基于长短期记忆神经网络模型的分层注水优化方法

摘要：

分层注水是改善层间注采矛盾、提高水驱开发效果的一种重要手段.基于油藏数值模拟的分层注水优化存在地质模型不确定性强、所需数据多、计算耗时长等缺点,数据驱动的优化方法可有效克服上述缺点.以井组中所有注水井的分层注水层段为考察对象,采用平均不纯度减少(MDI)方法筛选影响每口生产井产液量和含水率的主要注水层段,以此为基础利用注水井分层注水量以及生产井产液量和含水率时序数据建立长短期记忆神经网络(LSTM)深度学习预测模型,结合粒子群优化算法(PSO)实现分层注水量优化.实例应用表明:基于注水井分层注水量的LSTM模型可以准确预测产液量和含水率,平均误差分别为0.5％和1.7％;在总注水量基本保持不变的情况下,优化后井组产油量增加12.2％、平均含水率下降4.2个百分点,实现较好的增油控水目的,为深度学习在分层注水优化方面的应用研究提供了一种新的方法.

关键词：分层注水、生产优化、平均不纯度减少、长短期记忆神经网络、粒子群优化算法

所属期刊栏目：35

分类号：TE357.6(油气田开发与开采)

在线出版日期：2023-10-12（万方平台首次上网日期，不代表论文的发表时间）

页数：共11页

页码：127-137