1、第 卷 第 期 重庆科技学院学报(自然科学版)年 月融合注意力机制的 页岩气产能预测方法朱仲义 刘 洪 岳圣杰 周 鸿 朱怡晖 文宏川(.中石油西南油气田分公司页岩气研究院 成都.重庆科技学院 安全工程学院 重庆.中石油西南油气田分公司蜀南气矿 四川 泸州)收稿日期:基金项目:重庆市自然科学基金重点项目“深层页岩气压裂复杂裂缝形成机理及工艺技术研究”()作者简介:朱仲义()女硕士研究方向为页岩气开发通信作者:刘洪()男博士教授研究方向为油气藏产能评价摘要:传统的经验公式法和数学解析法对页岩气产能预测的误差较大为此提出一种融合注意力机制的双向长短时记忆神经网络()对页岩气产能进行预测 在 的网络
2、层架构中添加注意力机制后神经网络输入子集的能力、模型处理时间序列数据的能力均得到了提升 采用该模型对页岩气井的日产气量进行预测相对于单一的 、此模型的预测效果更好关键词:页岩气产能预测 注意力机制 双向长短时记忆神经网络中图分类号:文献标识码:文章编号:()前 言页岩气井的产能预测对页岩气高效开发及商业化发展具有重要的现实意义 受储层与工程等多种因素的综合影响页岩气井的产能规律不清晰 机器学习在致密油藏页岩气开发中的应用处于初步探索阶段大部分研究者倾向于通过经验公式法、数学解析法或物理模型模拟法等对页岩气产能进行预测 冯曦等人基于定压生产对试井模型进行求解可精确计算气井绝对无阻流量的解析解并以
3、均质储层直井为参照基准定量描述了不同类型气井产能不稳定性的特征 王治平等人提出了古隆起背景下“沉积选区、构造分带、保存控藏”的斜坡型页岩气藏差异富集理论 杨洋等人提出一种基于气井生产数据拟合的产能评价方法采用 等产量递减分析图版对气井的生产数据进行历史拟合预测了不同工作制度下的井底流压并通过拟合产能方程计算了气井的无阻流量 强小龙等人根据气井产能的影响因素绘制了产能预测图版用以预测投产井的产能指标 这些传统的产能预测方法复杂而繁琐石军太等人提出了一种快速、准确预测煤层气井生产动态的解析模型但随着页岩气的高效开发该模型预测结果偏差较大的缺点逐渐呈现机器学习具有强大的自主学习能力已逐步应用于页岩气
4、的产能预测 谭辰阳等人提出了一种基于随机森林算法的煤层气产能模式识别模型通过网格搜索结合交叉验证的方式确定了随机森林模型的超参数建立了以测井曲线为特征向量的产能模式分类预测模型 董银涛等人提出一种基于物理约束数据挖掘算法的海上油井初期产能预测方法应用极端梯度提升()算法构建初期产能预测模型并基于产能公式改进其损失函数增强了数据挖掘算法的物理约束 陈浩等人通过样本数据的标准化、主成分分析预处理和交叉验证方法建立了基于支持向量机的致密油藏水平井体积压裂朱仲义等:融合注意力机制的 页岩气产能预测方法初期产能预测模型 以上机器学习的方法都取得了一定效果但对于具有时序特征的页岩气动态生产数据仍存在一定的
5、局限性为了提高电子装备预测的准确性倪祥龙等人提出一种基于双向长短时记忆神经网络()的电子装备故障预测方法 张源等人提出了一种多特征信息融合的 网络模型该模型具有良好的泛化能力 网络层输入子集的能力有所欠缺而注意力机制具有增强网络层输入子集的能力 本次研究提出一种融合注意力机制的双向长短时记忆神经网络()对页岩气产能进行预测 通过 对页岩气中具有时序特征的数据进行特征提取加入基于 的注意力机制模块以进一步提升 处理时序数据的能力 方法原理.双向长短时记忆神经网络()长短时记忆神经网络()是循环神经网络()的变体是通过改进 而得到的特殊结构 是一种具有链式结构的网络由一系列复杂且含有记忆区块的递归
