基于机器学习方法的油井日产油量预测

• 作者: 刘威 刘巍 谷建伟
• 来源期刊: 石油钻采工艺
• 学科: 工学
• 关键词: 智能采油 大数据应用 产量预测 机器学习 特征选择 长短期记忆神经网络
• 年，卷（期）: 2020,（1）
• 所属期刊栏目: 油气开采
• 页码范围: 70-75
• 页数: 6页
• 分类号: TE328
• 字数: 4018字
• 语种: 中文
• DOI: 10.13639/j.odpt.2020.01.012

摘要

油藏数值模拟是进行油田产量预测最为常用的方法,但其准确性建立在精确的地质模型和较高质量的历史拟合基础之上.为了克服数值模拟计算耗时长、成本高和所需数据资料多等缺点,建立了一种利用机器学习方法,根据现场广泛易得的油藏静态资料和开发动态参数实现油井日产油量的快速准确预测.传统的BP神经网络无法准确描述产量变化在时间维度上的相关性,因而基于长短期记忆神经网络(LSTM),建立能够考虑生产动态数据变化趋势和前后关联性的产量预测模型,是实现油井日产油量预测更为有效的途径.首先根据平均不纯度减少(MDI)方法,分析各个因素对单井产量的影响程度,基于特征参数的重要性进行数据降维,排除不相关的冗余特征,确定影响油井产量的主要因素.结合筛选出的特征参数和日产油量数据对LSTM模型进行训练和优化,建立最终的油井产量预测模型.利用实际油田数据对建立的模型进行验证和应用效果评价,结果表明基于LSTM模型的产量预测值与实际值高度一致,能准确反映产量的动态变化规律,为油井产量预测提供了一种新的方法.

作者信息

序号	姓名	单位	发文数	被引次数	H指数	G指数
1	刘巍		42	308	9.0	16.0
2	谷建伟		35	234	9.0	14.0
3	刘威		36	49	3.0	6.0