楊軍征 馮鋼 王青華 鄒洪嵐 馬丹

1. 中國石油勘探開發(fā)研究院；2. 西安中控天地科技開發(fā)有限公司

油井產(chǎn)量是認(rèn)識(shí)油藏生產(chǎn)動(dòng)態(tài)、評(píng)價(jià)油田開采狀況、編制油田開發(fā)規(guī)劃、開發(fā)方案設(shè)計(jì)與調(diào)整、改善油井工作制度等決策問題的基礎(chǔ)和依據(jù)，而且油井產(chǎn)量可以用來反映油井的生產(chǎn)能力、評(píng)估抽油設(shè)備的工作狀態(tài)和措施作業(yè)的效果水平。油井產(chǎn)量科學(xué)可靠的提前預(yù)知，能實(shí)現(xiàn)油井措施工作的高效科學(xué)部署和油井生產(chǎn)工作量的合理匹配，確保油井安全可靠的生產(chǎn)運(yùn)行和規(guī)劃目標(biāo)的實(shí)現(xiàn)［1-2］。

目前，電泵舉升主要應(yīng)用在海上油田，而海上生產(chǎn)平臺(tái)地理位置分散、開發(fā)井網(wǎng)部署難度大、海況條件復(fù)雜［3-5］，給海上油井的產(chǎn)液計(jì)量帶來了很大困難。雖然一些油田采用壓差法、多相流量計(jì)來計(jì)量電泵井產(chǎn)量［6］，但多相流量計(jì)成本昂貴，而且這些方法對(duì)海上高氣液比油井的計(jì)量精度較差。近年來，隨著數(shù)字油田技術(shù)的廣泛應(yīng)用和人工智能技術(shù)的快速發(fā)展，油井虛擬計(jì)量越來越受到廣大油田的重視［7］。許多學(xué)者也基于油井生產(chǎn)動(dòng)態(tài)數(shù)據(jù)，應(yīng)用神經(jīng)網(wǎng)絡(luò)、支持向量機(jī)(SVM)、遺傳算法等機(jī)器學(xué)習(xí)方法［8］，構(gòu)建油井產(chǎn)量預(yù)測模型，實(shí)現(xiàn)產(chǎn)量的快速準(zhǔn)確預(yù)測。2010年Tan Chaodong等［9］利用人工神經(jīng)網(wǎng)絡(luò)自學(xué)習(xí)方法預(yù)測泵的工作狀況、產(chǎn)量、系統(tǒng)效率，并通過生產(chǎn)參數(shù)優(yōu)化提高電潛泵油井產(chǎn)量和效率。Holdaway等［10］通過對(duì)生產(chǎn)數(shù)據(jù)進(jìn)行擬合回歸預(yù)測，基于遺傳算法和小波神經(jīng)網(wǎng)絡(luò)實(shí)現(xiàn)了抽油機(jī)智能優(yōu)化控制。2014年Gupta等［11］提出了采用數(shù)據(jù)挖掘技術(shù)和時(shí)間序列分析預(yù)測生產(chǎn)的方法，并將其應(yīng)用于非常規(guī)油氣藏的產(chǎn)量預(yù)測。2018年Tan Chaodong等［12］構(gòu)造了油井系統(tǒng)效率的混沌時(shí)序預(yù)測模型，實(shí)現(xiàn)了多變量時(shí)間序列預(yù)測油井系統(tǒng)效率，提高了預(yù)測精度。2019年谷建偉等［13］、2020年Liu Wei等［14］針對(duì)油田產(chǎn)量變化的時(shí)序特征，提出采用LSTM預(yù)測模型來進(jìn)行油田區(qū)塊產(chǎn)量預(yù)測，取得了較好的預(yù)測精度，但電泵井產(chǎn)量預(yù)測不僅要考慮時(shí)序特征，同時(shí)還應(yīng)考慮電泵機(jī)組等設(shè)備工況變化及工作參數(shù)對(duì)產(chǎn)量的影響。