6、子网络构成在数据训练过程中若网络层数不断增加就很容易出现梯度消失或梯度爆炸的现象 利用其特有的门机制将长期记忆与短期记忆结合起来弥补了 只能将短期历史数据作为输入信息的短板在 的单元结构中包含输入门、遗忘门和输出门等具有特殊作用的门层其模型固有的结构优势可以在一定程度上有效地避免梯度爆炸现象的发生 但是 只能从前向后单向处理数据无法融合反方向处理数据带来的有利影响 能够从正反 个方向来获得数据特征不仅能表征过去的数据也能对未来的发展趋势进行预测具有双向时序数据预测的优势在页岩气开采过程中日产气量数据大都按每天 进行统计大部分开采井的开发时间为 页岩气的开采数据量很大且之间的联系非常紧密数据的时
7、序特征直接影响模型的学习能力及预测精度 相对于 更适用于大量且联系紧密的数据预测 的结构示意图如图 所示图 的结构示意图由图 可知 由 层反方向的 构成:第 层 从左向右进行数据输入在预测页岩气日产气量时可以理解为以当前预测点的前一段序列作为数据输入第 层 从右向左进行数据输入在预测页岩气日产气量时可以理解为以当前预测点的后一段序列作为数据输入 在前后 层 的共同作用下最终得到输出结果计算 时刻的输出隐藏状态向量如式()式()所示:()()()()()()()()()()()式中:、分别为 时刻的遗忘门、输入门、输出门为 时刻的细胞状态 为 时刻的记忆细胞为 时刻的隐藏状态向量 为()激活函数
8、()为双曲正切激活函数、分别为遗忘门、输入门、输出门对应的权重矩阵 为的权重矩阵、分别为遗忘门、输入门、输出门对应的偏置向量 为的偏置向量 为 时刻的输入向量对 时刻前向、后向的输出隐藏状态向量、进行拼接如式()所示:()()式中:()为拼接向量朱仲义等:融合注意力机制的 页岩气产能预测方法利用式()式()计算前向及后向的隐藏层向量将得到的隐藏层向量输入到最后一个全连接层节点得到 模型.注意力机制 能够较好地提取页岩气数据特征但并不能对所有特征信息的贡献度分布权重进行分析 大量贡献度较低的输入变量不仅会增加时序预测模型的复杂度还会使模型的预测精度降低 页岩气单井产量受储层与工程等多种因素的综合
9、影响非线性特征明显因此页岩气重要特征的输入难以确定而注意力机制恰好可以克服这一缺点 注意力机制有助于减小神经网络对边缘数据的关注程度从而增加模型输入子集的能力注意力机制包括硬注意力机制和软注意力机制等 种类型:硬注意力机制的权重值为 或 软注意力机制的权重值为 相较于硬注意力机制软注意力机制的权重分配更灵活 假设页岩气动态数据包括 个输入信息不需要将所有信息都输入神经网络只需要从中选取与任务相关的信息即可本次研究以通过式()计算得到的拼接向量作为输入信息采用软注意力机制对其进行编码软注意力机制示意图如图 所示图 软注意力机制示意图通过注意力机制计算输入序列在总序列中所占的比重 如式()所示:(
10、)式中:为页岩气动态数据输入信息的数量 为输入信息数量为 时的注意力分布可用来计算输入信息的加权平均值 为输入信息数量为 时的拼接向量 融合注意力机制的双向长短时记忆网络本次研究提出一种融合注意力机制的双向长短时记忆网络模型 在 的基础上添加了反向 对数据进行处理同时引入注意力机制构建 以提高模型输入子集的能力 对页岩气产能预测的具体过程如下:)对产能时序数据进行预处理剔除异常数据利用最近邻算法()对处理好的数据进行缺失值填补 计算公式如式()、式()所示:()()()()()()式中:()和()为二维空间数据中对应的一组坐标点 为坐标点的欧氏几何距离()为 个数据坐标点的欧氏几何距离之和)运
11、用 方法对数据进行归一化处理 归一化公式如式()所示:()式中:为输入的产能时序数据初始值 为计算过程中产生的随机数据 为每一列数据样本的最大值 为每一列数据样本的最小值)划分训练集和测试集通过模型对数据进行训练 将时序数据中的套管压力、油管压力、日产气量、日产水量作为模型的动态输入变量待预测的日产气量作为输出变量 通过调整迭代次数、网络节点等参数对网络进行优化训练将输出向量作为输入量进行计算如式()所示:()()()式中:为激活函数 的输入值、为全连接层待训练权重 为输入信息数量为 时的输出预测值 为激活函数利用均方误差 更新参数以优化网络 朱仲义等:融合注意力机制的 页岩气产能预测方法 的
