基于条件生成式对抗网络的油气藏产量预测方法及装置

1.本发明涉及油气藏开发技术领域，具体而言，涉及一种基于条件生成式对抗网络的油气藏产量预测方法及装置。


背景技术：

2.在油气藏的开发过程中，由于地层的强非均质性，流体渗流规律变得极其复杂，使得产量受多种因素的控制，而这些因素内部之间也存在着一定的联系，种种原因导致该类油气藏的产量无法用公式进行定量计算，预测难度大，传统的产能预测方法预测精度低，严重制约了油气藏的高效开发。
3.近年来，随着人工智能在科学和工程领域的广泛应用，且具有数据广、数据量大、多样性、真实可靠性等特点，大数据和机器学习己经成为石油和天然气工业的热点。大数据和机器学习已在地质特征预测、岩性判断、油气井产量主控因素、油气井产量预测分析取得了显著的成果。目前，应用在石油方面的机器学习方法主要有支持向量机、全连接神经网络(fcnn)、卷积神经网络(cnn)、长短期记忆神经网络(lstm)、随机森林(rf)等算法。其中，神经网络算法应用得最为频繁。
4.现今基于机器学习的油气藏产量预测模型，虽能考虑多种影响因素和非线性关系，但是只能对已经有生产历史的老井进行产量预测，不能对新井，即从来没有生产过的井，进行全生命周期的产量预测，使用范围很有限。
5.因此，现有技术缺少一种能够对新井进行全生命周期的产量预测的方法。


技术实现要素：

6.本发明为了解决上述背景技术中的技术问题，提出了一种基于条件生成式对抗网络的油气藏产量预测方法及装置。
7.为了实现上述目的，根据本发明的一个方面，提供了一种基于条件生成式对抗网络的油气藏产量预测方法，该方法包括：
8.获取目标新井的生命周期中每个月各自对应的生产参数，其中，所述目标新井的生命周期为t个月；
9.将所述目标新井的生命周期中每个月各自对应的生产参数输入到预先训练出的生成器中，得到所述生成器输出的所述目标新井的生命周期中每个月各自对应的产量预测值，其中，所述预先训练出的生成器为采用训练样本进行多次迭代训练得到的，训练样本包括已投产油气井历史上t个月中每个月各自对应的生产参数及产量。
10.可选的，该基于条件生成式对抗网络的油气藏产量预测方法，还包括：
11.获取训练样本，其中，所述训练样本为已投产油气井的历史生产数据，所述训练样本由第一数据和第二数据组成，所述第一数据包括所述已投产油气井历史上t个月中每个月各自对应的生产参数，所述第二数据包括所述已投产油气井历史上t个月中每个月各自对应的产量；
12.根据所述训练样本进行多次迭代训练，得到所述预先训练出的生成器，其中，在每一次迭代训练中，先对判别器的网络权重进行训练，然后在由判别器和生成器组成的组合模型中对生成器的网络权重进行训练。
13.可选的，生成器的输入为t个月中每个月各自对应的生产参数，生成器的输出为产量预测数据，产量预测数据为t个月中每个月各自对应的产量预测值；判别器的输入为由t个月中每个月各自对应的生产参数与产量预测数据组合而成的组合数据，判别器的输出为组合数据为真实数据的概率。
14.可选的，所述对判别器的网络权重进行训练，具体包括：
15.将所述第一数据和生成器根据所述第一数据输出的产量预测数据进行组合，得到组合数据，并将该组合数据的标签设置为0，其中，生成器根据所述第一数据输出的产量预测数据包括所述已投产油气井历史上t个月中每个月各自对应的产量预测值；
16.将所述训练样本的标签设置为1；
17.将设置完标签后的组合数据以及设置完标签后的所述训练样本输入到判别器中，对判别器的网络权重进行训练。
18.可选的，所述在由判别器和生成器组成的组合模型中对生成器的网络权重进行训练，具体包括：
19.将所述第一数据输入到生成器中，得到生成器输出的产量预测数据，其中，生成器根据所述第一数据输出的产量预测数据包括所述已投产油气井历史上t个月中每个月各自对应的产量预测值；
20.将所述第一数据和生成器根据所述第一数据输出的产量预测数据进行组合，得到组合数据，并将该组合数据的标签设置为1；
