基于集成時域卷積神經(jīng)網(wǎng)絡模型的水驅(qū)油田單井產(chǎn)量預測方法

張蕾，竇宏恩，王天智，王洪亮，彭翼，張繼風，劉宗尚，米蘭，蔣麗維

（1.中國石油勘探開發(fā)研究院，北京 100083；2.大慶油田勘探開發(fā)研究院，黑龍江大慶 163000）

0 引言

油井產(chǎn)量是油田開發(fā)的首要指標，預測產(chǎn)量變化是油田開發(fā)動態(tài)分析的關鍵環(huán)節(jié)。單井產(chǎn)量變化受儲集層性質(zhì)、措施等諸多因素影響，合理考慮各因素影響規(guī)律、準確把握產(chǎn)量變化特點是實現(xiàn)單井產(chǎn)量準確預測的關鍵。相較遞減曲線、油藏數(shù)值模擬等傳統(tǒng)產(chǎn)量預測方法，機器學習方法具有強大的非線性擬合能力和高效率，在產(chǎn)量預測方面具有極大的應用潛力。

近20年來，國內(nèi)外基于機器學習對產(chǎn)量預測問題開展了廣泛的研究[1-3]，常見方法如隨機森林（RF）[4]、支持向量機（SVM）[5-6]、模糊綜合評價（FE）[7]、人工神經(jīng)網(wǎng)絡（ANN）[8]等，它們通過回歸產(chǎn)量及其影響因素之間的關系完成預測，但缺乏對產(chǎn)量時序變化規(guī)律的考慮。2015年以來，以長短時記憶（LSTM）、門控遞歸單元（GRU）為代表的循環(huán)神經(jīng)網(wǎng)絡（RNN）成為產(chǎn)量預測領域的新熱點[9-10]，較SVM、RF等經(jīng)典算法，RNN著重考慮了產(chǎn)量序列的時序變化規(guī)律，雖然訓練時長有較大增加，但產(chǎn)量預測精度得到了進一步的提高。

對于多影響因素、長時間跨度、多序列并行的單井產(chǎn)量預測，前人僅使用少數(shù)幾個特征構建模型。若要進一步提高單井產(chǎn)量預測精度，需全面考慮動靜態(tài)影響因素，構建多特征的產(chǎn)量預測模型。當特征數(shù)據(jù)增多時，RNN難以兼具對高維空間信息和時序信息的提取，模型預測精度受限，故有必要采用一種新算法實現(xiàn)對單井產(chǎn)量的準確預測。時域卷積神經(jīng)網(wǎng)絡（TCN）是一種可以處理時序信息的卷積神經(jīng)網(wǎng)絡（CNN），CNN的基礎結構使它在擬合單井產(chǎn)量時序關聯(lián)的同時可以從諸多特征中提取出關鍵特征，實現(xiàn)精準的單井產(chǎn)量預測。

基于此，本文提出使用TCN構建模型進行水驅(qū)油藏單井產(chǎn)量預測。首先綜合考慮儲集層、注水、措施等動靜態(tài)因素構建數(shù)據(jù)集，針對數(shù)據(jù)特點進行數(shù)據(jù)空缺填充和數(shù)據(jù)異常校正。然后針對油井各階段生產(chǎn)規(guī)律復雜、難以捕捉的難點，依據(jù)油井含水率劃分生產(chǎn)階段分別建模，使用麻雀搜索算法（SSA）進行模型超參數(shù)尋優(yōu)，最終將階段模型集成為全生命周期模型實現(xiàn)全井預測。

