水平井出水量的确定方法、装置、计算机设备及存储介质与流程

1.本发明实施例涉及钻井技术领域，尤其涉及一种水平井出水量的确定方法、装置、计算机设备及存储介质。


背景技术：

2.目前，气体钻井非常具有潜力，是一条解决易漏地层钻井问题、保护低压低渗油藏、提高钻井速度的有效钻井方式。但是，地层出水问题是限制气体钻井优势发挥的重要瓶颈问题。通过在钻前对地层出水定量预测，可以为气体钻井合理选区和选层提供可靠依据。
3.在传统的水平井出水预测的过程中，通常是根据渗流力学理论计算得到出水量。由于地质参数描述的不够准确，容易出现较大的误差，并且无法成为一套完整的系统，同时传统的预测方式智能程度较低，功能相对不够全面，无法满足工业的实际需求。


技术实现要素：

4.本发明实施例提供一种水平井出水量的确定方法、装置、计算机设备及存储介质，以降低水平井出水量的预测误差，从而使得用户可以更好的利用预测得到的出水量值。
5.第一方面，本发明实施例提供了一种水平井出水量的确定方法，该方法包括：
6.获取水平井出水量的影响参数；
7.将所述影响参数输入训练后的深度神经网络模型，以得到所述水平井出水量的预测结果；其中，所述深度神经网络模型包括循环神经网络模型。
8.可选的，在所述将所述影响参数输入训练后的深度神经网络模型，以得到所述水平井出水量的预测结果之前，还包括：
9.获取所述深度神经网络模型的训练样本；
10.构建所述深度神经网络模型；
11.根据所述训练样本，使用目标优化学习算法对所述深度神经网络模型进行优化训练。
12.可选的，所述获取所述深度神经网络模型的训练样本，包括：
13.建立第一预设数量的eclipse机理模型和第二预设数量的eclipse实际模型，并获取水平井的现场找水结果；
14.根据所述eclipse机理模型、所述eclipse实际模型和所述现场找水结果生成多组所述训练样本。
15.可选的，所述构建所述深度神经网络模型，包括：
16.确定所述深度神经网络模型的隐藏层层数为3，且每层的个数分别为8、32和64；
17.确定所述深度神经网络模型的隐藏层和输出层所使用的激活函数为sigmoid函数；
18.确定所述深度神经网络模型训练用的损失函数为均方误差。
19.可选的，在所述根据所述训练样本，使用目标优化学习算法对所述深度神经网络
模型进行优化训练之前，还包括：
20.确定多种预设优化学习算法的超参数；
21.根据所述训练样本，分别使用各个所述预设优化学习算法对所述深度神经网络模型进行优化训练；
22.将各个所述预设优化学习算法的训练结果进行比较，以确定所述目标优化学习算法。
23.可选的，所述预设优化学习算法包括小批量梯度下降法、动量法、均方根传递法以及自适应矩估计优化法。
24.可选的，所述影响参数包括：水平井长度、避水高度、井型、隔夹层距水平井距离、隔夹层宽度、隔夹层类型、高渗带类型、隔夹层渗透率比例、油水粘度比、水体能量、产液量、含水率及段号中的至少一个。
25.第二方面，本发明实施例还提供了一种水平井出水量的确定装置，该装置包括：
26.影响参数获取模块，用于获取水平井出水量的影响参数；
27.出水量预测模块，用于将所述影响参数输入训练后的深度神经网络模型，以得到所述水平井出水量的预测结果；其中，所述深度神经网络模型包括循环神经网络模型。
28.第三方面，本发明实施例还提供了一种计算机设备，该计算机设备包括：
29.一个或多个处理器；
30.存储器，用于存储一个或多个程序；
31.当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现本发明任意实施例所提供的水平井出水量的确定方法。
32.第四方面，本发明实施例还提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现本发明任意实施例所提供的水平井出水量的确定方法。
33.本发明实施例提供了一种水平井出水量的确定方法，首先获取水平井出水量的影响参数，然后将得到的影响参数输入训练后的深度神经网络模型，以通过该深度神经网络模型输出水平井出水量的预测结果，其中的深度神经网络模型可以是循环神经网络模型。本发明实施例所提供的水平井出水量的确定方法，通过使用深度学习技术对水平井出水量进行预测，能够将各种复杂的数据特征进行融合，并且使用循环神经网络模型更加符合水平井的前后关联特点，从而使得预测误差明显降低，相对于传统的预测方法有了很大的提升，使得用户可以更好的利用预测得到的出水量值。