21.将设置完标签后的组合数据输入到判别器中，得到判别器输出的该组合数据为真实数据的概率。
22.可选的，所述生产参数包括：注水量、渗透率、孔隙度、油藏含油饱和度以及油藏厚度。
23.为了实现上述目的，根据本发明的另一方面，提供了一种基于条件生成式对抗网络的油气藏产量预测装置，该装置包括：
24.新井数据获取模块，用于获取目标新井的生命周期中每个月各自对应的生产参数，其中，所述目标新井的生命周期为t个月；
25.新井全周期产量预测模块，用于将所述目标新井的生命周期中每个月各自对应的生产参数输入到预先训练出的生成器中，得到所述生成器输出的所述目标新井的生命周期中每个月各自对应的产量预测值，其中，所述预先训练出的生成器为采用训练样本进行多次迭代训练得到的，训练样本包括已投产油气井历史上t个月中每个月各自对应的生产参数及产量。
26.可选的，该基于条件生成式对抗网络的油气藏产量预测装置，还包括：
27.训练样本获取模块，用于获取训练样本，其中，所述训练样本为已投产油气井的历史生产数据，所述训练样本由第一数据和第二数据组成，所述第一数据包括所述已投产油气井历史上t个月中每个月各自对应的生产参数，所述第二数据包括所述已投产油气井历史上t个月中每个月各自对应的产量；
28.训练模块，用于根据所述训练样本进行多次迭代训练，得到所述预先训练出的生成器，其中，在每一次迭代训练中，所述训练模块先对判别器的网络权重进行训练，然后在由判别器和生成器组成的组合模型中对生成器的网络权重进行训练。
29.为了实现上述目的，根据本发明的另一方面，还提供了一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述基于条件生成式对抗网络的油气藏产量预测方法中的步骤。
30.为了实现上述目的，根据本发明的另一方面，还提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序在计算机处理器中执行时实现上述基于条件生成式对抗网络的油气藏产量预测方法中的步骤。
31.本发明的有益效果为：本发明将条件生成式对抗网络与油气藏产量预测相结合，训练出条件生成式对抗网络的生成器作为产量预测模型，能够实现对新井全生命周期的产量进行预测。
附图说明
32.为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。在附图中：
33.图1是本发明实施例基于条件生成式对抗网络的油气藏产量预测方法的流程图；
34.图2是本发明实施例训练整体流程图；
35.图3是本发明实施例判别器的训练流程图；
36.图4是本发明实施例生成器的训练流程图；
37.图5是本发明实施例组合模型示意图；
38.图6是本发明实施例训练样本示意图；
39.图7是本发明实施例基于条件生成式对抗网络的油气藏产量预测装置的第一结构框图；
40.图8是本发明实施例基于条件生成式对抗网络的油气藏产量预测装置的第二结构框图；
41.图9是本发明实施例计算机设备示意图。
具体实施方式
42.为了使本技术领域的人员更好地理解本发明方案，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分的实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本发明保护的范围。
43.本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机
可用存储介质(包括但不限于磁盘存储器、cd
‑
rom、光学存储器等)上实施的计算机程序产品的形式。
44.需要说明的是，本发明的说明书和权利要求书及上述附图中的术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
45.需要说明的是，在不冲突的情况下，本发明中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本发明。
