基于机器学习的射孔井产能预测方法及系统

摘要

本公开提出了基于机器学习的射孔井产能预测方法及系统，包括如下步骤：获取射孔井产能影响参数数据；将射孔井产能影响参数数据进行预处理；将预处理后的射孔井产能影响参数数据输入至训练好的径向基函数网络，输出射孔井产能预测结果。本公开采用了机器学习和神经网络的模型，应用于射孔井产能的数据预测，具有较高的预测准确率，而且反应迅速，提高企业的工作效率。与现有的射孔井产能预测方法不同，利用此方法不必进行大量运算，大大提高了射孔井产能预测的效率。

说明书

技术领域

本公开涉及射孔井产能智能预测相关技术领域，具体的说，是涉及基于机器学习的射孔井产能预测方法及系统。

背景技术

本部分的陈述仅仅是提供了与本公开相关的背景技术信息，并不必然构成在先技术。

目前常用的射孔井产能预测方法是经验公式法和数值模拟法。其中，经验公式法包括Borisov公式、GiGer公式、Joshi公式、Renard公式等，这些公式是在大量假设的基础上推导出来的，均含有与射孔参数有关的经验系数，这些经验系数影响因素众多，通常难以现场取得或者准确预测，因此经验公式法的预测精度较低。而数值模拟法可以真实再现油田生产的物理过程，但是需要大量详尽的油田地质、开发等数据资料，而这些数据往往很难获得或者存在很大的不确定性，从而严重制约了数值模拟的精度。此外，数值模拟方法计算量大，耗时长，效率低，且需要预测人员具备一定的数值模拟基础，从而给工程应用带来了很多不便。综上所述，现有的射孔井产能预测方法已无法满足工程要求，迫切需要提出新的预测方法。

发明内容

本公开为了解决上述问题，不同于传统的经验公式法和数值模拟法预测射孔井产能，本公开提出了基于机器学习的射孔井产能预测方法及系统，能够准确、快速预测射孔井产能。

为了实现上述目的，本公开采用如下技术方案：

一个或多个实施例提供了基于机器学习的射孔井产能预测方法，包括如下步骤：

获取射孔井产能影响参数数据；

将射孔井产能影响参数数据进行预处理；

将预处理后的射孔井产能影响参数数据输入至训练好的径向基函数网络，输出射孔井产能预测结果。

一个或多个实施例提供了基于机器学习的射孔井产能预测系统，包括：

获取模块，被配置为用于获取射孔井产能影响参数数据；

预处理模块，被配置为用于将射孔井产能影响参数数据进行预处理；

预测模块，被配置为用于将预处理后的射孔井产能影响参数数据输入至训练好的径向基函数网络，输出射孔井产能预测结果。

一种电子设备，包括存储器和处理器以及存储在存储器上并在处理器上运行的计算机指令，所述计算机指令被处理器运行时，完成上述方法所述的步骤。

一种计算机可读存储介质，用于存储计算机指令，所述计算机指令被处理器执行时，完成上述方法所述的步骤。

与现有技术相比，本公开的有益效果为：

(1)本公开采用了机器学习和神经网络的模型，应用于射孔井产能的数据预测，具有较高的预测准确率，而且反应迅速，提高企业的工作效率。与现有的射孔井产能预测方法不同，利用此方法不必进行大量运算，大大提高了射孔井产能预测的效率。

(2)本公开的方法可以设置为程序，只要在通过手机等只能终端能够进行现场射孔井产能预测，更具便捷性。

本公开附加方面的优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本公开的实践了解到。

附图说明

构成本公开的一部分的说明书附图用来提供对本公开的进一步理解，本公开的示意性实施例及其说明用于解释本公开，并不构成对本公开的限定。

图1是本公开实施例1的预测方法的流程图；

图2是本公开实施例1的训练方法的流程图；

图3是本公开实施例1的径向基函数网络结构示意图。

具体实施方式：

下面结合附图与实施例对本公开作进一步说明。

应该指出，以下详细说明都是示例性的，旨在对本公开提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本公开所属技术领域的普通技术人员通常理解的相同含义。

需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本公开的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。需要说明的是，在不冲突的情况下，本公开中的各个实施例及实施例中的特征可以相互组合。下面将结合附图对实施例进行详细描述。

实施例1

在一个或多个实施方式中公开的技术方案中，如图1所示，基于机器学习的射孔井产能预测方法，包括如下步骤：

步骤1、获取射孔井产能影响参数数据；

步骤2、将射孔井产能影响参数数据进行预处理；

步骤3、将预处理后的射孔井产能影响参数数据输入至训练好的径向基函数网络，输出射孔井产能预测结果。

射孔井产能的动态变化是一种复杂的非线性过程，相对传统的列函数、解微分方程求值这种复杂繁琐的方式，本实施例中，采用了机器学习和神经网络的模型，应用于射孔井产能的数据预测，具有较高的预测准确率，而且反应迅速，提高企业的工作效率。

本实施例中，如图3所示，可选的，径向基函数网络可以设置为三层的前向网络：第一层为输入层，节点个数等于输入的维数；第二层为隐含层，节点个数视问题的复杂度而定；第三层为输出层，节点个数等于输出数据的维数；所述隐含层采用径向基函数作为基函数，将输入向量空间转换到隐含层空间。

其中，径向基神经网络的方法可以采用newrb函数创建。

进一步的技术方案，还包括对径向基神经网络进行设置的步骤，所述径向基神经网络参数包括误差容限、扩散因子以及最大神经元个数；可以设置误差容限为1e-8，扩散因子为22以及最大神经元个数。