12、流程及整体架构如图 所示 实验研究.数据处理本次研究以长宁页岩气 口水平井(、)在 年的测井动态数据为基础开展实验用其中、这 口井的数据来训练模型 选取测井数据中的套管压力、油管压力、日产气量和日产水量等 个时序字段作为实验数据图 的流程及整体架构将套管压力、油管压力、日产气量和日产水量的历史数据作为模型的动态输入变量将待预测的日产气量作为输出变量对数据进行归一化处理并对其进行批量训练 训练集与测试集以 进行划分模型训练样本的序列长度设置为 批量尺寸设置为.实验结果分析为了验证模型的鲁棒性和泛化能力分别建立、及 等 种模型对页岩气产能进行预测 对处理后的数据进行批量训练不同模型损失函数值随迭代
13、次数的变化如图 所示 随着迭代次数的增加损失函数值先急剧下降然后慢慢趋于平缓 当迭代次数达到 时损失函数收敛得到最终的训练模型图 不同模型的损失函数值随迭代次数的变化为了验证各模型的泛化能力选取、井中的 多条非异常数据进行测试其中不同模型对 井的产能预测结果如图 所示图 不同模型对 井的产能预测结果由图 可知当采用 模型对页岩气的日产气量进行预测时总体预测趋势比较乐观但是由于 无法更好地提取时序特征的信息其预测朱仲义等:融合注意力机制的 页岩气产能预测方法结果与实际数据误差较大 当采用 对页岩气的日产气量进行预测时其预测结果得到了明显的改善 在产能预测模型中引入注意力机制后其预测精度得到了较大
14、提升.模型评估指标为了更好地评估模型的预测结果本次研究采用均方误差()、均方根误差()、平均绝对误差()等 种评价指标对实验结果进行评价值越小说明预测模型对实验数据的预测精度越高 种评价指标的计算公式如式()式()所示:()()()()()式中:为输入信息数量为 时的真实值不同模型对、井的产能预测结果评估如表 所示 在 基础上加入注意力机制后 的 均降低 在 基础上引入双向长短时记忆神经网络后 的预测效果得到了明显的改善 在 的基础上引入注意力机制后 的均降低其预测效果最好表 不同模型对、井产能预测结果评估模型井号.结 语在 模型中融合注意力机制后模型神经网络输入子集的能力更强模型在序列任务上
15、能够更好地进行学习其鲁棒性和泛化能力均得到提升采用本次方法对长宁页岩气的 口井进行产能预测实验 实验结果表明融合注意力机制的 的预测效果较好对提升开采效率具有一定的指导意义参考文献 吴凡方振东肖立志.海上多源测井数据在储层产能预测方面的应用.石化技术():.马亮亮.非均质致密油藏压裂水平井产能预测模型.大庆石油地质与开发():.毕晓明.改进物质平衡法在致密气藏气井生产动态预测中的应用.大庆石油地质与开发():.冯曦彭先李骞等.试气阶段评价气井不稳定产能的新方法.天然气工业():.王治平张庆刘子平等.斜坡型强非均质页岩气藏高效开发技术:以川南威远地区龙马溪组页岩气藏为例.天然气工业():.杨洋欧
16、家强吕亚博等.基于生产动态分析的气井产能评价方法.世界石油工业():.强小龙任正城颉红霞等.致密气藏气井产能预测方法.石油化工应用():.石军太孙政刘成源等.一种快速准确预测煤层气井生产动态的解析模型.天然气工业():.谭辰阳张占松周雪晴等.基于随机森林算法的煤层气产能模式识别模型.煤矿安全():.董银涛宋来明张迎春等.基于物理约束数据挖掘算法的海上油井初期产能预测方法.油气地质与采收率():.陈浩张超徐程浩等.基于支持向量机的致密油藏水平井体积压裂初期产能预测.中国海上油气():.倪祥龙石长安麻曰亮等.基于 的电子装备故障预测方法研究.航空兵器():.张源康乐宫朝辉等.基于 的期货市场关朱仲义等:融合注意力机制的 页岩气产能预测方法联交易行为检测方法.计算机科学():.:.:.:.王迎飞黄应平肖敏等.基于注意力机制的 长江汛期水位预测方法研究.三峡大学学报(自然科学版)():.(.):.().:(编辑:张 兰)