CN112052977A - 一种基于深度时空注意力网络的油藏储量预测方法 - Google Patents
一种基于深度时空注意力网络的油藏储量预测方法 Download PDFInfo
- Publication number
- CN112052977A CN112052977A CN201911343248.7A CN201911343248A CN112052977A CN 112052977 A CN112052977 A CN 112052977A CN 201911343248 A CN201911343248 A CN 201911343248A CN 112052977 A CN112052977 A CN 112052977A
- Authority
- CN
- China
- Prior art keywords
- oil reservoir
- network
- reserves
- attention network
- deep
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 36
- 238000013135 deep learning Methods 0.000 claims abstract description 5
- 238000012549 training Methods 0.000 claims description 13
- 230000006870 function Effects 0.000 claims description 9
- 238000010606 normalization Methods 0.000 claims description 2
- 238000012360 testing method Methods 0.000 claims description 2
- 238000005457 optimization Methods 0.000 claims 2
- 238000007500 overflow downdraw method Methods 0.000 claims 1
- 230000000694 effects Effects 0.000 abstract description 3
- 238000013528 artificial neural network Methods 0.000 abstract description 2
- 125000004122 cyclic group Chemical group 0.000 abstract description 2
- 230000002411 adverse Effects 0.000 abstract 1
- 238000004519 manufacturing process Methods 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 239000000523 sample Substances 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/02—Agriculture; Fishing; Forestry; Mining
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- Computational Linguistics (AREA)
- General Engineering & Computer Science (AREA)
- Molecular Biology (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Data Mining & Analysis (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Biophysics (AREA)
- Tourism & Hospitality (AREA)
- Biomedical Technology (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Game Theory and Decision Science (AREA)
- Development Economics (AREA)
- Agronomy & Crop Science (AREA)
- Animal Husbandry (AREA)
- Marine Sciences & Fisheries (AREA)
- Mining & Mineral Resources (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
在油田勘探规划决策方案中,油藏储量预测一直是个难题。现有预测方法的精度远不能满足实际应用的需求。本发明受循环神经网络和注意力机制的启发,提出了一种专注油藏储量预测的深度时空注意力模型,能够缓解数据波动对预测结果的不利影响,从而大幅减小预测误差。在某大型油田的真实数据上的实验结果表明,相比传统方法和已有的深度学习方法,该模型预测精度有显著提高,为今后油藏储量预测提供一种更优的选择。
Description
技术领域
本发明属于时序序列预测领域,是深度学习领域中的一项重要应用,尤其是涉及一种基于深度时空注意力网络的油藏储量预测方法。
技术背景
油藏资源是油田企业赖以生存的前提条件,决定了企业的发展前景。因此,油气储量的分析与预测是油气企业发展战略研究中极为重要的一项基础工作,其质量事关勘探工作的成败和企业的生产效益。只有通过科学分析与计算,才能利用固定的投入尽可能创造最大的利益。准确预测油藏储量对提高油藏发现效率,优化勘探规划结构都具有重大意义。在油气开采的过程中,相关研究人员一直在寻求一种准确、高效的油藏储量预测方法。但是,在进行油气储量、产量趋势预测过程中,由于对某些不确定因素难以准确地量化,导致预测结果与实际产出之间存在不小的误差。
在勘探规划数据分析的基础上,我们提出了一种基于深度时空注意力网络的油藏储量预测方法。通过建立不同级别地质单元的的预测模型,利用近几十年的历史数据,实现对不同地质单元的油气勘探储量的预测任务和对特定地质单元的不同勘探阶段的下一年油气储量的预测。
