基于递归神经网络的油田勘探储量预测方法与流程

本发明涉及油田开发技术领域，特别是涉及到一种基于递归神经网络的油田勘探储量预测方法。

背景技术

深度学习是机器学习中关于数据建模的一个重要算法，其中，rnn预测模型是深度学习在时间序列领域建模的经典应用，rnn以其网络对训练数据的多层映射而拥有对复杂数据的建模能力，在数据建模领域有着广泛的应用。

rnn(递归神经网络)之所以称为循环神经网路，即一个序列当前的输出与前面的输出也有关。具体的表现形式为网络会对前面的信息进行记忆并应用于当前输出的计算中，即隐藏层之间的节点不再无连接而是有连接的，并且隐藏层的输入不仅包括输入层的输出还包括上一时刻隐藏层的输出。理论上，rnn能够对任何长度的序列数据进行处理。但是在实践中，为了降低复杂性往往假设当前的状态只与前面的几个状态相关。

油田勘探储量预测由于其市场因素，开发成本，人为决策等因素导致预测难度大大增加，传统的储量预测模型如龚帕兹模型，翁氏旋回模型，帚状模型等只能拟合数据变化的大体规律，拟合误差较大，而由于rnn模型每一个节点已知s型生长曲线激活函数作为非线性映射单元，理论上可以拟合任意复杂的方程，因此具有优秀的建模能力。为此我们发明了一种新的基于递归神经网络的油田勘探储量预测方法，解决了以上技术问题。

技术实现要素：

本发明的目的是提供一种利用计算机从大量的历史数据中学习出最适合于该储量数据的预测模型，实现对于油田勘探储量的精确预测的基于递归神经网络的油田勘探储量预测方法。

本发明的目的可通过如下技术措施来实现：基于递归神经网络的油田勘探储量预测方法，该基于递归神经网络的油田勘探储量预测方法包括：步骤1，获取递归神经网络的基础数据；步骤2，将基础数据进行预处理，得到初步处理的基础数据；步骤3，利用基础数据之间的内在联系，产生递归神经网络建模需要的集成化数据；步骤4，通过上述数据作为递归神经网络的训练数据，得到可供预测的递归神经网络模型；步骤5，在递归神经网络模型中输入预测年度基础数据，产生预测输出。

本发明的目的还可通过如下技术措施来实现：

在步骤1中，基于已有的历年来油田各区块的基础数据，得到历年来油田各区块的资源探明程度、探井勘探程度、累计油藏个数、年累计探明储量数据，将上述数据作递归神经网络基础数据。

在步骤2中，原有的基础数据包含格式不对、顺序不对、重复的数据，对原有的基础数据筛选、过滤，得到初步处理的基础数据。

在步骤3中，以初步处理的基础数据为基础，利用基础数据之间的内在联系，采取相加、相减、相乘、相除的方式，产生递归神经网络建模需要的集成化数据。

在步骤4中，递归神经网络模型中采用时间序列数据预测，通过编制和分析时间序列，根据时间序列所反映出来的发展过程、方向和趋势，进行类推或延伸，借以预测下一段时间或以后若干年内可能达到的水平，包括：收集与整理某种变化规律的历史数据资料；对这些数据资料进行检查鉴别，排成数列；分析时间数列，从中寻找该变化规律随时间变化而变化的规律，得出一定的模式。

在步骤4中，以反映油田单个地质单元历年勘探储量数据之间的内在变化规律，利用油田单个地质单元的历史勘探储量数据为训练数据，采用递归神经网络对训练数据进行回归学习，根据学习到的模型参数对预测年份的单个地质单元的勘探储量进行预测。

在步骤4中，作为一种基于递归神经网络的油田勘探储量预测方法，油田单个地质单元历年勘探储量数据之间的内在变化规律反映的是：

油田的单个地质单元历年勘探储量数据具有典型的时间序列数据的特点，即油田的每年勘探储量数据具有周期性变化的特性，并且不会存在剧烈变化，此外，勘探储量数据还受当年的投资和工作量影响，在合理范围内存在随机扰动，也即油田单个地质单元历年勘探储量数据之间是存在内在变化规律的。

在步骤4中，递归神经网络学习所用的训练数据描述为：

x＝{x1,x2,...,xn}

xn为3维的列向量，作为一个训练样本，x为训练样本的集合；

为递归神经网络对训练数据进行回归学习的损失函数，其中t为时间，j为训练样本序号，yt,j为t时间j训练样本的储量真实值，为t时间j训练样本的模型预测值，v为训练样本的数量，j表示熵，θ为可学习的参数，作为网络的学习目标；

