一种基于数据驱动的煤层气产量预测方法及系统技术方案

本发明专利技术涉及一种基于数据驱动的煤层气产量预测方法及系统，首先获取待预测生产井的煤层气动态产量历史数据以及待预测生产井的煤层气产量预测相关数据；根据所述煤层气动态产量历史数据，确定所述待预测生产井所属的生产井类型；然后选取与所述生产井类型对应的训练好的煤层气产量预测模型为目标模型；最后将所述待预测生产井的煤层气产量预测相关数据输入所述目标模型，获得待预测生产井的产量数据。本发明专利技术通过获取煤层气开采现场最容易获取的也是最有价值的监测数据，根据该部分数据，并利用机器学习方法训练的产量预测模型来计算煤层气产量，减小了数据获取时间，提高了煤层气产量预测速度。层气产量预测速度。层气产量预测速度。

【技术实现步骤摘要】
一种基于数据驱动的煤层气产量预测方法及系统


[0001]本专利技术涉及油气田开发领域，特别是涉及一种基于数据驱动的煤层气产量预测方法及系统。

技术介绍

[0002]当前，世界能源消费格局正在从以传统化石能源为代表的煤炭、石油向以清洁能源为代表的天然气转变。煤层气作为清洁能源的重要组成部分，具有丰富的储量以及广阔的开发前景，对全球可持续发展和自然环境保护具有战略意义。在非常规油气资源的长期开发过程中，对产量的精准预测是评估油藏开发、优化生产措施、调整注采方案、制定二次开发策略的基础，直接影响储层开发的经济性、高效性和可持续性。然而，由于其独特的吸附
‑
解吸规律以及复杂的流动传输机理，使得煤层气的产量预测更具挑战性。
[0003]传统的基于物理驱动的方法主要包括了递减曲线分析以及数值模拟，递减曲线分析无法适应复杂的地质构造以及多场耦合，表现出了过于理想化的预测结果。数值模拟的地质建模需要依赖地质参数和流体数据，这些数据往往需要消耗大量的时间和资源去获取，而且数值模拟技术需要根据专家经验通过大量的调参来进行历史拟合。因此，目前传统数值模拟技术以及递减曲线分析法无法快速、准确的预测煤层气藏产量。

