基于循环神经网络的油田特高含水期产量预测方法

摘要：

根据油田生产历史数据利用深度学习方法预测油田特高含水期产量,并进行了实验验证和应用效果分析.考虑到传统全连接神经网络(FCNN)无法描述时间序列数据的相关性,基于一种循环神经网络(RNN)即长短期记忆神经网络(LSTM)来构建油田产量预测模型.该模型不仅考虑了产量指标与其影响因素之间的联系,还兼顾了产量随时间变化的趋势和前后关联.利用国内某中高渗透砂岩水驱开发油田生产历史数据进行特高含水期产量预测,并与传统水驱曲线方法和FCNN的预测结果比较,发现基于深度学习的LSTM预测精度更高,针对油田生产中复杂时间序列的预测结果更准确.利用LSTM模型预测了另外两个油田的月产油量,预测结果较好,验证了方法的通用性.

关键词：产量预测、特高含水期、机器学习、长短期记忆神经网络、人工智能

所属期刊栏目：47

分类号：TP392(计算技术、计算机技术)

资助基金：国家科技重大专项“大型油气田及煤层气开发”2016ZX05016-006

在线出版日期：2020-10-23（万方平台首次上网日期，不代表论文的发表时间）

页数：共7页

页码：1009-1015