CN117851928A - 基于cnn-lstm模型预测页岩油产量的方法及*** - Google Patents
基于cnn-lstm模型预测页岩油产量的方法及*** Download PDFInfo
- Publication number
- CN117851928A CN117851928A CN202410258681.5A CN202410258681A CN117851928A CN 117851928 A CN117851928 A CN 117851928A CN 202410258681 A CN202410258681 A CN 202410258681A CN 117851928 A CN117851928 A CN 117851928A
- Authority
- CN
- China
- Prior art keywords
- cnn
- lstm model
- shale oil
- data
- lstm
- 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
- 239000003079 shale oil Substances 0.000 title claims abstract description 122
- 238000000034 method Methods 0.000 title claims abstract description 64
- 238000004519 manufacturing process Methods 0.000 claims abstract description 95
- 238000012549 training Methods 0.000 claims abstract description 43
- 238000007781 pre-processing Methods 0.000 claims abstract description 31
- 230000015654 memory Effects 0.000 claims description 14
- 230000006870 function Effects 0.000 claims description 12
- 238000012360 testing method Methods 0.000 claims description 10
- 238000003860 storage Methods 0.000 claims description 9
- 238000004590 computer program Methods 0.000 claims description 7
- 238000011176 pooling Methods 0.000 claims description 7
- 238000011156 evaluation Methods 0.000 claims description 6
- 230000008569 process Effects 0.000 claims description 6
- 230000000694 effects Effects 0.000 claims description 5
- 238000010276 construction Methods 0.000 claims description 4
- 238000003745 diagnosis Methods 0.000 claims description 4
- 238000013527 convolutional neural network Methods 0.000 description 18
- 238000010586 diagram Methods 0.000 description 6
- 238000013528 artificial neural network Methods 0.000 description 5
- 238000012545 processing Methods 0.000 description 4
- 230000000306 recurrent effect Effects 0.000 description 4
- 230000003247 decreasing effect Effects 0.000 description 3
- 238000004880 explosion Methods 0.000 description 3
- 238000010801 machine learning Methods 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000003062 neural network model Methods 0.000 description 3
- 238000005457 optimization Methods 0.000 description 3
- 238000007637 random forest analysis Methods 0.000 description 3
- 238000004088 simulation Methods 0.000 description 3
- 230000008033 biological extinction Effects 0.000 description 2
- 230000001186 cumulative effect Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000006403 short-term memory Effects 0.000 description 2
- 238000012731 temporal analysis Methods 0.000 description 2