46.生成式对抗网络(generative adversarial networks，gans)是蒙特利尔大学的goodfellow ian于2014年提出的一种生成模型，之后引起了业内人士的广泛关注与研究。生成式对抗网络是一种深度学习模型，是近年来复杂分布上无监督学习最具前景的方法之一。模型通过框架中(至少)两个模块：生成模型(又称生成器)和判别模型(又称判别器)的互相博弈学习产生相当好的输出。
47.生成式对抗网络是一种无监督机器学习方法，这使得该方法一般应用在数据增强上，即当提供给机器学习的训练样本上很少时，可以采用生成式对抗网络，生成一些数据样本，以供机器进行学习。由于生成式对抗网络诞生得较晚，其近几年才开始被少数石油工作者用来进行数据增强，但是，使用该方法生成的数据，其效果，各个研究者褒贬不一。
48.最原始的生成式对抗网络，只要输入一个随机的向量，然后得到一个产生的对象，但是我们无法控制产生什么样的对象。于是研究人员提出了条件生成式对抗网络理论，对原始的gan附加了约束，在生成模型和判别模型中引入了条件变量y(conditional variable y)，为模型引入了额外的信息，可指导性的生成数据。理论上y可以使有意义的各种信息，比如类标签，可以将gan这种无监督学习的方法变成有监督的。
49.条件生成式对抗网络的出现，让生成式对抗网络从无监督学习变成了有监督学习，意味着该方法可以用在石油方面的参数预测上，在石油方面的应用前景很大。但是，据目前的文献调研发现，该方法暂时还没有与石油行业相结合。因此，本发明提出将条件生成式对抗网络机器学习方法应用到油气藏产量预测上，以提高产量预测精度，并拓展条件生成式对抗网络的应用领域。
50.图1是本发明实施例基于条件生成式对抗网络的油气藏产量预测方法的流程图，如图1所示，在本发明一个实施例中，本发明的基于条件生成式对抗网络的油气藏产量预测方法包括步骤s101和步骤s102。
51.步骤s101，获取目标新井的生命周期中每个月各自对应的生产参数，其中，所述目标新井的生命周期为t个月。
52.在本发明实施例中，生命周期为从开井生产到废弃(不生产)的时间。在本发明一个可选实施例中，为方便描述，这里将目标新井的生命周期设为24个月，即t＝24，即从开井生产算，生产24个月结束，不再生产，这24个月就是该新井的全生命周期，每个时间点对应这着一个产量，即该时间点，油井的产量。为方便描述，这里以月为时间点，则共有24个时间点，每个月内油井的产出量，即为预测目标。而每个月的产出量受到当月的生产参数影响。
53.在本发明一个实施例中，所述生产参数包括：注水量、渗透率、孔隙度、油藏含油饱和度以及油藏厚度。其中，注水量可能每个月会发生改变，而渗透率、孔隙度、油藏含油饱和
度以及油藏厚度是地质变量，是不随时间改变的。
54.在本发明另一个实施例中，所述生产参数还可以包括：有无压裂、压裂液类型、压裂级数以及完井类型等。
55.步骤s102，将所述目标新井的生命周期中每个月各自对应的生产参数输入到预先训练出的生成器中，得到所述生成器输出的所述目标新井的生命周期中每个月各自对应的产量预测值，其中，所述预先训练出的生成器为采用训练样本进行多次迭代训练得到的，训练样本包括已投产油气井历史上t个月中每个月各自对应的生产参数及产量。
56.在本发明一个实施例中，已投产油气井历史上t个月的数据具体指的是，已投产油气井从投产第一个月至第t个月的数据，即该t个月的数据为从投产第一个月开始连续的t个月的数据。在本发明实施例中，所述已投产油气井为多个，每个已投产油气井对应一个训练样本。
57.本发明将条件生成式对抗网络与油气藏产量预测相结合，训练出条件生成式对抗网络的生成器作为产量预测模型，能够实现对新井全生命周期的产量进行预测。下面将对生成器的训练过程进行详细介绍。
58.图2是本发明实施例训练整体流程图，如图2所示，在本发明一个实施例中，上述步骤s102中的预先训练出的生成器的训练流程具体包括步骤s201和步骤s202。