附图说明
34.图1为本发明实施例一提供的水平井出水量的确定方法的流程图；
35.图2为本发明实施例二提供的水平井出水量的确定装置的结构示意图；
36.图3为本发明实施例三提供的计算机设备的结构示意图。
具体实施方式
37.下面结合附图和实施例对本发明作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释本发明，而非对本发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与本发明相关的部分而非全部结构。
38.在更加详细地讨论示例性实施例之前应当提到的是，一些示例性实施例被描述成作为流程图描绘的处理或方法。虽然流程图将各步骤描述成顺序的处理，但是其中的许多步骤可以被并行地、并发地或者同时实施。此外，各步骤的顺序可以被重新安排。当其操作完成时所述处理可以被终止，但是还可以具有未包括在附图中的附加步骤。所述处理可以对应于方法、函数、规程、子例程、子程序等等。
39.实施例一
40.图1为本发明实施例一提供的水平井出水量的确定方法的流程图。本实施例可适用于在钻井之前对水平井出水量进行预测的情况，该方法可以由本发明实施例所提供的水平井出水量的确定装置来执行，该装置可以由硬件和/或软件的方式来实现，一般可集成于计算机设备中。如图1所示，具体包括如下步骤：
41.s11、获取水平井出水量的影响参数。
42.可选的，所述影响参数包括：水平井长度、避水高度、井型、隔夹层距水平井距离、隔夹层宽度、隔夹层类型、高渗带类型、隔夹层渗透率比例、油水粘度比、水体能量、产液量、含水率及段号中的至少一个。具体的，水平井出水量的影响因素有很多，其中主要因素有上述13类，可以从中确定所需的影响参数，特别的，可以使用全部上述13类，将这13种影响参数作为后续深度神经网络模型的输入。其中，对于各种影响参数的获取可以采用现有的任意方法，本实施例中不作具体的限制。
43.s12、将所述影响参数输入训练后的深度神经网络模型，以得到所述水平井出水量的预测结果；其中，所述深度神经网络模型包括循环神经网络模型。
44.具体的，在获取到所需的影响参数之后，即可将该影响参数输入到训练后的深度神经网络模型，从而通过该深度神经网络模型输出水平井出水量的预测结果。其中，该深度神经网络模型可以是循环神经网络模型，由于每一段的出水量依赖于前一段的信息，具有明显的传递性，即符合马尔科夫特性，因此，利用循环神经网络模型更符合水平井前后关联的特点，可以降低预测误差。可选的，该深度神经网络模型还可以是双向循环神经网络、深层循环神经网络以及卷积神经网络等等。
45.在上述技术方案的基础上，可选的，在所述将所述影响参数输入训练后的深度神经网络模型，以得到所述水平井出水量的预测结果之前，还包括：获取所述深度神经网络模型的训练样本；构建所述深度神经网络模型；根据所述训练样本，使用目标优化学习算法对所述深度神经网络模型进行优化训练。
46.其中，可选的，所述获取所述深度神经网络模型的训练样本，包括：建立第一预设数量的eclipse机理模型和第二预设数量的eclipse实际模型，并获取水平井的现场找水结果；根据所述eclipse机理模型、所述eclipse实际模型和所述现场找水结果生成多组所述训练样本。具体的，首先可以建立10000个eclipse机理模型和8个eclipse实际模型，然后获取1口水平井的现场找水结果，然后可以根据这些数据生成46万余组有效数据进行分析，并可以将其中前70％的数据作为训练样本，还可将后30％的数据作为测试样本。为消除不同量纲对模型带来的影响并提高神经网络的运行效率和预测精度，可以在获取到训练样本之后，首先对训练样本进行归一化等预处理，具体可以使用min
‑
max标准化将原始数据映射到[0
‑
1]之间，具体计算公式为：
[0047][0048]
其中，x表示归一化前的数据，y表示归一化后的数据。相应的，可以采用如下计算公式进行反归一化：
[0049]
x＝y(max(x)
‑
min(x)) min(x)
[0050]
