基于循环神经网络的油田特高含水期产量预测方法

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     

基于多参数时间序列及粒子群优化算法的油藏产量动态建模预测方法

在油田开发过程中,油藏产量预测方法的研究对开发方案的动态调整具有重要意义。针对利用机器学习算法进行油藏产量预测过程中,因缺乏考虑时间序列模型的参数调整优化技术,以及新数据叠加进行预测模型动态更新技术,导致产量预测的准确率不高且时效性不强,难以满足实际生产应用需求等问题,研究了基于长短期记忆神经网络模型的多参数时间序列预测方法及粒子群参数优化算法,构建了随时间动态更新的油藏产量预测模型,从而进一步提升油藏产量预测的准确率与实用性,并在长庆油田多个油藏的生产过程中进行了应用。应用结果表明,模型预测结果的准确率较高,且模型具有实时训练和自动更新的特点,在实际生产中展现出了较高的应用价值。     

基于深度学习的地震速度谱自动拾取方法

为了克服人工拾取地震速度谱效率低、耗时长等缺点,提出了一种基于深度学习的地震叠加速度自动拾取方法。其核心是模仿地震数据处理人员在速度谱上拾取速度的行为和过程,实现叠加速度的自动拾取。将速度谱视为图像,并依据所拾取的"时间-速度"对具有时间序列的特点,设计了一个复杂的能用于速度拾取的卷积神经网络(convolutional neural network,CNN)和长短期记忆(long-short term memory,LSTM)模型混合结构神经网络模型。该模型经过训练,可以对输入的速度谱进行自动拾取,并输出"时间-速度"对序列。理论和实际地震数据测试结果表明,相对于基于反演过程的传统速度拾取算法,基于深度学习的地震速度谱自动拾取方法无需附加任何约束和干预,不仅实现了完全自动化的速度拾取,而且具有更高的拾取精度。     

基于LSTM循环神经网络的岩性识别方法

针对复杂碳酸盐岩储层岩石组分复杂、岩性多样,常规测井岩性识别方法受限等问题,提出利用长短期记忆神经网络(LSTM)提高岩性识别效果的方法,并结合实际数据进行验证和应用效果分析.考虑到常规机器学习方法在岩性识别中无法充分利用沉积岩石在深度域序列上的潜在信息,从而基于LSTM方法构建了能够提取和学习岩性沉积序列特征的岩性识...     

基于门控循环单元神经网络的测井曲线预测方法

为了减少泥浆侵入对测井曲线的影响，许多油田采用随钻测井技术，需先预测未钻地层测井曲线，这对随钻测井具有非常重要的指导作用。为此，提出一种基于门控循环单元神经网络（GRU）预测未钻地层测井曲线的方法，该模型将长短期记忆神经网络（LSTM）的输入门和遗忘门合并成更新门，输出门变成重置门，使模型结构简单，不易出现过拟合现象，保留LSTM模型的长时记忆功能，且能有效缓解梯度消失或梯度爆炸问题。以新疆油田直井和南海西部油田随钻测井的实际测井数据为例，选取已钻地层以及邻井的自然伽马、深感应电阻率、声波时差、密度和井径5条测井曲线数据作为训练样本输入到LSTM和GRU模型中进行学习训练，将训练好的模型用于预测未钻地层的测井曲线。应用结果表明，GRU比LSTM模型在新疆油田和南海西部油田预测测井曲线的平均相关系数分别提高13.78%和12.13%，平均均方根误差分别下降27.08%和42.17%，GRU模型能够准确地预测未钻地层测井曲线的变化趋势。     

基于长短期记忆神经网络的油田新井产油量预测方法

针对油田常用人工智能产油量预测方法无法考虑数据在时间上相关性的问题,提出了采用基于长短期记忆(简称LSTM)神经网络的油田新井产油量预测方法。在分别介绍反向传播(简称BP)神经网络、循环神经网络(简称RNN)、LSTM神经网络原理以及建模步骤的基础上,以某油田新井单井年产油量预测为例,对影响新井单井年产油量的开发指标进行了筛选,对相应LSTM神经网络进行了训练,并对新井单井年产油量进行了预测。将预测结果与支持向量回归模型和BP神经网络进行了对比,结果表明,该预测模型拟合效果更好,预测精度更高。基于LSTM神经网络的预测方法可以作为一种新的人工智能方法用于油田新井产油量的预测,为准确预测油田新井产量,指导油田开发决策提供了一种新的方法。     