59.步骤s201，获取训练样本，其中，所述训练样本为已投产油气井的历史生产数据，所述训练样本由第一数据和第二数据组成，所述第一数据包括所述已投产油气井历史上t个月中每个月各自对应的生产参数，所述第二数据包括所述已投产油气井历史上t个月中每个月各自对应的产量。
60.在本发明实施例中，本发明收集与所述目标新井生产条件类似(如井网条件相同)的多个油气井的全生命周期的历史生产数据，筛选出生命周期大于t的油气井，为方便描述，这里将筛选出的油气井数量记为m，然后将这m口井的t个月内的历史生产数据，以油井为基本单位，构建出m个数据样本，将m数据样本按照一定比例划分成训练样本集、验证样本集和测试样本集三个样本集。
61.步骤s202，根据所述训练样本进行多次迭代训练，得到所述预先训练出的生成器，其中，在每一次迭代训练中，先对判别器的网络权重进行训练，然后在由判别器和生成器组成的组合模型中对生成器的网络权重进行训练。
62.在本发明实施例中，本发明的每次迭代训练分为两步。首先，单独对判别器的网络权重进行训练。然后，在由判别器和生成器组成的组合模型中对生成器的网络权重进行训练，所述组合模型可以如图5所示。在所述组合模型中，判别器的网络的权重不发生变化，生成器的网络权重则会随着训练而发生变化。
63.具体的，对判别器的网络权重进行训练的流程可见图3所示的实施例，在由判别器和生成器组成的组合模型中对生成器的网络权重进行训练的流程可见图4所示的实施例。
64.在本发明实施例中，在所述组合模型中，生成器的输入为t个月中每个月各自对应的生产参数，生成器的输出为产量预测数据，产量预测数据为t个月中每个月各自对应的产量预测值。
65.在本发明实施例中，本发明可以利用lstm和fcnn搭建复合网络的生成器模型。具体的，在搭建生成器时，首先使用lstm来对条件，即t个月中每个月各自对应的生产参数(以
时间序列的形式)进行预处理，然后，将预处理后的数据与生成器生成的随机噪声数据连接起来，并与全连接层相连接，最后，设置多个全连接层，而全连接层的最后一层的神经元个数为油气井设置的生命周期t，输出t个月中每个月各自对应的产量预测值(以时间序列的形式)。
66.在本发明实施例中，在所述组合模型中，判别器的输入为由t个月中每个月各自对应的生产参数与产量预测数据组合而成的组合数据，判别器的输出为组合数据为真实数据的概率。
67.在本发明一个实施例中，本发明利用lstm和fcnn搭建复合网络的判别器模型，输出对组合数据的判别结果，如果输出的概率>0.5，这说明组合数据的标签为1，属于真实数据，反之，则为假数据，即是生成器生成的数据。在搭建判别器时，首先使用lstm来对条件，即t个月中每个月各自对应的生产参数(以时间序列的形式)进行预处理，然后，将预处理后的数据与产量预测数据(以时间序列的形式)连接起来，并与全连接层相连接，最后，设置多个全连接层，而全连接层的最后一层的神经元个数为1，输出当前组合数据是真实数据的概率，如果输出的概率>0.5，这说明当前组合数据的标签为1，属于真实数据，反之，则为假数据，即是生成器生成的数据。
68.在本发明一个实施例中，本发明在进行n次迭代训练之后，停止训练，选取在n次迭代训练过程中对验证样本集中各验证样本的预测平均绝对百分比误差最小的生成器，作为产量预测模型，作为步骤s102中的预先训练出的生成器。在本发明一个可选实施例中，n可以为1000。
69.在本发明另一个实施例中，本发明根据训练样本进行多次迭代训练，直至生成器预测误差小于预设值时停止进行迭代训练，将此时的生成器保存下来，作为产量预测模型，作为步骤s102中的预先训练出的生成器。
70.在本发明一个实施例中，本发明收集与所述目标新井生产条件类似(如井网条件相同)的多个已投产油气的全生命周期的历史生产数据，筛选出生命周期大于t的油气井，为方便描述，这里将筛选出的油气井数量记为m，然后将这m口井的t个月内的历史生产数据，以油井为基本单位，按照一定的比例划分为训练样本集、验证样本集和测试样本集。
