[发明专利]一种基于混合神经网络的致密气井单井产量预测方法

说明书

本发明公开了一种基于混合神经网络的致密气井单井产量预测方法，通过麻雀搜索算法初始化麻雀种群并迭代筛选获取运算结果；基于麻雀搜索算法运算结果初始化LSTM神经网络超参数，得到麻雀搜索算法优化后的LSTM模型；对该模型进行训练生成预测模型；向预测模型中输入预测数据并获取结果。本发明利用麻雀搜索算法来优化LSTM神经网络超参数，采用麻雀搜索算法优化的LSTM能够加速模型的收敛，提高模型的预测精度，从而解决现有技术预测精度不够的问题。

技术领域

本发明属于人工智能深度学习领域，具体涉及一种混合神经网络的致密气井单井产量预测方法。

背景技术

长短时记忆神经网络(LSTM)是基于循环神经网络(RNN)改进得到的一种可以有效解决数据之间长期依赖问题的时间循环神经网络。LSTM记忆单元拥有遗忘门、输入门、输出门共计三个特殊的门结构。基于这几种结构，LSTM神经网络对传统循环神经网络经常存在的梯度消失和梯度爆炸的问题有着较强的解决能力，它可以通过构建较深的神经网络层，并且基于复杂的非线性单元对时间序列数据进行非线性建模与预测。

麻雀搜索算法(Sparrow Search Algorithm,SSA)是一种受麻雀的捕食和反捕食行为启发的优化算法。麻雀搜索算法具有原理简单、鲁棒性强、收敛速度快、需调整参数少、搜索能力强、效果好等明显优势，该算法在连续优化问题中具有良好的性能。

对油气田产量进行科学可靠的预测，是石油企业各项工作的科学安排部署和工作量的合理匹配，制定合理的生产计划、避免盲目投资、实现可持续开发的重要条件。目前现有模型的预测精度不够，无法满足实际需要且手动设置最优超参数工作量较大费时较长。因此需要设计出一种精度更好、工作量更少、预测效果更好的预测模型。

发明内容

本发明的目的在于提供一种基于混合神经网络的致密气井单井产量预测方法，旨在解决现有技术预测精度不够的问题。

为实现上述目的，本发明提供了一种基于混合神经网络的致密气井单井产量预测方法，包括初始化麻雀种群并迭代筛选获取运算结果；

基于运算结果初始化LSTM神经网络超参数，得到经过SSA优化的LSTM模型；

对优化后的LSTM进行训练生成预测模型；

向预测模型中输入预测数据，并对预测数据添加油压、日产液量、套压、流压、每天生产时间作为约束条件，输出参数为单井日产气量；获取结果。

其中，所诉初始化麻雀种群并迭代筛选获取运算结果的具体步骤是：

S2.1麻雀种群初始化，设置迭代次数和误差阈值；

S2.2计算个体适应度，评估所有麻雀当前位置的适应度并排序；

S2.3发现者、追随者的位置更新及示警麻雀位置更新；

S2.4基于适应度选择个体；并更新全局最优适应度值；

S2.5检测迭代次数或者误差是否满足要求，若不满足则继续迭代回到S2.2，若满足则保留运算结果。

其中，对优化后的LSTM模型进行训练生成预测模型的具体步骤是：

S3.1将单井日产气量序列划分为训练集和测试集；

S3.2基于训练集使用SSA优化后的LSTM模型学习；

S3.3生成预测模型。

其中，所属向预测模型中输入预测数据并获取结果中，所属预测数据为测试集。