10.3969/j.issn.1006-6535.2023.02.019
基于机器学习的短生产周期碳酸盐岩气井产量预测研究
针对传统时间序列模型无法对短生产周期天然气井进行产气量预测的问题,首先采用机器学习的近邻传播算法对天然气井进行无监督聚类,划分井群;再结合井群的地质和工程参数开展主成分分析,捕获影响产气量波动的关键因素;随后采用极大似然估计方法求解气井所属井群类别,并依托所属类别聚类中心生产数据训练时间卷积神经网络,预测天然气井未来短期内的产气量.结果表明:基于机器学习的气井产量预测模型预测误差平均为5.53%,相较于传统的长短期记忆网络(误差平均为8.98%)和门控循环网络(误差平均为9.06%)预测误差更小,表明该模型能够应用于开发周期相对较短的碳酸盐岩气井的产量预测.研究成果对于机器学习在油气藏开发方面的应用研究具有重要意义.
气井产量预测、深度学习、卷积神经网络、碳酸盐岩气井、无监督聚类
30
TE328(油气田开发与开采)
油气藏地质及开发工程国家重点实验室开放基金项目PLN2022-33
2023-06-05(万方平台首次上网日期,不代表论文的发表时间)
共8页
134-141