基于循环神经网络的油田特高含水期产量预测方法

发布时间：2023-12-09 08:12

　　根据油田生产历史数据利用深度学习方法预测油田特高含水期产量,并进行了实验验证和应用效果分析。考虑到传统全连接神经网络(FCNN)无法描述时间序列数据的相关性,基于一种循环神经网络(RNN)即长短期记忆神经网络(LSTM)来构建油田产量预测模型。该模型不仅考虑了产量指标与其影响因素之间的联系,还兼顾了产量随时间变化的趋势和前后关联。利用国内某中高渗透砂岩水驱开发油田生产历史数据进行特高含水期产量预测,并与传统水驱曲线方法和FCNN的预测结果比较,发现基于深度学习的LSTM预测精度更高,针对油田生产中复杂时间序列的预测结果更准确。利用LSTM模型预测了另外两个油田的月产油量,预测结果较好,验证了方法的通用性。图3表3参40

【文章页数】：7 页

【文章目录】：
0 引言
1 原理与方法
    1.1 长短期记忆神经网络
    1.2 特征选择
2 数据预处理与模型训练
    2.1 影响因素分析
    2.2 数据标准化
    2.3 样本集构造
        2.3.1 特征向量构造
        2.3.2 时间序列化数据构造
        2.3.3 样本数据集构造
        2.3.4 数据集划分
    2.4 评价指标
    2.5 模型训练与自动调优
        2.5.1 模型训练
        2.5.2 参数自动调优
3 结果与讨论
    3.1 实验结果
    3.2 讨论
4 结语
符号注释：



本文编号：3871180