1 算法基本原理

1.1 時域卷積神經(jīng)網(wǎng)絡

TCN是以膨脹的因果卷積層為基礎結構、以時間序列為輸入的卷積神經(jīng)網(wǎng)絡模型[11]。因果卷積指左填充的一維卷積神經(jīng)網(wǎng)絡，它賦予了TCN時間約束特性，使其適應于時序問題。膨脹卷積指依一定規(guī)律增加卷積層步幅后的卷積層，它可以顯著提高卷積神經(jīng)網(wǎng)絡感受野，使TCN可以抓取更長的時序依賴關系，解決了傳統(tǒng)卷積神經(jīng)網(wǎng)絡對時序的建模長度受限于卷積核大小的問題。對于長輸入的任務，在TCN中引入殘差連接可顯著降低覆蓋全部輸入所需的卷積層層數(shù)或卷積核大小。為防止因網(wǎng)絡層數(shù)過多而導致的梯度消失/爆炸問題，可在每一層卷積網(wǎng)絡后添加權重歸一化。相較LSTM等循環(huán)神經(jīng)網(wǎng)絡，TCN的卷積神經(jīng)網(wǎng)絡結構使其具有可并行、收斂快、跨時域的特點。

1.2 麻雀搜索算法

使用適當?shù)膬?yōu)化算法可以快速篩選出神經(jīng)網(wǎng)絡模型的最佳超參數(shù)，極大地提高模型構建效率。

SSA是一種模擬自然規(guī)律的群體優(yōu)化方法[12]，從麻雀的群體智慧、覓食行為和反捕食行為出發(fā)，將潛在的超參數(shù)組合設定為麻雀的位置，不同位置的麻雀具有不同的適應度（即該超參數(shù)組合下模型的預測精度）。依照一定規(guī)律將麻雀分為生產(chǎn)者、覓食者和發(fā)現(xiàn)者3類，3類麻雀會在每一次迭代中改變位置、交換身份。給定最大迭代次數(shù)、生產(chǎn)者數(shù)量、發(fā)現(xiàn)者數(shù)量、麻雀總數(shù)和安全閾值，經(jīng)過有限次位置迭代，適應度最高的麻雀的位置將是最佳的超參數(shù)組合。

2 數(shù)據(jù)收集與處理

2.1 油田數(shù)據(jù)采集

大慶長垣油田某水驅(qū)區(qū)塊具有 60多年的開發(fā)歷史，為典型中高滲砂巖油藏，目前該區(qū)塊油井已普遍進入高含水及特高含水階段，部分井含水率超過98%。自1960年采用基礎井網(wǎng)投入開發(fā)以來，該區(qū)塊經(jīng)歷了井網(wǎng)調(diào)整、全面轉(zhuǎn)抽、三次加密、“二三結合”、壓裂酸化等多種增產(chǎn)措施，厚油層底部水洗程度高，注入水低效循環(huán)。由于開發(fā)井網(wǎng)密集、注采關系復雜、增產(chǎn)措施頻繁，常規(guī)動態(tài)分析方法誤差較大，數(shù)值模擬應用困難、收斂較差。

選取油藏基礎數(shù)據(jù)、區(qū)塊基礎數(shù)據(jù)、520口油水井的單井儲集層數(shù)據(jù)和單井基礎數(shù)據(jù)、426口油井的月度生產(chǎn)數(shù)據(jù)、94口水井的月度注水數(shù)據(jù)、單井措施數(shù)據(jù)構建數(shù)據(jù)集，其中油井月度生產(chǎn)數(shù)據(jù)平均時間跨度406個月，共計173 187條。

2.2 數(shù)據(jù)處理

2.2.1 數(shù)據(jù)填充與降維

空缺填充和異常樣本校正是構建高質(zhì)量數(shù)據(jù)集的關鍵環(huán)節(jié)，數(shù)據(jù)填補、校正質(zhì)量與模型預測精度直接相關。針對數(shù)據(jù)集中靜壓、流壓、動液面 3項特征部分數(shù)據(jù)缺失的問題，提出基于隨機森林模型的空缺填充方法。首先計算預填充特征與其他特征的斯皮爾曼相關性系數(shù)，篩選相關性系數(shù)大于0.2或小于-0.2的特征；其次建立影響特征與預填充特征的隨機森林模型，使用已有數(shù)據(jù)進行模型訓練；最后輸入缺失數(shù)據(jù)的主控因素進行模型預測，模型預測值即為填充值。

