一种基于领域自适应和Transformer-MLP的页岩气井产量预测方法

本发明涉及页岩气井产量预测领域，具体而言，涉及一种基于领域自适应和transformer-mlp的页岩气井产量预测方法。

背景技术：

1、随着储层改造技术的不断发展，页岩气等非常规能源已成为当前能源领域的发展重点。页岩气储层的复杂物性和渗流规律使得页岩气井产量预测变得十分复杂。精准的页岩气井产量预测在评估储层开发效果和制定可持续改造策略方面发挥着关键作用。

2、目前，页岩气产量预测的方法主要分为经验性的历史生产曲线拟合法、数值模拟和深度学习。递减曲线法虽然简单，但受主观因素影响较大，可能导致过于理想化的结果。数值模拟方法在一定程度上通过模拟复杂的页岩气流动机制，解决了历史生产曲线拟合法的局限性。然而，数值模拟方法通常需要大量计算资源和时间成本，而且数据的随机性和波动性会显著影响预测结果。当前，精度最高的页岩气产量预测方法主要是深度学习。然而，深度学习方法往往需要大量的历史样本来进行模型训练。对于新开发的页岩气区块而言，由于缺少历史页岩气井数据，目前是应用深度学习技术进行产量预测时的主要技术瓶颈。

技术实现思路

1、针对上述问题，本发明创造性地提出了一种基于领域自适应和transformer-mlp的页岩气井产量预测方法，解决了深度学习技术在新页岩气区块产量预测中样本不足的问题。

2、本申请公开了一种基于领域自适应和transformer-mlp的页岩气井产量预测方法，其特征在于，包括以下步骤：

3、s1、对数据进行预处理；

4、s2、筛选出进行领域自适应的源域；

5、s3、建立transformer-mlp深度学习模型，并得到时间特征矩阵和预测结果；

6、s4、建立综合损失函数并训练transformer-mlp深度学习模型；

7、s5、将数据输入训练好的深度学习模型得到页岩气井产量。

8、进一步的，所述步骤s1对数据进行预处理，包括：

9、(1)收集k个源域和目标域的页岩气井的产气数据，并对收集到的数据进行归一化，构建多源域数据集；

10、(2)使用滑动时间窗口算法对源域和目标域数据集数据进行处理，以相同的输入时间步长和标签步长获得源域的输入数据标签数据和目标域的输入数据标签数据yt。

11、进一步的，所述步骤s2筛选出进行领域自适应的源域，包括：

12、(1)计算每个源域和目标域数据的coral距离计算式如下：

13、

14、

15、

16、式中表示frobenius范数，d表示输入时间步长，和dt分别表示源域数据和目标域数据，ns表示源域样本数，nt表示目标域样本数；

17、(2)计算全局coral距离disglobal，计算式如下：

18、

19、式中表示计算全局距离时，消除源域和目标域的coral距离中最大值和最小值的影响。

20、(3)如果源域和目标域数据的coral距离小于或等于全局距离disglobal则进行领域自适应，如果源域和目标域数据的coral距离大于全局距离disglobal则不进行领域自适应，最终确定m个进行领域自适应的源域。

21、进一步的，所述步骤s3建立transformer-mlp深度学习模型，并得到时间特征矩阵和预测结果，包括：

22、(1)建立深度学习模型，由两部分组成：transformer模型和mlp模型；

23、(2)将步骤s2中所筛选出的m个源域和目标域的数据输入到m+1个transformer模型中，得到m个源域的时间特征矩阵和一个目标域的时间特征矩阵xt，计算式如下：

24、

25、xt＝transformer(dt)；

26、(3)将和xt输入到m+1个mlp模型中，得到对应的源域和目标域预测结果和计算式如下：

27、

28、

29、进一步的，所述步骤s4建立综合损失函数并训练transformer-mlp深度学习模型，包括：

30、(1)基于筛选出的m个源域的时间特征矩阵和目标域的时间特征矩阵xt的coral距离构建领域自适应损失函数l1，计算式如下：

31、

32、(2)基于筛选出的m个源域的标签数据和步骤s3所述的源域的预测结果的均方误差构建源域损失函数l2，计算式如下：

33、

34、(3)基于目标域的标签数据yt和步骤s3所述的目标域的预测结果的均方误差构建目标域损失函数l3，计算式如下：

35、

36、(4)设置总损失函数训练深度学习模型，总损失函数由三部分构成，领域自适应损失函数l1、源域损失函数l2和目标域损失函数l3，计算式如下：

37、loss＝l1+l2+l3

38、进一步的，所述步骤s5将数据输入训练好的transformer模型得到页岩气井产量，包括：

39、将目标域的数据输入训练好的深度学习模型中，得到页岩气井的产量预测结果。

40、与现有技术相比，本发明的有益效果为：

41、(1)通过引入全局距离，本发明能够自动选择最适合进行领域自适应的源域数据，有效防止负迁移的发生。

42、(2)在筛选出的源域数据、目标域数据和transformer-mlp模型的基础上，本发明建立了领域自适应损失函数和回归损失函数，实现了领域自适应。

43、(3)本发明解决了深度学习技术在新开发的页岩气区块产量预测中样本不足的问题。

技术特征：

1.一种基于领域自适应和transformer-mlp的页岩气井产量预测方法，其特征在于，按以下步骤进行：

2.根据权利要求1所述的一种基于领域自适应和transformer-mlp的页岩气井产量预测方法，其特征在于，所述步骤s1包括：

3.根据权利要求1所述的一种基于领域自适应和transformer-mlp的页岩气井产量预测方法，其特征在于，所述步骤s2包括：

4.根据权利要求1所述的一种基于领域自适应和transformer-mlp的页岩气井产量预测方法，其特征在于，所述步骤s3包括：

5.根据权利要求1所述的一种基于领域自适应和transformer-mlp的页岩气井产量预测方法，其特征在于，所述步骤s4包括：

6.根据权利要求1所述的一种基于领域自适应和transformer-mlp的页岩气井产量预测方法，其特征在于，所述步骤s5包括：

技术总结
本发明属于页岩气井产量预测领域,具体涉及一种基于领域自适应和Transformer‑MLP的页岩气井产量预测方法，包括如下步骤：S1、对数据进行预处理；S2、筛选出进行领域自适应的源域；S3、建立Transformer‑MLP深度学习模型，并得到时间特征矩阵和预测结果；S4、建立综合损失函数并训练Transformer‑MLP深度学习模型；S5、将数据输入训练好的深度学习模型得到页岩气井产量。本发明通过引入全局距离，能够自动选择最适合进行领域自适应的源域数据，有效防止负迁移的发生，解决了深度学习在新区块页岩气井产量预测中样本不足和防止负迁移的问题。

技术研发人员：杨兆中,苟良杰,李小刚,易良平,闵超
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：2024/4/24