油井產(chǎn)量預(yù)測本質(zhì)是一個(gè)時(shí)間序列問題，同時(shí)還應(yīng)考慮設(shè)備工況變化、電泵運(yùn)行情況和地層供液情況對(duì)產(chǎn)量的影響。為此，根據(jù)電泵井歷史數(shù)據(jù)、靜態(tài)數(shù)據(jù)和設(shè)備數(shù)據(jù)，利用皮爾遜(Pearson)相關(guān)系數(shù)方法分析了電泵井屬性數(shù)據(jù)與產(chǎn)量的關(guān)聯(lián)性，根據(jù)主成分分析(PCA)方法進(jìn)行數(shù)據(jù)降維確定主控參數(shù)，定量研究電泵井生產(chǎn)數(shù)據(jù)變化規(guī)律與產(chǎn)量間的關(guān)系。通過與BP神經(jīng)網(wǎng)絡(luò)模型算法對(duì)比分析，選用了長短期記憶神經(jīng)網(wǎng)絡(luò)(LSTM)［15］，建立了一種廣泛應(yīng)用時(shí)序數(shù)據(jù)學(xué)習(xí)和預(yù)測的電泵井產(chǎn)量預(yù)測模型，該方法能充分考慮電泵生產(chǎn)動(dòng)態(tài)數(shù)據(jù)的前后趨勢變化情況和時(shí)間關(guān)聯(lián)性，更深層次挖潛動(dòng)態(tài)數(shù)據(jù)間的變化規(guī)律，可實(shí)時(shí)預(yù)測電泵井產(chǎn)量并超前預(yù)警，從而幫助技術(shù)人員診斷舉升設(shè)備工況和合理選擇調(diào)參時(shí)機(jī)，盡可能避免油井減產(chǎn)，實(shí)現(xiàn)了電泵井參數(shù)優(yōu)化決策由傳統(tǒng)的業(yè)務(wù)驅(qū)動(dòng)向數(shù)據(jù)驅(qū)動(dòng)的轉(zhuǎn)變。

1 電潛泵井生產(chǎn)系統(tǒng)

電潛泵采油系統(tǒng)是利用潛油電動(dòng)機(jī)帶動(dòng)電動(dòng)潛油多級(jí)離心泵將井下原油舉升到地面的一種人工舉升方法。電潛泵系統(tǒng)包括井下機(jī)組、地面控制和電力傳送這3個(gè)部分。井下機(jī)組主要有電動(dòng)潛油多級(jí)離心泵、潛油電動(dòng)機(jī)和潛油電動(dòng)機(jī)保護(hù)器；地面控制主要有采油井口裝置、電動(dòng)潛油泵控制柜和電動(dòng)潛油泵變壓器；電力傳送部分是電動(dòng)潛油泵電纜［16］。電動(dòng)潛油離心泵是一種井下大排量舉升油氣的無桿采油設(shè)備，通過電機(jī)和電泵同油管一起下入井內(nèi)液面以下進(jìn)行井下油氣舉升，將油井中的井液舉升到地面。其生產(chǎn)工藝流程如圖1所示。

2 模型算法原理與方法

基于大數(shù)據(jù)的深度學(xué)習(xí)智能技術(shù)用于電泵井產(chǎn)量預(yù)測和預(yù)警的技術(shù)思路為：將數(shù)據(jù)挖掘技術(shù)與專業(yè)知識(shí)相結(jié)合，識(shí)別電泵井產(chǎn)量預(yù)測的主控參數(shù)，將歸一化處理后影響產(chǎn)量的主控參數(shù)作為輸入變量，應(yīng)用BP神經(jīng)網(wǎng)絡(luò)和長短期記憶神經(jīng)網(wǎng)絡(luò)(LSTM)智能算法，建立產(chǎn)量預(yù)測深度學(xué)習(xí)模型，利用大量樣本數(shù)據(jù)對(duì)所建模型進(jìn)行訓(xùn)練和模型參數(shù)調(diào)優(yōu)，基于訓(xùn)練后的模型實(shí)現(xiàn)產(chǎn)量預(yù)測和預(yù)警。基于數(shù)據(jù)特征提取的電泵井產(chǎn)量預(yù)測方法流程如圖2所示。

圖2 基于特征選擇的電泵井產(chǎn)量預(yù)測方法流程Fig. 2 Process of feature selection based ESP production prediction method