基于BO-LSTM的天然气处理厂负荷率预测模型

为优化天然气处理厂生产计划，弥补天然气处理厂负荷率预测模型的空缺，提出一种基于贝叶斯优化(Bayesian Optimization,BO)和长短期记忆(Long Short-Term Memory,LSTM)的天然气处理厂负荷率预测模型。LSTM模型用于捕捉因检修天数和日处理量等因素引起的时间特征，贝叶斯算法用于优化LSTM网络的结构、隐藏层层数、隐藏层神经元个数、初始学习率和正则化系数，弥补参数造成预测波动的缺陷。选取波动型和平稳型天然气处理厂负荷率对不同模型测试，结果表明，LSTM模型较其他传统预测模型的预测精度高。BO-LSTM模型的预测平均绝对误差(MAE)值和均方根误差(RMSE)值均最小，预测精度最高，通用性强，较传统LSTM模型的MAE和RMSE值可提高57.8%和30.1%。天然气处理厂负荷率预测模型可为天然气处理厂的生产运行和决策提供数据支撑，具有稳定的预测精度和适应性。     

基于粒子群优化和长短期记忆神经网络的气井生产动态预测

气井生产动态预测是气藏产量规划、开发方案编制及生产制度动态调整的重要依据,对天然气藏开发有着极其重要的指导意义。建立了基于长短期记忆深度神经网络的生产动态预测模型,并采用了粒子群优化算法对神经网络模型超参数进行优化,提高长短期记忆深度神经网络的预测效果。研究结果表明,基于粒子群优化和长短期记忆神经网络的气井生产动态预测模型能够实现对气井生产动态的准确预测和神经网络超参数的自动优化,使预测结果的平均绝对误差均小于10%,大幅度简化了神经网络模型的优化过程。     

基于BP和LSTM神经网络的顺北油田5号断裂带地层孔隙压力智能预测方法

顺北油田断裂发育,地质构造复杂,储集层埋深达8 000 m,具有高温高压、窄钻井液密度窗口等特征,地层孔隙压力的预测精度难以满足工程需求。为了提高地层孔隙压力的预测精度,利用人工智能方法在处理复杂非线性问题上的优势,采用反向传播神经网络BP和长短期记忆循环神经网络LSTM这2种人工智能算法,基于顺北油田5号断裂带上3口井的声波时差、自然电位和自然伽马等11种特征数据以及经实测校正的地层孔隙压力标签数据,建立了顺北油田5号断裂带地层孔隙压力智能预测模型,BP神经网络模型的预测误差为3.927%,LSTM神经网络模型预测误差为2.864%。测试结果表明,LSTM神经网络模型具有更好的预测效果,满足现场地层孔隙压力的预测精度,为保障顺北油田5号断裂带钻井安全提供数据参考。     

应用LSTM神经网络实现机械钻速(ROP)预测及异常值检测的方法研究

机械钻速(ROP)是反映钻井效率和工程风险的一个重要参数,对于高度非线性的钻井系统,传统的钻速方程和全连接神经网络计算的方法无法全面考虑影响ROP的工程因素,应用时间序列技术的LSTM神经网络方法构建机械钻速预测模型,通过优化LSTM网络结构和预测长度提高模型预测精确度,研究发现ROP预测范围在10m以内较为准确,以模...     

基于LSTM循环神经网络的横波预测方法

针对碳酸盐岩储层岩性多样、孔隙结构复杂导致传统横波预测方法受限的问题,文中提出利用长短时记忆神经网络(LSTM)预测复杂碳酸盐岩储层的横波时差.相对于传统的简单点对点学习模式,LSTM通过复用神经元结构,有效学习测井参数的序列信息.以苏里格气田苏东地区碳酸盐岩储层为例,选择声波时差、密度、自然伽马等16个对横波速度较为...     

