(19)中华 人民共和国 国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202111339316.X (22)申请日 2021.11.12 (71)申请人 中法渤海地质服 务有限公司 地址 300450 天津市滨 海新区塘沽548信箱 (72)发明人 杨毅　于伟强　赵洪绪　赵洪涛　 房鑫磊　徐杨　 (74)专利代理 机构 济南竹森知识产权代理事务 所(普通合伙) 37270 代理人 吕利敏 (51)Int.Cl. G06F 30/27(2020.01) G06N 3/04(2006.01) G06N 3/08(2006.01) E21B 49/00(2006.01) G06F 119/14(2020.01) (54)发明名称 基于LSTM模型的长时不稳定试井解释方法 (57)摘要 本发明提供了一种基于LSTM模型的长时不 稳定试井解释方法， 无需事先选择解释模型， 即 可实现油气井试井数据解释。 本发 明利用长短期 记忆神经网络LSTM是RNN模型的改进。 该模型是 一种时间递归神经网络模型， 具备时序观念， 具 有长时间的记忆能力， 属于典型的深度学习模 型， 能够更深层次挖掘数据之间的潜在规律， 使 预测变得更加准确可靠。 当用于油气井生产动态 分析时， 长短期记忆神经网络(LS TM)能保留先前 的油气井生产信息并传递到后续时间节点的生 产预测， 充分考虑油气井生产动态数据的变化趋 势和前后关联性， 因此能深层次揭示油气井生产 数据之间的潜在规 律。 权利要求书3页 说明书7页 附图4页 CN 114254554 A 2022.03.29 CN 114254554 A 1.一种新的基于LSTM模型的长时不稳定试井解释方法， 其特 征在于， 包括： 步骤101、 获取待测油气井固定时间段内的井底压力和流 量数据； 步骤102、 划分训练集和 测试集； 步骤103、 LSTM模型建立与训练； 步骤104、 LSTM模型测试验证； 步骤105、 利用无噪流 量数据建立 LSTM模型， 并进行压力预测； 步骤106、 油气藏特 征解释。 2.根据权利要求1所述的一种新的基于LSTM模型的长时不稳定试井解释方法， 其特征 在于： 所述步骤101具体包括： 在获取时， 在至少改变2个流量情况下， 分别 对应获取井底压力 和流量数据； 所述的改变流 量是指改变油气井的产液量或产气量； 所述流量数据包括通过所述改变流量后的产 液量、 产油量、 产 水量和/或产气量中的一 种或多种； 单位时间内所获取到单个井底压力数据和单个流量数据构 成单个数据组； 固定时间段 内所有数据组称为数据集 合。 3.根据权利要求2所述的一种新的基于LSTM模型的长时不稳定试井解释方法， 其特征 在于： 所述步骤102具体包括： 按预设 比例将步骤101所述的数据集合划分为训练集和测试 集； 所述训练集是按照所述预设比例从所述数据集合中， 按照 时间顺序选取的， 训练集包 括数据组及对应的获取时间； 所述数据集 合中除训练集以外的数据组及对应的获取时间为所述测试集。 4.根据权利要求3所述的一种新的基于LSTM模型的长时不稳定试井解释方法， 其特征 在于： 所述步骤103具体包括： 采用python 中的LSTM模型算法工具模块搭建学习网络： 包括遗 忘门、 输入门和输出门； 在t时刻， LSTM单元处理输入状态xt、 短期隐藏状态ht‑1和长期隐藏状态ct‑1来生成输出 状态yt； 长期隐藏状态ct‑1包含t时刻之前的时间步的信息； 短期隐藏状态ht‑1包含上一个时间步的信息； 在LSTM单元内， 输入状态xt和短期隐藏状态ht‑1被全连接层FC处理， 其中gt、 ft、 it、 ot分 别为： 权　利　要　求　书 1/3 页 2 CN 114254554 A 2在公式(1) ‑(5)中， f为非线性激活函数； σ 为激活函数； ft、 it、 ot由激活函数σ 决定， 分别控制遗 忘门、 输入门和输出门， 取值范围为0 到1； gt为由非线性激活函数f决定， 与it一起控制输入门的参数， 取值范围为0 到1； Wxg、 Wxf、 Wxi、 Wxo为处理输入xt的权重矩阵， Whg、 Whf、 Whi、 Who为处理短期隐藏状态ht‑1的权 重矩阵， bg、 bf、 bi、 bo为偏置项； 在遗忘门， LSTM单元决定t时刻ct‑1被遗忘的部分， 这是通过执行ft和ct‑1之间的数组元 素相乘实现的； 在输入门， LSTM单元通过执行gt和it之间的数组元素相乘来决定在长期隐藏状态中gt 被保存的部分； 将遗忘门的处理信息 和输入门的处理信息 结合起来更新时刻t的长期隐 藏状态ct， 上述过程如公式(5)所示： 其中， 代表数组元 素依次相乘； 输出门处理更新的长期隐藏状态ct和输出向量ot来生成更新的短期隐藏状态ht， 如公 式(5)所示： 将训练集中的时间和流量数据作为输入、 压力数据作为输出， 采用LSTM模型算法工具 模块搭建的学习网络针对训练集 开展训练： 不断调节遗忘门、 输入门、 输出门的权重， 降低训练预测结果与真实结果之间的均 方误 差； 直至训练预测结果与真实结果之间的均方误差最小时， 训练结束， 由此确定各个所述的 权重， 最终形成优化后的LSTM模型。 5.根据权利要求4所述的一种新的基于LSTM模型的长时不稳定试井解释方法， 其特征 在于： 所述步骤104具体包括： 将测试集中的时间和流量数据作为输入、 压力数据作为输出代 入优化后的LSTM模型中， 通过均方误差验证预测的效果： 当预测精度满足要求时， 进入下一 步压力预测环 节； 如果未达到预测精度， 返回步骤103调 节神经网络的层 数和神经元个数， 重新进行LSTM 模型训练和 测试验证， 直到满足精度要求。 6.根据权利要求5所述的一种新的基于LSTM模型的长时不稳定试井解释方法， 其特征 在于： 所述步骤105具体包括： 所述一组无 噪流量‑时间数据是指时间连续且至少有一个流量 的数据组； 将假设的一组无噪流量 ‑时间数据代入步骤103和步骤104训练并测试完成的LSTM模 型， 预测该组无噪流 量‑时间数据所产生的压力响应数据。 7.根据权利要求6所述的一种新的基于LSTM模型的长时不稳定试井解释方法， 其特征权　利　要　求　书 2/3 页 3 CN 114254554 A 3