針對泵徑、泵深和油嘴 3項特征部分數(shù)據(jù)存在異常零值的情況，采取向前/向后看齊的校正策略，即對于異常數(shù)據(jù)，在該井井史范圍內(nèi)從當前時間步同時向前向后尋找非零正常數(shù)據(jù)，使用先找到的非零正常數(shù)據(jù)替代該時間步的異常零值。對于某項特征數(shù)據(jù)全缺失的井，使用與該井距離最近井的特征平均值填充。若有多個特征全缺失的井，酌情取舍。

為得到更準確的模型預測結果，需適時進行特征壓縮，以提高特征質(zhì)量、控制特征數(shù)量。數(shù)據(jù)集中靜態(tài)特征較多，包括類別特征和數(shù)值特征，其中類別特征經(jīng)獨熱編碼處理后表現(xiàn)為高維的稀疏0-1矩陣，為防止類別特征淹沒在密集變化的數(shù)值特征中，分別以95%置信度使用主成分分析法（PCA）對類別特征和數(shù)值特征進行降維，最終形成33維的靜態(tài)壓縮特征。

2.2.2 數(shù)據(jù)整合

本文動態(tài)數(shù)據(jù)主要包括油井生產(chǎn)序列、水井注水序列、小層措施序列3類，為符合模型輸入數(shù)據(jù)格式，應將描述注水和措施的序列整合至油井生產(chǎn)序列中。

為整合水井注水序列至油井生產(chǎn)序列，提出注水井影響半徑法，定義油井當月受注水井影響程度It,i并將其作為特征增加到數(shù)據(jù)集中。注水井影響半徑由It,i與產(chǎn)油量之間的斯皮爾曼相關性系數(shù)確定，本文選取相關性系數(shù)最高的1 000 m作為影響半徑。以水井為圓心、以影響半徑為半徑劃出影響范圍，在影響范圍內(nèi)的油井即為受注井。

對小層措施數(shù)據(jù)進行合并、數(shù)值化處理。在數(shù)據(jù)集中添加壓裂、堵水等 6項類別特征和措施層厚度 1項數(shù)值特征。若油井的某小層進行了某類措施作業(yè)，則該月對應類別特征記錄為1，措施層厚度則記錄為作業(yè)小層厚度的和。

整合后最終數(shù)據(jù)集特征包括注水特征、措施特征、油井靜態(tài)特征和生產(chǎn)動態(tài)特征 4部分。此外，對輸入序列進行標準化處理、對產(chǎn)量序列進行平滑處理，以增加模型平穩(wěn)度、降低擬合難度。

2.3 特征參數(shù)分析

在本文數(shù)據(jù)集的70余項特征中，部分描述油藏構造和區(qū)塊參數(shù)的特征對單井產(chǎn)量預測作用不大，故去除油藏類型、沉積相等10余項特征，經(jīng)特征工程處理后形成65項最終特征。計算65項特征之間的斯皮爾曼相關性系數(shù)并繪制熱力圖，以顏色的深淺表示特征相關性的強弱，紅色為正相關、藍色為負相關（見圖1）。編號No.0—No.32的特征為降維處理后表示單井地質(zhì)、工程特點的抽象特征，由于其在時間上不變，整體呈弱相關性，如 A-1、A-2區(qū)域所示。B-1、B-2區(qū)域特征為壓裂、堵水、維護、補孔、酸化等措施特征，其在數(shù)值上表現(xiàn)為稀疏的0-1矩陣，故相比數(shù)值特征呈現(xiàn)出極弱的相關性。對于預測目標月度產(chǎn)油量，與其相關性最強的特征依次為月度產(chǎn)氣量、日期、采收率、月度產(chǎn)液量、泵深、油嘴尺寸、含水率、泵徑、No.7、月度產(chǎn)水量等。

