基于多參數(shù)時(shí)間序列及粒子群優(yōu)化算法的油藏產(chǎn)量動(dòng)態(tài)建模預(yù)測(cè)方法

王娟 梅啟亮 鄒永玲 蔡亮 蘇建華 田榆杰 黃瑞,5

1. 中國(guó)石油長(zhǎng)慶油田分公司數(shù)字和智能化事業(yè)部；2. 中國(guó)石油天然氣集團(tuán)有限公司勘探開(kāi)發(fā)人工智能技術(shù)研發(fā)中心；3. 中國(guó)石油長(zhǎng)慶油田分公司勘探開(kāi)發(fā)研究院；4. 清華四川能源互聯(lián)網(wǎng)研究院；5. 北京思達(dá)威云石油工程技術(shù)研究院有限公司

0 引言

油藏產(chǎn)量是代表油藏發(fā)展趨勢(shì)的主要參數(shù)，也是油藏開(kāi)發(fā)方案調(diào)整的重要參考依據(jù)。油藏產(chǎn)能預(yù)測(cè)是表現(xiàn)油藏未來(lái)生產(chǎn)能力的主要方法，能夠有效地反映油藏未來(lái)開(kāi)發(fā)狀況［1］。傳統(tǒng)的產(chǎn)量經(jīng)驗(yàn)方法雖然已得到廣泛認(rèn)可，但只能對(duì)產(chǎn)量趨勢(shì)進(jìn)行簡(jiǎn)單的預(yù)估，無(wú)法滿足精確預(yù)測(cè)的需求，同時(shí)不斷擴(kuò)增的數(shù)據(jù)體量也增加了傳統(tǒng)方法預(yù)測(cè)的難度和成本［2］。近年來(lái)，隨著人工智能技術(shù)在石油工業(yè)領(lǐng)域的應(yīng)用與推廣［3-5］，油田進(jìn)入信息化、數(shù)字化、智能化的時(shí)代。油田開(kāi)發(fā)的各個(gè)環(huán)節(jié)都積累了大量的歷史生產(chǎn)數(shù)據(jù)且形式多樣、結(jié)構(gòu)復(fù)雜。傳統(tǒng)的分析預(yù)測(cè)方法已無(wú)法充分體現(xiàn)數(shù)據(jù)的價(jià)值，難以滿足以數(shù)據(jù)驅(qū)動(dòng)為主的油藏動(dòng)態(tài)分析技術(shù)在生產(chǎn)的應(yīng)用需求。因此，探索一種基于機(jī)器學(xué)習(xí)算法的油藏產(chǎn)量預(yù)測(cè)方法具有重要的意義。