71.在本发明一个实施例中，由于油田真实数据较难收集，且油田的数据大都存在保密协议，所以本实施例将以油藏数值模拟软件为基础，构建产量预测所需的训练样本。本实施例结合油田现场实际开发状况，采用五点法井网，建立了四注(i1，i2，i3，i4)一采(p1)的非均质油藏模型注采系统。其中，建立的油藏模型的有效厚度为40m，网格长度及宽度均为100m，共20
×
20
×
5＝2000个网格，并且将整个油藏平均分为了4个区域，区域之间的渗透率、孔隙度各不相同，区域之内的渗透率、孔隙度保持一致，纵向渗透率均为横向渗透率的0.3倍，以此来模拟真实油藏的非均质性。
72.构建训练样本的具体操作步骤如下：
73.1：结合油田现场实际注水状况，通过eclipse软件，建立起了四注一采的五点法井网，定生产井的井底流压为10bar，即生产时井底流压保持不变，并将生产时间设置为两年；
74.2：设置4口注水井的注水量、4个区域的渗透率以及4个区域的孔隙度(由于计算操作繁琐，这里暂时让油藏厚度与含油饱和度保持不变)，模拟生产2年，得到2年内油井的产油量数据，根据这4口注水井和一口生产井2年的注采数据形成1个样本数据；
75.3：重复步骤2，在井网条件不变的情况下，通过混合正交设计改变4口注水井的注水量、4个区域的渗透率以及4个区域的孔隙度，从而得到多组样本数据。
76.其中，每组样本数据主要包含2年内4口注水井的月注水量、4个区域的渗透率、4个区域的孔隙度、油藏含油饱和度、油藏厚度、生产井的每个月的月产油量以及对应的生产时间。
77.如图6所示，即为120组样本中的一组，变量1为生产时间，变量2
‑
5位该井网条件下油井周围4口注水井对应的每个月的注水量，生产变量1
‑
5是随时间发生变化的；变量6
‑
15是地质变量，在建立模型时设置，是不随时间改变的；预测变量为每个月份油井的产量。一共有15个自变量(x)，1个预测目标(y)。
78.根据上述方法，本实施例进行了120次数值模拟，一共得到了120组样本数据，每组样本具有24个数据点，共有2880个数据点。其中，每个数据点对应有16个特征，15个自变量特征，1个预测变量特征。
79.本发明进而以油井为基本单位，将所有样本数据按照6:2:2的比例划分为训练样本集、验证样本集和测试样本集，则训练样本集中有72组油井的数据(即训练样本)，验证样本集中有24组油井的数据(即验证样本)，测试样本集中有24组油井的数据(即测试样本)。
80.在本发明一个实施例中，本发明在根据所述训练样本进行多次迭代训练之前，还对训练样本集中每个训练样本的数据进行最大最小归一化处理，并利用训练样本集中每个训练样本的数据的最大值和最小值对验证样本集中每个验证样本以及测试样本集中每个测试样本的数据进行处理。
81.在本发明一个实施例中，最大最小归一化公式如下：
[0082][0083]
图3是本发明实施例判别器的训练流程图，如图3所示，在本发明一个实施例中，上述步骤s202中的对判别器的网络权重进行训练，具体包括步骤s301至步骤s303。
[0084]
步骤s301，将所述第一数据和生成器根据所述第一数据输出的产量预测数据进行组合，得到组合数据，并将该组合数据的标签设置为0，其中，生成器根据所述第一数据输出的产量预测数据包括所述已投产油气井历史上t个月中每个月各自对应的产量预测值。
[0085]
步骤s302，将所述训练样本的标签设置为1。
[0086]
步骤s303，将设置完标签后的组合数据以及设置完标签后的所述训练样本输入到判别器中，对判别器的网络权重进行训练。
[0087]
