基于数据挖掘的长短期记忆网络模型油井产量预测方法

传统的BP神经网络及其改进算法广泛应用于产量预测,但并不适宜时间序列预测问题。基于产油量变化的时间序列特征,提出利用长短期记忆网络(LSTM)深度学习模型实现具有长期记忆能力的时间序列预测,在描述LSTM神经网络的基本结构和算法原理基础上,阐述了样本数据处理,输入层、隐藏层和输出层节点数选择及表征方式,形成产量预测模型。实例应用表明,LSTM模型可以准确预测油井产量,整体平均误差约为1. 46%,并指出无预兆停产、特殊情况以及部分数据量缺失是影响预测准确性的主要原因。该模型的提出对于大数据和深度学习在石油方面的应用研究具有重要意义。

营11低渗透油藏矢量井网开发技术应用研究

本文按照矢量化井网开发的思路,以井网适应性研究为切入点,深入探讨营11沙三低渗透油藏井网形式、井距、排距与储层非均质性、地应力方向的匹配关系,找到了一套改善营11沙三低渗透油藏开发效果的途径,取得了较好效果。

一种砂岩油藏高耗水带识别新方法

准确地识别高耗水带是各种低效水循环治理研究的基础。针对砂岩油藏长期注水开发过程中形成的高耗水带,建立一注一采油水两相渗流数值模拟模型,分析注采井间形成高耗水带条件下生产井含水率导数变化特征并确定高耗水带评价指标,提出基于生产井含水率导数曲线特征识别与评价高耗水带的新方法。研究表明,注采井间形成高耗水带时生产井的含水率导数曲线具有双峰特征,且第一峰值大小及出现时间反映了注入水沿高耗水带突进的程度,而注采井间未形成高耗水带时生产井的含水率导数曲线为单峰特征,因此,依据生产井含水率导数曲线出现双峰特征时的第一峰值,可以准确地识别评价高耗水带及其级别。实际应用显示,该方法的识别评价结果与现场测试结果一致。