合理地引入人工智能方法，建立適應(yīng)于油田開(kāi)發(fā)數(shù)據(jù)的機(jī)器學(xué)習(xí)模型，是進(jìn)行油田數(shù)據(jù)智能分析的關(guān)鍵，也對(duì)實(shí)現(xiàn)油藏產(chǎn)量智能預(yù)測(cè)具有重要價(jià)值。2017 年Martin 等［6］提出了一種采用兩步機(jī)器學(xué)習(xí)方案進(jìn)行產(chǎn)量預(yù)測(cè)的自動(dòng)化數(shù)據(jù)驅(qū)動(dòng)方法，實(shí)現(xiàn)了油藏產(chǎn)量的預(yù)測(cè)與影響因素的相關(guān)性分析。2018 年潘有軍等［7］使用多元線性回歸方法建立了火山巖壓裂水平井的產(chǎn)能模型，分析了多因素對(duì)產(chǎn)能的影響規(guī)律，指出了線性模型的表征仍不夠完善，導(dǎo)致出現(xiàn)應(yīng)用過(guò)程部分井的預(yù)測(cè)相對(duì)誤差較大的情況。2019 年Noshi 等［8］探討了梯度增強(qiáng)樹(shù)(GBT)、Adaboost 和支持向量回歸(SVR)3 種機(jī)器學(xué)習(xí)算法在產(chǎn)量預(yù)測(cè)方面的潛在應(yīng)用，并對(duì)3 種算法的應(yīng)用效果進(jìn)行了對(duì)比分析，優(yōu)化了產(chǎn)量預(yù)測(cè)模型的計(jì)算結(jié)果。2020 年王洪亮等［9］基于長(zhǎng)短期記憶神經(jīng)網(wǎng)絡(luò)模型，考慮產(chǎn)量數(shù)據(jù)隨時(shí)間變化的趨勢(shì)與歷史關(guān)聯(lián)性，進(jìn)行了特高含水期油藏產(chǎn)量的預(yù)測(cè)，對(duì)油藏產(chǎn)量指標(biāo)的預(yù)測(cè)結(jié)果取得了優(yōu)化效果。2021 年張瑞等［10］提出了基于多變量時(shí)間序列及向量自回歸模型的油藏產(chǎn)量預(yù)測(cè)方法，進(jìn)一步提升了產(chǎn)量預(yù)測(cè)的準(zhǔn)確率。2022 年陳浩等［11］通過(guò)多個(gè)相似系數(shù)篩選出7 個(gè)主控因素，優(yōu)化計(jì)算效率，并基于支持向量機(jī)實(shí)現(xiàn)了水平井的產(chǎn)能預(yù)測(cè)方法。2022 年馬先林等［12］利用SHAP 方法對(duì)建立的產(chǎn)能預(yù)測(cè)模型進(jìn)行全局和局部解釋?zhuān)黾恿四Ｐ偷目尚判院屯该鞫?。由此可?jiàn)，近年來(lái)利用機(jī)器學(xué)習(xí)算法進(jìn)行油藏產(chǎn)量預(yù)測(cè)技術(shù)的研究，并獲得準(zhǔn)確的預(yù)測(cè)結(jié)果，一直是廣大學(xué)者探索的重點(diǎn)科研方向之一，而且取得了大量的技術(shù)成果。

綜合考慮多參數(shù)關(guān)聯(lián)性、時(shí)間序列模型調(diào)參優(yōu)化、油藏產(chǎn)量預(yù)測(cè)模型動(dòng)態(tài)更新等技術(shù)需求［13］，結(jié)合前期學(xué)者的研究經(jīng)驗(yàn)與多參數(shù)時(shí)序預(yù)測(cè)方法、長(zhǎng)短期記憶神經(jīng)網(wǎng)絡(luò)(LSTM)、粒子群優(yōu)化算法(PSO)、動(dòng)態(tài)建模等技術(shù)特點(diǎn)。針對(duì)利用機(jī)器學(xué)習(xí)算法進(jìn)行油藏產(chǎn)量預(yù)測(cè)過(guò)程中，因缺乏考慮時(shí)間序列模型的參數(shù)調(diào)整優(yōu)化技術(shù)，以及新數(shù)據(jù)疊加進(jìn)行預(yù)測(cè)模型動(dòng)態(tài)更新技術(shù)，導(dǎo)致產(chǎn)量預(yù)測(cè)的準(zhǔn)確率不高且時(shí)效性不強(qiáng)，難以滿足實(shí)際生產(chǎn)應(yīng)用需求等問(wèn)題。研究了基于多參數(shù)時(shí)間序列的LSTM 模型及PSO 算法的油藏產(chǎn)量動(dòng)態(tài)預(yù)測(cè)模型與技術(shù)，可根據(jù)油藏生產(chǎn)歷史數(shù)據(jù)與新增實(shí)時(shí)數(shù)據(jù)，利用機(jī)器學(xué)習(xí)算法，進(jìn)行油藏產(chǎn)量指標(biāo)動(dòng)態(tài)預(yù)測(cè)，進(jìn)一步優(yōu)化產(chǎn)量預(yù)測(cè)的準(zhǔn)確率與實(shí)用性，并通過(guò)長(zhǎng)慶油田多個(gè)油藏實(shí)際生產(chǎn)案例的應(yīng)用，進(jìn)行了結(jié)果對(duì)比分析。

1 模型構(gòu)建

1.1 模型框架設(shè)計(jì)