在本发明实施例中，在单独对判别器的网络权重进行训练时，本发明利用建立好的生成器，以训练数据中的第一数据为生成器的输入，得到生成器根据所述第一数据输出的产量预测数据；然后，将所述第一数据和生成器根据所述第一数据输出的产量预测数据进行组合，设置标签为0，输入到判别器里；同时，将训练数据，即第一数据和第二数据的组合，设置标签为1，也送入判别器里，让判别器对真假数据进行学习，对判别器的网络权重进行训练。在训练完成之后，保留判别器的网络权重，之后在组合模型中对生成器的网络权重进行训练，组合模型中的判别器的网络权重为本步骤训练得到的网络权重，组合模型中的判别器的网络权重在对生成器进行训练时不会发生改变，即本发明实现对生成器的单独训练学习，而不影响判别器。
[0088]
图4是本发明实施例生成器的训练流程图，如图4所示，在本发明一个实施例中，上述步骤s202中的在由判别器和生成器组成的组合模型中对生成器的网络权重进行训练，具体包括步骤s401至步骤s403。
[0089]
步骤s401，将所述第一数据输入到生成器中，得到生成器输出的产量预测数据，其中，生成器根据所述第一数据输出的产量预测数据包括所述已投产油气井历史上t个月中每个月各自对应的产量预测值。
[0090]
步骤s402，将所述第一数据和生成器根据所述第一数据输出的产量预测数据进行组合，得到组合数据，并将该组合数据的标签设置为1。
[0091]
步骤s403，将设置完标签后的组合数据输入到判别器中，得到判别器输出的该组合数据为真实数据的概率。
[0092]
在本发明中，在每一次进行迭代训练时，先对判别器的网络权重进行训练，然后在组合模型中对生成器的网络权重进行训练，组合模型中的判别器的网络权重为之前训练得到的网络权重，组合模型中的判别器的网络权重在对生成器进行训练时不会发生改变。
[0093]
本发明在组合模型中对生成器的网络权重进行训练时，将训练样本中的第一数据输入到生成器中，得到生成器输出的产量预测数据，进而将第一数据和产量预测数据进行组合得到组合数据，并将该组合数据的标签设置为1，进而将该组合数据输入到判别器中进行判别。这样生成器不断的生成产量预测数据，而判别器不断的对组合数据进行判别，使得生成器能够不断的进行学习，直至判别器判别组合数据为真实数据的概率>0.5，这说明组合数据的标签为1，属于真实数据，停止本次迭代，进入下一次迭代。
[0094]
在本发明一个实施例中，本发明进行1000次迭代训练(为避免生成器性能过低，这里将重复次数设置得较大)之后，选取训练过程中对验证样本集中各验证样本的预测平均绝对百分比误差最小的生成器，选取的该生成器模型即为我们将用来对新油气井的全生命周期产量进行预测的模型，输入提前设计的目标新井的生命周期中每个月各自的生产参数，即可预测出该新井的全生命周期内每个时间点的产量。
[0095]
在本发明一个实施例中，经过实验验证，本发明1000次迭代训练以后得到的最终产量预测模型，即生成器，在训练样本集上的平均绝对百分比误差为6.15％，在验证样本集上的平均绝对百分比误差为5.21％。利用从未与模型接触的测试样本集对所选模型进行泛化能力测试，本发明选取的最终产量预测模型，即生成器模型，在24组测试样本上的平均绝对百分比误差仅为6.23％，与验证样本集上的预测误差(5.21％)相比没有很大的差距，而且小于10％，说明本发明训练出的生成器模型的泛化能力高，在未来石油产量预测方面具有广泛的应用前景。
[0096]
在本发明一个实施例中，经过实验验证，随着迭代训练次数的增加，生成器模型的预测误差逐渐下降，并且最后稳定在较低水平，说明，生成器与判别器对抗的训练过程中，逐渐学习到了预测数据的变化规律，性能得到了提升。
[0097]
由以上实施例可以看出，本发明将机器学习方法中的条件生成式对抗网络与油气藏产量预测相结合，通过对大量油气藏生产数据的学习，建立了数据驱动的油气藏单井全生命周期产量预测模型，获得了较高的预测精度。该产能预测模型可以考虑多种产量影响因素，是一种新的产量预测思路和方法，开辟了条件生成式网络在石油行业应用的先例，对油气藏新井产量预测以及油气藏开发方案设计具有重要意义。而且，该模型建立过程简便、
计算效率高、预测精度高，综合性、适用性强，为机器学习以及条件生成式网络在石油产量预测上的大规模应用奠定了一定的基础，具有广泛的应用前景。
[0098]
