用于指标预测模型训练及井组调节操作确定的方法和装置与流程

本发明涉及油气开采领域，尤其涉及用于指标预测模型训练以及井组调节操作确定的方法和装置。

背景技术：

在石油和天然气的油气开采领域，仅需利用天然能量就可开采的自喷井相对较少。随着天然能量的降低，需要向地层或是油层注水或是特定化学物质以提高油层的采油率。对于稠油和油砂，则需借助蒸汽辅助重力泄油技术(saga)。该技术通过向地层中连续注入高温蒸汽加热油藏，使得原油黏度显著降低并得以在重力作用下流入注汽井下方的生产井中，并被举升至地面，由此实现对稠油、超稠油和油砂的有效开采。

天然气也同原油一样埋藏在地下封闭的地质构造之中，有些和原油储藏在同一层位，有些单独存在。对于和原油储藏在同一层位的天然气会伴随原油一起开采出来。对于只有天然气存在的气藏，其开采方法既与原油的开采方法十分相似，又有其特殊的地方。

无论是油田、气田或是油气田的开采，通常需要同时对多组操作参数进行控制。常规的操作参数需要依赖有经验的工作人员进行手动调节。由于不同井组间开采条件相差较大，因此操作参数的手动调节非常依赖个人经验，并且准确性不高。

为此，需要一种更为准确、且能够适应各种井组条件的操作参数调节方案。

技术实现要素：

为了解决如上至少一个问题，本发明使用机器学习算法基于多井组历史数据集训练井组长期指标预测模型，上述模型能够对井组的长期指标进行预测，从而能够根据预测的长期指标对实际井组的操作进行调节。进一步地，预测模型可以融合井组的长期和短期指标作为标签数据来进行强化学习，从而获取能够提升井组的短期和长期指标两者的操作参数。

根据本发明的一个方面，提出了一种训练油气井组长期指标预测模型的方法，包括：获取关于多个井组的历史数据集，该历史数据集中的每条历史数据包括：井组调节操作、执行该井组调节操作时的井组状态数据和执行该井组操作后的井组长期指标；对所述历史数据集进行特征提取处理以得到基于井组调节操作和井组状态数据的训练样本特征集以及基于井组长期指标的对应标签数据；以及基于所述训练样本特征集以及对应标签数据，采用预设的机器学习算法进行训练，得到经训练的油气井组长期指标预测模型。由此，通过机器学习算法有效利用来自多井组的历史数据并通过迭代训练准确找出操作与长期指标的内在联系，从而实现针对各类井组的长期指标预测。在此，预设的机器学习算法例如可以是深度神经网络(dnn)算法。

优选地，本方法还包括：至少基于针对模型更新井组的井组调节操作及获取的相应井组指标数据，对所述经训练的油气井组长期指标预测模型进行更新。由此，可以对经初训的模型进行更新以进一步提升预测模型的准确性。

优选地，上述更新操作可以包括：对模型更新井组执行井组调节操作；获取与井组调节操作对应的所述模型更新井组的井组状态数据和井组短期指标；以所述模型更新井组的井组状态数据和所述井组调节操作构成预测样本，并使用所述油气井组长期指标预测模型预测与所述井组调节操作对应的所述模型更新井组的井组长期指标；以及基于所述井组调节操作和对应的井组状态数据得到样本特征，融合获取的井组短期指标和预测的井组长期指标作为对应的标签数据，得到更新所述经训练的油气井组长期指标预测模型用的训练数据。由此，进一步改善预测模型所预测的长期指标与短期指标的关联度。所述短期指标可以包括如下的至少一项：井组异常情况；出油效率；注汽成本；短期采收率；及短期油汽比。所述井组状态数据则可包括基于时刻的井组状态特征和井组历史时序状态特征。

优选地，对所述模型更新井组执行井组调节操作包括：获取模型更新井组的当前井组状态数据，以及获取针对模型更新井组的井组调节操作集合；基于所述经训练的油气井组长期指标预测模型，预测与所述井组调节操作集合中的每个井组调节操作对应的长期指标；以及从所述井组调节操作集合中选取对应的长期指标最优的一个井组调节操作在所述模型更新井组上执行。由此，提升预测模型的训练/更新效率。

优选地，获取关于多个井组的历史数据集包括：获取对应各个井组的不同时刻下的井组调节操作和井组状态数据以及获取相应的井组长期指标。由此，通过针对来自多个井组的历史数据集的时序训练样本构造，挖掘历史数据中各操作与长期指标的关联性，由此实现模型后续对长期指标的预测。

优选地，井组调节操作可以是针对sagd井组的调节，可以包括如下至少一项：井组注汽速度调节操作；井组注汽干度调节操作；井组注汽温度调节操作；以及井组采注比调节操作。