- 230000002123 temporal effect Effects 0.000 description 2
- 238000000700 time series analysis Methods 0.000 description 2
- 238000013076 uncertainty analysis Methods 0.000 description 2
- 238000000342 Monte Carlo simulation Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 125000004122 cyclic group Chemical group 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000008034 disappearance Effects 0.000 description 1
- 238000007636 ensemble learning method Methods 0.000 description 1
- 210000003608 fece Anatomy 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 230000007787 long-term memory Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000035699 permeability Effects 0.000 description 1
- 230000001932 seasonal effect Effects 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 238000010200 validation analysis Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/24323—Tree-organised classifiers
-
- 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
- G06N3/0442—Recurrent networks, e.g. Hopfield networks characterised by memory or gating, e.g. long short-term memory [LSTM] or gated recurrent units [GRU]
-
- 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
- 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
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/01—Dynamic search techniques; Heuristics; Dynamic trees; Branch-and-bound
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Software Systems (AREA)
- Computational Linguistics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- General Health & Medical Sciences (AREA)
- Biophysics (AREA)
- Health & Medical Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明实施例公开了一种基于CNN‑LSTM模型预测页岩油产量的方法及***，所述基于CNN‑LSTM模型预测页岩油产量的方法包括：获取一定时间段的页岩油生产数据，对所述页岩油生产数据进行数据预处理，得到预处理数据；构建CNN‑LSTM模型，其中，所述CNN‑LSTM模型包括CNN、LSTM和全连接层，将Duong模型纳入所述CNN‑LSTM模型的损失函数中，增加所述CNN‑LSTM模型的物理可解释性；将所述预处理数据输入所述CNN‑LSTM模型进行训练，得到训练好的CNN‑LSTM模型；将待预测页岩油生产数据输入训练好的所述CNN‑LSTM模型，得到待预测页岩油生产数据的预测产量结果。该基于CNN‑LSTM模型预测页岩油产量的方法解决现有技术中无法准确预测页岩油产量的问题。
Description
技术领域
本发明涉及计算机技术领域，具体涉及一种基于CNN-LSTM模型预测页岩油产量的方法、***、电子设备及存储介质。
背景技术
页岩油产量预测是油田开发和生产管理中的重要任务之一，现有预测页岩油产量的方法包括：使用油藏数值模拟技术模拟页岩油储层的动态行为，预测页岩油产量，但油藏数值模拟技术对时间、数据和劳动力的要求很高；
通过产量递减模型分析过去的生产数据来预测未来的页岩油产量；但产量递减模型在页岩油中的应用有限，需要进一步验证。
通过机器学习方法学习历史数据中的模式预测页岩油产量，机器学习方法在回归生产与其影响因素之间的关系方面取得了显著成果，但是，通常会忽略时间序列的动态变化。
通过构建神经网络模型预测页岩油产量。但，卷积神经网络（CNN）在处理序列数据时可能忽略了数据的时序性，递归神经网络（RNN）虽然能够考虑时序关系但在处理长序列时容易出现梯度消失或***的问题，而长短时记忆网络（LSTM）虽然缓解了梯度问题，但对大规模标注数据和高计算资源的需求较高，且模型的复杂性使得其解释性相对较差。
因此，亟需一种能够准确预测页岩油产量的方法。
发明内容