油藏產(chǎn)量預(yù)測(cè)模型框架流程如圖1 所示，共包含參數(shù)降維、模型優(yōu)化以及模型主線3 個(gè)模塊。(1)參數(shù)降維。對(duì)初始的多參數(shù)油藏產(chǎn)量數(shù)據(jù)集進(jìn)行主控因素分析，篩選出主控參數(shù)。(2)模型優(yōu)化。基于長(zhǎng)短期記憶網(wǎng)絡(luò)搭建多參數(shù)的LSTM 預(yù)測(cè)模型，并利用粒子群算法對(duì)其參數(shù)進(jìn)行調(diào)優(yōu)。(3)模型主線。監(jiān)控油藏產(chǎn)量數(shù)據(jù)狀態(tài)，一旦更新則對(duì)現(xiàn)有數(shù)據(jù)進(jìn)行訓(xùn)練與動(dòng)態(tài)建模后，預(yù)測(cè)未來(lái)指定時(shí)長(zhǎng)的油藏日產(chǎn)油水平、綜合含水率等油藏的生產(chǎn)指標(biāo)。于對(duì)鳥(niǎo)群捕食行為的研究，目前已被廣泛應(yīng)用于各類(lèi)優(yōu)化問(wèn)題，其基本思想是尋找最優(yōu)解［17］。PSO算法中粒子僅具有位置和速度兩個(gè)屬性，其中位置代表移動(dòng)的方向，速度代表移動(dòng)的快慢。首先初始化粒子群的各項(xiàng)參數(shù)，然后不斷地進(jìn)行進(jìn)化迭代計(jì)算，直到尋找到最優(yōu)解。假設(shè)一個(gè)種群由M個(gè)粒子構(gòu)成，在進(jìn)行多次迭代計(jì)算過(guò)程中，當(dāng)?shù)降趖次時(shí)，第i個(gè)粒子的屬性記為位置Xi,t和速度Vi,t，粒子通過(guò)式(1)和式(2)來(lái)更新粒子的位置和速度，即尋找兩個(gè)最優(yōu)解，一個(gè)是個(gè)體極值p，另一個(gè)是全局最優(yōu)解g。

圖1 油藏產(chǎn)量預(yù)測(cè)模型主框架流程Fig. 1 Main framework of the reservoir production prediction model

1.2 LSTM 神經(jīng)網(wǎng)絡(luò)模型

LSTM 是循環(huán)神經(jīng)網(wǎng)絡(luò)的一個(gè)變體，由德國(guó)學(xué)者Hochreiter 和Schmidhuber［14］于1997 年提出。LSTM 通過(guò)有針對(duì)性設(shè)計(jì)避免了長(zhǎng)期依賴(lài)問(wèn)題，在大量實(shí)驗(yàn)中證明了其優(yōu)越性。不同于普通RNN 的單一隱藏層，LSTM 將信息存放在RNN 正常信息流之外的控制單元中，即引入一個(gè)新的狀態(tài)單元c［15］。LSTM 的設(shè)計(jì)核心是門(mén)限機(jī)制，包括輸入門(mén)、遺忘門(mén)和輸出門(mén)。其中，輸入門(mén)的作用是篩選新信息，遺忘門(mén)的作用是確定丟棄信息，輸出門(mén)的作用是決定最終輸出和保留的信息。

1.3 多參數(shù)LSTM 神經(jīng)網(wǎng)絡(luò)模型

針對(duì)油藏多個(gè)參數(shù)數(shù)據(jù)間具有一定的相關(guān)性，提出了改進(jìn)的多參數(shù)LSTM 傳感器時(shí)序預(yù)測(cè)模型，且模型框架分為輸入層、隱含層、模型訓(xùn)練、輸出層4 個(gè)部分。輸入層是對(duì)原始變量時(shí)間序列集進(jìn)行分割、標(biāo)準(zhǔn)化處理，以滿足網(wǎng)絡(luò)輸入要求。隱含層是利用LSTM 單元結(jié)構(gòu)對(duì)參數(shù)進(jìn)行權(quán)重更新、優(yōu)化。模型訓(xùn)練是模型采用粒子群優(yōu)化算法進(jìn)行網(wǎng)絡(luò)權(quán)重更新。輸出層是輸出預(yù)測(cè)結(jié)果、反標(biāo)準(zhǔn)化處理、驗(yàn)證誤差。