圖1 特征相關性分析（No.0—No.32為類別特征和數(shù)值特征經(jīng)過PCA降維后的抽象特征）

2.4 油井生產(chǎn)歷程劃分

在油井長達60年的生產(chǎn)歷史中，產(chǎn)量變化存在顯著的階段性，為準確把握不同生產(chǎn)階段油井產(chǎn)量的變化特點，需要劃分階段、分別建模。本文依據(jù)油井含水率變化規(guī)律編寫算法自動劃分單井生產(chǎn)歷程，fw＜30%，30%≤fw＜60%，60%≤fw≤80%，fw＞80%分別對應低、中、高、特高含水階段（見圖2）。由于含水率數(shù)據(jù)存在不連續(xù)或突變，而生產(chǎn)階段相對連續(xù)，在對訓練集進行階段劃分前應對含水率序列進行階梯化處理。建立 4個階段預測模型然后集成，預測時給定輸入各月生產(chǎn)階段判斷權重，確定待預測月所處生產(chǎn)階段，然后由相應階段模型進行預測，最終的全生命周期預測結果由各階段預測結果拼接得到。

圖2 生產(chǎn)歷程劃分示意圖

不同生產(chǎn)階段月度產(chǎn)油量主控因素也會有差異，需要計算4個生產(chǎn)階段月產(chǎn)油量與其他特征的相關性系數(shù)，篩取相關性系數(shù)大于0.2或小于-0.2的特征分別構建輸入數(shù)據(jù)集，各階段模型最終輸入特征如圖3所示。

圖3 各生產(chǎn)階段月度產(chǎn)油量與影響特征的相關性系數(shù)

2.5 時間滑窗與數(shù)據(jù)集劃分

以井為單元劃分數(shù)據(jù)集：341口油井用于模型訓練，43口油井構成驗證集用于進行超參數(shù)的尋優(yōu)，42口油井構成測試集用于模型測試。采用時間滑窗方法生成輸入數(shù)據(jù)，指定輸入步長和輸出步長，分別構建適應于各個模型的輸入和標簽。

3 模型結構及評價

3.1 模型結構設計

針對單井產(chǎn)量預測特征數(shù)量多、時間步長短、數(shù)據(jù)體量小等特點，對TCN模型做3個方面的改進：①在時間卷積層前堆疊卷積核大小為 1的一維卷積層，提取特征；②不使用膨脹卷積和殘差連接，設置因果卷積層卷積核大小為輸入時間步長，步幅為1；③使用因果卷積層輸出中最后一個時間步的值進行最終預測。改進后的TCN模型結構見圖4。

圖4 改進后的TCN模型結構圖

3.2 麻雀優(yōu)化算法參數(shù)設計

使用SSA進行模型超參數(shù)尋優(yōu)，最大迭代次數(shù)為50、生產(chǎn)者數(shù)量為20、發(fā)現(xiàn)者數(shù)量為20、安全閾值為0.8，麻雀總數(shù)為100。以12個月輸入步長預測模型為例，TCN模型各層參數(shù)見表1。

表1 改進的TCN模型超參數(shù)SSA尋優(yōu)結果

3.3 對比模型設計

為全面評價本文改進TCN模型在產(chǎn)量序列預測中的適應性，基于當前時序預測領域 5種代表性方法，構建 11種產(chǎn)量預測模型進行對比，包括：①CNN和LSTM[13]的組合模型 CNN-LSTM；②LSTM 模型；③基于編碼解碼機結構[14]并在時間維度添加Luong注意力機制[15]的LSTM模型，即Attention-LSTM（T）；④添加Temporal Pattern Attention[16]機制實現(xiàn)對特征注意力的LSTM模型，即Attention-LSTM（F）；⑤結合Luong注意力機制和Temporal Pattern Attention機制同時實現(xiàn)對時間和特征注意力的LSTM模型，即Attention-LSTM（T&F）；⑥在特征維度添加注意力[17-19]的自注意力機制模型 Self Attention（F）；⑦在時間維度添加注意力的自注意力機制模型Self Attention（T）；⑧同時在時間維度和特征維度添加注意力的自注意力機制模型Self Attention（T&F）；⑨LSTM 和特征維度自注意力機制的結合模型Self Attention-LSTM（F）；⑩LSTM和時間維度自注意力機制的結合模型 Self Attention-LSTM（T）；LSTM和時間、特征維度自注意力機制的結合模型Self Attention-LSTM（T&F）。對比模型超參數(shù)同樣由SSA尋優(yōu)得到。