本发明实施例的目的在于提供一种基于CNN-LSTM模型预测页岩油产量的方法、***、电子设备和存储介质，用以解决现有技术中无法准确预测页岩油产量的问题。
为实现上述目的，本发明实施例提供一种基于CNN-LSTM模型预测页岩油产量的方法，所述方法具体包括：
获取一定时间段的页岩油生产数据，对所述页岩油生产数据进行数据预处理，得到预处理数据；
构建CNN-LSTM模型，其中，所述CNN-LSTM模型包括CNN、LSTM和全连接层，将Duong模型纳入所述CNN-LSTM模型的损失函数中，增加所述CNN-LSTM模型的物理可解释性；
将所述预处理数据输入所述CNN-LSTM模型进行训练，得到训练好的CNN-LSTM模型；
将待预测页岩油生产数据输入训练好的所述CNN-LSTM模型，得到待预测页岩油生产数据的预测产量结果。
在上述技术方案的基础上，本发明还可以做如下改进：
进一步地，所述获取一定时间段的页岩油生产数据，对所述页岩油生产数据进行数据预处理，得到预处理数据，包括：
对所述页岩油生产数据进行归一化处理，将所述页岩油生产数据转换为[0, 1]内的归一化的页岩油生产数据。
进一步地，所述构建CNN-LSTM模型，包括;
所述CNN包括依次连接的一层卷积层和一层最大池化层，通过所述CNN对所述预处理数据进行空间特征的提取；
通过所述LSTM对所述预处理数据进行时间特征的提取；
通过所述全连接层生成预测产量结果。
进一步地，所述将所述预处理数据输入所述CNN-LSTM模型进行训练，得到训练好的CNN-LSTM模型，包括：
将所述预处理数据划分为训练集和测试集；
基于所述训练集训练所述CNN-LSTM模型；
基于所述测试集评估满足性能条件的所述CNN-LSTM模型的诊断结果，得到所述CNN-LSTM模型所对应的评价指数。
进一步地，所述将所述训练集输入所述CNN-LSTM模型进行训练，得到训练好的CNN-LSTM模型，还包括:
通过确定系数、均方根误差、平均绝对误差和平均绝对百分比误差评价所述CNN-LSTM模型的预测精度。
进一步地，所述将所述训练集输入所述CNN-LSTM模型进行训练，得到训练好的CNN-LSTM模型，还包括:
通过公式1计算所述CNN-LSTM模型的损失值；
公式1；
式中，为CNN-LSTM模型的损失值，n为样本数量，/>为CNN-LSTM模型的预测值；/>为实际产值，/>为Duong模型的损失值，/>为/>的尺度系数，的大小决定/>对CNN-LSTM模型的影响。
一种基于CNN-LSTM模型预测页岩油产量的***，包括：
预处理模块，用于获取一定时间段的页岩油生产数据，对所述页岩油生产数据进行数据预处理，得到预处理数据；
构建模块，用于构建CNN-LSTM模型，其中，所述CNN-LSTM模型包括CNN、LSTM和全连接层，将Duong模型纳入所述CNN-LSTM模型的损失函数中，增加所述CNN-LSTM模型的物理可解释性；
训练模块，用于将所述预处理数据输入所述CNN-LSTM模型进行训练，得到训练好的CNN-LSTM模型；
将待预测页岩油生产数据输入训练好的所述CNN-LSTM模型，得到待预测页岩油生产数据的预测产量结果。
进一步地，所述CNN包括依次连接的一层卷积层和一层最大池化层，所述CNN用于对所述预处理数据进行空间特征的提取；
所述LSTM用于对所述预处理数据进行时间特征的提取；
所述全连接层用于生成预测产量结果。
一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如所述方法的步骤。
一种非暂态计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现所述方法的步骤。
本发明实施例具有如下优点：
本发明中基于CNN-LSTM模型预测页岩油产量的方法，获取一定时间段的页岩油生产数据，对所述页岩油生产数据进行数据预处理，得到预处理数据；构建CNN-LSTM模型，其中，所述CNN-LSTM模型包括CNN、LSTM和全连接层，将Duong模型纳入所述CNN-LSTM模型的损失函数中，增加所述CNN-LSTM模型的物理可解释性；将所述预处理数据输入所述CNN-LSTM模型进行训练，得到训练好的CNN-LSTM模型；将待预测页岩油生产数据输入训练好的所述CNN-LSTM模型，得到待预测页岩油生产数据的预测产量结果；解决了现有技术中无法准确预测页岩油产量的问题。
附图说明
为了更清楚地说明本发明的实施方式或现有技术中的技术方案，下面将对实施方式或现有技术描述中所需要使用的附图作简单地介绍。显而易见地，下面描述中的附图仅仅是示例性的，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据提供的附图引申获得其它的实施附图。
本说明书所绘示的结构、比例、大小等，均仅用以配合说明书所揭示的内容，以供熟悉此技术的人士了解与阅读，并非用以限定本发明可实施的限定条件，故不具技术上的实质意义，任何结构的修饰、比例关系的改变或大小的调整，在不影响本发明所能产生的功效及所能达成的目的下，均应仍落在本发明所揭示的技术内容能涵盖的范围内。
图1为本发明基于CNN-LSTM模型预测页岩油产量的方法的流程图；
图2为本发明基于CNN-LSTM模型预测页岩油产量的***的第一架构图；
图3为本发明基于CNN-LSTM模型预测页岩油产量的***的第二架构图；
图4为本发明RNN与LSTM的结构示意图；
图5为本发明提供的电子设备实体结构示意图。
其中附图标记为：
预处理模块10，构建模块20，训练模块30，CNN-LSTM模型40，CNN401，LSTM402，全连接层403，电子设备50，处理器501，存储器502，总线503。
具体实施方式
以下由特定的具体实施例说明本发明的实施方式，熟悉此技术的人士可由本说明书所揭露的内容轻易地了解本发明的其他优点及功效，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