另外，井组长期指标可以包括：井组长期采收率和/或井组累计油汽比。

根据本发明的另一个方面，提出了一种油气井组调节操作确定方法，包括：针对指定井组，获取该井组的井组状态数据，将该井组的井组状态数据分别与针对该井组的井组调节操作集合中的每个井组调节操作结合，得到多个预测样本；对所述多个预测样本进行特征提取处理，得到多个预测样本特征；将所述多个预测样本特征分别输入油气井组长期指标预测模型进行预测，得到对应的多个井组长期指标；以及从针对该井组的井组调节操作集合中选取对应长期指标最优的一个井组调节操作。由此，可以从预测模型中反推出最佳的井组调节操作。随后，可以在所述指定井组上执行所选取的井组调节操作，由此实现对实际井组的有效控制。优选地，该油气井组长期指标预测模型可以是根据上述训练方法所得到的。

优选地，该确定方法还可以包括：获取所述指定井组在所执行的井组调节操作下的短期指标；以所述指定井组的井组状态数据和所执行的井组调节操作构成预测样本数据，并使用所述油气井组长期指标预测模型预测与所执行的井组调节操作对应的所述指定井组的井组长期指标；基于所执行的井组调节操作和对应的井组状态数据得到样本特征，融合获取的井组短期指标和预测的井组长期指标作为对应的标签数据，得到更新所述油气井组长期指标预测模型用的训练数据；汇总预设时间内新增的更新所述油气井组长期指标预测模型用的训练数据作为模型更新训练数据集；以及至少基于所述模型更新训练数据集，更新所述油气井组长期指标预测模型。由此，可以在模型使用阶段仍然进行模型的更新。

类似地，短期指标可以包括如下的至少一项：井组异常情况；出油效率；注汽成本；短期采收率；及短期油汽比。井组长期指标则可包括：井组长期采收率和/或井组累计油汽比。

根据本发明的又一个方面，还提供了一种训练油气井组长期指标预测模型的装置，包括：数据获取单元，用于获取关于多个井组的历史数据集，该历史数据集中的每条历史数据包括：井组调节操作、执行该井组调节操作时的井组状态数据和执行该井组操作后的井组长期指标；特征提取单元，用于对所述历史数据集进行特征提取处理以得到基于井组调节操作和井组状态数据的训练样本特征集以及基于井组长期指标的对应标签数据；以及模型训练单元，用于基于所述训练样本特征集以及对应标签数据，采用预设的机器学习算法进行训练，得到经训练的油气井组长期指标预测模型。

优选地，该装置还可以包括：模型更新单元，用于至少基于针对模型更新井组的井组调节操作及获取的相应井组指标数据，对所述经训练的油气井组长期指标预测模型进行更新。

优选地，所述模型更新单元包括：井组调节操作执行单元，用于对所述模型更新井组执行井组调节操作；第一数据获取子单元，用于获取与所述井组调节操作对应的所述模型更新井组的井组状态数据和井组短期指标；第一预测子单元，用于以所述模型更新井组的井组状态数据和所述井组调节操作构成预测样本，并使用所述油气井组长期指标预测模型预测与所述井组调节操作对应的所述模型更新井组的井组长期指标；以及数据融合单元，用于基于所述井组调节操作和对应的井组状态数据得到样本特征，融合获取的井组短期指标和预测的井组长期指标作为对应的标签数据，得到更新所述经训练的油气井组长期指标预测模型用的训练数据。

优选地，所述井组调节操作执行单元包括：第二数据获取子单元，用于获取模型更新井组的当前井组状态数据，以及获取针对模型更新井组的井组调节操作集合；第二预测子单元，用于基于所述经训练的油气井组长期指标预测模型，预测与所述井组调节操作集合中的每个井组调节操作对应的长期指标；最优井组调节操作选取单元，从所述井组调节操作集合中选取对应的长期指标最优的一个井组调节操作在所述模型更新井组上执行。

优选地，所述短期指标包括如下的至少一项：井组异常情况；出油效率；注汽成本；短期采收率；及短期油汽比。

优选地，所述数据获取单元用于获取对应各个井组的不同时刻下的井组调节操作和井组状态数据以及获取相应的井组长期指标。

优选地，所述井组状态数据包括基于时刻的井组状态特征和井组历史时序状态特征。

优选地，所述井组调节操作包括如下至少一项：井组注汽速度调节操作；井组注汽干度调节操作；井组注汽温度调节操作；井组采注比调节操作。

优选地，所述井组长期指标包括：井组长期采收率和/或井组累计油汽比。

优选地，所述预设的机器学习算法是深度神经网络(dnn)算法。

根据本发明的又一方面，还提供了一种油气井组调节操作确定装置，包括：预测样本获取单元，用于针对指定井组，获取该井组的井组状态数据，将该井组的井组状态数据分别与针对该井组的井组调节操作集合中的每个井组调节操作结合，得到多个预测样本；特征提取单元，用于对所述多个预测样本进行特征提取处理，得到多个预测样本特征；预测单元，用于将所述多个预测样本特征分别输入油气井组长期指标预测模型进行预测，得到对应的多个井组长期指标；以及最优调节操作选取单元，用于从针对该井组的井组调节操作集合中选取对应长期指标最优的一个井组调节操作。