2.1 特征參數(shù)選擇方法

影響電泵井產(chǎn)量的因素很多，主要受油藏和舉升設(shè)備的影響，包括：油井靜態(tài)數(shù)據(jù)(油藏巖石物性、井眼軌跡等)，生產(chǎn)動(dòng)態(tài)數(shù)據(jù)(時(shí)間、油壓、套壓、泵頻率、油嘴開度、泵出口和入口壓力、泵入口溫度、含水率、井液黏度、動(dòng)液面等)，設(shè)備工況數(shù)據(jù)(生產(chǎn)時(shí)長、電流、電壓、有功功率、功率因數(shù)、瞬時(shí)耗電量、系統(tǒng)效率、泵效等)。為了能夠精確地了解影響電泵日產(chǎn)液量的主要特征參數(shù)，采用Pearson相關(guān)系數(shù)分析變量間的相關(guān)性，選用主成分分析(PCA)方法對(duì)數(shù)據(jù)進(jìn)行降維和生產(chǎn)特征分析。

(1)皮爾遜(Pearson)相關(guān)系數(shù)［17］反映的是2個(gè)變量之間變化趨勢的方向以及程度，0表示2個(gè)變量不相關(guān)，正值表示正相關(guān)，負(fù)值表示負(fù)相關(guān)，值越大則表示其相關(guān)性越強(qiáng)。其中，2個(gè)n維向量x、y的Pearson相關(guān)系數(shù)計(jì)算公式為

式中，分別為x、y中元素的平均值。Pearson相關(guān)系數(shù)rxy是[?1,1]中的實(shí)數(shù)，當(dāng)rxy＞0時(shí)，兩變量正相關(guān)；反之，則負(fù)相關(guān)。越大，x和y的相關(guān)程度越高。

(2)主成分分析(Principal Component Analysis，PCA)是把原來多個(gè)變量簡化為少數(shù)幾個(gè)綜合指標(biāo)的一種統(tǒng)計(jì)分析方法［18］。電泵井產(chǎn)量預(yù)測包含多要素的復(fù)雜系統(tǒng)，將大量因素作為輸入?yún)?shù)會(huì)增加分析問題的難度和復(fù)雜性，利用各個(gè)因素間相關(guān)關(guān)系，用降維后的主成分代替原來較多的影響因素，減小數(shù)據(jù)復(fù)雜度的同時(shí)不會(huì)損失數(shù)據(jù)太多信息。

2.2 BP神經(jīng)網(wǎng)絡(luò)和LSTM網(wǎng)絡(luò)原理

(1) BP神經(jīng)網(wǎng)絡(luò)是一種多層的前饋神經(jīng)網(wǎng)絡(luò)［19］，其傳遞過程主要分為信號(hào)的前向傳播和誤差的反向傳播，該過程由于網(wǎng)絡(luò)的輸入和輸出是相互獨(dú)立的，致使先前時(shí)刻的輸入信號(hào)無法考慮對(duì)當(dāng)前時(shí)刻輸出信號(hào)，不能有效處理時(shí)序數(shù)據(jù)的問題。對(duì)于只含一個(gè)隱含層的網(wǎng)絡(luò)模型如圖3所示。

圖3 BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)Fig. 3 Structure of BP neural network

(2) 長短期記憶神經(jīng)網(wǎng)絡(luò)(LSTM)是一種時(shí)間循環(huán)神經(jīng)網(wǎng)絡(luò)，可有效解決一般的RNN(循環(huán)神經(jīng)網(wǎng)絡(luò))存在的長期依賴問題，在時(shí)間序列預(yù)測問題上有著廣泛的應(yīng)用［20］。LSTM在普通RNN的基礎(chǔ)上，增加了輸入門、輸出門、遺忘門和記憶單元，其網(wǎng)絡(luò)結(jié)構(gòu)如圖4所示。