实施例
图1为本发明基于CNN-LSTM模型预测页岩油产量的方法实施例流程图，如图1所示，本发明实施例提供的一种基于CNN-LSTM模型预测页岩油产量的方法包括以下步骤：
S101，获取一定时间段的页岩油生产数据，对页岩油生产数据进行数据预处理，得到预处理数据；
具体的，对所述页岩油生产数据进行归一化处理，将所述页岩油生产数据转换为[0,1]内的归一化的页岩油生产数据。
一种优选的实施例：本发明采用某区块2019年5月至2022年8月的页岩油生产数据作为实验数据，共包含40个月的生产记录，将页岩油生产数据按照7:3的比例进行分割，最初的28个月作为训练集，随后的12个月作为测试集。
为了便于CNN-LSTM模型40的训练模拟并抵消生产指标不同维度的影响，对CNN-LSTM模型40的输入数据和输出数据进行预处理。
在本发明中，采用归一化方法将页岩油生产数据映射到[0,1]区间。
线性变换公式如下：
；
其中，X为归一化后的值，x为生产指标的特征值，xmin为生产指标的最小值，xmax为生产指标的最大值。
S102，构建CNN-LSTM模型40；
具体的，所述CNN-LSTM模型40包括CNN401、LSTM402和全连接层403，将Duong模型纳入所述CNN-LSTM模型40的损失函数中，增加所述CNN-LSTM模型40的物理可解释性；
卷积神经网络(Convolutional Neural Network,CNN)：主要用于处理具有网格结构的数据，如图像或时间序列数据。
长短时记忆神经网络(Long Short-Term Memory,LSTM)：一种循环神经网络的变体，专门设计用于更有效地捕捉和处理长期依赖性。
Duong模型为针对油气田产量递减规律，广大研究者提出多种产量递减模型之一；
所述CNN包括依次连接的一层卷积层和一层最大池化层，通过所述CNN对所述预处理数据进行空间特征的提取；
通过所述LSTM对所述预处理数据进行时间特征的提取；
通过所述全连接层生成预测产量结果。
循环神经网络(Recurrent Neural Network, RNN)：通过循环连接使信息能够在网络中传递，特别适用于处理序列数据。
作为一种特殊的RNN，LSTM增强了传统RNN的记忆模块，如图4所示。在图4中的(a)中，记忆模块（由单个tanh层或sigmoid层组成）无法长时间有效地存储历史信息，这种限制会导致梯度消失或梯度***等问题。在图4中的(b) 中，门结构和存储单元状态的引入使LSTM能够有效地更新和传输时间序列中的关键信息，同时在其隐藏层中保留远距离信息。LSTM隐藏层的环路网络由遗忘门、输入门、输出门和双曲正切（tanh）层组成。处理器状态会选择性地保留先前步骤中的有用信息，并将其贯穿整个LSTM402。交互层中的门可以根据前一步的隐藏状态和当前步骤的输入，添加、删除或更新处理器状态中的信息。更新后的处理器状态和隐藏状态会向后传输。LSTM402模型能够利用单个特征或多个特征预测单个指数。
本发明中，基于CNN401擅长特征提取，LSTM402擅长学习序列数据固有的依赖性，通过融合两者的功能得到CNN-LSTM模型40，可以熟练地识别时间序列数据中的空间和时间特征。
S103，将预处理数据输入CNN-LSTM模型40进行训练，得到训练好的CNN-LSTM模型40；
具体的，将所述预处理数据划分为训练集和测试集；
基于所述训练集训练所述CNN-LSTM模型40；
基于所述测试集评估满足性能条件的所述CNN-LSTM模型40的诊断结果，得到所述CNN-LSTM模型40所对应的评价指数。
通过确定系数（R2）、均方根误差（RMSE）、平均绝对误差（MAE）和平均绝对百分比误差（MAPE）评价所述CNN-LSTM模型40的预测精度。
评价指标公式如下：
；
；
；
；
式中：是生产预测模型的预测值；/>是实际产值。
通过公式1计算所述CNN-LSTM模型40的损失值；
公式1；
式中，为CNN-LSTM模型40的损失值，n为样本数量，/>为CNN-LSTM模型40的预测值；/>为实际产值，/>为Duong模型的损失值，/>为/>的尺度系数，/>的大小决定/>对CNN-LSTM模型40的影响。
S104，将待预测页岩油生产数据输入训练好的CNN-LSTM模型40，得到待预测页岩油生产数据的预测产量结果；
本发明利用相同的特征集建立了月产量和累计产量的预测模型。特别将基于物理约束的CNN-LSTM模型40与单时间特征LSTM402模型（LSTM-2）、多特征LSTM模型（LSTM-1）和非时间序列模型RF进行比较；
随机森林(Random Forest, RF)：一种集成学习方法，通过构建多个决策树并将其组合在一起来提高模型的性能和泛化能力。
如表1所示。结果表明，基于物理约束的CNN-LSTM模型40的月产量和累计产量曲线比其他两个LSTM402模型更符合实际数据。从各种指标来看，本发明模型的预测性能均超过了LSTM402模型。
表1
目前，国内页岩油产量预测几乎没有递减曲线方法，均以页岩气产量预测为主。本发明将一些页岩气产量预测方法应用于页岩油，旨在测试其对页岩油的适用性。其中：
Duong等建立了裂缝控制页岩气井产量递减模型：
；
；
式中，q为给定时间的产量，q1为初始产量，t为生产时间，a和m为模型中的待定系数，Gp为累计产量。
Wang等对Duong模型进行了如下改进：
；
其中λ是经验系数，
；
当λ≤1/(2lnt)时：
；
当λ>1/(2lnt)时：
；
Niu等基于Duong模型提出了一种新的下降曲线表达式：
；
；
式中，，其中A、B、C、m、n和p是常数，，/>，/>；t为生产时间，单位为天；q是给定时间的产量，单位为m3/d。
