本发明专利技术公开了一种致密油压裂水平井的产量预测方法、装置和计算机设备。其中，该方法包括：获取目标水平井的N相历史产量数据，其中，N相历史产量数据包括在历史时间段内目标水平井产出的N种类型的流体各自的产量；将N相历史产量数据输入产量预测模型，由产量预测模型输出N相目标产量数据，其中，N相目标产量数据包括在目标时间段内目标水平井产出的N种类型的流体各自的产量，产量预测模型为包括N个子模型的多任务深度学习模型，N个子模型分别对N种类型的流体各自的产量进行预测。本发明专利技术解决了由于相关技术中仅能预测单一种类的流体的产量造成的产量预测结果不能与实际开采情况相适应的技术问题。适应的技术问题。适应的技术问题。
【技术实现步骤摘要】
致密油压裂水平井的产量预测方法、装置和计算机设备
[0001]本专利技术涉及油气田开发
，具体而言，涉及一种致密油压裂水平井的产量预测方法、装置和计算机设备。需要说明的是，本申请提供的产量预测方法可以预测多种类型的油气井的产量，不仅限制于预测致密油压裂水平井的产量。
技术介绍
[0002]产量预测对于非常规资源的经济勘探和开发至关重要，尤其是在压裂设计、经济评价和决策中。随着计算机科学的快速发展和油田数据的爆炸性积累，机器学习凭借其强大的非线性逼近能力在石油工业中得到了广泛的应用。为了估计动态时间序列产量，将递归神经网络及其变体，即长短期记忆、门控递归单元和双向门控递归单位引入基于机器学习的方法中，该方法可以根据以前的历史产量数据预测未来产量。凭借强大的记忆能力，时序神经网络模型及其变体已成功应用于与时间序列预测相关的许多行业。在油气井的时间序列产量预测中，已经进行了许多研究。
[0003]相关技术中的产量预测方法仅能预测单一种类的流体的产量，而实际油气井开采时，油气井的产量不是单一种类的流体，导致相关技术中的产量预测方法不能与实际开采情况相适应。
[0004]针对上述的问题，目前尚未提出有效的解决方案。
技术实现思路
[0005]本专利技术实施例提供了一种致密油压裂水平井的产量预测方法、装置和计算机设备，以至少解决由于相关技术中仅能预测单一种类的流体的产量造成的产量预测结果不能与实际开采情况相适应的技术问题。
[0006]根据本专利技术实施例的一个方面，提供了一种致密油压裂水平井的产量预测方法，包括：获取目标水平井的N相历史产量数据，其中，N相历史产量数据包括在历史时间段内目标水平井产出的N种类型的流体各自的产量；将N相历史产量数据输入产量预测模型，由产量预测模型输出N相目标产量数据，其中，N相目标产量数据包括在目标时间段内目标水平井产出的N种类型的流体各自的产量，产量预测模型为包括N个子模型的多任务深度学习模型，N个子模型分别对N种类型的流体各自的产量进行预测。
[0007]可选地，将N相历史产量数据输入产量预测模型，由产量预测模型输出N相目标产量数据，包括：将N相历史产量数据分别输入N个子模型，由N个子模型分别输出对N种类型的流体各自的产量的初步预测值；将N种类型的流体各自的产量的初步预测值输入信息共享模块，由信息共享模块输出N相目标产量数据，其中，产量预测模块包括信息共享模块，信息共享模块用于将N种类型的流体各自的产量的初步预测值中的信息进行共享。
[0008]可选地，产量预测模型为通过如下方式训练的模型：获取训练水平井产出的L组M相原始产量数据，其中，L组M相原始产量数据为训练水平井分别在L个训练时间段产出的M相原始产量数据，其中，M相原始产量数据包括M种类型的流体各自的产量，M为不小于N的整
数，L为大于1的整数；在L组M相原始产量数据中，确定N种类型的流体的产量数据为L组N相训练产量数据；根据L组N相训练产量数据，生成K组训练样本，其中，K为大于1的整数；根据K组训练样本，训练原始产量预测模型，得到产量预测模型，其中，原始产量预测模型是产量预测模型的原始模型，原始产量预测模型包括N个原始子模型。
[0009]可选地，在L组M相原始产量数据中，确定N种类型的流体的产量数据为L组N相训练产量数据之前，还包括：在L组M相原始产量数据中的M种类型的流体中，确定目标类型的流体；确定目标类型的流体与M种类型的流体中其他类型的流体的相关度；确定目标类型的流体以及相关度符合预定条件的流体为N种类型的流体。
[0010]可选地，根据L组N相训练产量数据，生成K组训练样本，包括：获取与L组N相训练产量数据一一对应的L个训练时间段；在L个训练时间段中，确定K个训练历史时间段，以及与K个训练历史时间段一一对应的K个训练预测时间段；根据K个训练历史时间段对应的N相训练产量数据，以及K个训练预测时间段对应的N相训练产量数据，生成K组训练样本，其中，K组训练样本中每组训练样本包括训练历史时间段内训练水平井的N相训练产量数据，以及与训练历史时间段对应的训练预测时间段内训练水平井的N相训练产量数据。
[0011]可选地，根据K组训练样本，训练原始产量预测模型，得到产量预测模型，包括：设置多任务损失函数；采用K组训练样本训练原始产量预测模型，并确定多任务损失函数的值；确定多任务损失函数的值符合迭代条件的模型为产量预测模型。
[0012]可选地，N个子模型包括双向门控循环单元神经网络模型。
