要求油田生产保持相对稳定，没有重大调整，并且由于油井生产历史长，资料多，需要花费更多人力物力计算，耗时长，且对人员的业务水平要求高。

近年来，随着人工智能技术的突破与发展，人工智能中的深度学习也逐步应用于各领域，深度学习是一种能够从数据中学习经验的技术，通过强大的非线性映射能力建立复杂模型总结生产规律并预测未来。在油田开发领域，大量调研也表明其已经在勘探、钻井、生产、油藏等方面开展了研究工作。但在油井产量和含水预测方面处于起步阶段，缺少人工智能方法预测产量和含水的影响指标体系、样本选择标准、算法优选原则、模型优化方法。所以，研发一种基于深度学习的多井日产油及含水率的预测方法用于油田智能配产具有非常重要的意义。

发明内容

本发明的目的在于提供一种基于深度学习的油井日产油及含水率的预测方法，从而解决现有技术中存在的前述问题。

为了实现上述目的，本发明采用的技术方案如下：

一种基于深度学习的油井日产油及含水率的预测方法，包括如下步骤，

S1、建立学习样本选择标准，并从目标油田的历史数据中选择出符合标准的数据作为学习样本；

S2、基于学习样本对影响油田开发的众多因素进行分析，进而从中筛选出符合要求的指标数据，并形成单井产量和含水影响指标体系；

S3、对符合要求的指标数据进行数据预处理，形成用于模型训练的数据集；

S4、基于数据集搭建、训练并验证用于预测油井日产油及含水率的混合深度学习网络模型；

S5、利用训练好的混合深度学习网络模型，预测油井的日产油及含水率。

优选的，步骤S1具体为，对目标油田的历史数据进行数据量分析和评估，根据目标油田中各试点区块的历史数据是否满足研究和建模的需要，制定学习样本选择标准，从目标油田的历史数据中筛选出符合学习样本选择标准的油井和历史数据作为学习样本。

优选的，步骤S2具体包括如下内容，

S21、通过定性分析，初步分析影响油田开发的众多因素，再充分考虑开发特征和现场措施，进而确定出影响油井产量和含水率的井基础数据、油藏基础数据、测井解释成果数据、油井产量及状态数据、油井措施效果数据这五大类指标；

S22、根据产量和含水与影响指标的物理意义，分析指标间的逻辑关系，剔除部分影响指标；计算各指标项的方差，方差为0的指标对于本试点区块所有油井的影响相同，再次剔除部分指标；将剩余的指标保留下来；