传统页岩油产量预测方法的评价指标包括R2、RMSE、MAE和MAPE，如表2所示。在这些指标中，较低的RMSE、MAE和MAPE值反映了模型的较小误差和更好的稳定性，因此，数值越低对应着更优越的模型性能。R2是衡量预测值与实际值之间相关性的指标，较高的R2值表示着更强的相关性，模型性能更出色，效率更高。与其他机器学习模型或传统方法相比，本发明提出的模型在R2、RMSE、MAE和MAPE指标上都表现较佳，分别为0.9576、3.1365、2.3154和0.0402。这表明基于物理约束的CNN-LSTM模型40在页岩油产量预测方面取得了较好的性能优势。
表2
该基于CNN-LSTM模型预测页岩油产量的方法，获取一定时间段的页岩油生产数据，对所述页岩油生产数据进行数据预处理，得到预处理数据；构建CNN-LSTM模型40，其中，所述CNN-LSTM模型40包括CNN401、LSTM402和全连接层403，将Duong模型纳入所述CNN-LSTM模型40的损失函数中，增加所述CNN-LSTM模型40的物理可解释性；将所述预处理数据输入所述CNN-LSTM模型40进行训练，得到训练好的CNN-LSTM模型40；将待预测页岩油生产数据输入训练好的所述CNN-LSTM模型40，得到待预测页岩油生产数据的预测产量结果。该基于CNN-LSTM模型预测页岩油产量的方法解决现有技术中无法准确预测页岩油产量的问题。
该基于CNN-LSTM模型预测页岩油产量的方法，将卷积神经网络 (CNN401) 与长短期记忆 (LSTM402) 网络集成在一起，并基于Duong模型进行物理约束。引入卷积神经网络模型（CNN401），让CNN-LSTM模型40在识别数据集特征之间的隐藏关系以及在嘈杂数据集中进行高精度自动特征提取方面具有高效的能力。引入长短时记忆神经网络模型（LSTM402），让CNN-LSTM模型40能够更好地处理时间序列数据，克服了长时间序列训练中的梯度消失和梯度***问题。将经验模型Duong模型约束添加到神经网络模型中以增强可解释性。与传统方法相比，物理约束的CNN-LSTM模型40在预测页岩油产量方面表现出卓越的精度、效率和成本效益。
以下是基于CNN-LSTM模型预测页岩油产量的方法的一些其他改进方案：
（1）物理建模：基于物理原理和地质特征的模型可以提供对页岩油产量更深入的理解。这包括考虑储层性质、渗透率、裂缝网络等因素，通过建立更为复杂的物理模型来进行预测。
（2）时间序列分析：页岩油产量数据通常具有时间序列的特性。利用时间序列分析方法，如ARIMA（自回归集成滑动平均模型）或季节性分解，可以更好地捕捉到产量随时间变化的趋势和周期性。
（3）数据驱动的方法：利用更多的实时数据和传感器数据，应用数据驱动的方法进行预测。这可能涉及到大数据分析、实时监测和机器学习技术，以更灵活地适应实际生产条件的变化。
（4）不确定性分析：在页岩油产量预测中，不确定性是一个重要的因素。引入不确定性分析方法，如蒙特卡洛模拟，可以提供更为全面的预测结果，并考虑到各种不确定性来源。
（5）模型解释性：对于一些应用场景，特别是在决策支持***中，模型的解释性非常关键。开发解释性强的模型，使决策者能够理解模型背后的原理，更好地做出决策。
（6）实时优化：利用实时数据和模型，实施实时优化策略，以最大程度地提高页岩油产量。这可能涉及到控制理论、优化算法等方面的技术。
图2-图3为本发明基于CNN-LSTM模型预测页岩油产量的***实施例架构图；如图2-图3所示，本发明实施例提供的一种基于CNN-LSTM模型预测页岩油产量的***，包括以下步骤：
预处理模块10，用于获取一定时间段的页岩油生产数据，对所述页岩油生产数据进行数据预处理，得到预处理数据；
所述预处理模块10还用于：
对所述页岩油生产数据进行归一化处理，将所述页岩油生产数据转换为[0, 1]内的归一化的页岩油生产数据。
构建模块20，用于构建CNN-LSTM模型40，其中，所述CNN-LSTM模型40包括CNN401、LSTM402和全连接层403，将Duong模型纳入所述CNN-LSTM模型40的损失函数中，增加所述CNN-LSTM模型40的物理可解释性；
所述构建模块20还用于：
所述CNN401包括依次连接的一层卷积层和一层最大池化层，通过所述CNN401对所述预处理数据进行空间特征的提取；
通过所述LSTM402对所述预处理数据进行时间特征的提取；
通过所述全连接层403生成预测产量结果。
训练模块30，用于将所述预处理数据输入所述CNN-LSTM模型40进行训练，得到训练好的CNN-LSTM模型40；
所述训练模块30还用于：
将所述预处理数据划分为训练集和测试集；
基于所述训练集训练所述CNN-LSTM模型40；
基于所述测试集评估满足性能条件的所述CNN-LSTM模型40的诊断结果，得到所述CNN-LSTM模型40所对应的评价指数。
通过确定系数、均方根误差、平均绝对误差和平均绝对百分比误差评价所述CNN-LSTM模型40的预测精度。
通过公式1计算所述CNN-LSTM模型40的损失值；
公式1；
式中，为CNN-LSTM模型40的损失值，n为样本数量，/>为CNN-LSTM模型40的预测值；/>为实际产值，/>为Duong模型的损失值，/>为/>的尺度系数，的大小决定/>对CNN-LSTM模型40的影响。
将待预测页岩油生产数据输入训练好的所述CNN-LSTM模型40，得到待预测页岩油生产数据的预测产量结果。
所述CNN401包括依次连接的一层卷积层和一层最大池化层，所述CNN401用于对所述预处理数据进行空间特征的提取；
所述LSTM402用于对所述预处理数据进行时间特征的提取；
所述全连接层403用于生成预测产量结果。
该基于CNN-LSTM模型预测页岩油产量的***，通过预处理模块10获取一定时间段的页岩油生产数据，对所述页岩油生产数据进行数据预处理，得到预处理数据；通过构建模块20构建CNN-LSTM模型40，所述CNN-LSTM模型40包括CNN401、LSTM402和全连接层403，将Duong模型纳入所述CNN-LSTM模型40的损失函数中，增加所述CNN-LSTM模型40的物理可解释性；通过训练模块30将所述预处理数据输入所述CNN-LSTM模型40进行训练，得到训练好的CNN-LSTM模型40；将待预测页岩油生产数据输入训练好的所述CNN-LSTM模型40，得到待预测页岩油生产数据的预测产量结果；该基于CNN-LSTM模型预测页岩油产量的***解决现有技术中无法准确预测页岩油产量的问题。