需要说明的是，在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行，并且，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。
[0099]
基于同一发明构思，本发明实施例还提供了一种基于条件生成式对抗网络的油气藏产量预测装置，可以用于实现上述实施例所描述的基于条件生成式对抗网络的油气藏产量预测方法，如下面的实施例所述。由于基于条件生成式对抗网络的油气藏产量预测装置解决问题的原理与基于条件生成式对抗网络的油气藏产量预测方法相似，因此基于条件生成式对抗网络的油气藏产量预测装置的实施例可以参见基于条件生成式对抗网络的油气藏产量预测方法的实施例，重复之处不再赘述。以下所使用的，术语“单元”或者“模块”可以实现预定功能的软件和/或硬件的组合。尽管以下实施例所描述的装置较佳地以软件来实现，但是硬件，或者软件和硬件的组合的实现也是可能并被构想的。
[0100]
图7是本发明实施例基于条件生成式对抗网络的油气藏产量预测装置的第一结构框图，如图7所示，在本发明一个实施例中，本发明的基于条件生成式对抗网络的油气藏产量预测装置包括：
[0101]
新井数据获取模块1，用于获取目标新井的生命周期中每个月各自对应的生产参数，其中，所述目标新井的生命周期为t个月；
[0102]
新井全周期产量预测模块2，用于将所述目标新井的生命周期中每个月各自对应的生产参数输入到预先训练出的生成器中，得到所述生成器输出的所述目标新井的生命周期中每个月各自对应的产量预测值，其中，所述预先训练出的生成器为采用训练样本进行多次迭代训练得到的，训练样本包括已投产油气井历史上t个月中每个月各自对应的生产参数及产量。
[0103]
图8是本发明实施例基于条件生成式对抗网络的油气藏产量预测装置的第二结构框图，如图8所示，在本发明一个实施例中，本发明的基于条件生成式对抗网络的油气藏产量预测装置还包括：
[0104]
训练样本获取模块3，用于获取训练样本，其中，所述训练样本为已投产油气井的历史生产数据，所述训练样本由第一数据和第二数据组成，所述第一数据包括所述已投产油气井历史上t个月中每个月各自对应的生产参数，所述第二数据包括所述已投产油气井历史上t个月中每个月各自对应的产量；
[0105]
训练模块4，用于根据所述训练样本进行多次迭代训练，得到所述预先训练出的生成器，其中，在每一次迭代训练中，所述训练模块先对判别器的网络权重进行训练，然后在由判别器和生成器组成的组合模型中对生成器的网络权重进行训练。
[0106]
在本发明一个实施例中，所述训练模块4具体包括：
[0107]
第一组合单元，用于将所述第一数据和生成器根据所述第一数据输出的产量预测数据进行组合，得到组合数据，并将该组合数据的标签设置为0，其中，生成器根据所述第一数据输出的产量预测数据包括所述已投产油气井历史上t个月中每个月各自对应的产量预测值；
[0108]
标签设置单元，用于将所述训练样本的标签设置为1；
memory，rom)、随机存储记忆体(randomaccessmemory，ram)、快闪存储器(flash memory)、硬盘(hard disk drive，缩写：hdd)或固态硬盘(solid
‑
state drive，ssd)等；所述存储介质还可以包括上述种类的存储器的组合。
[0121]
显然，本领域的技术人员应该明白，上述的本发明的各模块或各步骤可以用通用的计算装置来实现，它们可以集中在单个的计算装置上，或者分布在多个计算装置所组成的网络上，可选地，它们可以用计算装置可执行的程序代码来实现，从而，可以将它们存储在存储装置中由计算装置来执行，或者将它们分别制作成各个集成电路模块，或者将它们中的多个模块或步骤制作成单个集成电路模块来实现。这样，本发明不限制于任何特定的硬件和软件结合。
[0122]
以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。