在完成归一化之后，还可以对数据进行筛选，以去除其中无用的噪声点，并将剩余的数据作为最终的训练样本，也可通过同样的方法得到最终的测试样本等。
[0051]
可选的，所述构建所述深度神经网络模型，包括：确定所述深度神经网络模型的隐藏层层数为3，且每层的个数分别为8、32和64；确定所述深度神经网络模型的隐藏层和输出层所使用的激活函数为sigmoid函数；确定所述深度神经网络模型训练用的损失函数为均方误差。具体的，首先可以根据设定的输入输出确定深度神经网络模型的输入层和输出层，如当深度神经网络模型的输入为上述13种影响参数，输出为水平井的出水量值时，则可以确定输入层的神经元个数为13，输出层的神经元个数为1。隐藏层层数和神经元数量过少不能深挖特征与目标之间的深层关系，过多又会导致模型参数多，训练耗时长，还容易导致模型过度拟合，因此，本实施例可采用试错法并结合hecht
‑
nielsen理论确定隐藏层的层数和隐藏层神经元的数量，经过反复实验，最终确定隐藏层的层数为3，每层神经元的个数分别为8、32和64，因此，深度神经网络模型的网络结构最终可确定为13
‑8‑
32
‑
64
‑
1。在确定了网络结构之后，可以基于python3.7环境和tensorflow深度学习框架进行建模，并确定隐藏层所使用的激活函数为sigmoid函数，输出层也采用sigmoid函数，又由于水平井出水量属于回归问题，所以选用的损失函数为均方误差。
[0052]
可选的，在所述根据所述训练样本，使用目标优化学习算法对所述深度神经网络模型进行优化训练之前，还包括：确定多种预设优化学习算法的超参数；根据所述训练样本，分别使用各个所述预设优化学习算法对所述深度神经网络模型进行优化训练；将各个所述预设优化学习算法的训练结果进行比较，以确定所述目标优化学习算法。其中，可选的，所述预设优化学习算法包括小批量梯度下降法(mbgd)、动量法(momentum)、均方根传递法(rmsprop)以及自适应矩估计优化法(adam)。具体的，可以选用mbgd、momentum法、rmsprop算法和adam算法等4种不同的预设优化学习算法对深度神经网络模型进行多轮的调试，以确定各算法的超参数，经过多轮的调试，最终可确定最优学习率均为0.001，momentum法因子γ取0.9，rmsprop算法因子ρ取0.95，因子δ采用默认值1*10
‑6，adam算法因子δ采用默认值1*10
‑8，因子p1和因子p2分别取0.9和0.99，中间变量默认取0，随机选取各初始参数。在确定了各个预设优化学习算法的超参数之后，即可利用获得的训练样本以及设置好的4种优化学习算法对深度神经网络模型进行优化训练，通过观察训练损失函数值的变化曲线，可以确定其中adam算法为最优深度学习算法，即目标优化学习算法，adam算法的收敛速度快，效率高，并且最终损失值降到最低值0.0706，进而即可构建基于目标优化学习算法的循环神经网络对水平井出水量进行预测的模型。其中，训练的过程可以采用双层循环，内层循环设置batch
‑
size为512，每次迭代过程可随机抽取10组训练样本来更新参数，外层循环epoch
‑
num取25，即进行25轮训练，在每次迭代开始前可以将训练数据进行随机打乱。
[0053]
本发明实施例所提供的技术方案，首先获取水平井出水量的影响参数，然后将得
到的影响参数输入训练后的深度神经网络模型，以通过该深度神经网络模型输出水平井出水量的预测结果，其中的深度神经网络模型可以是循环神经网络模型。通过使用深度学习技术对水平井出水量进行预测，能够将各种复杂的数据特征进行融合，并且使用循环神经网络模型更加符合水平井的前后关联特点，从而使得预测误差明显降低，相对于传统的预测方法有了很大的提升，使得用户可以更好的利用预测得到的出水量值。
[0054]
实施例二
[0055]
图2为本发明实施例二提供的水平井出水量的确定装置的结构示意图，该装置可以由硬件和/或软件的方式来实现，一般可集成于计算机设备中，用于执行本发明任意实施例所提供的水平井出水量的确定方法。如图2所示，该装置包括：
[0056]
影响参数获取模块21，用于获取水平井出水量的影响参数；
[0057]
出水量预测模块22，用于将所述影响参数输入训练后的深度神经网络模型，以得到所述水平井出水量的预测结果；其中，所述深度神经网络模型包括循环神经网络模型。