3.4 模型訓練設計

基于編碼解碼機結構的模型使用 Teacher Forcing策略進行訓練。為實現(xiàn)最佳的訓練效果，文中模型優(yōu)化器選擇 Adagrad算法，初始學習率均設為 0.05，并使用ReduceLROnPlateau回調(diào)函數(shù)實現(xiàn)對學習率的控制。為防止過擬合，在模型中應用層正則化，并使用EarlyStop回調(diào)函數(shù)控制訓練進程。為減少模型訓練隨機性帶來的不確定性，模型準確性評價結果來自相同參數(shù)設置下3次實驗后的平均值。

3.5 模型評價

模型預測的準確性采用平均絕對誤差（MAE）、平均絕對百分比誤差（MAPE）、復相關系數(shù)（R2）和均方根誤差（RMSE）來評價，如（3）—（6）式所示。

4 應用與討論

4.1 算法對比

應用上述12種模型預測42口采油井的產(chǎn)量，以輸入步長為12個月、輸出步長為3個月為例，統(tǒng)計了第13個月預測值的平均絕對誤差（見表2），其中集成模型表示由 4個階段模型集成的全生命周期模型，單一模型為使用全部數(shù)據(jù)籠統(tǒng)訓練的全生命周期模型。由表2可知，改進的TCN模型預測精度最高，集成模型的平均絕對誤差為 17.66 m3，較單一全生命周期模型預測誤差低3.05 m3。

注意力機制在機器翻譯、語音識別等多個時間序列預測任務中都被證實對模型預測能力具有顯著的提升作用[20-23]，本文研究了9種添加注意力機制的模型，但均未取得較高的預測精度（見表2），這表明注意力機制對生產(chǎn)數(shù)據(jù)預測任務的適應性不強。分析認為：①對于本文產(chǎn)量預測任務而言，決定下一時刻產(chǎn)量的不是先前某幾個時刻的產(chǎn)量及其影響因素，而是一段時間內(nèi)生產(chǎn)動態(tài)的整體變化趨勢。注意力機制的引入令模型賦予個別時間步較大的權重，干擾了產(chǎn)量及其影響因素在一段時間內(nèi)的整體變化趨勢，導致模型預測精度降低。②LSTM模型已有足夠能力分析12個月生產(chǎn)動態(tài)數(shù)據(jù)，引入的注意力機制無法發(fā)揮出處理長時間序列數(shù)據(jù)的優(yōu)勢，反而加大了模型的訓練難度，最終降低了模型預測精度。③在特征維度上引入注意力機制會增加模型結構的復雜性和待訓練參數(shù)量，隨著模型擬合能力的增加，數(shù)據(jù)集中的弱噪聲會被模型誤學習而出現(xiàn)過擬合現(xiàn)象，降低模型的預測精度。

表2 不同模型第13個月預測值的平均絕對誤差對比表

對比 4個不同生產(chǎn)階段模型發(fā)現(xiàn)，所有算法下低含水階段模型的預測精度均為最低，原因是低含水階段在油井生產(chǎn)歷程中只占據(jù)很小的一部分，樣本數(shù)目不足，模型訓練不充分。