相比传统方法和已有的深度学习方法,基于深度时空注意力网络的油藏储量预测方法预测精度有显著提高,为今后油藏储量预测提供一种更优的选择。
发明内容
本方法提出了一种基于深度时空注意力网络的油藏储量预测方法。该方法结合循环神经网络和注意力机制,大幅提高油藏储量预测的精度,该方法在某大型油田真实数据上验证了其有效性。
其技术解决方案是:
步骤1),将历年探井口数、油藏个数、油藏储量从数据库抽取出来并进行归一化;
步骤2),设计深度时空注意力网络,包括时间注意力网络、空间注意力网络和LSTM主网络;
步骤3),确立损失函数以及油藏储量和油藏个数损失函数之间的比例系数;
步骤4),用步骤1)中准备好的数据对网络进行训练;
步骤5),得到训练完的模型,用该模型对要预测的年份进行预测。
所述步骤1)中中对数据进行归一化,使其分布区间为[0,1],减少网络拟合过程中参数的变化程度,提高网络拟合能力。
所述步骤2)针对输入数据和中间输出隐藏状态的特点,设计注意力网络,捕获数据中的关键值。
所述步骤3)中确定损失函数的权重因子,平衡油藏个数和油藏储量之间的预测精度。
所述步骤4)中使用固定权重算法;训练方式是经典的深度学习训练方法。
所述整个方法中网络在训练以及测试过程中都是端到端实现的。经过大规模的数据训练以后,在油田真实数据上验证了其效果的有效性。
本发明在通用的LSTM网络中结合注意力机制,在基本不增加训练成本的情况下大大提升预测结果的精度,使用价值高,可扩展性强
附图说明
附图1是本发明所构建的基于深度时空注意力网络的油藏储量预测深度神经网络模型示意图。
具体实施方式
一种基于深度时空注意力网络的油藏储量预测方法,包括以下步骤:
1)将历年(1964-2013)探井口数、油藏个数、油藏储量从数据库抽取出来并分别除以每一项中的最大值,使所有数据都分布在[0,1]区间,进行归一化;
2)构建通用LSTM网络,网络是通用的两层LSTM结构,每层3个结点,输出结果连接一个全连接层,最后得到输出的油藏个数和油藏储量。
3)在步骤2)的网络基础上增加时空注意力网络,而这结构相似,都是由两层全连接层组成,将输入的节点数增加三倍,之后再减小三倍,保持数量不变。时间注意力网络增加在输入的探井口数上,空间注意力网络增加在输出的隐藏状态上。
4)定义网络的损失函数,由于要同时优化油藏个数和油藏储量两个值,因此要将两者损失函数进行联合计算,这里定义了超参数α,损失函数公式如下:
对二者分别使用一阶距离损失,其中,g是油藏个数真实值,g’是油藏个数预测值,c是油藏储量真实值,c’是油藏储量预测值,α是超参数,需要人工预定义,这里给定值为0.4。
5)在基于深度时空注意力网络的油藏储量预测方法的具体实例的训练过程中,定义学习率为0.001,训练批次大小为1,训练到损失函数基本不下降为止。
6)将要测试的年份(2013年)跟前九年(2004-2012)的探井口数一起组成一个批次,输入到训练好的网络中,得到的输出结果就是2013年的油藏储量和油藏个数。
本发明中提出了一个专注油藏储量预测的深度时空注意力模型,首次将注意力机制引入油藏储量任务,极大的降低了预测的误差。我们在真实数据上的实验结果验证了该方法的有效性。注意力模型在该数据集上取得目前已知的最好结果。
上述方式中未述及的技术内容,采取或借鉴已有技术即可实现。需要说明的是,在本说明书的教导下,本领域技术人员还可以作出这样或那样的容易变化方式,诸如等同方式,或明显变形方式。上述的变化方式均应在本发明的保护范围之内。
Claims (7)
1.一种基于深度时空注意力网络的油藏储量预测方法,所述方法包括:
步骤1),将历年探井口数、油藏个数、油藏储量从数据库抽取出来并进行归一化;
步骤2),设计深度时空注意力网络,包括时间注意力网络、空间注意力网络和LSTM主网络;
步骤3),确立损失函数以及油藏储量和油藏个数损失函数之间的比例系数
步骤4),对网络进行训练;
步骤5),得到训练完的模型,用该模型对要预测的年份进行预测。
2.据权利要求1所述的基于深度时空注意力网络的油藏储量预测方法,其特征在于:步骤1)中对数据进行归一化,增强网络的拟合能力。
3.据权利要求1所述的基于深度时空注意力网络的油藏储量预测方法,其特征在于:步骤2)中设计的深度时间注意力网络,对输入的探井口数进行加权优化。
4.据权利要求1所述的基于深度时空注意力网络的油藏储量预测方法,其特征在于:步骤2)中设计的深度空间注意力网络,对LSTM产生的中间隐藏状态进行加权优化。
5.据权利要求1所述的基于深度时空注意力网络的油藏储量预测方法,其特征在于:步骤2)中深度时空网络与LSTM主网络之间的融合方法,减小了波动数据对结果的影响。
6.据权利要求1所述的基于深度时空注意力网络的油藏储量预测方法,其特征在于:训练方式是经典的深度学习训练方法。
7.据权利要求1所述的基于深度时空注意力网络的油藏储量预测方法,其特征在于:整个网络在训练以及测试过程中都是端到端实现的。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911343248.7A CN112052977A (zh) | 2019-12-24 | 2019-12-24 | 一种基于深度时空注意力网络的油藏储量预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911343248.7A CN112052977A (zh) | 2019-12-24 | 2019-12-24 | 一种基于深度时空注意力网络的油藏储量预测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112052977A true CN112052977A (zh) | 2020-12-08 |
Family
ID=73609585
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911343248.7A Pending CN112052977A (zh) | 2019-12-24 | 2019-12-24 | 一种基于深度时空注意力网络的油藏储量预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112052977A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113379164A (zh) * | 2021-07-16 | 2021-09-10 | 国网江苏省电力有限公司苏州供电分公司 | 基于深度自注意力网络的负荷预测方法及*** |
