一种基于TPE-LSTM模型预测低渗透油井产能的方法

本发明涉及石油天然气勘探开发，针对于低渗透率油井提出了一种基于tpe-lstm模型预测产能的方法。

背景技术：

1、随着陆上油田开发的不断深入，老油田已经进入高含水后期。对油气勘探开发的主要对象已逐步转向低渗透储层。国内外低渗透油藏储量丰富，世界范围内已有40余个国家对低渗透油藏的储量进行了评估，其结果表明可采量达约483×108吨。我国低渗透油气资源占比达到了油气资源总量的49％，其中探明储量约为160×108吨。结合我国目前国情可知低渗透率油藏已成为原油资源战略接替区，但其具有孔渗条件差，储层非均质性强，吸水能力差等特点，使对低渗透油藏开发方式展开研究时所面临的技术难度加剧。

2、低渗透油藏通常具有以下特点：①油藏类型单一，以岩性油藏和构造岩性油藏为主，主要为弹性驱动油藏；①储层物性差，孔隙度和渗透率低；①孔喉细小；①非均质性强；①通常有裂缝发育，但裂缝宽度小；①含油饱和度高的同时原油性质较好；①储层敏感性强。基于上述特点可知，虽然储层条件对于开采极为不利，但粘度低与胶质沥青质含量少导致了原油的强流动性，同时含油饱和度较高，综合来讲低渗透油藏潜力巨大，具有很强的开采价值。

3、对此，研究低渗透油藏的产能情况有助于后期开发方案的调整，目前时序预测算法主要分为三类：统计时序预测算法、经典机器学习方法以及深度学习预测算法。第一代是传统统计时序预测算法，包括移动平均(moving average)，指数平滑(exponentialsmoothing)，arima，holt-winters等。这一代算法最大的优点是简单，这意味着预测结果相对稳定性会高一些，其内在逻辑相对更容易解释和理解。同时，简单带来的缺点是准确性低，另外也很难针对具体问题场景对算法进行调整和定制。它们进行一条时序的预测时，对算力的要求很低，但对于供应链场景常见的大批量(十万、百万级)的时序，它们只能一条一条地跑，虽说可以并行化，但消耗还是较大的。在应用层面，这类统计算法通常因为其高稳定性而被应用在早期的自动预测-补货系统。为了克服准确性和可调整性的局限，其算法下游需要一个相对较重的后处理体系，利用人工加工的规则来弥补。从技术层面来看，统计方法有几个显然的局限：最重要的一个是难以引入其他协变量(covariates)或者说特征(features)对时间序列的影响(例如价格调整对商品销量的影响)。对于电商这样有着丰富数据沉淀的业务场景，这个局限的影响显然是巨大的。此外，对于时序上发生的脉冲性的波动，

4、比如各种大促，由于波动时间短幅度大，很难去拟合。第二代是经典的机器学习算法，包括线性回归(linear regression)，支持向量机回归(support vector regression加粗样式)，随机森林(random forests)，梯度提升决策树(gradient boosting decisiontrees)及其变种xgboost和lightgbm等等。在实际应用中，超参往往是通过暴力网格搜索和一些简单的优化算法来搜索，纯粹依赖算力，而非针对具体问题做有针对性的调整。更具挑战的是，由于这类机器学习算法模型都是高度封装的，其内在算法结构基本无法修改。如果要对机器学习模型注入具有场景语义的信息，只能通过特征工程的方式，把人对场景的理解提炼成关键信号，再加工成数值特征的形式，从算法模型的输入端灌入，然后期待算法能捕捉到这些信号所承载的信息并对预测产生作用。从技术层面，机器学习算法在引入外生因子的能力上相对第一代算法有显著的优势，但在描述和捕捉时间序列的关系上(比如趋势性和周期性)也有所损失。(机器学习算法无法以很直接和intuitive的方式引入时序关系，需要通过一些复杂的特征工程来弥补，或者通过两代算法模型stacking的方式各取所长。第三代是基于深度学习的算法。得益于深度学习在底层框架设计上的灵活性，前面提到的第一、二代算法的技术局限可以被轻松突破，这给我们提供了一个十分坚实的基础起点，第三代预测方法尽管也有缺陷，但是相较于第一二代有很大的提升，对此使用深度学习进行低渗透油井产能预测效果会更好，但是深度学习可调控参数太多，不同参数的组合效果相差甚远，有必要提出一种新方法满足满足深度学习又能得到最优的深度学习参数来预测油井产能，从而对知道低渗透气藏的合理开发奠定基础。

技术实现思路

1、为解决上述技术问题，本发明的目的在于提供一种基于tpe-lstm模型预测低渗透油藏油井产能的方法。此模型具有较高的预测精度，较强的泛化能力，不易陷入局部极值的特点，能够为实验分析以及实际工程提供有效的参考数据。

2、为达到上述发明的目的，本发名采取的技术方案是：

3、基于tpe-lstm模型预测低渗透油井产能的方法，具体步骤如下：

4、步骤1：利用pearson相关性分析方法分析所有特征变量，选取特征性强的作为模型输入参数；

5、步骤2：利用孤立森林算法对数据进行异常点的筛选，删去异常点提升模型预测准确性；

6、步骤3：对输入数据进行归一化处理，将实验数据按照8：2分为训练集和测试集两部分；

7、步骤4：利用lstm神经网络建立低渗透油井产能预测模型；

8、步骤5：对tpe以及lstm预测模型进行参数初始化设置，然后训练模型，通过tpe算法优化获得lstm预测模型参数，建立tpe-lstm预测模型，对测试样本进行产能预测；

9、步骤6：利用误差分析方法(平均相对误差和决定系数)评价该模型的准确性。

10、本发明采用的技术和现有技术相比较，具有以下优点：

11、本发明采用lstm建立的tpe-lstm的低渗透油井预测模型，克服了常用模型的缺点，此模型具有较高的预测精度，较强的泛化能力，不易陷入局部极值的特点；本发明选用tpe算法对lstm模型参数进行了优化，它能解决离散变量问题、连续变量问题、非线性目标问题，而且还能解决不用梯度信息约束函数的问题。

技术特征：

1.一种基于tpe-lstm模型预测低渗透油井产能的方法，其特征在于，具体步骤如下：

2.根据权利要求1所述的一种tpe-lstm模型预测在低渗透油井产能的方法，其特征在于：在步骤1中，采用pearson相关性分析方法来确定建模所用的输入变量。

3.根据权利要求1所述的一种tpe-lstm模型预测在低渗透油井产能的方法，其特征在于，结合lstm网络强大的网络记忆能力和tpe超参数寻优能力。

4.根据权利要求1所述的一种tpe-lstm模型预测在低渗透油井产能的方法，其特征在于：所述步骤6中，采用平均相对误差和决定系数能检验预测值的正确性以及模型的适用范围。

技术总结
本发明公开了一种基于TPE‑LSTM模型预测低渗透油井产能的方法，利用TPE优化长短记忆网络(LSTM)模型中的神经元个数、dropout和学习率，建立低渗透油井产能TPE‑LSTM预测方法；本发明利用TPE‑LSTM模型预测低渗透油井产能，其预测精度高、泛化能力强、不易陷入局部最优的问题，可以动态地为工程提供参考数据，对低渗透油井后期开发方案修改提供一定的帮助。

技术研发人员：卞小强,张涛
受保护的技术使用者：西南石油大学
技术研发日：
技术公布日：2024/1/15