图5为本发明实施例提供的电子设备实体结构示意图，如图5所示，电子设备50包括：处理器501(processor)、存储器502(memory)和总线503；
其中，处理器501、存储器502通过总线503完成相互间的通信；
处理器501用于调用存储器502中的程序指令，以执行上述各方法实施例所提供的方法，例如包括：获取一定时间段的页岩油生产数据，对所述页岩油生产数据进行数据预处理，得到预处理数据；构建CNN-LSTM模型40，其中，所述CNN-LSTM模型40包括CNN401、LSTM402和全连接层403，将Duong模型纳入所述CNN-LSTM模型40的损失函数中，增加所述CNN-LSTM模型40的物理可解释性；将所述预处理数据输入所述CNN-LSTM模型40进行训练，得到训练好的CNN-LSTM模型40；将待预测页岩油生产数据输入训练好的所述CNN-LSTM模型40，得到待预测页岩油生产数据的预测产量结果。
本实施例提供一种非暂态计算机可读存储介质，非暂态计算机可读存储介质存储计算机指令，计算机指令使计算机执行上述各方法实施例所提供的方法，例如包括：获取一定时间段的页岩油生产数据，对所述页岩油生产数据进行数据预处理，得到预处理数据；构建CNN-LSTM模型40，其中，所述CNN-LSTM模型40包括CNN401、LSTM402和全连接层403，将Duong模型纳入所述CNN-LSTM模型40的损失函数中，增加所述CNN-LSTM模型40的物理可解释性；将所述预处理数据输入所述CNN-LSTM模型40进行训练，得到训练好的CNN-LSTM模型40；将待预测页岩油生产数据输入训练好的所述CNN-LSTM模型40，得到待预测页岩油生产数据的预测产量结果。
本领域普通技术人员可以理解：实现上述方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成，前述的程序可以存储于一计算机可读取存储介质中，该程序在执行时，执行包括上述方法实施例的步骤；而前述的存储介质包括：ROM、RAM、磁碟或者光盘等各种可以存储程序代码的存储介质。
以上所描述的装置实施例仅仅是示意性的，其中作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如ROM/RAM、磁碟、光盘等，包括若干指令用以使得一台计算机设备（可以是个人计算机，服务器，或者网络设备等）执行各实施例或者实施例的某些部分的方法。
虽然，上文中已经用一般性说明及具体实施例对本发明作了详尽的描述，但在本发明基础上，可以对之作一些修改或改进，这对本领域技术人员而言是显而易见的。因此，在不偏离本发明精神的基础上所做的这些修改或改进，均属于本发明要求保护的范围。
Claims (10)
1.一种基于CNN-LSTM模型预测页岩油产量的方法，其特征在于，所述方法具体包括：
获取一定时间段的页岩油生产数据，对所述页岩油生产数据进行数据预处理，得到预处理数据；
构建CNN-LSTM模型，其中，所述CNN-LSTM模型包括CNN、LSTM和全连接层，将Duong模型纳入所述CNN-LSTM模型的损失函数中，增加所述CNN-LSTM模型的物理可解释性；
将所述预处理数据输入所述CNN-LSTM模型进行训练，得到训练好的CNN-LSTM模型；
将待预测页岩油生产数据输入训练好的所述CNN-LSTM模型，得到待预测页岩油生产数据的预测产量结果。
2.根据权利要求1所述基于CNN-LSTM模型预测页岩油产量的方法，其特征在于，所述获取一定时间段的页岩油生产数据，对所述页岩油生产数据进行数据预处理，得到预处理数据，包括：
对所述页岩油生产数据进行归一化处理，将所述页岩油生产数据转换为[0, 1]内的归一化的页岩油生产数据。
3.根据权利要求1所述基于CNN-LSTM模型预测页岩油产量的方法，其特征在于，所述构建CNN-LSTM模型，包括;
所述CNN包括依次连接的一层卷积层和一层最大池化层，通过所述CNN对所述预处理数据进行空间特征的提取；
通过所述LSTM对所述预处理数据进行时间特征的提取；
通过所述全连接层生成预测产量结果。
4.根据权利要求1所述基于CNN-LSTM模型预测页岩油产量的方法，其特征在于，所述将所述预处理数据输入所述CNN-LSTM模型进行训练，得到训练好的CNN-LSTM模型，包括：
将所述预处理数据划分为训练集和测试集；
基于所述训练集训练所述CNN-LSTM模型；
基于所述测试集评估满足性能条件的所述CNN-LSTM模型的诊断结果，得到所述CNN-LSTM模型所对应的评价指数。
5.根据权利要求1所述基于CNN-LSTM模型预测页岩油产量的方法，其特征在于，所述将所述训练集输入所述CNN-LSTM模型进行训练，得到训练好的CNN-LSTM模型，还包括:
通过确定系数、均方根误差、平均绝对误差和平均绝对百分比误差评价所述CNN-LSTM模型的预测精度。
6.根据权利要求1所述基于CNN-LSTM模型预测页岩油产量的方法，其特征在于，所述将所述训练集输入所述CNN-LSTM模型进行训练，得到训练好的CNN-LSTM模型，还包括:
通过公式1计算所述CNN-LSTM模型的损失值；
公式1；
式中，为CNN-LSTM模型的损失值，n为样本数量，/>为CNN-LSTM模型的预测值；为实际产值，/>为Duong模型的损失值，/>为/>的尺度系数，/>的大小决定/>对CNN-LSTM模型的影响。
7.一种基于CNN-LSTM模型预测页岩油产量的***，其特征在于，包括：