优选地，该装置可以进一步包括：井组调节操作执行单元，用于在所述指定井组上执行所选取的井组调节操作。

优选地，所述油气井组长期指标预测模型是根据如上任一项方法所得到的。

优选地，该装置还可以包括：第三数据获取子单元，用于获取所述指定井组在所执行的井组调节操作下的短期指标；第三预测子单元，用于以所述指定井组的井组状态数据和所执行的井组调节操作构成预测样本数据，并使用所述油气井组长期指标预测模型预测与所执行的井组调节操作对应的所述指定井组的井组长期指标；数据融合单元，用于基于所执行的井组调节操作和对应的井组状态数据得到样本特征，融合获取的井组短期指标和预测的井组长期指标作为对应的标签数据，得到更新所述油气井组长期指标预测模型用的训练数据；数据汇总单元，用于汇总预设时间内新增的更新所述油气井组长期指标预测模型用的训练数据作为模型更新训练数据集；模型更新单元，用于至少基于所述模型更新训练数据集，更新所述油气井组长期指标预测模型。

优选地，所述短期指标包括如下的至少一项：井组异常情况；出油效率；注汽成本；短期采收率；及短期油汽比，所述井组长期指标包括：井组长期采收率和/或井组累计油汽比。

根据本发明的又一方面，还提供了一种油气井组调节操作确定系统，包括数据获取单元、特征提取单元、模型训练单元、预测单元以及最优调节操作选取单元，所述油气井组调节操作确定系统训练油气井组长期指标预测模型，使用所述模型进行预测，在模型训练阶段：所述数据获取单元用于获取关于多个井组的历史数据集，该历史数据集中的每条历史数据包括：井组调节操作、执行该井组调节操作时的井组状态数据和执行该井组操作后的井组长期指标；所述特征提取单元用于对所述历史数据集进行特征提取处理以得到基于井组调节操作和井组状态数据的训练样本特征集以及基于井组长期指标的对应标签数据；并且所述模型训练单元用于基于所述训练样本特征集以及对应标签数据，采用预设的机器学习算法进行训练，得到经训练的油气井组长期指标预测模型，在模型预测阶段：所述数据获取单元用于针对指定井组，获取该井组的井组状态数据，将该井组的井组状态数据分别与针对该井组的井组调节操作集合中的每个井组调节操作结合，得到多个预测样本；所述特征提取单元用于对所述多个预测样本进行特征提取处理，得到多个预测样本特征；所述预测单元用于将所述多个预测样本特征分别输入油气井组长期指标预测模型进行预测，得到对应的多个井组长期指标；并且所述最优调节操作选取单元从针对该井组的井组调节操作集合中选取对应长期指标最优的一个井组调节操作。

优选地，所述油气井组调节操作确定系统还基于预测进行的实际调节操作进行模型更新，在所述模型更新阶段：所述数据获取单元用于获取所述指定井组在所执行的井组调节操作下的短期指标；所述特征提取单元用于以所述指定井组的井组状态数据和所执行的井组调节操作构成预测样本数据，并使用所述油气井组长期指标预测模型预测与所执行的井组调节操作对应的所述指定井组的井组长期指标；基于所执行的井组调节操作和对应的井组状态数据得到样本特征，融合获取的井组短期指标和预测的井组长期指标作为对应的标签数据，得到更新所述油气井组长期指标预测模型用的训练数据；汇总预设时间内新增的更新所述油气井组长期指标预测模型用的训练数据作为模型更新训练数据集；所述模型训练单元至少基于所述模型更新训练数据集，更新所述油气井组长期指标预测模型。

根据本发明的又一方面，还提供了一种计算设备，包括：处理器；以及存储器，其上存储有可执行代码，当所述可执行代码被所述处理器执行时，使所述处理器执行如上中任何一项所述的方法。

根据本发明的又一方面，还提供了一种非暂时性机器可读存储介质，其上存储有可执行代码，当所述可执行代码被电子设备的处理器执行时，使所述处理器执行如上任一项所述的方法。

由此，本发明通过使用机器学习算法基于多井组历史数据集训练井组长期指标预测模型，上述模型能够对井组的长期指标进行预测，从而能够根据预测的长期指标对实际井组的操作进行调节。进一步地，预测模型可以融合井组的长期和短期指标作为标签数据来进行强化学习，从而获取能够提升井组的短期和长期指标两者的操作参数。

附图说明

通过结合附图对本公开示例性实施方式进行更详细的描述，本公开的上述以及其它目的、特征和优势将变得更加明显，其中，在本公开示例性实施方式中，相同的参考标号通常代表相同部件。