基于机器学习方法的油井日产油量预测

油藏数值模拟是进行油田产量预测最为常用的方法,但其准确性建立在精确的地质模型和较高质量的历史拟合基础之上。为了克服数值模拟计算耗时长、成本高和所需数据资料多等缺点,建立了一种利用机器学习方法,根据现场广泛易得的油藏静态资料和开发动态参数实现油井日产油量的快速准确预测。传统的BP神经网络无法准确描述产量变化在时间维度上的相关性,因而基于长短期记忆神经网络(LSTM),建立能够考虑生产动态数据变化趋势和前后关联性的产量预测模型,是实现油井日产油量预测更为有效的途径。首先根据平均不纯度减少(MDI)方法,分析各个因素对单井产量的影响程度,基于特征参数的重要性进行数据降维,排除不相关的冗余特征,确定影响油井产量的主要因素。结合筛选出的特征参数和日产油量数据对LSTM模型进行训练和优化,建立最终的油井产量预测模型。利用实际油田数据对建立的模型进行验证和应用效果评价,结果表明基于LSTM模型的产量预测值与实际值高度一致,能准确反映产量的动态变化规律,为油井产量预测提供了一种新的方法。     

基于人工神经网络模型的碳排放预测研究进展

碳排放是一个受多因素交互作用的动态过程,准确预测碳排放量有利于碳减排措施的制定。由于碳排放本身模型具有动态变化性、非线性、社会性等特点,传统预测方法不能满足实际情况的需要。人工神经网络模型能够较好地描述碳排放时间系列数据的非线性特性,被广泛应用于预测国家、区域、行业等层面的碳排放量变化。其中,误差反向传播(Back Propagation, BP)神经网络模型和长短期记忆(Long Short-Term Memory, LSTM)神经网络模型备受关注。在模型预测过程中,通过识别目标模型的碳排放影响因素类型、提高输入层数据的准确性、构建适宜的线性—非线性耦合的组合模型等途径,进一步提高模型预测的准确性。研究结果对人工神经网络模型在碳排放预测中的应用情况进行梳理,为碳排放预测技术的进一步发展提供参考。     

基于长短期记忆循环神经网络的伊拉克H油田碳酸盐岩储层渗透率测井评价

伊拉克H油田碳酸盐岩储层孔隙结构复杂,孔隙类型多样,给渗透率测井评价工作带来了极大困难。针对这一问题,建立了基于测井序列信息的长短期记忆（LSTM）循环神经网络渗透率预测模型。从测井响应差异以及测井序列信息出发,优选敏感测井曲线,搭建LSTM循环神经网络,训练网络并优化网络参数,建立了基于LSTM循环神经网络的伊拉克H油田碳酸盐岩储层渗透率预测模型。应用该模型对伊拉克H油田进行渗透率测井评价,并将预测结果与灰色系统预测模型GM (0,N)进行对比。结果表明：相对于灰色系统预测模型的结果,基于LSTM循环神经网络的渗透率预测模型的均方根误差降低了29.47%,皮尔逊（Pearson）相关系数提高了6.59%,取得了较好的应用效果。该模型能够充分挖掘测井曲线与渗透率之间关系的信息,提升了储层渗透率评价精度。     

基于人工神经网络的加油站油罐管道泄漏监测方法

通过构建加油站油罐管道输送动力学模型,获取原始的流量和压力数据,结合卷积神经网络（CNN）和长短期记忆网络（LSTM）的优势,建立了CNN-LSTM组合管道泄漏预测模型,输入原始数据进行深度学习,训练出可根据压力梯度预测流量的CNN-LSTM组合管道泄漏预测模型。若管道实际流量数据与预测流量数据之间的误差超过阈值即发生泄漏,根据压力曲线距离算法即可确定泄漏点位置。加油站油罐管道泄漏监测现场试验结果表明,在2种不同开阀方式下,基于CNN-LSTM组合模型的管道泄漏预测方法可以快速准确预测泄漏事件的发生,实时预警,报警时间最短,泄漏点定位误差最小,泄漏点定位误差低于2.4%。     

改进的神经网络算法及其在油层识别中的应用

利用BP人工神经网络建立了油气水层的解释模型 ,给出了改进的BP训练算法 ,应用这种神经网络油气水层解释模型适时评价了新井 10 6层数据 ,经试油验证 2 2层 ,其中 19层符合 ,解释符合率为 86 3% ,网络模型识别率为 10 0 % ;在同样精度下 ,改进算法学习时间是BP算法的 4 7% ,且系统稳定。改进的神经网络算法是一种有效综合解释油气水层的新方法 ,具有学习、记忆、自适应等功能 ,可最大限度地综合运用多项原始资料 ,具有其他解释方法不可比拟的优点 ,为录井综合解释提供了一条切实可行的新途径     