技术实现思路

[0004]本专利技术的目的是提供一种基于数据驱动的煤层气产量预测方法及系统，基于煤层气采集现场最容易获取也是最有价值的监测数据，通过机器学习手段建立自主学习模型，可以自动捕获并学习数据中的隐含特征，进而更加快速和精准预测煤层气产量。
[0005]为实现上述目的，本专利技术提供了如下方案：
[0006]一种基于数据驱动的煤层气产量预测方法，包括：
[0007]获取待预测生产井的煤层气动态产量历史数据以及待预测生产井的煤层气产量预测相关数据；所述煤层气产量预测相关数据包括动态相关历史数据和静态相关数据；所述动态相关历史数据包括历史井底流压、历史产气量、历史产水量、历史油压、历史管压、历史动液面、累产油量以及累产水量；所述静态相关数据包括压裂后的渗透率、原始含气量、地应力以及储层厚度；
[0008]根据所述煤层气动态产量历史数据，确定所述待预测生产井所属的生产井类型；所述生产井类型包括：常规生产井、单峰生产井、双峰生产井以及无规则生产井；所述常规生产井为产量依次经历增产期、稳产期和减产期三个阶段的生产井；所述单峰生产井为稳产期时间小于设定阈值或稳产期时间为零的生产井；所述双峰生产井为包含两个增产期和两个减产器，且稳产期时间小于设定阈值或稳产期时间为零的生产井；所述无规则生产井为不属于所述常规生产井、所述单峰生产井和所述双峰生产井的生产井；
[0009]选取与所述生产井类型对应的训练好的煤层气产量预测模型为目标模型；所述训练好的煤层气产量预测模型为以样本生产井的煤层气产量预测相关数据为输入，以样本生
产井的煤层气实际产量数据为标签训练得到的模型；所述训练好的煤层气产量预测模型采用双向长短时记忆网络模型；
[0010]将所述待预测生产井的煤层气产量预测相关数据输入所述目标模型，获得待预测生产井的产量数据；所述产量数据包括井底流压、产气量和产水量。
[0011]可选的，所述选取与所述生产井类型对应的训练好的煤层气产量预测模型为目标模型之前，所述方法还包括对所述煤层气产量预测模型进行训练，训练过程如下：
[0012]获取样本生产井的煤层气产量预测相关数据以及样本生产井的煤层气实际产量数据；所述样本生产井中包含所述常规生产井、所述单峰生产井、所述双峰生产井以及所述无规则生产井；
[0013]针对每一生产井类型的样本生产井，以所述样本生产井的煤层气产量预测相关数据为输入，以所述样本生产井的煤层气实际产量数据为标签，对所述煤层气产量预测模型进行训练，得到所述生产井类型对应的训练好的煤层气产量预测模型。
[0014]可选的，所述训练过程的损失函数为：
[0015]L
tol
＝μLs+τLd
[0016]其中，L
tol
为总损失；L
d
和L
s
分别表示动态损失和静态损失；μ和τ分别表示静态损失和动态损失的系数，μ+τ＝1；
[0017]动态损失为：
[0018][0019]其中，Net代表双向长短时记忆网络通过链式求导法则和反向传播算法计算过程；Net
Pw
为基于煤层气产量预测模型预测的井底流压；Net
Qg
为基于煤层气产量预测模型预测的产气量；Net
Qw
为基于煤层气产量预测模型预测的产水量；N为总样本数量；R
Pw
表示真实的井底流压值；R
Qg
表示真实的产气量值；R
Qw
表示真实的产水量值；
[0020]静态损失为：
[0021][0022]其中，K为压裂后的渗透率；Gc为原始含气量；Gs为地应力；Rt为储层厚度。
[0023]可选的，所述获取样本生产井的煤层气产量预测相关数据以及样本生产井的煤层气实际产量数据之前，所述方法还包括选取样本生产井，选取方法如下：
[0024]利用评估参数对待选样本生产井的开发状态进行评估，获得评估结果；所述评估参数包括开发时间、生产能力以及有效时间占比；
[0025]选取评估结果符合预设条件的待选样本生产井为目标样本生产井。
[0026]通过上述方法可以去除生产状况较差的生产井，进而去除生产状况较差生产井对
应的质量较差的数据，能够提高模型的预测精度。
[0027]可选的，所述获取样本生产井的煤层气产量预测相关数据以及样本生产井的煤层气实际产量数据之后，所述方法还包括：对所述样本数据进行预处理；所述样本数据包括所述样本生产井的煤层气产量预测相关数据以及样本生产井的煤层气实际产量数据。
[0028]可选的，所述对所述样本数据进行预处理包括：
[0029]检测所述样本数据中的异常值；
[0030]将所述异常值从所述样本数据中删除。
[0031]通过检测并删除样本数据中的异常值，能够提高样本数据的质量，进而提高产量预测模型的预测精度。