图1示出了根据本发明一个实施例的训练油气井组长期指标预测模型的方法。

图2示出了预测模型训练和更新的一个例子。

图3示出了根据本发明一个实施例的油气井组调节操作确定方法。

图4示出了根据本发明一个实施例的训练油气井组长期指标预测模型的装置的示意性框图。

图5示出了根据本发明一个实施例的油气井组调节操作确定装置的示意性框图。

图6示出了根据本发明的油气井组操作调节确定系统的一个例子。

图7示出了根据本发明一个实施例的计算设备的结构示意图。

具体实施方式

下面将参照附图更详细地描述本公开的优选实施方式。虽然附图中显示了本公开的优选实施方式，然而应该理解，可以以各种形式实现本公开而不应被这里阐述的实施方式所限制。相反，提供这些实施方式是为了使本公开更加透彻和完整，并且能够将本公开的范围完整地传达给本领域的技术人员。

油田开采中，通常需要同时对多组操作参数进行控制。常规的操作参数需要依赖有经验的工作人员进行手动调节。由于不同井组间开采条件相差较大，因此操作参数的手动调节依赖个人经验，并且准确性不高。

为了提升油气采收效率，本发明使用机器学习算法基于多井组历史数据集训练井组长期指标预测模型，上述模型能够对井组的长期指标进行预测，从而能够根据预测的长期指标对实际井组的操作进行调节。进一步地，预测模型可以融合井组的长期和短期指标作为学习目标来进行强化学习，从而获取能够提升井组的短期和长期指标两者的操作调节。

图1示出了根据本发明一个实施例的训练油气井组长期指标预测模型的方法。在此，“油气井组长期指标预测模型”是指用于预测油气井组的长期指标的模型。“油气井组”可以指代石油井组，天然气井组，或是包括石油和天然气两者的井组。“井组”通常是指以注水井为中心，与周围相联系的油井所构成的油田基本开发单元。在本申请中，“井组”可用于指代具有关联关系的一个或多个井，例如，单个油井，单个气井，单个油气井，或是包括注水井或蒸汽井以及与之相关联的一个或多个油井的一组井。“长期指标”指代可以反映井组长期的油/气采收状况的指标参数，例如井组长期采收率和/或sagd井组的累计油汽比。另外，应该明了的是，在本申请中，“油气井组长期指标预测模型”可以指代专用于石油开采井组的预测模型，专用于天然气开采井组的预测模型，油气混合模型等等。

在步骤s110中，获取关于多个井组的历史数据集。为了提升预测模型的普适性，可以在模型训练阶段获取来自尽可能多的井组，或是来自有代表性的井组的数据，由此，预测模型可以从数据中习得预测各类井组状况，甚至是不同井组类型(例如，单井，或是sagd井组，或是其他注水井组)的能力。

具体地，该历史数据集中的每条历史数据可以包括：井组调节操作、执行该井组调节操作时的井组状态数据和执行该井组操作后的井组长期指标。在此，井组调节操作包括针对井组的各类操作，上述操作会对短期和长期指标(例如，采收率)产生影响。在sagd井组的情况下，井组调节操作例如可以包括井组采注比、注汽速度、注汽干度和/或及注汽温度的调节操作。应该理解的是，在其他类型的井组，例如注水井组的情况下，井组调节操作还可以包括例如注水速度和温度等的调节操作。井组状态数据则可以包括基于时刻(例如，调节操作的对应时刻)的井组状态特征和井组历史时序状态特征。上述状态特征可以包括油温和气压等。由于相比于瞬时状态，一个持续时间内的整体状态更能反映井组的真实状况，因此在基于时刻的状态数据之外，还应该包括历史时序状态特征，例如该调节操作进行前的一段时间(例如，30分钟)的井口状态，例如，平均值。

在本发明的一个实施例众，所述获取关于多个井组的历史数据集包括：获取对应各个井组的不同时刻下的井组调节操作和井组状态数据以及获取相应的井组长期指标。

随后，在步骤s120，对历史数据集进行特征提取处理以得到训练样本特征集和标签数据。在一个实施例中，上述数据包括基于井组调节操作和井组状态数据的训练样本特征集以及基于井组长期指标的对应标签数据。由于需要从历史数据中习得对长期变化趋势的预测能力，因此优选以时序构造各个井组的训练样本。于是，步骤s120可以包括以对应各个井组的不同时刻下的井组调节操作、井组状态数据和井组长期目标来构造训练样本和对应标签数据。例如，可以针对井组a构造一批时序训练样本，针对井组b构造一批时序训练样本，并以此类推。由此，方便后续模型在后续训练阶段，逐井组地学习数据间的变化趋势，从而实现对长期指标的预测。

在步骤s130，基于所述训练样本特征集以及对应标签数据，采用预设的机器学习算法进行训练，得到经训练的油气井组长期指标预测模型。在此，可以采用任意合适的机器学习算法进行训练。在一个实施例中，可以使用dnn(深度学习网络)进行训练，以便基于多层网络的特征传递，更准确地把握数据间的关联性。

由此，本发明经由步骤s110～s130及其优选实施例，实现了对预测模型的训练。在一个实施例中，还可以对上述训练完成的预测模型进行更新。此时，上述训练可以看作是针对预测模型的初训。在本发明中，优选采用强化学习技术来对经初训的预测模型进行更新。通过不断的学习，预测模型的使用效果不会随时间推移而降低，反而会取得更为优化的预测结果。

