科研之友
微信
新浪微博
Facebook
分享链接
摘要
针对油田高含水期地质条件复杂、地层物性变化多样导致产量预测正确率低的问题，提出一种基于多变量时间序列模型即多变量长短期记忆神经网络(LSTM)的产量预测方法。在基于极限梯度提升算法(XGBoost)筛选产量主控因素的基础上，建立综合考虑产量与地质、开发等影响因素之间相关性特征，并兼顾产量自身的时序性变化特征的产量预测模型；实验选取中国某中高渗透砂岩区块油田生产历史数据进行高含水期产量预测模型的训练和测试，并与单变量长短时记忆模型以及其他全连接网络模型结果进行比较。结果表明：该方法具有较好的预测性能，新模型克服了传统全连接神经网络无法描述产量时序数据相关性，以及单变量LSTM无法表征高含水期产量变化受多因素影响的问题，有效地提高了油田高含水期产量预测的准确性。
-
单位中国石油勘探开发研究院; 大庆油田有限责任公司勘探开发研究院; 东北石油大学