1.4 粒子群優(yōu)化算法

針對(duì)模型訓(xùn)練過(guò)程，采用粒子群優(yōu)化算法對(duì)多參數(shù)LSTM 預(yù)測(cè)模型進(jìn)行參數(shù)調(diào)優(yōu)，使模型損失最小。粒子群PSO 算法是一種進(jìn)化計(jì)算方法［16］，源

式中，i為粒子序號(hào)，i=1,2,···,n，n為群體粒子總數(shù)；ω為慣性因子；c1和c2為學(xué)習(xí)因子，通常c1=c2=2。

將輸入數(shù)據(jù)與目標(biāo)數(shù)據(jù)之間的初始誤差作為粒子群算法的適應(yīng)度值，根據(jù)條件判斷粒子群的性能，適應(yīng)度函數(shù)為

式中，Q為適應(yīng)度值；K為數(shù)據(jù)集的大?。粂為實(shí)測(cè)值；y′為預(yù)測(cè)值。

1.5 模型構(gòu)建

產(chǎn)量預(yù)測(cè)模型構(gòu)建過(guò)程的主要步驟如下：(1)將預(yù)測(cè)油藏產(chǎn)量的所有輸入數(shù)據(jù)進(jìn)行主控因素分析，進(jìn)行參數(shù)降維；(2)將主控參數(shù)放入LSTM 模型中，搭建出多參數(shù)LSTM 初始預(yù)測(cè)模型；(3)將LSTM模型中的時(shí)間窗長(zhǎng)度、數(shù)據(jù)批處理量、隱藏層單元數(shù)目作為優(yōu)化對(duì)象，隨機(jī)生成一組待優(yōu)化參數(shù)作為粒子初始化坐標(biāo)；(4)將預(yù)測(cè)結(jié)果的平均絕對(duì)百分比誤差作為適應(yīng)度值，根據(jù)式(3)計(jì)算適應(yīng)度值；(5)將每個(gè)粒子的個(gè)體最優(yōu)解p設(shè)置為粒子的當(dāng)前位置，并計(jì)算每個(gè)粒子的適應(yīng)度值，其中適應(yīng)度值最大的粒子的個(gè)體最優(yōu)解是當(dāng)前種群g的最優(yōu)解；(6)將每個(gè)粒子的適應(yīng)度值與p進(jìn)行比較，保留較好的結(jié)果值；同理，將每個(gè)粒子的適合度值與g進(jìn)行比較，保留較好的結(jié)果值；(7)根據(jù)式(1)和式(2)更新粒子的位置和速度；(8)若滿足迭代終止條件，利用獲得的最優(yōu)粒子構(gòu)建多參數(shù)LSTM 神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型；若不滿足迭代終止條件，則返回上述第(5)步，進(jìn)行粒子更新；(9)將歷史測(cè)試集或最新樣本數(shù)據(jù)集輸入所構(gòu)建的歷史預(yù)測(cè)模型，實(shí)現(xiàn)模型的動(dòng)態(tài)更新，并輸出未來(lái)指定時(shí)長(zhǎng)油藏產(chǎn)量指標(biāo)的預(yù)測(cè)值。

2 模型應(yīng)用

2.1 主控因素分析

選取長(zhǎng)慶油田某采油廠64 個(gè)油藏區(qū)塊的生產(chǎn)數(shù)據(jù)作為模型訓(xùn)練與驗(yàn)證的樣本源。數(shù)據(jù)樣本集包括時(shí)間、日產(chǎn)水、日產(chǎn)油、累計(jì)產(chǎn)油、累計(jì)產(chǎn)水、綜合含水率、月注水量、總井?dāng)?shù)、油井?dāng)?shù)、水井?dāng)?shù)、油井實(shí)際開(kāi)井?dāng)?shù)、水井實(shí)際開(kāi)井?dāng)?shù)、新/老井產(chǎn)油量、月生產(chǎn)天數(shù)、動(dòng)液面、生產(chǎn)層位等35 個(gè)輸入?yún)?shù)，針對(duì)樣本集參數(shù)采用Pearson 系數(shù)進(jìn)行相關(guān)性分析，結(jié)果如表1 所示，其中目標(biāo)參數(shù)為日產(chǎn)油水平和綜合含水率2 項(xiàng)油藏生產(chǎn)指標(biāo)參數(shù)。