为此，本发明的训练方法还可以包括至少基于针对模型更新井组的井组调节操作及获取的相应井组指标数据，对所述经训练的油气井组长期指标预测模型进行更新。“模型更新井组”在此可以指代用于产生更新预测模型的训练数据的井组，其一般可以是实际作业中的井组。上述真实井组可以在经初训的预测模型指导下进行操作调节，获取到的对应数据可以反过来用于预测模型的更新。

在一个优选实施例中，可以以短期和长期指标的结合作为学习目标，利用强化学习技术更新预测模型，使得在预测模型在后续用于调节时，每一次的调节都能综合考虑短期和长期指标，更加符合生产需求。如前所述，长期指标是反映井组相对较长的时期(例如，半年)内采收状况的指标参数，例如井组长期采收率和/或井组累计油汽比。短期指标则是在操作调节后相对较短时间(例如，半小时)内井组的指标状况，包括但不限于：井组异常情况；出油效率；注汽成本；短期采收率；及短期油汽比。

具体地，模型更新操作可以包括：对所述模型更新井组执行井组调节操作；获取与所述井组调节操作对应的所述模型更新井组的井组状态数据和井组短期指标；以所述模型更新井组的井组状态数据(执行井组调节操作时的状态)和所述井组调节操作构成预测样本，并使用所述油气井组长期指标预测模型预测与所述井组调节操作对应的所述模型更新井组的井组长期指标；以及基于所述井组调节操作和对应的井组状态数据得到样本特征，融合获取的井组短期指标和预测的井组长期指标作为对应的标签数据，得到更新所述经训练的油气井组长期指标预测模型用的训练数据。

可以基于任何合适的方法对长期和短期指标进行融合。在一个实施例中，可以将模型预测的长期指标经过一定折损后(例如，乘以一个小于1的权重)与短期指标相加。指标融合后的结果可以作为模型训练的目标(即作为标签)，并将相应的调节操作以及井组状态数据值作为模型输入，更新模型参数，完成一次闭环学习过程。如此不断重复，使得预测模型通过强化学习，自行习得更为贴近能够优化长短期指标两者的模型参数。

在实际的操作中，优选使用能够对未来一段时间的指标产生最佳影响的操作调节。由此，能够在提升模型更新效率的同时，优化模型更新井组本身的采收率和/或成本与时间效率。上述最优操作调节的选取可以通过预测模型实现。在一个实施例中，对模型更新井组执行井组调节操作可以包括：获取模型更新井组的当前井组状态数据，以及获取针对模型更新井组的井组调节操作集合；基于经训练的油气井组长期指标预测模型，预测与所述井组调节操作集合中的每个井组调节操作对应的长期指标；以及从井组调节操作集合中选取对应的长期指标最优的一个井组调节操作在所述模型更新井组上执行。

在本发明的一个实施例中，所述获取针对模型更新井组的井组调节操作集合包括：获取针对当前的模型更新井组的全部可能的井组调节操作，得到井组调节操作集合。也可以根据经验获取针对当前的模型更新井组的部分可能的井组调节操作，得到井组调节操作集合。

图2示出了预测模型训练和更新的一个例子。

如图2左侧所示，首先获取各个井组历史人工调节的相关数据和调节对应的相关瞬时或短期状态(例如，采收率和累计油汽比、温度和气压等)，然后基于上述状态(或其一部分)计算各个时间段的长期指标。例如，长期采收率和累计油汽比可以通过累加短期状态得到。

每个井组在每个时间点都可以看作是一个训练样本。在此，合理选择获取训练样本的时间频率，提取操作维度和指标维度的特征，各个时间点的长期指标作为模型训练目标，即预测井组在某个时间点做了某个操作后的长期采收率和累计油气比。

预测模型(例如，强化学习模型)可以根据历史每次调节后产生的指标效果来学习这样的操作是否是当时状况下的优化选择，吸收好的经验并且避免出现人工调节犯过的错误。这是一个初始化学习的过程。由此，该模型完成初训并具备了一定的调节能力。

参考图右侧所示，经初训的该模型于是可被应用到各个更新井组，预测各个井组在什么样的调节操作下可以得到最优的采收率和累计油气比，并由此分别作出调节。随后，计算出调节后的短期指标，并经由模型预测该操作会得到的长期指标，将两者通过一定的方式融合后反馈给模型，例如，将模型预测结果经过一些折损后(乘以一个小于1的权重)与短期指标相加。指标融合后的结果作为模型训练的目标，当前状态的数据(调节操作以及当前/历史井组状态)作为模型输入，更新模型参数，完成一次闭环学习过程，如此不断重复。

如上结合图1和图2描述了本发明的模型训练及优选的更新方法。训练上述模型的目的在于使用模型指导真实的油气开采活动。为此，本发明还包括一种确定油气井组调节的方法。图3示出了根据本发明一个实施例的油气井组调节操作确定方法。上述方法是针对指定的实际井组做出的。