为递归神经网络前向迭代过程的数据流传播，为网络的前向传播过程。其中，h表示当前递归神经网络的层数，h’表示h层的前面的层，i表示训练样本的序号，k表示下一层的层数，h表示h层之前的层数，i表示训练样本的个数，a表示h层的输出值，θh表示h层的激活函数，b表示激活函数的输出值，ω表示网络层可学习的参数；

为输出层的输出，变量意义与前式相同；

为误差的反向传播过程；其中t表示时间，h表示当前的层数，表示h层在t时刻的梯度，θ'表示激活函数的导数。

在步骤4中，递归神经网络的每一个输入样本为探井勘探程度，资源探明程度，累计油藏个数，训练标签为当年的累计探明储量数据，为对该序列数据进行建模，将每三年的训练数据作为一个批次的训练样本，获取连续年份的数据之间的变化规律；在整个模型中，有一条单向流动的信息流是从输入单元到达隐藏单元的，与此同时另一条单向流动的信息流从隐藏单元到达输出单元；同时，递归神经网络的参数学习与传统的神经网络算法一样，同样是使用反向传播算法，但如果将递归神经网络进行网络展开，那么输入层到隐藏层的参数、隐藏层之间的参数、隐藏层到输出层的数据是共享的，并且在使用梯度下降算法中，每一步的输出不仅依赖当前步的网络，并且还依赖前面若干步网络的状态。

在步骤5中，在预测年度，企业制定生产计划，包含投入的工作量、投资额的预算，将投入的工作量、投资额的预算作为递归神经网络模型的输入数据，经过递归神经网络根据基础数据以及投入的工作量、投资额的值，通过递归神经网络网络的前向传播过程，预测产生年度预测探明储量的数值。

本发明中的基于递归神经网络的油田勘探储量预测方法，涉及在油田勘探规划过程中使用深度学习的rnn(递归神经网络)模型的油气储量预测问题，为油田勘探规划阶段的勘探规划提供决策参考。该方法以反映油田单个地质单元历年勘探储量数据之间的内在变化规律，利用油田单个地质单元的历史勘探储量数据为训练数据，采用递归神经网络对训练数据进行回归学习，根据学习到的模型参数对预测年份的单个地质单元的勘探储量进行预测。油田的单个地质单元历年勘探储量数据具有典型的时间序列数据的特点，即油田的每年勘探储量数据具有周期性变化的特性，并且不会存在剧烈变化，此外，勘探储量数据还受当年的投资和工作量影响，在合理范围内存在随机扰动，也即油田单个地质单元历年勘探储量数据之间是存在内在变化规律的。此方法摒弃传统的人为设计预测方程的弊端，利用计算机从大量的历史数据中学习出最适合于该储量数据的预测模型，通过一种基于递归神经网络的油田勘探储量预测方法，实现对于油田勘探储量的精确预测。

附图说明

图1为本发明的基于递归神经网络的油田勘探储量预测方法的一具体实施例的流程图；

图2为本发明的一具体实施例中rnn网络前向传播示意图。

具体实施方式

为使本发明的上述和其他目的、特征和优点能更明显易懂，下文特举出较佳实施例，并配合附图所示，作详细说明如下。

如图1所示，图1为本发明的基于递归神经网络的油田勘探储量预测方法的流程图。

在步骤101，基于已有的历年来油田各区块的基础数据，得到历年来油田各区块的资源探明程度、探井勘探程度、累计油藏个数、年累计探明储量数据，将上述数据作为rnn(递归神经网络)的基础数据。

在步骤102，在历年来油田各区块的基础数据处理中，原有的基础数据包含格式不对、顺序不对、重复的数据，在预测任务中不能直接使用，需要对原有的基础数据筛选、过滤，得到初步处理的基础数据，解决了数据重复、杂乱的问题。

在步骤103，在初步处理的基础数据不包含rnn建模需要的集成化数据。以初步处理的基础数据为基础，利用基础数据之间的内在联系，采取相加、相减、相乘、相除的方式，产生rnn建模需要的集成化数据，解决了基础数据中存在的重复、杂乱的问题，解决了基础数据与rnn模型不相容的问题。

在步骤104，通过上述数据作为rnn的训练数据，得到最终的可供预测的rnn模型。

时间序列数据预测问题可以简单描述为通过编制和分析时间序列，根据时间序列所反映出来的发展过程、方向和趋势，进行类推或延伸，借以预测下一段时间或以后若干年内可能达到的水平。其内容包括：收集与整理某种变化规律的历史数据资料；对这些数据资料进行检查鉴别，排成数列；分析时间数列，从中寻找该变化规律随时间变化而变化的规律，得出一定的模式。

rnn的目的是用来处理序列数据，rnn之所以称为递归神经网路，即一个序列当前的输出与前面的输出也有关。具体的表现形式为网络会对前面的信息进行记忆并应用于当前输出的计算中，即隐藏层之间的节点不再无连接而是有连接的，并且隐藏层的输入不仅包括输入层的输出还包括上一时刻隐藏层的输出。理论上，rnn能够对任何长度的序列数据进行处理。

