摘要
在基岩潜山油藏开发过程，油井产能影响因素分析与动态预测是编制开发方案的重要基础，具有极强的现实意义。基岩潜山油藏渗流规律复杂，常规产能预测方法往往假设条件过多，适用条件严格且无法兼顾生产制度的影响。本文结合基岩潜山油藏现场动、静态数据，基于机器学习算法为产能影响因素分析与动态预测提供了一种新的思路。 本文分析了研究区地质、生产概况，建立了学习样本库。利用孤立森林算法删除异常值，通过K近邻算法填补缺失值，来提升学习样本质量。对于处理完的数据，通过自适应Lasso算法对产能的影响因素进行分析和筛选，得出裂缝密度对产能影响最大。结合筛选出的主控因素，利用K-均值聚类算法确定样板井，并通过模糊模式识别进行产能诊断，判断低产井、中产井及高产井。测试结果表明产能诊断模型总体准确率为80.93%，对低产井的识别效果最好。 在油井产能预测中，通过引入油嘴大小、日开井时间等生产制度数据，结合产量相关时间步长和地质数据构成时序数据集，将数据集的前百分之80作为训练集用来训练模型，后20%作为测试集，用来检验模型效果。采用差分自回归移动平均算法（ARIMA）确定时间步长为5，利用循环神经网络（RNN）和长短期记忆神经网络（LSTM）构建考虑生产制度的产能预测模型。分别使用Adam算法，SGD算法和RMSProp算法对RNN和LSTM网络权重进行优化，并通过留一法进行结构参数优选。以平均绝对误差为评价标准，结果表明LSTM产能预测模型效果最好，能准确地反应日产油量动态变化。最后分析了生产制度对LSTM产能预测模型性能的影响，并与不考虑生产制度过程的模型进行对比，结果表明考虑生产制度的LSTM产能预测模型具有更高的精度，能够更准确地表征实际产量的变化。同时考虑生产制度的LSTM产能预测模型能够对开关井、改变油嘴大小等生产制度进行有效地学习，预测生产制度对产量的影响。
NETL