[0032]可选的，所述对所述样本数据进行预处理还包括将所述样本数据中的缺失值进行补全：
[0033]确定所述样本数据中的缺失段数据；所述缺失段数据包括产气量和产水量；
[0034]获取所述缺失段数据对应的缺失段补全相关数据；所述缺失段补全相关数据用于计算缺失段数据；所述缺失段补全相关数据包括井底流压、油压、管压和动液面；
[0035]将所述缺失段补全相关数据输入训练好的补全模型中，获得所述缺失段数据对应的数值；所述训练好的补全模型是以正常数据中的井底流压、油压、管压和动液面为输入，以正常数据中的产气量和产水量为标签训练得到的模型。
[0036]本专利技术还提供了一种基于数据驱动的煤层气产量预测系统，包括：
[0037]待预测生产井的数据获取模块，用本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于数据驱动的煤层气产量预测方法，其特征在于，包括：获取待预测生产井的煤层气动态产量历史数据以及待预测生产井的煤层气产量预测相关数据；所述煤层气产量预测相关数据包括动态相关历史数据和静态相关数据；所述动态相关历史数据包括历史井底流压、历史产气量、历史产水量、历史油压、历史管压、历史动液面、累产油量以及累产水量；所述静态相关数据包括压裂后的渗透率、原始含气量、地应力以及储层厚度；根据所述煤层气动态产量历史数据，确定所述待预测生产井所属的生产井类型；所述生产井类型包括：常规生产井、单峰生产井、双峰生产井以及无规则生产井；所述常规生产井为产量依次经历增产期、稳产期和减产期三个阶段的生产井；所述单峰生产井为稳产期时间小于设定阈值或稳产期时间为零的生产井；所述双峰生产井为包含两个增产期和两个减产器，且稳产期时间小于设定阈值或稳产期时间为零的生产井；所述无规则生产井为不属于所述常规生产井、所述单峰生产井和所述双峰生产井的生产井；选取与所述生产井类型对应的训练好的煤层气产量预测模型为目标模型；所述训练好的煤层气产量预测模型为以样本生产井的煤层气产量预测相关数据为输入，以样本生产井的煤层气实际产量数据为标签训练得到的模型；所述训练好的煤层气产量预测模型采用双向长短时记忆网络模型；将所述待预测生产井的煤层气产量预测相关数据输入所述目标模型，获得待预测生产井的产量数据；所述产量数据包括井底流压、产气量和产水量。2.根据权利要求1所述的方法，其特征在于，所述选取与所述生产井类型对应的训练好的煤层气产量预测模型为目标模型之前，所述方法还包括对所述煤层气产量预测模型进行训练，训练过程如下：获取样本生产井的煤层气产量预测相关数据以及样本生产井的煤层气实际产量数据；所述样本生产井中包含所述常规生产井、所述单峰生产井、所述双峰生产井以及所述无规则生产井；针对每一生产井类型的样本生产井，以所述样本生产井的煤层气产量预测相关数据为输入，以所述样本生产井的煤层气实际产量数据为标签，对所述煤层气产量预测模型进行训练，得到所述生产井类型对应的训练好的煤层气产量预测模型。3.根据权利要求2所述的方法，其特征在于，所述训练过程的损失函数为：L
tol
＝μLs+τLd其中，L
tol
为总损失；L
d
和L
s
分别表示动态损失和静态损失；μ和τ分别表示静态损失和动态损失的系数，μ+τ＝1；动态损失为：其中，Net代表双向长短时记忆网络通过链式求导法则和反向传播算法计算过程；Net
Pw
为基于煤层气产量预测模型预测的井底流压；Net
Qg
为基于煤层气产量预测模型预测的产气
量；Net
Qw
为基于煤层气产量预测模型预测的产水量；N为总样本数量；R
Pw
表示真实的井底流压值；R
Qg
表示真实的产气量值；R
Qw
表示真实的产水量值；静态损失为：其中，K为压裂后的渗透率；Gc为原始含气量；Gs为地应力；Rt为储层厚度。4.根据权利要求2所述的方法，其特征在于，在所述获取样本生产井的煤层气产量预测相关数据以及样本生产井的煤层气实际产量数据之前，所述方法还包括选取样本生产井，选取方法如下：利用评估参数对待选样本生产井的开发状态进行评估，获得评估结果；所述评估参数包括开发时间、生产能力以及有效时间占比；选取评估结果符合预设条件的所述待选样本生产井为目标样本生产井。5.根据权利要求2所述的方法，其特征在于，所述获取样本生产井的煤层气产量预测相关数据以及样本生产井的煤层...

【专利技术属性】
技术研发人员：都书一，宋鹂影，宋洪庆，王九龙，王玫珠，杨焦生，
申请(专利权)人：北京科技大学，
类型：发明
国别省市：