在步骤s310，获取井组的井组状态数据，将该井组的井组状态数据分别与针对该井组的井组调节操作集合中的每个井组调节操作结合，得到多个预测样本。在步骤s320，对多个预测样本进行特征提取处理，得到多个预测样本特征。在步骤s330，将多个预测样本特征分别输入油气井组长期指标预测模型进行预测，得到对应的多个井组长期指标。在步骤s340，从针对该井组的井组调节操作集合中选取对应长期指标最优的一个井组调节操作。在一个优选实施例中，该方法还可以包括在该指定井组上执行所选取的井组调节操作。

基于本发明上述训练和/或更新方法得到的油气井组长期指标预测模型可用于实际井组调节操作的确定。进一步地，上述真实调节操作及其导致的对应状态和指标数据也可作为预测模型本身更新(强化学习)的一部分。例如，同样可以将其看作是图2所示右侧闭环学习的一部分。

为此，该井组调节确定方法还可以包括：获取所述指定井组在所执行的井组调节操作下的短期指标；以所述指定井组的井组状态数据和所执行的井组调节操作构成预测样本数据，并使用所述油气井组长期指标预测模型预测与所执行的井组调节操作对应的所述指定井组的井组长期指标；基于所执行的井组调节操作和对应的井组状态数据得到样本特征，融合获取的井组短期指标和预测的井组长期指标作为对应的标签数据，得到更新所述油气井组长期指标预测模型用的训练数据；汇总预设时间内新增的更新所述油气井组长期指标预测模型用的训练数据作为模型更新训练数据集；至少基于所述模型更新训练数据集，更新所述油气井组长期指标预测模型。

类似地，上述短期指标可以包括如下的至少一项：井组异常情况；出油效率；注汽成本；短期采收率；及短期油汽比。井组长期指标则可包括：井组长期采收率和/或井组累计油汽比。

至此，已经结合附图1-3详细说明了本发明的模型训练、预测以及更新的方法。本发明如上所述的方法均可以由其相应的装置实现。

图4示出了根据本发明一个实施例的训练油气井组长期指标预测模型装置(如下简称训练装置400)的示意性框图。图5示出了根据本发明一个实施例的油气井组调节操作确定装置(如下简称确定装置500)的示意性框图。其中，装置的功能模块可以由实现本发明原理的硬件、软件或硬件和软件的结合来实现。本领域技术人员可以理解的是，图4或图5所描述的功能模块可以组合起来或者划分成子模块，从而实现上述发明的原理。因此，本文的描述可以支持对本文描述的功能模块的任何可能的组合、或者划分、或者更进一步的限定。

图4所示的训练装置400可以用来实现图1所示的训练方法，图5所示的确定装置500可以用来实现图3所示的。下面仅就训练装置400以及确定装置500可以具有的功能模块以及各功能模块可以执行的操作做简要说明，对于其中涉及的细节部分可以参见上文结合图1或3的描述，这里不再赘述。

如图4所示，训练装置400可以包括数据获取单元410、特征提取单元420和模型训练单元430。

数据获取单元410可以获取关于多个井组的历史数据集，该历史数据集中的每条历史数据包括：井组调节操作、执行该井组调节操作时的井组状态数据和执行该井组操作后的井组长期指标。特征提取单元420可以对所述历史数据集进行特征提取处理以得到基于井组调节操作和井组状态数据的训练样本特征集以及基于井组长期指标的对应标签数据。模型训练单元430可以基于所述训练样本特征集以及对应标签数据，采用预设的机器学习算法进行训练，得到经训练的油气井组长期指标预测模型。预设的机器学习算法例如可以是深度神经网络(dnn)算法。

在一个优选示例中，该训练装置还可以包括模型更新单元(图中未示出)。模型更新单元可以至少基于针对模型更新井组的井组调节操作及获取的相应井组指标数据，对所述经训练的油气井组长期指标预测模型进行更新。

具体地，模型更新单元可以包括：井组调节操作执行单元、第一数据获取子单元、第一预测子单元和数据融合单元(图中未示出)。

井组调节操作执行单元可以对所述模型更新井组执行井组调节操作。第一数据获取子单元可以获取与所述井组调节操作对应的所述模型更新井组的井组状态数据和井组短期指标。第一预测子单元可以以所述模型更新井组的井组状态数据和所述井组调节操作构成预测样本，并使用所述油气井组长期指标预测模型预测与所述井组调节操作对应的所述模型更新井组的井组长期指标。数据融合单元可以基于所述井组调节操作和对应的井组状态数据得到样本特征，融合获取的井组短期指标和预测的井组长期指标作为对应的标签数据，得到更新所述经训练的油气井组长期指标预测模型用的训练数据。