为了使rnn的前向传播方式更为明显易懂，我们列举出本发明的一具体实施例中rnn网络前向传播示意图，如图2所示：

为反映油田单个地质单元历年勘探储量数据之间的内在变化规律，利用油田单个地质单元的历史勘探储量数据为训练数据，采用递归神经网络对训练数据进行回归学习，根据学习到的模型参数对预测年份的单个地质单元的勘探储量进行预测。

作为一种基于递归神经网络的油田勘探储量预测方法，油田单个地质单元历年勘探储量数据之间的内在变化规律反映的是：

油田的单个地质单元历年勘探储量数据具有典型的时间序列数据的特点，即油田的每年勘探储量数据具有周期性变化的特性，并且不会存在剧烈变化，此外，勘探储量数据还受当年的投资和工作量影响，在合理范围内存在随机扰动，也即油田单个地质单元历年勘探储量数据之间是存在内在变化规律的。

作为一种基于递归神经网络的油田勘探储量预测方法，其递归神经网络学习所用的训练数据可描述为：

x＝{x1,x2,...,xn}

xn为3维的列向量，作为一个训练样本，x为训练样本的集合；

为递归神经网络对训练数据进行回归学习的损失函数，其中t为时间，j为训练样本序号，yt,j为t时间j训练样本的储量真实值，为t时间j训练样本的模型预测值，v为训练样本的数量，j表示熵，θ为可学习的参数，作为网络的学习目标；

为递归神经网络前向迭代过程的数据流传播，为网络的前向传播过程。其中，h表示当前rnn的层数，h’表示h层的前面的层，i表示训练样本的序号，h表示h层之前的层数，i表示训练样本的个数，a表示h层的输出值，θh表示h层的激活函数，b表示激活函数的输出值，ω表示网络层可学习的参数。

为输出层的输出，变量意义与前式相同；

为误差的反向传播过程；其中t表示时间，h表示当前的层数，表示h层在t时刻的梯度，θ'表示激活函数的导数，其他参数与前式相同。

通过由油田历年勘探储量数据组成的训练数据集训练得到最优的递归神经网络，然后根据预测年份的输入数据结合当年的投资和工作量，输入训练好的递归神经网络模型。至此，递归神经网络可以自动预测出预测年份的油田地质单元的预测勘探储量。

由rnn模型建模而出的时间序列模型具有能够反映历史数据真实变化规律，排除人为因素对模型的主观影响以及可复用性好等特点，在现代时间序列建模领域中发挥着重要的作用。如今，油田勘探储量数据作为典型的时间序列数据，但是其数据变化规律受油气市场价格、领导决策、油气勘探开发程度等因素的影响，导致使用传统方程对此类数据预测难度大大增加，并且领导的勘探决策受到之前的决策结果制约，造成一个恶性循环。本发明涉及一种基于递归神经网络的油田勘探储量预测方法，尤其涉及在数据变化规律受多种不同因素影响的情形下，采用递归神经网络对油田勘探储量进行预测，保证了模型建模结果对数据变化规律抽取的客观性，并且一定程度上能够抵抗离群数据点的干扰，实现油田勘探储量预测数据的准确性。

在基于递归神经网络的油田勘探储量预测方法中，rnn网络的每一个输入样本为(探井勘探程度，资源探明程度，累计油藏个数)，训练标签为当年的累计探明储量数据，为对该序列数据进行建模，将每三年的训练数据作为一个批次的训练样本，获取连续年份的数据之间的变化规律。在整个模型中，有一条单向流动的信息流是从输入单元到达隐藏单元的，与此同时另一条单向流动的信息流从隐藏单元到达输出单元。同时，rnn的参数学习与传统的神经网络算法一样，同样是使用bp(反向传播)算法，不过有一点区别。如果将rnn进行网络展开，那么输入层到隐藏层的参数、隐藏层之间的参数、隐藏层到输出层的数据是共享的，而传统神经网络却不是的。并且在使用梯度下降算法中，每一步的输出不仅依赖当前步的网络，并且还依赖前面若干步网络的状态。

在步骤105，输入预测年度基础数据，产生预测输出。前述步骤训练完成的rnn模型包含学习好的参数。在预测年度，企业制定生产计划，包含投入的工作量、投资额的预算。将投入的工作量、投资额的预算作为rnn模型的输入数据，经过rnn模型根据基础数据以及投入的工作量、投资额的值，通过rnn网络的前向传播过程，预测产生年度预测探明储量的数值，为企业决策提供参考。