基于长短期记忆神经网络模型的分层注水优化方法

分层注水是改善层间注采矛盾、提高水驱开发效果的一种重要手段。基于油藏数值模拟的分层注水优化存在地质模型不确定性强、所需数据多、计算耗时长等缺点,数据驱动的优化方法可有效克服上述缺点。以井组中所有注水井的分层注水层段为考察对象,采用平均不纯度减少(MDI)方法筛选影响每口生产井产液量和含水率的主要注水层段,以此为基础利用注水井分层注水量以及生产井产液量和含水率时序数据建立长短期记忆神经网络(LSTM)深度学习预测模型,结合粒子群优化算法(PSO)实现分层注水量优化。实例应用表明:基于注水井分层注水量的LSTM模型可以准确预测产液量和含水率,平均误差分别为0.5%和1.7%;在总注水量基本保持不变的情况下,优化后井组产油量增加12.2%、平均含水率下降4.2个百分点,实现较好的增油控水目的,为深度学习在分层注水优化方面的应用研究提供了一种新的方法。

基于随机森林算法的水土流失影响因子重要性分析

水土流失是诸多因素综合所致,确定水土流失因子的重要性具有重要意义。本文以福建省为例,利用土壤侵蚀强度等级数据及导致水土流失的年侵蚀降雨量、土壤类型、坡度、坡长、植被覆盖度及土地利用类型等数据,引入随机森林算法,提出通过平均精确率减少值(MDA)和平均不纯度减少值(MDG)归一化相加的方法确定要素重要性,并与MDA和MDG排序赋值相加的方法进行对比。结果表明:随机森林算法适用于水土流失影响因子重要性分析;归一化相加法对因子重要性的表征效果较好,优于排序赋值相加法,不仅能判别因子的相对重要性,还可定量表达因子间差异的显著性;在所分析的六个要素中,植被覆盖度最为重要,地形特征次之,而土壤类型对是否发生水土流失重要性影响较弱,与已有的实验和研究结果吻合,结果合理。在判断无流失与其它流失等级间关系时,植被覆盖度的重要性具有很大的优势,量级上是第二位的2倍以上。

基于长短期记忆神经网络的油井产液量和含水率预测方法

传统的油藏工程或油藏数值模拟产量预测方法存在适用条件苛刻、应用范围小或所需数据资料多等不足之处。考虑油井产量和含水率变化的时间序列特征,建立基于长短期记忆神经网络(LSTM)的产液量和含水率预测方法,充分考虑生产动态数据的变化趋势和前后关联性,利用易得的注采井生产数据实现油井产量和含水率的快速、便捷预测。利用实际油田数据对建立的模型进行训练和评价,结果表明基于长短期记忆神经网络模型所预测的产液量和含水率与实际值吻合程度高,可以准确预测其动态变化趋势,为油井产液量和含水率预测提供了一种新的方法。