4.2 數(shù)據(jù)填充校正方法對比

隨機篩選 8口動態(tài)數(shù)據(jù)缺失較多的井進行數(shù)據(jù)填充校正效果對比。表3列出了TCN模型分別采用本文方法、使用平均值填充且不進行異常數(shù)據(jù)校正的方法、使用插值填充法填充并進行異常值校正的方法、使用平均值填充且進行異常數(shù)據(jù)校正的方法處理輸入樣本預測結果。4個評價指標均證實本文數(shù)據(jù)填充校正處理的有效性，輸入樣本平均預測誤差最小、精確率最高。

表3 TCN模型采用不同填充校正方法處理的輸入樣本預測結果對比表

4.3 輸入步長對比

以單一全生命周期模型為例，分別用TCN模型和LSTM 模型驗證不同輸入步長對模型預測精度的影響（見圖 5），在短輸入步長時 TCN模型預測效果較LSTM模型更好，在長輸入步長時LSTM模型預測效果更好。由于本文對油井生產(chǎn)歷程進行了劃分，井的平均連續(xù)時間跨度由406個月降至103個月，若使用較長的輸入步長，樣本的數(shù)量會非常少，可預測的階段幾乎都集中于特高含水階段，應用受限。圖 5顯示TCN模型在 12～50個月的時間步長范圍內(nèi)預測精度相近，在保證模型預測精度的前提下，選擇12個月的時間步長以實現(xiàn)樣本數(shù)量的最大化。

在互聯(lián)網(wǎng)高度普及的情況下，眾多不良信息滲透到我國的高校校園當中。這些信息的來源主要有幾個方面，首先是境外的反華勢力，常常對我國的內(nèi)部發(fā)展指手畫腳，部分西方偽專家針對我國的發(fā)展常常做出一些不負責任的批評，一些西方媒體，對于我國國有企業(yè)的發(fā)展十分忌憚，因此在網(wǎng)絡中時常出現(xiàn)攻擊我國核心價值觀的言論，這樣的言論將影響到大學生的思想建設。其次是部分反華勢力與分裂勢力不斷聯(lián)合，對一些具體事件不斷歪曲，利用部分人的獵奇心理破壞社會團結。最后在我國經(jīng)濟的快速發(fā)展的過程中，出現(xiàn)了一些不和諧因素，這些因素的存在也使得網(wǎng)絡環(huán)境受到影響。

圖5 不同輸入步長下TCN模型和LSTM模型的預測結果

4.4 模型結構分析

4.4.1 堆疊一維卷積核層進行特征提取的必要性

表4列出了添加和不添加特征提取層的TCN模型預測第13、14、15個月月產(chǎn)油量的誤差評價結果。結果顯示，4個模型評價指標下，添加特征提取層的模型預測精度均更高，其中第 1個預測值的平均絕對誤差較不添加特征提取層下降了22.8%。對于多因素的時間序列問題，模型預測的難點不僅在于捕捉時間序列的先后聯(lián)系，更在于構建先前特征與后續(xù)表現(xiàn)之間的關系，由此特征的提取就較為必要。

表4 添加和不添加特征提取層的TCN模型3個預測值的定量評價結果

4.4.2 因果卷積層輸出的選擇

因果卷積層的輸出是長度與輸入時間步長相同的序列，使用全部輸出做最后的預測還是使用有限個步長的輸出作為下一層的輸入對模型預測精度有較大影響。本文分別對比了使用全輸出、最后1個月的輸出、最后2個月的輸出、后6個月的輸出、后10個月的輸出5種情況下的預測結果。結果顯示，使用全輸出反而會降低模型預測精度（見表 5）。因為最后一個時間步的輸出已經(jīng)涵蓋了所有前序時間步的信息，足以完成預測。

表5 因果卷積層不同輸出步長對模型預測結果影響

4.4.3 激活函數(shù)的選擇

LIU等[23]提出在基本的TCN體系結構上添加殘差連接、正則化和激活函數(shù)可以提高其性能。為實現(xiàn)模型非線性擬合能力，在模型的第 4層添加激活函數(shù)。不同激活函數(shù)下 TCN模型預測精度對比顯示，本文TCN模型中 softsign激活函數(shù)可取得更好的預測效果（見表6）。就本文數(shù)據(jù)集而言，由于覆蓋全部輸入所需因果卷積層數(shù)不多，模型不使用殘差連接，同時也無需進行權重正則化來預防梯度消失的問題。但為了預防過擬合，在第3層和第5層后應用層正則化。

