来源：期刊VIP网 时间：
作者：王伟;雷宇;潘元;廖锐全;
单位：长江大学石油工程学院;CNPC气举实验基地;大港油田分公司石油工程研究院;
摘要：针对现有数据驱动模型结构简单，仅能处理低维特征数据，且只适用相同序列间(产量-产量)的学习任务，与传统机理模型的计算逻辑(压力-产量)存在差异的问题，建立了基于神经网络深度学习方法的CNN-BiGRU产能预测模型，在输入端设计了全连接层和卷积神经网络层，赋予了模型提取高维特征的能力;通过引入Seq2seq结构使模型适用于不同序列间的学习任务。首先通过网格搜索确定了模型最优超参数，其次通过单变量试验评价了模型的稳定性，最后通过实际应用考察了模型的预测精度。研究结果表明:最优参数下测试集均方误差为0.46，验证了模型用于不同序列间学习任务的可行性;单变量试验下模型预测结果与理论认识相同，说明模型可以在处理时序信息的同时充分考虑地质参数和工程参数对产量的影响;实际产能对比表明，该模型预测值与实测值的平均相对误差为13.11%，表明模型具有良好的预测精度，所建模型可为机器学习产能预测方法提供新的思路。
关键词：产能预测;;神经网络深度学习;;页岩油藏;;压裂水平井
基金资助：国家自然科学基金项目“多种通讯约束下网络化智能系统的性能分析与优化设计”(63173049)