基于机器学习的短生产周期碳酸盐岩气井产量预测研究

针对传统时间序列模型无法对短生产周期天然气井进行产气量预测的问题，首先采用机器学习的近邻传播算法对天然气井进行无监督聚类，划分井群；再结合井群的地质和工程参数开展主成分分析，捕获影响产气量波动的关键因素；随后采用极大似然估计方法求解气井所属井群类别，并依托所属类别聚类中心生产数据训练时间卷积神经网络，预测天然气井未来短期内的产气量。结果表明：基于机器学习的气井产量预测模型预测误差平均为5.53%,相较于传统的长短期记忆网络(误差平均为8.98%)和门控循环网络(误差平均为9.06%)预测误差更小，表明该模型能够应用于开发周期相对较短的碳酸盐岩气井的产量预测。研究成果对于机器学习在油气藏开发方面的应用研究具有重要意义。     

基于LSTM-BP神经网络的地层孔隙压力计算方法

地层孔隙压力是油气井从设计到完钻过程中重要的基础数据,准确计算地层孔隙压力是保障钻井安全、提高钻井效率的重要前提。为了克服传统地层孔隙压力计算方法精度不足、计算效率不高的问题,本文考虑到钻井与地层沉积均为序列性和非线性过程,提出了将长短期记忆神经网络(LSTM)和误差反向传播神经网络(BP)相结合计算地层孔隙压力的方法,利用LSTM层提取钻-测-录多源数据中的序列性特征信息,经过BP层构建特征信息与地层孔隙压力之间的非线性映射关系。通过对油田现场钻测录数据进行清洗并综合相关性分析和钻井经验知识优选了18种输入参数,对LSTM-BP地层孔隙压力计算模型进行训练和测试,并采用网格搜索法对LSTM-BP神经网络模型的5种模型超参数进行了优选,效果最优的单井计算模型和邻井计算模型的平均绝对误差分别为4.92 MPa和2.34 Mpa,均方根误差分别为6.65 Mpa和3.03 Mpa,平均相对误差分别为4.36%和8.31%。最后与传统BP模型、LSTM模型和支持向量机(SVM)模型的最优结果进行对比,结果显示,本文所建立的LSTM-BP神经网络模型精度均高于BP模型、LSTM模型和SVM模型...     

基于循环神经网络的测井曲线生成方法

为了在不增加经济成本的基础上补充缺失的测井信息,提出利用机器学习方法根据已有的部分测井曲线生成人工测井曲线,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)无法描述数据的空间相关性,基于一种循环神经网络(RNN)即长短期记忆神经网络(LSTM)来构建测井曲线生成方法。该方法生成的曲线不仅考虑了不同测井曲线的内在联系,同时兼顾了测井信息随深度的变化趋势和前后关联。将标准LSTM与串级系统相结合,提出了一种串级长短期记忆神经网络(CLSTM)。采用真实测井数据进行实验,LSTM明显优于传统FCNN,生成的测井数据精度更高;CLSTM更适用于测井曲线生成这种多序列数据问题;提出的基于机器学习的人工测井曲线生成方法更准确经济。     

基于循环神经网络的测井曲线重构方法

为了在不增加经济成本的基础上补充缺失的测井信息,提出利用机器学习方法根据已有的部分测井曲线生成人工测井曲线,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)无法描述数据的空间相关性,基于一种循环神经网络(RNN)即长短期记忆神经网络(LSTM)来构建测井曲线生成方法。该方法生成的曲线不仅考虑了不同测井曲线的内在联系,同时兼顾了测井信息随深度的变化趋势和前后关联,更加合理。将标准LSTM与串级系统相结合,提出了一种串级LSTM。采用真实测井数据进行实验后发现:LSTM明显优于传统FCNN,生成的测井数据精度更高;串级LSTM更适用于测井曲线生成这种多序列数据问题;提出的基于机器学习的人工测井曲线生成方法既准确又经济。