预处理模块，用于获取一定时间段的页岩油生产数据，对所述页岩油生产数据进行数据预处理，得到预处理数据；
构建模块，用于构建CNN-LSTM模型，其中，所述CNN-LSTM模型包括CNN、LSTM和全连接层，将Duong模型纳入所述CNN-LSTM模型的损失函数中，增加所述CNN-LSTM模型的物理可解释性；
训练模块，用于将所述预处理数据输入所述CNN-LSTM模型进行训练，得到训练好的CNN-LSTM模型；
将待预测页岩油生产数据输入训练好的所述CNN-LSTM模型，得到待预测页岩油生产数据的预测产量结果。
8.根据权利要求7所述基于CNN-LSTM模型预测页岩油产量的***，其特征在于，所述CNN包括依次连接的一层卷积层和一层最大池化层，所述CNN用于对所述预处理数据进行空间特征的提取；
所述LSTM用于对所述预处理数据进行时间特征的提取；
所述全连接层用于生成预测产量结果。
9.一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1至6中的任一项所述的方法的步骤。
10.一种非暂态计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至6中的任一项所述的方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410258681.5A CN117851928A (zh) | 2024-03-07 | 2024-03-07 | 基于cnn-lstm模型预测页岩油产量的方法及*** |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410258681.5A CN117851928A (zh) | 2024-03-07 | 2024-03-07 | 基于cnn-lstm模型预测页岩油产量的方法及*** |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117851928A true CN117851928A (zh) | 2024-04-09 |
Family
ID=90542062
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410258681.5A Pending CN117851928A (zh) | 2024-03-07 | 2024-03-07 | 基于cnn-lstm模型预测页岩油产量的方法及*** |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117851928A (zh) |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20200056910A (ko) * | 2019-09-26 | 2020-05-25 | 한국지질자원연구원 | 딥러닝을 이용한 셰일가스 생산량 예측모델 생성 방법 |
| CN112819240A (zh) * | 2021-02-19 | 2021-05-18 | 北京科技大学 | 基于物理约束的lstm模型预测页岩油产量的方法 |
| CN113627076A (zh) * | 2021-07-20 | 2021-11-09 | 首都师范大学 | 一种基于hi和ann的锂离子电池rul预测方法 |
| CN115375031A (zh) * | 2022-08-31 | 2022-11-22 | 中国石油化工股份有限公司石油工程技术研究院 | 一种产油量预测模型建立方法、产能预测方法及存储介质 |
| CN115640888A (zh) * | 2022-10-18 | 2023-01-24 | 中国石油大学(北京) | 一种递减函数嵌入式门限序列网络的产量预测方法 |
| CN116523086A (zh) * | 2022-01-18 | 2023-08-01 | 中国石油化工股份有限公司 | 基于长短时记忆深度神经网络的单井生产动态预测方法 |
| CN117272841A (zh) * | 2023-11-21 | 2023-12-22 | 西南石油大学 | 一种基于混合神经网络的页岩气甜点预测方法 |
-
2024
- 2024-03-07 CN CN202410258681.5A patent/CN117851928A/zh active Pending
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20200056910A (ko) * | 2019-09-26 | 2020-05-25 | 한국지질자원연구원 | 딥러닝을 이용한 셰일가스 생산량 예측모델 생성 방법 |
| CN112819240A (zh) * | 2021-02-19 | 2021-05-18 | 北京科技大学 | 基于物理约束的lstm模型预测页岩油产量的方法 |
| CN113627076A (zh) * | 2021-07-20 | 2021-11-09 | 首都师范大学 | 一种基于hi和ann的锂离子电池rul预测方法 |
| CN116523086A (zh) * | 2022-01-18 | 2023-08-01 | 中国石油化工股份有限公司 | 基于长短时记忆深度神经网络的单井生产动态预测方法 |
| CN115375031A (zh) * | 2022-08-31 | 2022-11-22 | 中国石油化工股份有限公司石油工程技术研究院 | 一种产油量预测模型建立方法、产能预测方法及存储介质 |
| CN115640888A (zh) * | 2022-10-18 | 2023-01-24 | 中国石油大学(北京) | 一种递减函数嵌入式门限序列网络的产量预测方法 |
