基于長短期記憶神經網絡的油田新井產油量預測方法

侯春華

（中國石化勝利油田分公司勘探開發研究院，山東東營257015）

通過新井的不斷投入來彌補老井遞減，是保持油田產油量持續穩定的必然手段。但由于新井生產歷史短，不確定因素多，一直是油田產油量預測的重點和難點。中國對油田新井產油量的預測有諸多種方法，主要可以概括為基于單因素的預測方法和基于多因素的預測方法［1-9］。其中，基于單因素的預測主要采用曲線擬合法，往往只考慮時間因素；基于多因素的預測考慮了開發指標與其他相關影響因素的關系，一般有多個輸入變量和1個輸出變量。近年來，隨著人工智能算法的進步，人工智能預測方法逐漸應用于油田新井產油量預測。人工智能算法可以較好地對復雜的非線性函數映射關系進行描述，對數據中的特征進行挖掘和學習，從而將數據轉換為更高層次的表達，擬合和預測效果均較好。目前在油田新井產油量預測中使用的人工智能算法主要有支持向量機回歸和反向傳播（簡稱BP）神經網絡［10-13］，但這2種方法無法考慮數據在時間上的相關性，并且對自變量的選擇較敏感。為此，筆者采用改進的循環（簡稱RNN）神經網絡，即基于長短期記憶（簡稱LSTM）神經網絡對油田新井產油量進行預測，該方法不僅可以考慮相關因素對產油量的影響，還能考慮數據在時間上的相關性，預測精度高，適應性強，可作為一種新的方法應用于油田新井產油量預測。

1 RNN與LSTM神經網絡

1.1 BP神經網絡

神經網絡模型模仿了生物神經元，具有加權、求和與轉移3個功能。……