一种基于多机器学习模型融合的油井产量预测方法.pdf

(19)国家知识产权局(12)发明专利申请(10)申请公布号CN115099519A(43)申请公布日2022.09.23(21)申请号202210826531.0(22)申请日2022.07.13(71)申请人西南石油大学地址610500四川省成都市新都区新都大道8号(72)发明人甄艳赵晓明方君易葛家旺(74)专利代理机构成都其知创新专利代理事务所(普通合伙)51326专利代理师房立普(51)Int.Cl.G06Q10/04(2012.01)G06N20/00(2019.01)G06N3/08(2006.01)G06N3/04(2006.01)权利要求书1页说明书8页附图6页(54)发明名称一种基于多机器学习模型融合的油井产量预测方法(57)摘要本发明公开了一种基于多机器学习模型融合的油井产量预测方法，包括以下步骤：S1：收集目标产油井的生产资料并进行预处理，获得生产数据集；S2：划分训练数据集和测试数据集；S3：分别构建TCN‑attention模型、CatBoost模型、ANFIS模型并进行训练；S4：获得三个模型的预测输出结果一，将其划分为训练数据集二和测试数据集二；S5：构建RBF神经网络并进行训练；S6：获得预测输出结果二；S7：将所述预测输出结果二与所述测试数据集二中的真实值进行对比，根据对比结果判断融合模型是否达到预测精度要求：若未达到，则重新训练；若达到，则利用所述融合模型对所述目标产油井的未来产量进行预测。本发明能够更精确的预测产油井的日产油量，为油田生产提供技术支持。CN115099519ACN115099519A权利要求书1/1页1.一种基于多机器学习模型融合的油井产量预测方法，其特征在于，包括以下步骤：S1：收集目标产油井的生产资料，并对所述生产资料进行预处理，获得生产数据集；S2：将所述生产数据集划分为训练数据集一和测试数据集一；S3：分别构建TCN‑attention模型、CatBoost模型、ANFIS模型，并利用所述训练数据集一对三个模型分别进行训练，获得训练好的TCN‑attention模型、CatBoost模型、ANFIS模型；S4：将所述测试数据集一作为训练好的TCN‑attention模型、CatBoost模型、ANFIS模型的输入，获得三个模型的预测输出结果一，将所述预测输出结果一划分为训练数据集二和测试数据集二；S5：构建RBF神经网络，并以所述训练数据集二对所述RBF神经网络进行训练，获得训练好的RBF神经网络；S6：将所述测试数据集二作为训练好的RBF神经网络的输入，获得RBF神经网络的预测输出结果二；S7：将所述预测输出结果二与所述测试数据集二中的真实值进行对比，根据对比结果判断由TCN‑attention模型、CatBoost模型、ANFIS模型以及RBF神经网络组成的融合模型是否达到预测精度要求：若未达到预测精度要求，则重复步骤S2‑S7或重复步骤S5‑S7；若达到预测精度要求，则利用所述融合模型对所述目标产油井的未来产量进行预测。2.根据权利要求1所述的基于多机器学习模型融合的油井产量预测方法，其特征在于，步骤S1中，所述生产资料包括日产油量、生产时间、日产水量、油压、套压以及回压。3.根据权利要求1所述的基于多机器学习模型融合的油井产量预测方法，其特征在于，步骤S1中，对所述生产资料进行预处理包括数据去除、数据补全以及数据归一化。4.根据权利要求1所述的基于多机器学习模型融合的油井产量预测方法，其特征在于，步骤S3中，利用所述训练数据集一对所述TCN‑attention模型进行训练时，采用滑动窗口的方式构造所述TCN‑attention模型的输入数据。5.根据权利要求1所述的基于多机器学习模型融合的油井产量预测方法，其特征在于，步骤S3中，利用所述训练数据集一分别对所述CatBoost模型和所述ANFIS模型进行训练时，以预测目标日期前一天的生产资料作为所述CatBoost模型和所述ANFIS模型的输入数据。6.根据权利要求1‑5中任意一项所述的基于多机器学习模型融合的油井产量预测方法，其特征在于，步骤S7中，将所述预测输出结果二与所述测试数据集二中的真实值进行对比时，采用平均绝对百分误差作为评价指标。2CN115099519A说明书1/8页一种基于多机器学习模型融合的油井产量预测方法技术领域[0001]本发明涉及油田生产井产能预测技术领域，特别涉及一种基于多机器学习模型融合的油井产量预测方法。背景技术[0002]油井产量预测对油田开发方案的设计有重要的影响作用，通过产量预测及时调整油井工作制度，使现场部署以及工作量分配更为科学合理，从而保证规划目标正常实现。目前预测油井产量最普遍的方法是油藏数值模拟法，其通过地质建模和历史拟合能够取得较为精确的产量预测结果，但缺点是