| CN117272841A (zh) * | 2023-11-21 | 2023-12-22 | 西南石油大学 | 一种基于混合神经网络的页岩气甜点预测方法 |
Non-Patent Citations (5)
| Title |
|---|
| LUO, SH等: "Study on the Production Decline Characteristics of Shale Oil: Case Study of Jimusar Field", 《FRONTIERS IN ENERGY RESEARCH》, 27 May 2022 (2022-05-27) * |
| 刘巍;刘威;谷建伟;: "基于机器学习方法的油井日产油量预测", 石油钻采工艺, no. 01, 20 January 2020 (2020-01-20) * |
| 吴洁: "《预测模型的优化及应用》", 31 August 2022, 中国科学技术出版社, pages: 6 * |
| 张扬武: "《机器之心 法律文本的主题学习》", 30 September 2021, 中国政法大学出版社, pages: 62 - 63 * |
| 王洪亮;穆龙新;时付更;窦宏恩;: "基于循环神经网络的油田特高含水期产量预测方法", 石油勘探与开发, no. 05, 13 July 2020 (2020-07-13) * |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Sangiorgio et al. | Robustness of LSTM neural networks for multi-step forecasting of chaotic time series | |
| Müller et al. | Surrogate optimization of deep neural networks for groundwater predictions | |
| CN111144542B (zh) | 油井产能预测方法、装置和设备 | |
| Ma et al. | DeePr-ESN: A deep projection-encoding echo-state network | |
| CN110909926A (zh) | 基于tcn-lstm的太阳能光伏发电预测方法 | |
| CN112819136A (zh) | 基于cnn-lstm神经网络模型与arima模型的时间序列预测方法及*** | |
| CN109409561B (zh) | 多时间尺度时间序列协同预测模型的构建方法 | |
| CN115935834B (zh) | 一种基于深度自回归网络和持续学习策略的历史拟合方法 | |
| CN112508265A (zh) | 面向业务流程管理的时间与活动多任务预测方法及*** | |
| CN114548591B (zh) | 一种基于混合深度学习模型和Stacking的时序数据预测方法及*** | |
| CN117175588B (zh) | 基于时空相关性的用电负荷预测方法及装置 | |
| CN110956309A (zh) | 基于crf和lstm的流程活动预测方法 | |
| CN111507505A (zh) | 一种水库日入量预测模型的构建方法 | |
| CN116542701A (zh) | 一种基于cnn-lstm组合模型的碳价预测方法及*** | |
| Almqvist | A comparative study between algorithms for time series forecasting on customer prediction: An investigation into the performance of ARIMA, RNN, LSTM, TCN and HMM | |
| CN113484882B (zh) | 多尺度滑动窗口lstm的gnss序列预测方法及*** | |
| Wen et al. | MapReduce-based BP neural network classification of aquaculture water quality | |
| CN117851928A (zh) | 基于cnn-lstm模型预测页岩油产量的方法及*** | |
| CN111027680B (zh) | 基于变分自编码器的监控量不确定性预测方法及*** | |
| Yakushin et al. | Neural network model for forecasting statistics of communities of social networks | |
| Zhao et al. | Neural-Network-Based Feature Learning: Recurrent Neural Network | |
| Patel et al. | Introduction to machine learning and its application | |
| Zhurda | Automated well monitoring: Machine learning and web application | |
| Kurniawan et al. | Raw Paper Material Stock Forecasting with Long Short-Term Memory | |
| Manasi et al. | A comparative study of the various optimizations applied on an LSTM for the application of Stock Price Predictions |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination |