1、书书书智能设计检测?年?月第?卷第?期?学术论文Academic papers粘接智慧设计检测采用神经网络建模对海下有机材料加固的油井产量预测研究侯佐新，袁树文（中海油田服务股份有限公司，天津300457）摘要：海下油井油产量预测在开发调整和优化中继续发挥着越来越重要的作用；但海下油井的加固会进一步影响油产量预测。研究建立注气效应的长短期记忆（LSTM）神经网络模型，预测已有机材料环氧树脂乳液加固渤海碳酸盐岩储层的生产性能；将该模型的计算结果与传统储层数值模拟（RNS）在相同条件下进行了对比。结果表明，LSTM所需的CPU负载仅为4%，LSTM方法的总CPU时间和综合计算功耗分别仅占RNS的1
2、0.43%和36.46%。LSTM方法在计算方面具有显著优势，为人工智能在油气开发中的应用提供了新的方向。关键词：长短期记忆；神经网络；海下油井；油产量预测中图分类号：TE33+1.1；TP39文献标志码：A文章编号：1001-5922（2023）03-0178-05Research on oil production prediction of offshore oilwells based on long and short termmemory neural networkHOU Zuoxin，YUAN Shuwen（China Oilfield Services Co.，LTD.，Ti
3、anjin 300457，China）Abstract:Oil production prediction of subsea oil wells continues to play an increasingly important role in development adjustment and optimization.However，the reinforcement of offshore oil wells will further affect the oil production forecast.The long short memory（LSTM）neural netw
4、ork model of gas injection effect is established to predictthe production performance of Bohai carbonate reservoir reinforced with organic epoxy resin lotion.The calculationresults of this model were compared with the traditional reservoir numerical simulation（RNS）under the same conditions.The resul
5、ts showedthat the CPU load required by LSTM was only 4%.The total CPU time and comprehensive computing power consumption of LSTM method only accounted for 10.43%and 36.46%of RNS respectively.LSTM method had significant advantages in calculation.It provides a new direction for the application of arti
6、ficialintelligence in oil and gas development.Keywords:short-term memory；neural network；shipbuilding industry；oil well2023 年 3 月第 50 卷第 3 期doi:10.3969 j.issn.1001-5922.2023.03.042Vol.50 No.03，Mar.2023收稿日期：2023-01-04；修回日期：2023-02-06作者简介：侯佐新（1964-），男，高级工程师，研究方向：工业信息化等；E-mail：。基金项目：2019年工业互联网创新发展工程-工业互
7、联网网络化行业应用创新和推广平台项目（项目编号：TC190A3X1）。引文格式：侯佐新，袁树文.采用神经网络建模对海下有机材料加固的油井产量预测研究J.粘接，2023，50（3）：178-182.178学术论文粘接书书书智能设计检测?年?月第?卷第?期?Academic papers智慧设计检测海下固井作业对油气井建设很重要，其根本目的是实现层间密封，支撑和保护套管，防止压力差1。油井水泥是固井材料的主要成分，但由于凝固后脆性，直接用于固井时无法抵抗井下应力损伤。因此，往往需要添加改性材料来改善水泥浆的性能。一些研究表明，用高分子有机材料制备水泥浆有助于增强油井水泥的抗应力能力，实现长期密封2
8、。聚合物乳液有机材料是油井水泥中最常用的聚合物之一。在水泥浆中加入丁苯乳液、乙烯醋酸乙烯共聚物乳液等聚合物有机乳液，由于聚合物的作用，水泥浆的力学性能和耐久性可以得到显著提高3-4。聚合物乳液对水泥浆性能的改性机理主要是聚合物膜的形成以及膜与水泥水化产物的紧密结合。聚合物有机乳液水泥固化后，聚合物桥接层间晶体并将这些水合晶体结合在一起5。此外，提高了改性水泥的内聚力，形成了更具凝聚力的微观结构，减少了水泥基体内部的微裂纹数量。而环氧树脂乳液是一种聚合物有机乳液，无需稳定剂即可应用于水泥基复合材料。有机材料环氧树脂乳液在水下混凝土领域有着广泛的应用。但目前已有结果表明，对油井进行加固时，会进一步
