首页|基于多变量时间序列模型的高含水期产量预测方法

基于多变量时间序列模型的高含水期产量预测方法

Prediction of production during high water-cut period based on multivariate time series model

扫码查看
原文链接
  • 国家科技期刊平台
  • NETL
  • NSTL
  • 维普
  • 万方数据
针对油田高含水期地质条件复杂、地层物性变化多样导致产量预测正确率低的问题,提出一种基于多变量时间序列模型即多变量长短期记忆神经网络(LSTM)的产量预测方法.在基于极限梯度提升算法(XGBoost)筛选产量主控因素的基础上,建立综合考虑产量与地质、开发等影响因素之间相关性特征,并兼顾产量自身的时序性变化特征的产量预测模型;实验选取中国某中高渗透砂岩区块油田生产历史数据进行高含水期产量预测模型的训练和测试,并与单变量长短时记忆模型以及其他全连接网络模型结果进行比较.结果表明:该方法具有较好的预测性能,新模型克服了传统全连接神经网络无法描述产量时序数据相关性,以及单变量LSTM无法表征高含水期产量变化受多因素影响的问题,有效地提高了油田高含水期产量预测的准确性.

production predictionhigh water-cut periodlong short-term memory neural networkXGBoost

刘合、李艳春、杜庆龙、贾德利、王素玲、乔美霞、屈如意

展开 >

东北石油大学机械科学与工程学院,黑龙江大庆 163318

中国石油勘探开发研究院,北京 100083

大庆油田有限责任公司勘探开发研究院,黑龙江大庆 163712

产量预测 高含水期 长短期记忆神经网络 极限梯度提升算法

国家自然科学基金科学中心项目国家自然科学基金面上项目

7208810152074345

2023

10.3969/j.issn.1673-5005.2023.05.010

中国石油大学学报(自然科学版)
中国石油大学

中国石油大学学报(自然科学版)

CSTPCDCSCD北大核心
影响因子：1.169
ISSN：1673-5005
年,卷(期)：2023.47(5)
  • 1
  • 23