CN113435662A (zh) * | 2021-07-14 | 2021-09-24 | 中国石油大学(华东) | 水驱油藏产量预测方法、装置及存储介质 |
-
2019
- 2019-12-24 CN CN201911343248.7A patent/CN112052977A/zh active Pending
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113435662A (zh) * | 2021-07-14 | 2021-09-24 | 中国石油大学(华东) | 水驱油藏产量预测方法、装置及存储介质 |
CN113379164A (zh) * | 2021-07-16 | 2021-09-10 | 国网江苏省电力有限公司苏州供电分公司 | 基于深度自注意力网络的负荷预测方法及*** |
CN113379164B (zh) * | 2021-07-16 | 2024-03-26 | 国网江苏省电力有限公司苏州供电分公司 | 基于深度自注意力网络的负荷预测方法及*** |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109611087B (zh) | 一种火山岩油藏储层参数智能预测方法及*** | |
CN103198354B (zh) | 一种利用bp神经网络与非支配排序遗传算法nsga2实现油田抽油机采油节能增产优化方法 | |
CN105760673A (zh) | 一种河流相储层地震敏感参数模板分析方法 | |
CN111048163B (zh) | 一种基于高阶神经网络的页岩油滞留烃量(s1)评价方法 | |
CN115375031A (zh) | 一种产油量预测模型建立方法、产能预测方法及存储介质 | |
CN112052977A (zh) | 一种基于深度时空注意力网络的油藏储量预测方法 | |
KR101474874B1 (ko) | 지능형 생산정 위치 선정 전산 시스템 및 이를 이용한 생산정 위치 선정 방법 | |
CN116384554A (zh) | 机械钻速预测方法、装置、电子设备及计算机存储介质 | |
CN113627639A (zh) | 用于碳酸盐岩缝洞型储层的试井产能预测方法及*** | |
CN116911216B (zh) | 一种储层油井产能因素评估与预测方法 | |
Li et al. | Prediction of shale gas production by hydraulic fracturing in changning area using machine learning algorithms | |
CN114548494A (zh) | 一种可视化造价数据预测智能分析*** | |
CN110956388B (zh) | 一种海上油气藏增产方案生成方法 | |
Sarkheil et al. | The fracture network modeling in naturally fractured reservoirs using artificial neural network based on image loges and core measurements | |
Gudmundsdottir et al. | Inferring interwell connectivity in fractured geothermal reservoirs using neural networks | |
Yan et al. | Research on transformer fault diagnosis based on an IWHO optimized MS1DCNN algorithm and LIF spectrum | |
CN117541082B (zh) | 基于油藏-井筒-设备评价指标集成的综合评价方法 | |
Yang et al. | Research on intelligent identification technology of lithology wireless remote transmission based on element measurement | |
CN117390973B (zh) | 基于多层感知机模型的矿山***炮孔利用率预测方法 | |
CN113344729B (zh) | 一种基于小样本学习的剩余油挖潜方法 | |
CN116720662B (zh) | 基于集对分析的分布式能源***适用性评估方法 | |
Ye et al. | A hybrid data-driven approach for shale gas production performance analysis via machine learning, game theory, and Pareto optimization: Weirong shale gas field, Sichuan Basin, China | |
Na et al. | Optimization of Logging Interpretation Parameters Based on Committee Machine | |
Zhao et al. | The fracture density and fractal dimension prediction based on support vector machine | |
CN117909915A (zh) | 一种岩性约束条件下的孔隙度预测方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
WD01 | Invention patent application deemed withdrawn after publication | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20201208 |