在一个实施例中，所述井组调节操作执行单元可以包括第二数据获取子单元、第二预测子单元和最优井组调节操作选取单元(图中未示出)。

第二数据获取子单元可以获取模型更新井组的当前井组状态数据，以及获取针对模型更新井组的井组调节操作集合。第二预测子单元可以基于所述经训练的油气井组长期指标预测模型，预测与所述井组调节操作集合中的每个井组调节操作对应的长期指标。最优井组调节操作选取单元，从所述井组调节操作集合中选取对应的长期指标最优的一个井组调节操作在所述模型更新井组上执行。

在一个优选示例中，所述数据获取单元410用于获取对应各个井组的不同时刻下的井组调节操作和井组状态数据以及获取相应的井组长期指标。

所述短期指标可以包括如下的至少一项：井组异常情况；出油效率；注汽成本；短期采收率；及短期油汽比。所述井组状态数据可以包括基于时刻的井组状态特征和井组历史时序状态特征。

所述井组调节操作可以包括如下至少一项：井组注汽速度调节操作；井组注汽干度调节操作；井组注汽温度调节操作；井组采注比调节操作。优选地，所述井组长期指标包括：井组长期采收率和/或井组累计油汽比。

应该理解的是，上述更新和操作执行中涉及的第一和第二子单元(例如，第一数据获取子单元，第二数据获取子单元)可以是分开的单元，也可以是与模型训练中的对应单元相同的单元，例如，用于模型训练的数据获取单元也可用于模型更新和井组实操中的数据获取。相应地，更新和实操中可以采用相同的预测单元进行模型预测。

如图5所示，本发明的确定装置500可以包括预测样本获取单元510、特征提取单元520、预测单元530和最优调节操作选取单元540。

预测样本获取单元510可以针对指定井组，获取该井组的井组状态数据，将该井组的井组状态数据分别与针对该井组的井组调节操作集合中的每个井组调节操作结合，得到多个预测样本。特征提取单元520可以对所述多个预测样本进行特征提取处理，得到多个预测样本特征。预测单元530可以将所述多个预测样本特征分别输入油气井组长期指标预测模型进行预测，得到对应的多个井组长期指标。最优调节操作选取单元540可以从针对该井组的井组调节操作集合中选取对应长期指标最优的一个井组调节操作。

在一个实施例中，该确定装置500可以进一步包括：井组调节操作执行单元(图中未示出)。井组调节操作执行单元可以在所述指定井组上执行所选取的井组调节操作。

所述油气井组长期指标预测模型是根据如上任一项方法所得到的。

在一个优选实施例中，该装置还可以包括第三数据获取子单元、第三预测子单元、数据融合单元、数据汇总单元和模型更新单元(图中未示出)。

第三数据获取子单元可以获取所述指定井组在所执行的井组调节操作下的短期指标。第三预测子单元可以以所述指定井组的井组状态数据和所执行的井组调节操作构成预测样本数据，并使用所述油气井组长期指标预测模型预测与所执行的井组调节操作对应的所述指定井组的井组长期指标。数据融合单元可以基于所执行的井组调节操作和对应的井组状态数据得到样本特征，融合获取的井组短期指标和预测的井组长期指标作为对应的标签数据，得到更新所述油气井组长期指标预测模型用的训练数据。数据汇总单元可以汇总预设时间内新增的更新所述油气井组长期指标预测模型用的训练数据作为模型更新训练数据集。模型更新单元可以至少基于所述模型更新训练数据集，更新所述油气井组长期指标预测模型。

所述短期指标可以包括如下的至少一项：井组异常情况；出油效率；注汽成本；短期采收率；及短期油汽比，所述井组长期指标则可包括：井组长期采收率和/或井组累计油汽比。

在一个实施例中，图5所示的确定装置可以与图4所示的训练装置相结合，以构成一种油气井组操作调节确定系统。图6示出了根据本发明的油气井组操作调节确定系统的一个例子。如图6所示，系统600可以包括数据获取单元610、特征提取单元620、模型训练单元630、预测单元640以及最优调节操作选取单元650。该系统600利用来自各个井组的历史数据训练长期指标预测模型，并通过使用该预测模型进行的预测，获取针对实际井组的优化操作调节，以提升井组的开采效率并实现成本优化。进一步地，该系统600可以基于上述优化调节所引起的井组状态和长短期指标变化，进一步对预测模型加以更新，从而实现闭环学习过程。

具体地，在模型训练阶段：数据获取单元610可以用于获取关于多个井组的历史数据集，该历史数据集中的每条历史数据包括：井组调节操作、执行该井组调节操作时的井组状态数据和执行该井组操作后的井组长期指标。特征提取单元620可以用于对所述历史数据集进行特征提取处理以得到基于井组调节操作和井组状态数据的训练样本特征集以及基于井组长期指标的对应标签数据。模型训练单元630则可基于所述训练样本特征集以及对应标签数据，采用预设的机器学习算法进行训练，得到经训练的油气井组长期指标预测模型。由此，系统得到经训练的预测模型。

