一种基于深度学习的气藏开发规律预测方法及系统技术方案

本发明专利技术公开了一种基于深度学习的气藏开发规律预测方法及系统，其特征在于，包括以下步骤：步骤S1、基于开发主控特征对气藏井进行分类为多个气藏类型；步骤S2、通过数据前处理依次在每个类型的气藏井中获取时间序列数据集；步骤S3、基于长短期记忆神经网络模型，通过模型训练与优化，分别设计气井稳产期生产动态预测模型和气井递减期生产动态预测模型；步骤S4、基于Python研制气井开发规律深度学习预测模块，基于预测的气藏井未来的生产动态总结出开发规律。本发明专利技术实现基于大数据分析的气藏分类及主控因素分析方法，提出不同类型气藏及气井开发规律深度学习预测模型，进一步揭示不同类型气藏的开发规律。类型气藏的开发规律。类型气藏的开发规律。

【技术实现步骤摘要】
一种基于深度学习的气藏开发规律预测方法及系统


[0001]本专利技术涉及气藏规律分析
，具体涉及一种基于深度学习的气藏开发规律预测方法及系统。

技术介绍

[0002]近年来，国内外科研院所以及石油公司在人工智能及深度学习与油气藏开发的交叉应用上开展了许多研究工作，已经充分证明了该技术在气藏单井开发指标预测上的可行性，为许多传统方法难以处理的问题提供了新的解决方案，也为本项目的进一步深入研究提供了一定的基础。例如水平井的产量预测问题。不同开发区的水平井产量主控因素差异较大，使得基于机理模型的传统产量预测方法泛化能力较弱，在复杂的地质及工程条件下预测效果不够理想。而人工智能及深度学习将产量预测的研究重点从分析油气开发过程中的物理机理上转移到挖掘产量的数据特征上，从而获得更具普适性的预测模型，解决传统机理预测方法对模型及数据条件过度依赖的问题。学习作为一种重要的数据回归和分类手段已在很多领域得到了应用，也逐渐成为水平井产量预测中的一种重要方法。
[0003]目前，虽然很多研究使用了人工智能及深度学习进行产量预测，但存在一些欠缺。1)模型本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于深度学习的气藏开发规律预测方法，其特征在于，包括以下步骤：步骤S1、在气藏井的地质数据、测井数据、开发数据和工程数据中提取出开发特征，并对开发特征依次进行线性相关性分析和特征选择得到表征气藏井的开发主控因素的开发主控特征，再基于开发主控特征对气藏井进行分类为多个气藏井类型；步骤S2、收集气藏井的在气井稳产期和气井递减期的生产动态数据，通过数据预处理，依次获得每个气藏类型的气藏井中的稳产期时间序列数据集和递减期时间序列数据集，所述生产动态数据包括产气量、产水量及含水量；步骤S3、利用长短期记忆神经网络模型基于所述时间序列数据集，通过模型训练与优化，分别设计出气井稳产期生产动态预测模型和气井递减期生产动态预测模型，以预测出气藏井未来的生产动态；步骤S4、基于Python研制气井开发规律深度学习预测模块，基于所述气藏井未来的生产动态总结出开发规律。2.根据权利要求1所述的一种基于深度学习的气藏开发规律预测方法，其特征在于：所述基于开发主控特征对气藏井进行分类为多个气藏类型，包括：在开发特征中选择影响气藏井产气和产水的地质、开发及工程方面的指标及参数值，所述指标包括井口/井底压力、压裂工艺、储层物性，所述压裂工艺包括加砂量、返排液量、压裂液掺氢量，所述储层物性包括孔隙度、渗透率；运用皮尔逊相关系数法对各个指标与产气、产水量之间的相关性进行分析以在各个指标中筛选出所述开发主控特征，再采用离差平方和法进行系统聚类以得到各个开发主控特征的量化得分；依次统计各个气藏井在所有开发主控特征上的得分范围，并将在开发主控特征上的得分范围相似的气藏井划归一类，以将各个气藏井分类为多个气藏类型。3.根据权利要求2所述的一种基于深度学习的气藏开发规律预测方法，其特征在于：所述稳产期时间序列数据集和递减期时间序列数据集的获得，包括：在气藏井的气井稳产期中提取出位于一段连续时序上的一组生产动态数据作为稳产期生产动态数据，以及在气藏井的气井递减期中提取出位于一段连续时序上的一组生产动态数据作为递减期生产动态数据；采用Savitzky
‑
Golay滤波器对气藏井的稳产期生产动态数据和递减期生产动态数据，以消除数据噪声；将所述稳产期生产动态数据和递减期生产动态数据分别进行归一化处理，以消除各个时序数据间的量纲误差；将归一化的稳产期生产动态数据依预设时间步长进行离散时序组合，以将一段连续时序上的稳产期生产动态数据分割为多个稳产期短时间序列，在每个稳产期短时间序列中时序最大值对应的稳产期生产动态数据作为稳产期预测目标，以及将稳产期预测目标前置时序上的所有稳产期生产动态数据作为稳产期预测输入，将稳产期短时间序列中的稳产期预测输入和稳产期预测目标组合依时序进行排列得到稳产期时间序列数据集；将归一化的递减期生产动态数据依预设时间步长进行离散时序组合，以将一段连续时序上的递减期生产动态数据分割为多个递减期短时间序列，在每个递减期短时间序列中时序最大值对应的递减期生产动态数据作为递减期预测目标，以及将递减期预测目标前置时
序上的所有递减期生产动态数据作为递减期预测输入，将递减期短时间序列中的递减期预测输入和递减期预测目标组合依时序进行排列得到递减期时间序列数据集。4.根据权利要求3所述的一种基于深度学习的气藏开发规律预测方法，其特征在于：所述气井稳产期生产动态预测模型构建方法包括：将稳产期时间序列数据集的前60％～70％的数据用作稳产期训练集，对长短期记忆神经网络模型进行训练，稳产期将时间序列数据集中在训练集之后的10％～15％的数据用作稳产期测试集，在稳产期测试集上对长短期记忆神经网络模型进行测试，验证长短期记忆神经网络模型的效果并根据测试...

【专利技术属性】
技术研发人员：高大鹏，
申请(专利权)人：中国科学院力学研究所，
类型：发明
国别省市：