摘要
准确的预测油井产油量在油田生产中是十分必要的，油井工作人员通过预测油井产油量来提高油井产油效率、降低经济成本。油井数据往往包含大量干扰信息，并容易受到天气、采油设备等因素的影响。如何通过深度学习技术对未来油井产油量进行准确的预测，是近年深度学习在石油领域研究的热点问题。因此提出了基于深度学习的油井产油量预测算法。主要研究内容如下: (1)构建一种基于时间序列分解和长短期神经网络(Long Short Term Memory)的油井产油量预测算法。针对目前已有的油井产油量预测算法存在适应性差、数据利用率低、预测精度不高等问题。在递归神经网络（Recurrent Neural Networks）的基础上，通过LSTM对油井产油量的时间序列数据建模，并作为基准模型，且在该网络之前引入时间序列分解方法STL，用来去除模型的残差噪声，构建STL-LSTM算法。首先在STL分解阶段把油井产油量数据分解为趋势项、周期项和余项。然后使用Adam优化后的LSTM对前两项进行预测，最后整合。实验结果表明，提出的STL-LSTM模型性能有一定的提高。该算法在H1井中的RMSE、MAE、MAPE分别为0.1404、0.1264、5.4294，较基准LSTM算法分别优化12.5％、14.5％、16.7％。 (2)构建一种基于注意力机制、卷积神经网络(Convolutional Neural Networks)和LSTM的油井产油量预测算法，即Attention-CNN-LSTM算法。首先使用Attention模块来获取油井产油量数据中各维度对预测结果的影响权重，然后使用CNN模块来处理数据中空间分量对预测结果的影响，从而提取更高维的抽象信息，最后使用LSTM处理油井产油量数据，并将其连接到1×1的全连接层中并输出该算法的预测结果。经过实验表明，该算法在T1井中的RMSE、MAE、MAPE比STL-LSTM算法分别优化46％、53.2％、99.5％。 将提出的模型应用在我国南方某油田T断块和H断块中T1、T2和H1、H2四口油井数据上，并加入基本的CNN、RNN、LSTM作为基准模型。综合实验结果证明，提出的深度学习算法在油井产油量预测中的预测能力相比其他方法都有所提升。提出的算法为油井产油量预测提供了重要的理论和技术支持，具有一定的理论意义和应用价值，同时对油田领域的开发也具有一定的现实意义。
NETL