[0013]根据本专利技术实施例的另一方面，还提供了一种致密油压裂水平井的产量预测装置，包括：获取模块，用于获取目标水平井的N相历史产量数据，其中，N相历史产量数据包括在历史时间段内目标水平井产出的N种类型的流体各自的产量；预测模块，用于将N相历史产量数据输入产量预测模型，由产量预测模型输出N相目标产量数据，其中，N相目标产量数据包括在目标时间段内目标水平井产出的N种类型的流体各自的产量，产量预测模型为包括N个子模型的多任务深度学习模型，N个子模型分别对N种类型的流体各自的产量进行预测。
[0014]根据本专利技术实施例的又一方面，还提供了一种非易失性存储介质，非易失性存储介质包括存储的程序，其中，在程序运行时控制非易失性存储介质所在设备执行上述中任意一项致密油压裂水平井的产量预测方法。
[0015]根据本专利技术实施例的再一方面，还提供了一种计算机设备，计算机设备包括处理器，处理器用于运行程序，其中，程序运行时执行上述中任意一项致密油压裂水平井的产量预测方法。
[0016]在本专利技术实施例中，采用将多任务深度学习模型训练为产量预测模型的方式，通过获取目标水平井的N相历史产量数据，其中，N相历史产量数据包括在历史时间段内目标水平井产出的N种类型的流体各自的产量；将N相历史产量数据输入产量预测模型，由产量预测模型输出N相目标产量数据，其中，N相目标产量数据包括在目标时间段内目标水平井产出的N种类型的流体各自的产量，产量预测模型为包括N个子模型的多任务深度学习模型，N个子模型分别对N种类型的流体各自的产量进行预测，达到了对目标水平井产出的N种类型的流体各自的产量进行预测的目的，从而实现了同时预测目标水平井产出的N种类型的流体各自的产量技术效果，进而解决了由于相关技术中仅能预测单一种类的流体的产量
造成的产量预测结果不能与实际开采情况相适应的技术问题。
附图说明
[0017]此处所说明的附图用来提供对本专利技术的进一步理解，构成本申请的一部分，本专利技术的示意性实施例及其说明用于解释本专利技术，并不构成对本专利技术的不当限定。在附图中：
[0018]图1示出了一种用于实现致密油压裂水平井的产量预测方法的计算机终端的硬件结构框图；
[0019]图2是根据本专利技术实施例提供的致密油压裂水平井的产量预测方法的流程示意图；
[0020]图3是根据本专利技术可选实施例提供的产量预测模型的结构示意图；
[0021]图4是根据本专利技术实施例提供的致密油压裂水平井的产量本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种致密油压裂水平井的产量预测方法，其特征在于，包括：获取目标水平井的N相历史产量数据，其中，所述N相历史产量数据包括在历史时间段内所述目标水平井产出的N种类型的流体各自的产量；将所述N相历史产量数据输入产量预测模型，由所述产量预测模型输出N相目标产量数据，其中，所述N相目标产量数据包括在目标时间段内所述目标水平井产出的所述N种类型的流体各自的产量，所述产量预测模型为包括N个子模型的多任务深度学习模型，所述N个子模型分别对所述N种类型的流体各自的产量进行预测。2.根据权利要求1所述的方法，其特征在于，所述将所述N相历史产量数据输入产量预测模型，由所述产量预测模型输出N相目标产量数据，包括：将所述N相历史产量数据分别输入所述N个子模型，由所述N个子模型分别输出对所述N种类型的流体各自的产量的初步预测值；将所述N种类型的流体各自的产量的初步预测值输入信息共享模块，由所述信息共享模块输出所述N相目标产量数据，其中，所述产量预测模块包括所述信息共享模块，所述信息共享模块用于将所述N种类型的流体各自的产量的初步预测值中的信息进行共享。3.根据权利要求1所述的方法，其特征在于，所述产量预测模型为通过如下方式训练的模型：获取训练水平井产出的L组M相原始产量数据，其中，所述L组M相原始产量数据为所述训练水平井分别在L个训练时间段产出的M相原始产量数据，其中，所述M相原始产量数据包括M种类型的流体各自的产量，M为不小于N的整数，L为大于1的整数；在所述L组M相原始产量数据中，确定所述N种类型的流体的产量数据为L组N相训练产量数据；根据所述L组N相训练产量数据，生成K组训练样本，其中，K为大于1的整数；根据所述K组训练样本，训练原始产量预测模型，得到所述产量预测模型，其中，所述原始产量预测模型是所述产量预测模型的原始模型，所述原始产量预测模型包括N个原始子模型。4.根据权利要求3所述的方法，其特征在于，在所述L组M相原始产量数据中，确定所述N种类型的流体的产量数据为L组N相训练产量数据之前，还包括：在所述L组M相原始产量数据中的所述M种类型的流体中，确定目标类型的流体；确定所述目标类型的流体与所述M种类型的流体中其他类型的流体的相关度；确定所述目标类型的流体以及相关度符合预定条件的流体为所...
【专利技术属性】
技术研发人员：肖聪，马新仿，李雪晨，张士诚，牟建业，王飞，王雷，邹雨时，张景臣，
申请(专利权)人：中国石油大学北京，
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。