径向基网络与多层感知器不同，它的不同层有着不同的功能，隐含层是非线性的，本实施例采用径向基函数作为基函数，从而将输入向量空间转换到隐含层空间，使原来线性不可分的问题变得线性可分，使得输出层是线性的。

步骤1中，射孔井产能影响参数数据为影响产能的因素数据，可以包括油田地质条件数据、原油物性数据、开发方式、孔深、孔径、孔密度、孔眼相位等。本实施例检测的一组影响产能的因素数据如表1所示。

表1

预处理的方法，可以包括对参数数据进行编码，将数据进行向量化，可以采用one-hot编码或者采用embedding处理。具体的，本实施例中将参数数据处理为5x100的矩阵，目标输出值为1x100行向量。

进一步的，预处理方法还可以包括对数据进行插值处理，可以提高样本数量，适用于数据量不足的预测场景。可选的，可以采用二维插值，具体的可以采用interp2函数进行处理。

步骤3中，将获取的射孔井产能影响参数数据输入至训练好的径向基函数网络，输出射孔井产能预测结果的过程，如图2所示，径向基函数网络的识别过程如下：

步骤31、输入样本向量首先与权值向量相乘。

步骤32、将步骤31中相乘后的结果输入到隐层含节点中，计算样本与节点中心的距离。

步骤33、将距离值经过径向基函数的映射后形成隐含层的输出，再输入到输出层，各个隐含层节点的线性组合形成了最终的网络输出。

进一步的，所述径向基函数网络的训练方法，包括如下步骤:

S1、获取射孔井产能影响参数样本数据以及实际产能数据，建立样本集；

S2、将射孔井产能影响参数样本数据以及实际产能数据进行预处理；

S3、将预处理后的射孔井产能影响参数数据作为输入，将预处理后的实际产能数据输入至构建好的径向基函数网络，进行训练；

S4、通过径向基网络调用径向基函数，根据设定的最大神经元数量逐个增加神经元，使训练误差逐渐减小，直到误差小于容限，确定径向基函数网络的最优参数，获得训练好的径向基网络。

进一步的，还包括如下步骤，将样本集数据划分为训练集和测试集，通过训练集数据执行训练方法对径向基函数网络进行训练，同时通过测试集数据对训练好的径向基函数网络进行测试。

步骤S1中，射孔井产能影响参数样本数据，可以包括油田地质条件数据、原油物性数据、开发方式、孔深、孔径、孔密度、孔眼相位等。

可选的，实际产能数据，可以包括油田实际年产油量或者油田产能效率。

步骤S2中，预处理的方法与步骤2中的预处理方法可以相同，包括编码以及插值处理。

步骤S3中，构建的径向基函数网络与前述径向基网络的结构相同，构建方法相同以及网络设置相同，此处不再赘述。

实施例2

基于实施例1，本实施例提供基于机器学习的射孔井产能预测系统，包括：

获取模块，被配置为用于获取射孔井产能影响参数数据；

预处理模块，被配置为用于将射孔井产能影响参数数据进行预处理；

预测模块，被配置为用于将预处理后的射孔井产能影响参数数据输入至训练好的径向基函数网络，输出射孔井产能预测结果。

实施例3

本实施例提供一种电子设备，包括存储器和处理器以及存储在存储器上并在处理器上运行的计算机指令，所述计算机指令被处理器运行时，完成实施例1的方法所述的步骤。

实施例4

本实施例提供一种计算机可读存储介质，用于存储计算机指令，所述计算机指令被处理器执行时，完成实施例1的方法所述的步骤。

本公开所提出的电子设备可以是移动终端以及非移动终端，非移动终端包括台式计算机，移动终端包括智能手机(Smart Phone，如Android手机、IOS手机等)、智能眼镜、智能手表、智能手环、平板电脑、笔记本电脑、个人数字助理等可以进行无线通信的移动互联网设备。

应理解，在本公开中，该处理器可以是中央处理单元CPU，该处理器还可以是其他通用处理器、数字信号处理器DSP、专用集成电路ASIC，现成可编程门阵列FPGA或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。

该存储器可以包括只读存储器和随机存取存储器，并向处理器提供指令和数据、存储器的一部分还可以包括非易失性随机存储器。例如，存储器还可以存储设备类型的信息。

在实现过程中，上述方法的各步骤可以通过处理器中的硬件的集成逻辑电路或者软件形式的指令完成。结合本公开所公开的方法的步骤可以直接体现为硬件处理器执行完成，或者用处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器、闪存、只读存储器、可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器，处理器读取存储器中的信息，结合其硬件完成上述方法的步骤。为避免重复，这里不再详细描述。本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元即算法步骤，能够以电子硬件或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本公开的范围。

所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统、装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。

在本公开所提供的几个实施例中，应该理解到，所揭露的系统、装置和方法，可以通过其他的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能的划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另外一点，所显示或讨论的相互之间的耦合或者直接耦合或者通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性、机械或其它的形式。

所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读存储介质中。基于这样的理解，本公开的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，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)执行本公开各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。

以上所述仅为本公开的优选实施例而已，并不用于限制本公开，对于本领域的技术人员来说，本公开可以有各种更改和变化。凡在本公开的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本公开的保护范围之内。

上述虽然结合附图对本公开的具体实施方式进行了描述，但并非对本公开保护范围的限制，所属领域技术人员应该明白，在本公开的技术方案的基础上，本领域技术人员不需要付出创造性劳动即可做出的各种修改或变形仍在本公开的保护范围以内。