表6 不同激活函數(shù)下TCN模型預測結果對比

4.5 模型應用結果討論

圖6 6口隨機挑選井的預測產(chǎn)量與真實產(chǎn)量對比圖（預測值（13）為模型用前12個月的歷史數(shù)據(jù)預測的第13個月的產(chǎn)量，預測值（14）為第14個月的預測產(chǎn)量，預測值（15）為第15個月的預測產(chǎn)量）

圖6a—圖6c對比了模型對第13個月、第14個月、第15個月的預測結果并繪制第13個月預測結果的平均絕對誤差分布。第13個月預測結果與真實產(chǎn)量曲線基本重疊，預測效果最好。隨著預測時間間隔的增加，預測曲線與真實曲線之間的差距明顯加大，且拐點的延滯現(xiàn)象逐漸加劇。誤差分布顯示，較大的誤差往往出現(xiàn)在曲線峰尖處。這是因為模型訓練的樣本是經(jīng)過平滑處理的產(chǎn)量序列，與未經(jīng)平滑處理的真實值對比，預測值變化趨勢較為平緩。

圖6d—圖6f對比了TCN、CNN-LSTM、Attention-LSTM（F）、Self Attention-LSTM（F）、遞減模型5種產(chǎn)量預測模型預測結果。4種機器學習模型的預測效果均好于遞減模型。TCN、CNN-LSTM模型預測效果最好，Attention-LSTM（F）模型預測效果次之，Self Attention-LSTM（F）模型預測效果最差。遞減模型雖可以對未來產(chǎn)量變化的趨勢作出較準確的判斷，但對波動性變化預測不足，只能給出平均的預測結果。

綜上所述，本文模型可以實現(xiàn)對油田單井月產(chǎn)量的高精度預測，預測精度較傳統(tǒng)遞減模型和LSTM等機器學習模型更高，更具應用價值。

5 結論

提出了基于時域卷積神經(jīng)網(wǎng)絡模型的水驅(qū)油田單井產(chǎn)量預測方法，實現(xiàn)了高效、精確的單井產(chǎn)量預測。采用隨機森林及主成分分析等方法進行數(shù)據(jù)空缺填充和降維，保證了數(shù)據(jù)集的真實性和完備性。使用麻雀搜索算法確定模型最佳超參數(shù)，在提高工作效率的同時得到更好的模型預測精度。將單井生產(chǎn)歷程依照含水率高低劃分為低含水、中含水、高含水和特高含水4個階段，分別建立階段預測模型然后集成并完成單井全生命周期產(chǎn)量預測。分析及實例應用結果顯示，相比其他11種時間序列預測模型，改進的TCN模型具有更好的預測性能。對于數(shù)據(jù)波動大且具有較明顯階段特征的產(chǎn)量序列預測，劃分階段、分段建模的方法可有效降低模型擬合難度、提升模型預測精度。

符號注釋：

Di,j——第i口油井和第j口注水井之間的距離，m；fw——含水率，%；i——油井編號；j——注水井編號；It,i——第i口油井在t時刻受注水井影響程度，m3/m；nw,i——影響第i口油井的注水井總數(shù)；N——樣本數(shù)量；k——月產(chǎn)量樣本編號；qk——月產(chǎn)量真實值，m3；——月產(chǎn)量預測值，m3；——月產(chǎn)量真實值平均值，m3；t——時間（年-月）；Wt,j——第j口注水井在t時刻的月注入量，m3；xo,i——第i口油井的x坐標，m；xw,j——第j口注水井的x坐標，m；yo,i——第i口油井的y坐標，m；yw,j——第j口注水井的y坐標，m。