[0058]
本发明实施例所提供的技术方案，首先获取水平井出水量的影响参数，然后将得到的影响参数输入训练后的深度神经网络模型，以通过该深度神经网络模型输出水平井出水量的预测结果，其中的深度神经网络模型可以是循环神经网络模型。通过使用深度学习技术对水平井出水量进行预测，能够将各种复杂的数据特征进行融合，并且使用循环神经网络模型更加符合水平井的前后关联特点，从而使得预测误差明显降低，相对于传统的预测方法有了很大的提升，使得用户可以更好的利用预测得到的出水量值。
[0059]
在上述技术方案的基础上，可选的，该水平井出水量的确定装置，还包括：
[0060]
训练样本获取模块，用于在所述将所述影响参数输入训练后的深度神经网络模型，以得到所述水平井出水量的预测结果之前，获取所述深度神经网络模型的训练样本；
[0061]
模型构建模块，用于构建所述深度神经网络模型；
[0062]
模型训练模块，用于根据所述训练样本，使用目标优化学习算法对所述深度神经网络模型进行优化训练。
[0063]
在上述技术方案的基础上，可选的，训练样本获取模块，包括：
[0064]
数据获取单元，用于建立第一预设数量的eclipse机理模型和第二预设数量的eclipse实际模型，并获取水平井的现场找水结果；
[0065]
样本生成单元，用于根据所述eclipse机理模型、所述eclipse实际模型和所述现场找水结果生成多组所述训练样本。
[0066]
在上述技术方案的基础上，可选的，模型构建模块，包括：
[0067]
隐藏层确定单元，用于确定所述深度神经网络模型的隐藏层层数为3，且每层的个数分别为8、32和64；
[0068]
激活函数确定单元，用于确定所述深度神经网络模型的隐藏层和输出层所使用的激活函数为sigmoid函数；
[0069]
损失函数确定单元，用于确定所述深度神经网络模型训练用的损失函数为均方误差。
[0070]
在上述技术方案的基础上，可选的，该水平井出水量的确定装置，还包括：
[0071]
超参数确定模块，用于在所述根据所述训练样本，使用目标优化学习算法对所述深度神经网络模型进行优化训练之前，确定多种预设优化学习算法的超参数；
[0072]
预训练模块，用于根据所述训练样本，分别使用各个所述预设优化学习算法对所述深度神经网络模型进行优化训练；
[0073]
目标优化学习算法确定模块，用于将各个所述预设优化学习算法的训练结果进行比较，以确定所述目标优化学习算法。
[0074]
在上述技术方案的基础上，可选的，所述预设优化学习算法包括小批量梯度下降法、动量法、均方根传递法以及自适应矩估计优化法。
[0075]
在上述技术方案的基础上，可选的，所述影响参数包括：水平井长度、避水高度、井型、隔夹层距水平井距离、隔夹层宽度、隔夹层类型、高渗带类型、隔夹层渗透率比例、油水粘度比、水体能量、产液量、含水率及段号中的至少一个。
[0076]
本发明实施例所提供的水平井出水量的确定装置可执行本发明任意实施例所提供的水平井出水量的确定方法，具备执行方法相应的功能模块和有益效果。
[0077]
值得注意的是，在上述水平井出水量的确定装置的实施例中，所包括的各个单元和模块只是按照功能逻辑进行划分的，但并不局限于上述的划分，只要能够实现相应的功能即可；另外，各功能单元的具体名称也只是为了便于相互区分，并不用于限制本发明的保护范围。
[0078]
实施例三
[0079]
图3为本发明实施例三提供的计算机设备的结构示意图，示出了适于用来实现本发明实施方式的示例性计算机设备的框图。图3显示的计算机设备仅仅是一个示例，不应对本发明实施例的功能和使用范围带来任何限制。如图3所示，该计算机设备包括处理器31、存储器32、输入装置33及输出装置34；计算机设备中处理器31的数量可以是一个或多个，图3中以一个处理器31为例，计算机设备中的处理器31、存储器32、输入装置33及输出装置34可以通过总线或其他方式连接，图3中以通过总线连接为例。
[0080]
存储器32作为一种计算机可读存储介质，可用于存储软件程序、计算机可执行程序以及模块，如本发明实施例中的水平井出水量的确定方法对应的程序指令/模块(例如，水平井出水量的确定装置中的影响参数获取模块21及出水量预测模块22)。处理器31通过运行存储在存储器32中的软件程序、指令以及模块，从而执行计算机设备的各种功能应用以及数据处理，即实现上述的水平井出水量的确定方法。