随后，在模型预测阶段：数据获取单元610可以用于针对指定井组，获取该井组的井组状态数据，将该井组的井组状态数据分别与针对该井组的井组调节操作集合中的每个井组调节操作结合，得到多个预测样本；特征提取单元620可以用于对所述多个预测样本进行特征提取处理，得到多个预测样本特征；预测单元640可以用于将所述多个预测样本特征分别输入油气井组长期指标预测模型进行预测，得到对应的多个井组长期指标；并且最优调节操作选取单元650从针对该井组的井组调节操作集合中选取对应长期指标最优的一个井组调节操作。

进一步地，油气井组调节操作确定系统600还可以基于预测进行的实际调节操作进行模型更新。于是，在模型更新阶段：数据获取单元610可以用于获取所述指定井组在所执行的井组调节操作下的短期指标；特征提取单元620可以用于以所述指定井组的井组状态数据和所执行的井组调节操作构成预测样本数据，并使用所述油气井组长期指标预测模型预测与所执行的井组调节操作对应的所述指定井组的井组长期指标；基于所执行的井组调节操作和对应的井组状态数据得到样本特征，融合获取的井组短期指标和预测的井组长期指标作为对应的标签数据，得到更新所述油气井组长期指标预测模型用的训练数据；汇总预设时间内新增的更新所述油气井组长期指标预测模型用的训练数据作为模型更新训练数据集；模型训练单元630至少基于所述模型更新训练数据集，更新所述油气井组长期指标预测模型。

在一个实施例中，在诸如训练得到的预测模型在线上部署并基于模型预测服务api进行线上实时样本数据获取与预测和操作调节的集中式管理或是其他涉及预测数据汇总的情况。

图7示出了根据本发明一实施例的计算设备的结构示意图。

参见图7，计算设备700包括存储器710和处理器720。

处理器720可以是一个多核的处理器，也可以包含多个处理器。在一些实施例中，处理器720可以包含一个通用的主处理器以及一个或多个特殊的协处理器，例如图形处理器(gpu)、数字信号处理器(dsp)等等。在一些实施例中，处理器720可以使用定制的电路实现，例如特定用途集成电路(asic，applicationspecificintegratedcircuit)或者现场可编程逻辑门阵列(fpga，fieldprogrammablegatearrays)。

存储器710可以包括各种类型的存储单元，例如系统内存、只读存储器(rom)，和永久存储装置。其中，rom可以存储处理器720或者计算机的其他模块需要的静态数据或者指令。永久存储装置可以是可读写的存储装置。永久存储装置可以是即使计算机断电后也不会失去存储的指令和数据的非易失性存储设备。在一些实施方式中，永久性存储装置采用大容量存储装置(例如磁或光盘、闪存)作为永久存储装置。另外一些实施方式中，永久性存储装置可以是可移除的存储设备(例如软盘、光驱)。系统内存可以是可读写存储设备或者易失性可读写存储设备，例如动态随机访问内存。系统内存可以存储一些或者所有处理器在运行时需要的指令和数据。此外，存储器710可以包括任意计算机可读存储媒介的组合，包括各种类型的半导体存储芯片(dram，sram，sdram，闪存，可编程只读存储器)，磁盘和/或光盘也可以采用。在一些实施方式中，存储器710可以包括可读和/或写的可移除的存储设备，例如激光唱片(cd)、只读数字多功能光盘(例如dvd-rom，双层dvd-rom)、只读蓝光光盘、超密度光盘、闪存卡(例如sd卡、minsd卡、micro-sd卡等等)、磁性软盘等等。计算机可读存储媒介不包含载波和通过无线或有线传输的瞬间电子信号。

存储器710上存储有可执行代码，当可执行代码被处理器720处理时，可以使处理器720执行上文述及的方法。

上文中已经参考附图详细描述了根据本发明的用于指标预测模型训练及井组调节操作确定的方法和装置。

此外，根据本发明的方法还可以实现为一种计算机程序或计算机程序产品，该计算机程序或计算机程序产品包括用于执行本发明的上述方法中限定的上述各步骤的计算机程序代码指令。

或者，本发明还可以实施为一种非暂时性机器可读存储介质(或计算机可读存储介质、或机器可读存储介质)，其上存储有可执行代码(或计算机程序、或计算机指令代码)，当所述可执行代码(或计算机程序、或计算机指令代码)被电子设备(或计算设备、服务器等)的处理器执行时，使所述处理器执行根据本发明的上述方法的各个步骤。

本领域技术人员还将明白的是，结合这里的公开所描述的各种示例性逻辑块、模块、电路和算法步骤可以被实现为电子硬件、计算机软件或两者的组合。

附图中的流程图和框图显示了根据本发明的多个实施例的系统和方法的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分，所述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标记的功能也可以以不同于附图中所标记的顺序发生。例如，两个连续的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。

以上已经描述了本发明的各实施例，上述说明是示例性的，并非穷尽性的，并且也不限于所披露的各实施例。在不偏离所说明的各实施例的范围和精神的情况下，对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。本文中所用术语的选择，旨在最优地解释各实施例的原理、实际应用或对市场中的技术的改进，或者使本技术领域的其它普通技术人员能理解本文披露的各实施例。