表1 參數(shù)相關(guān)性分析結(jié)果Table 1 Results of parameter correlation analysis

通過(guò)結(jié)果分析，并校驗(yàn)各參數(shù)間的物理規(guī)律與參數(shù)表征的意義，上述部分參數(shù)之間存在一定的強(qiáng)相關(guān)性。可依據(jù)實(shí)際應(yīng)用需求，對(duì)具備強(qiáng)相關(guān)性特征的參數(shù)進(jìn)行訓(xùn)練樣本集的降維處理。將降維后的參數(shù)集作為產(chǎn)量預(yù)測(cè)模型構(gòu)建與訓(xùn)練的輸入樣本集。通過(guò)隨機(jī)森林算法［18］對(duì)應(yīng)用案例油藏的目標(biāo)參數(shù)進(jìn)行建模計(jì)算，可獲得各輸入?yún)?shù)與日產(chǎn)油水平、綜合含水率等目標(biāo)預(yù)測(cè)參數(shù)之間的特征重要性表征參數(shù)值。

針對(duì)應(yīng)用案例的目標(biāo)預(yù)測(cè)參數(shù)的特征重要性表征參數(shù)排序，提取排名前十的輸入?yún)?shù)分析結(jié)果，如圖2 所示，對(duì)于油藏日產(chǎn)油水平預(yù)測(cè)的特征重要性分析結(jié)果可知，主要影響因素包括了油井開(kāi)井?dāng)?shù)、注水井開(kāi)井?dāng)?shù)、月注水量、單井產(chǎn)油量等，體現(xiàn)了增加實(shí)際投產(chǎn)油井?dāng)?shù)可保持油藏日產(chǎn)油水平能力與穩(wěn)產(chǎn)等特點(diǎn)。在生產(chǎn)過(guò)程中，注水井的數(shù)量與月注量，也對(duì)油藏保持日產(chǎn)油水平的能力具有較大的影響，與現(xiàn)場(chǎng)實(shí)際的生產(chǎn)情況相符。同時(shí)，如圖3 所示，對(duì)于油藏生產(chǎn)過(guò)程綜合含水率預(yù)測(cè)的特征重要性分析，主要影響因素包含了年月時(shí)序、單井平均日注量、實(shí)際注水井?dāng)?shù)以及對(duì)應(yīng)的油井投產(chǎn)數(shù)，符合長(zhǎng)慶油田水驅(qū)油藏的開(kāi)發(fā)特征以及注采生產(chǎn)規(guī)律。

圖2 日產(chǎn)油水平預(yù)測(cè)特征重要性分析Fig. 2 Feature importance analysis of daily oil production level prediction

圖3 綜合含水率預(yù)測(cè)模型特征重要性分析Fig. 3 Feature importance analysis of comprehensive water cut prediction model

針對(duì)長(zhǎng)慶油田以水驅(qū)油藏為主且油、水井?dāng)?shù)量龐大等生產(chǎn)特征，上述案例所展示的日產(chǎn)油水平與綜合含水率兩項(xiàng)預(yù)測(cè)指標(biāo)相關(guān)參數(shù)特征重要性模型的分析結(jié)果符合實(shí)際的生產(chǎn)情況，具有較好的應(yīng)用價(jià)值。

2.2 模型優(yōu)化效果驗(yàn)證

所述預(yù)測(cè)模型應(yīng)用效果的驗(yàn)證，可分為5 個(gè)連續(xù)優(yōu)化方案：原始LSTM 模型、多參數(shù)LSTM 模型、參數(shù)降維LSTM 模型、粒子群優(yōu)化算法的LTSM 模型、引入動(dòng)態(tài)建模技術(shù)的LSTM 模型。選取5 個(gè)案例油藏樣本數(shù)據(jù)集對(duì)模型的產(chǎn)量預(yù)測(cè)計(jì)算結(jié)果與歷史生產(chǎn)數(shù)據(jù)進(jìn)行擬合分析，預(yù)測(cè)結(jié)果擬合優(yōu)度如表2 所示。

表2 油藏產(chǎn)量預(yù)測(cè)模型優(yōu)化效果分析Table 2 Optimization effects of reservoir production prediction model