[0081]
存储器32可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序；存储数据区可存储根据计算机设备的使用所创建的数据等。此外，存储器32可以包括高速随机存取存储器，还可以包括非易失性存储器，例如至少一个磁盘存储器件、闪存器件、或其他非易失性固态存储器件。在一些实例中，存储器32可进一步包括相对于处理器31远程设置的存储器，这些远程存储器可以通过网络连接至计算机设备。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
[0082]
输入装置33可用于获取水平井出水量的影响参数，以及产生与计算机设备的用户设置和功能控制有关的键信号输入等。输出装置34包括显示屏等设备，可用于向用户展示最终水平井出水量的预测结果。
[0083]
实施例四
[0084]
本发明实施例四还提供一种包含计算机可执行指令的存储介质，该计算机可执行
指令在由计算机处理器执行时用于执行一种水平井出水量的确定方法，该方法包括：
[0085]
获取水平井出水量的影响参数；
[0086]
将所述影响参数输入训练后的深度神经网络模型，以得到所述水平井出水量的预测结果；其中，所述深度神经网络模型包括循环神经网络模型。
[0087]
存储介质可以是任何的各种类型的存储器设备或存储设备。术语“存储介质”旨在包括：安装介质，例如cd
‑
rom、软盘或磁带装置；计算机系统存储器或随机存取存储器，诸如dram、ddr ram、sram、edo ram、兰巴斯(rambus)ram等；非易失性存储器，诸如闪存、磁介质(例如硬盘或光存储)；寄存器或其它相似类型的存储器元件等。存储介质可以还包括其它类型的存储器或其组合。另外，存储介质可以位于程序在其中被执行的计算机系统中，或者可以位于不同的第二计算机系统中，第二计算机系统通过网络(诸如因特网)连接到计算机系统。第二计算机系统可以提供程序指令给计算机用于执行。术语“存储介质”可以包括可以驻留在不同位置中(例如在通过网络连接的不同计算机系统中)的两个或更多存储介质。存储介质可以存储可由一个或多个处理器执行的程序指令(例如具体实现为计算机程序)。
[0088]
当然，本发明实施例所提供的一种包含计算机可执行指令的存储介质，其计算机可执行指令不限于如上所述的方法操作，还可以执行本发明任意实施例所提供的水平井出水量的确定方法中的相关操作。
[0089]
计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。
[0090]
计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于无线、电线、光缆、rf等等，或者上述的任意合适的组合。
[0091]
通过以上关于实施方式的描述，所属领域的技术人员可以清楚地了解到，本发明可借助软件及必需的通用硬件来实现，当然也可以通过硬件实现，但很多情况下前者是更佳的实施方式。基于这样的理解，本发明的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，如计算机的软盘、只读存储器(read
‑
only memory,rom)、随机存取存储器(random access memory,ram)、闪存(flash)、硬盘或光盘等，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)执行本发明各个实施例所述的方法。
[0092]
注意，上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解，本发明不限于这里所述的特定实施例，对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此，虽然通过以上实施例对本发明进行了较为详细的说明，但是本发明不仅仅限于以上实施例，在不脱离本发明构思的情况下，还可以包括更多其他等效实施例，而本发明的范围由所附的权利要求范围决定。