基于CNN-BiLSTM的油田注水流量預測

摘要：針對深度學習中的RNN（Recurrent Neural Networks）常用于時間序列預測，但其存在難以對歷史序列進行特征提取、以及無法突出關鍵信息的影響且時間序列過長時早期信息易丟失等問題，提出一種基于雙重注意力機制CNN（Convolutional Neural Networks） -BiLSTM（Bi-directional Long Short-Term Memory）的油田注水流量預測方法。該方法以油田歷史注水數據為輸入，利用CNN層提取歷史注水數據特征，并引入特征注意力機制層，通過計算權重值的方式為特征賦予相應權重，使關鍵特征更容易得到較大權重，進而對預測結果產生影響：BiLSTM層對數據進行時序建模，并引入時間步注意力機制，通過選取關鍵時間步并突出該時間步的隱藏狀態表達，使早期隱藏狀態不會隨時間消失，能提升模型對長時間序列的預測效果，最后完成流量預測。以公開數據集和中國南部某地區油田注水數據為算例，并與MLP（Multilayer Perceptron）、GRU（Gate Recurrent Unit）、LSTM（Long Short-Term Memory）、BiLSTM、CNN進行對比，證明該方法在油田注水流量預測中精度更高，可幫助油田制定生產計劃、減少資源浪費以及提高注采率，具有一定的實際工程應用價值。

關鍵詞：流量預測；卷積神經網絡；長短期記憶神經網絡；注意力機制

中圖分類號：TP183：TE357 文獻標志碼：A

0 引言

由于油藏注水開發存在水驅采油效率低的問題，并且存油層之間的形態及結構有巨大差異，所以層與層之間的滲透率差別很大，若水驅采油時不區別對待不同的存油層會發生高滲透層吸水飽和浪費水資源、低滲透層吸水不足降低油田注采率的問題。為提高油田注采率并減少資源浪費，需要精細地進行分層注水。……