從統(tǒng)計(jì)結(jié)果表可分析出，油藏產(chǎn)量預(yù)測(cè)模型LSTM 在不斷優(yōu)化的過(guò)程中，模型產(chǎn)量指標(biāo)的擬合優(yōu)度也隨之提升。當(dāng)加入動(dòng)態(tài)更新方法后，擬合優(yōu)度的提升幅度最大。其中，日產(chǎn)油水平平均擬合優(yōu)度約0.952，綜合含水率平均擬合優(yōu)度約0.916。因此，考慮多參數(shù)時(shí)序LTSM 模型與PSO 參數(shù)優(yōu)化算法的動(dòng)態(tài)建模技術(shù)，可滿足油藏實(shí)際生產(chǎn)過(guò)程的產(chǎn)量預(yù)測(cè)，具有預(yù)測(cè)結(jié)果準(zhǔn)確率提升效果。

2.3 模型應(yīng)用效果

利用長(zhǎng)慶油田64 個(gè)油藏真實(shí)生產(chǎn)數(shù)據(jù)，進(jìn)行產(chǎn)量預(yù)測(cè)模型的應(yīng)用與研究，并選取其中2 個(gè)實(shí)際油藏生產(chǎn)應(yīng)用為例，案例油藏皆具有 10 年以上生產(chǎn)歷史特點(diǎn)。為分析所研究的日產(chǎn)油水平、綜合含水率等油藏生產(chǎn)指標(biāo)預(yù)測(cè)方法的應(yīng)用效果，選擇案例油藏前5 年生產(chǎn)歷史數(shù)據(jù)樣本作為預(yù)測(cè)模型初始訓(xùn)練集，進(jìn)行初始預(yù)測(cè)模型訓(xùn)練與應(yīng)用。投產(chǎn)第6 年開(kāi)始進(jìn)行隨時(shí)間變化預(yù)測(cè)模型動(dòng)態(tài)更新，模型更新步長(zhǎng)與預(yù)測(cè)步長(zhǎng)為1 個(gè)月。案例油藏生產(chǎn)應(yīng)用過(guò)程中的日產(chǎn)油水平、綜合含水率實(shí)際值與預(yù)測(cè)值進(jìn)行計(jì)算輸出。

油藏1、油藏2 投產(chǎn)時(shí)間分別為2007 年6 月、2005 年2 月，產(chǎn)量指標(biāo)預(yù)測(cè)應(yīng)用統(tǒng)計(jì)結(jié)束日期為2022 年1 月。油藏生產(chǎn)應(yīng)用過(guò)程利用所述技術(shù)構(gòu)建了日產(chǎn)油水平、綜合含水率動(dòng)態(tài)預(yù)測(cè)模型，進(jìn)行產(chǎn)量指標(biāo)的預(yù)測(cè)。如圖4、圖5 所示，針對(duì)日產(chǎn)油水平的預(yù)測(cè)，無(wú)論是前5 年的初始模型(即未進(jìn)行動(dòng)態(tài)更新的靜態(tài)訓(xùn)練模型)的應(yīng)用結(jié)果，還是后續(xù)生產(chǎn)時(shí)間持續(xù)的動(dòng)態(tài)更新模型的應(yīng)用結(jié)果，整體預(yù)測(cè)效果較好，平均擬合優(yōu)度分別達(dá)0.967、0.982，展現(xiàn)了良好的準(zhǔn)確率與實(shí)用性。同時(shí)，如圖6、圖7 所示，針對(duì)綜合含水率的預(yù)測(cè)，利用所述方法構(gòu)建的模型，可隨著新增生產(chǎn)數(shù)據(jù)的錄入，及時(shí)地完成模型更新與指標(biāo)預(yù)測(cè)，實(shí)現(xiàn)了預(yù)測(cè)指標(biāo)的準(zhǔn)確率隨模型的更新進(jìn)行優(yōu)化特點(diǎn)，以及整體預(yù)測(cè)效果提升的優(yōu)勢(shì)。可見(jiàn)，基于多參數(shù)LSTM 及粒子群優(yōu)化算法的油藏產(chǎn)量動(dòng)態(tài)預(yù)測(cè)模型在實(shí)際油藏案例中的應(yīng)用中，預(yù)測(cè)準(zhǔn)確率較高，可滿足生產(chǎn)應(yīng)用產(chǎn)量預(yù)測(cè)的需求。其中，R2表示生產(chǎn)時(shí)間內(nèi)的平均擬合優(yōu)度。