9、影响油井产油量预测，加固材料会阻碍油气的传输。因此，亟需改进目前的产量预测模型，以适用于有机材料环氧树脂乳液加固油井的情况。神经网络（NN）仅在各层间建立权重关系，其仅对一个输入进行独立的处理，而前者与后者则是完全无关的6。在实际应用中，某些任务需要能够更好地处理序列信息。递归神经网络（RNN）和NN之间的最大区别是层中神经元之间建立的加权连接。与基本的NN相比，它可以处理序列变化的数据。长短期记忆（LSTM）是对RNN结构的改进，主要是为了解决长序列训练过程中梯度消失的问题，使循环神经网络具有更强更好的记忆性能。简单地说，LSTM在更长的时间序列情况下优于RNN。利用LSTM解决石油上游时间
10、序列问题已经进行了大量研究。成功建立了双特征LSTM模型来预测考虑关闭期的页岩气产量，这比单特征案例更准确7。建立了一个深度全连接神经网络模型来预测6个月和18个月的累计石油产量8。利用LSTM建立了一个预测模型，用于预测水饱和度分布，压力分布和产油量9。上述大多数基于神经网络的应用程序只考虑生产数据，较少考虑从气体喷射到生产的注气效应。基于此建立了考虑注气效应的LSTM模型，用于碳酸盐岩储层的产油/水/气生产和GOR预测，一个比传统RNS方法更准确的预测模型。并进一步将LSTM方法的预测准确性与实际数据和 RNS 结果进行比较，研究成果可为海下油井产能预测提供参考。1模型建立和LSTM算法递
11、归神经网络（RNN）用于处理序列数据，与一般神经网络相比，它可以处理数据的顺序变化12。RNN可以将当前隐藏层的输出转换为下一个隐藏层的输入，与当前信息与下一个任务相关联13。RNN可以处理任何长度的输入，但RNN只对短期信息敏感，难以解决“长期依赖”的问题。LSTM是 Hochreiter&Schmidhuber于1997首先提出的一种能够解决“长时间依赖性”的 RNN14。标准RNN重复模块的结构非常简单，只有1个tanh层。与RNN相比，LSTM的内部结构更复杂，由4个神经网络层组成，包括细胞状态、输入门、遗忘门和输出门。LSTM由这3个控制器仔细调节，以删除或添加信息到细胞状态。W和b
12、定义为这些参数的权重矩阵和偏置矩阵，下标f、i、o分别表示遗忘门、输入门和输出门，如下：W=WfWiWo，b=bfbibo（1）LSTM的第1部分是“忘记门”15。这部分主要侧重于选择性地忘记上1个时间步长（t-1）的信息。简而言之，它忘记了不重要的信息并记住了重要的信息。此步骤由关闭状态gmoid层实现：fi=(Wfht-1Xt+bf)（2）式中：fi表示忘记门；表示1个S型激活函数，其输出范围为0到1；计算方法由（x）=（1+e-x）-1计算得到。“1”表示“保持一切事物的完整”；而“0”表示“完全删除所有内容”；Xt在时间步长t处输入，在时间步长ht-1处输出；Wf和bf分别为遗忘门的权
13、重矩阵和偏差矩阵。“输入门”决定了我们想要在当前时间步长（t）的单元格状态中存储哪些新信息，输入门分为S形层和tanh层。关闭状态gmoid层要求输入门决定应更新的内容，如式（3）所示；tanh层创建一个新的候选值的向量，可以将其添加到单元格状态中，如式（4）所示。it=(Wiht-1Xi+bi)（3）式中：it是输入门；bi是输入门的偏差矩阵。-Ct=tanh(Wcht-1Xt+bc)（4）179书书书智能设计检测?年?月第?卷第?期?学术论文Academic papers粘接智慧设计检测tanh(x)=sinh(x)cosh(x)=ex-e-xex+e-x（5）式中：Ct是新候选值的向量；
14、tanh(x)为双曲切线激活函数，其输出范围为-11，由式（5）给出。然后，根据上述步骤，将之前的单元格状态更新为当前的单元格状态，如下所示：Ct=ftCt-1+itCt（6）“输出门”阶段将确定什么将被视为当前单元状态的输出。这个输出会根据单元格的状态而定.首先，执行1个 gmoid层，确定了要输出哪个单元的单元状态。然后，用 tanh 把单元格状态（从-1 到 1）和用 gmoid栅极的输出相乘，这样就可以仅输出所需要的值。t=(Woht-1，Xt+bo)（7）ht=ttanh(Ci)（8）式中：t为输出门；Wo和bo分别为输出门的权值矩阵和偏置矩阵；ht是当前单元格状态的输出值，也是下一
15、个状态的输入值。此外，整流线性单元（ReLU）也是神经网络中常用的激活函数，由式（9）给出：ReLU(x)=x if x00 if x0（9）2模型验证和评价结果以2个完整的环氧树脂乳液加固油井为例，进一步展示LSTM模型对油/水/气/GOR预测的验证和评价结果。2.1模型预测性能验证如果模型的训练性能良好，但预测效果较差，很明显该模型必须进行调整。本文旨在利用RNS软件预测在相同条件下（相同的GIR和IP）下具有相同井型的目标生产商的产量。此外，还使用了过去4 000 d的数据进行了历史拟合，并预测了未来500 d的数据。最后，将对RNS和LSTM的性能进行详细的比较，包括模型训练时间、预测
16、时间和预测精度。2.2LSTM模型训练性能损失函数曲线通常用于评估模型训练性能。可以通过监测损失函数曲线的收敛趋势来确定模型是否达到了最佳状态。其中P-73与P-59为2个不同的生产厂商。图1为2个目标生产者模型的损失函数曲线与迭代的关系。从图1可以看出，P-73曲线在达到280迭代时收敛，下降趋势在280500个迭代相对稳定；而P-59损失曲线在200个迭代后逐渐稳定下来。2.3预测结果以及LSTM和RNS的比较在获得优秀的训练模型后，需要分析这些模型在后500 d的预测结果。图2为11个变量LSTM模型的实际日产油量和预测结果。根据图2中的比较结果，结果表明偏差低，平台产量与实际值一致。通过计算实际值和预测结果之间的 RMSE、MAE 和R2，可以定量分析11个变量LSTM模型的性能。总体来看，模型预测结果的准确率相对较高，可以接受。在水平比较中，P-59 具有最佳的预测性能，RMSE 和 MAE 最低，R2最高。相比之下，P-73的预测性能相对较差。P-59在150350 d内的预测日油率曲线与实际曲线有很大偏差。P-73在300500 d 的预测曲线与实际曲线不匹配。总之，4
