【技术实现步骤摘要】
一种基于静态油气田数据的新井动态产量预测方法
[0001]本专利技术涉及油气开采
，更为具体地，涉及一种基于静态油气田数据的新井动态产量预测方法。
技术介绍
[0002]在油气田区块的实际开发中已包含很多成熟的动静态产量预测方法。在预测油气井产能方面，近十年来应用次数较多的机器学习的方法包括多元回归分析、RF模型以及神经网络等，而其他机器学习的方法如支持向量回归(SVM)、梯度提升回归(GBM)等模型也有所涉及。Alatrach等人选取了位于阿联酋阿布扎比的一个低渗透碳酸盐油气藏，通过分析将井位坐标、静态信息(TVD，初始饱和度等)等参数输入到了ANN预测模型中，并将油、气以及水的产量、储层压力与水饱和度作为模型的输出参数，分别建立模型进行了预测，最终表明了神经网络模型的有良好的非线性拟合性。Chakra等人为了克服传统神经网络在油气产量预测方面的局限性，应用高阶神经网络(HONN)对累积产油量进行预测。所建立的高阶神经网络模型克服了传统方法的局限性，它可以对线性数据以及非线性数据分别进行表征。谷建伟等人为了解决常规产...
【技术保护点】
【技术特征摘要】
1.一种基于静态油气田数据的新井动态产量预测方法，其特征在于，包括以下步骤：步骤S1：油气井静态数据的汇总与预处理；步骤S2：进行BP神经网络累产量预测模型的训练与模型超参数的优化；步骤S3：进行BP
‑
LSTM月产量预测模型的训练并优化模型超参数；步骤S4：经过反归一化处理得到新井动态月产量数据的预测值。2.根据权利要求1所述的基于静态油气田数据的新井动态产量预测方法，其特征在于：在所述步骤S1中，所述油气井静态数据包括静态油气田数据以及每口井的累产量数据，并对所述油气井数据进行无量纲化处理，计算公式为：式中，x为样本数据，无因次，μ为样本数据的均值，无因次，σ为样本数据的标准差，无因次，x
′
为无量纲化之后的数据，无因次。3.根据权利要求2所述的基于静态油气田数据的新井动态产量预测方法，其特征在于：在所述步骤S2中，所述BP神经网络累产量预测模型的训练方法为：在隐藏层中选择relu作为中间的激活函数；在输出层选择sigmoid作为激活函数，所述sigmoid可以将输出向量映射到0到1之间方便计算与处理。4.根据权利要求3所述的基于静态油气田数据的新井动态产量预测方法，其特征在于：在所述步骤S2中，所述隐藏层中的激活函数为：式中，x为神经网络隐藏层计算得到的数据，无因次。5.根据权利要求4所述的基于静态油气田数据的新井动态产量预测方法，其特征在于：在所述步骤S2中，所述输出层中的激活函数为：式中，x为神经网络输出层计算得到的数据，无因次。6.根据权利要求5所述的基于静态油气田数据的新井动态产量预测方法，其特征在于：在所述步骤S2中，所述BP神经网络累产...
【专利技术属性】
技术研发人员：罗怡雯，田志欣，
申请(专利权)人：北京中地金石科技有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。