圖4 油藏1 日產(chǎn)油水平計(jì)算模型應(yīng)用效果Fig. 4 Application of oil production rate model in Case 1

圖5 油藏2 日產(chǎn)油水平計(jì)算模型應(yīng)用效果Fig. 5 Application of oil production rate model in Case 2

圖6 油藏1 綜合含水率計(jì)算模型應(yīng)用效果Fig. 6 Application of comprehensive water cut model in Case 1

圖7 油藏2 綜合含水率模型應(yīng)用效果Fig. 7 Application of comprehensive water cut model in Case 2

3 結(jié)論

(1)基于多參數(shù)時(shí)間序列的LSTM 模型，綜合考慮多個(gè)參數(shù)維度對(duì)目標(biāo)參數(shù)未來(lái)趨勢(shì)的影響，進(jìn)而提升油藏產(chǎn)量預(yù)測(cè)的準(zhǔn)確率。同時(shí)，模型能分析出各維度參數(shù)對(duì)油藏產(chǎn)量的影響因素權(quán)重值，從而在輔助實(shí)際生產(chǎn)中，可以調(diào)整重要因素達(dá)到影響未來(lái)油藏產(chǎn)量走勢(shì)。在不同的生產(chǎn)應(yīng)用場(chǎng)景下，針對(duì)同一套參數(shù)的LSTM 模型無(wú)法完全適配生產(chǎn)數(shù)據(jù)的變化趨勢(shì)情況，引入粒子群優(yōu)化算法，具有保持油藏產(chǎn)量預(yù)測(cè)模型在時(shí)間維度上的動(dòng)態(tài)最優(yōu)性特點(diǎn)。

(2)油藏產(chǎn)量是隨時(shí)間動(dòng)態(tài)變化的生產(chǎn)指標(biāo)，基于LSTM 的動(dòng)態(tài)預(yù)測(cè)模型在考慮油藏生產(chǎn)歷史數(shù)據(jù)的同時(shí)，將新增生產(chǎn)數(shù)據(jù)與歷史訓(xùn)練模型進(jìn)行信息融合，實(shí)現(xiàn)預(yù)測(cè)模型的動(dòng)態(tài)建模與模型更新。對(duì)于生產(chǎn)歷史較短、樣本量較少等情況的生產(chǎn)數(shù)據(jù)，動(dòng)態(tài)更新預(yù)測(cè)模型不僅可快速完成日產(chǎn)油水平、綜合含水率等指標(biāo)參數(shù)的預(yù)測(cè)，還能不斷優(yōu)化預(yù)測(cè)結(jié)果的準(zhǔn)確率。

(3)在實(shí)際油藏生產(chǎn)的應(yīng)用過(guò)程中，針對(duì)油藏產(chǎn)量預(yù)測(cè)模型構(gòu)建過(guò)程未考慮多個(gè)參數(shù)作用的影響、未對(duì)時(shí)間序列模型調(diào)參優(yōu)化、未隨時(shí)間動(dòng)態(tài)更新模型等問(wèn)題。通過(guò)基于多參數(shù)時(shí)間序列的LSTM 模型及粒子群優(yōu)化算法的油藏產(chǎn)量動(dòng)態(tài)預(yù)測(cè)的方法，既能考慮多參數(shù)對(duì)產(chǎn)量指標(biāo)預(yù)測(cè)的影響，又能動(dòng)態(tài)地進(jìn)行模型優(yōu)化與更新，較好地解決了上述問(wèn)題，從而進(jìn)一步提升了油藏產(chǎn)量預(yù)測(cè)的準(zhǔn)確率與實(shí)用性。該方法不僅可為產(chǎn)量指標(biāo)的預(yù)測(cè)提供方案，還可為油藏配產(chǎn)方案設(shè)計(jì)、經(jīng)濟(jì)評(píng)價(jià)等環(huán)節(jié)提供技術(shù)支撐，展現(xiàn)出了較好的應(yīng)用價(jià)值。