圖4 LSTM網(wǎng)絡(luò)結(jié)構(gòu)Fig. 4 Structure of LSTM network

LSTM通過在隱藏層的計(jì)算節(jié)點(diǎn)中引入門控機(jī)制，在網(wǎng)絡(luò)結(jié)構(gòu)上克服了梯度消失的問題，具有更多的參數(shù)來控制模型；通過4倍于RNN的參數(shù)量，可以更加精細(xì)地預(yù)測時(shí)間序列變量。而電泵井生產(chǎn)特征變化具有強(qiáng)烈的前后關(guān)聯(lián)特性，產(chǎn)量預(yù)測是一個(gè)長期的時(shí)序信息處理過程。因此，LSTM對(duì)于長序列的理解分析能力大幅度提高，能更好地適應(yīng)具有長時(shí)依賴特征的時(shí)序預(yù)測問題。利用LSTM神經(jīng)網(wǎng)絡(luò)更能有效學(xué)習(xí)和挖掘電泵生產(chǎn)動(dòng)態(tài)數(shù)據(jù)的變化規(guī)律，能夠準(zhǔn)確反映電泵井產(chǎn)量的變化趨勢，更適合于電泵井產(chǎn)量的時(shí)序預(yù)測。

2.3 產(chǎn)量預(yù)測模型評(píng)價(jià)指標(biāo)

為了評(píng)價(jià)預(yù)測模型在測試集上的泛化能力，即產(chǎn)量預(yù)測模型的預(yù)測效果。預(yù)測效果評(píng)價(jià)指標(biāo)主要有：平均絕對(duì)百分比誤差(MAPE)、平均絕對(duì)誤差(MAD)、均方根誤差(RMSE)、希爾不等系數(shù)(TIC)和決定系數(shù)(R2)，具體數(shù)據(jù)見表1。其中，yt表示第t個(gè)樣本或第t時(shí)刻的真實(shí)產(chǎn)量，m3/d；n表示樣本個(gè)數(shù)；ypre表示預(yù)測模型在i時(shí)刻或第i個(gè)樣本處的預(yù)測 值，m3/d；表示真實(shí)產(chǎn)量的平均值，m3/d。

表1 回歸模型評(píng)價(jià)指標(biāo)Table 1 Evaluation index of regression model

3 電泵井生產(chǎn)特征選擇和主控因素分析

特征選擇和主控因素分析應(yīng)用降維方法，一方面確定主控因素，去除對(duì)產(chǎn)量影響極小的因素，認(rèn)識(shí)電泵井生產(chǎn)特征；另一方面可避免過多的輸入變量，造成訓(xùn)練網(wǎng)絡(luò)規(guī)模過大、參數(shù)過多、收斂速度慢。

3.1 數(shù)據(jù)預(yù)處理及相關(guān)因素分析

數(shù)據(jù)預(yù)處理主要包括清除生產(chǎn)動(dòng)態(tài)數(shù)據(jù)中的異常值和補(bǔ)全生產(chǎn)動(dòng)態(tài)數(shù)據(jù)中的缺失值，進(jìn)而保證整個(gè)電泵井生產(chǎn)時(shí)段內(nèi)動(dòng)態(tài)數(shù)據(jù)的完整性和有效性。為了提高產(chǎn)量預(yù)測模型的訓(xùn)練速度和預(yù)測精度，對(duì)某油田的生產(chǎn)日度數(shù)據(jù)利用式(2)進(jìn)行標(biāo)準(zhǔn)化處理。

式中，xstd，x分別為標(biāo)準(zhǔn)化后和待標(biāo)準(zhǔn)化的特征參數(shù)；xmin、xmax分別表示特征參數(shù)的最大值和最小值。

對(duì)某油田1 000井次的電泵井生產(chǎn)動(dòng)態(tài)數(shù)據(jù)進(jìn)行預(yù)處理和標(biāo)準(zhǔn)化后，將15項(xiàng)屬性數(shù)據(jù)兩兩之間的皮爾遜相關(guān)系數(shù)處理，分析屬性數(shù)據(jù)的相關(guān)性如圖5所示。由圖可知，日產(chǎn)氣量、泵頻率、油嘴開度、泵入口壓力、泵出口壓力、馬達(dá)溫度、油壓、泵電壓、泵電流、氣油比、流壓等11項(xiàng)參數(shù)相關(guān)性系數(shù)的絕對(duì)值大于0.4，與電泵井日產(chǎn)液量密切相關(guān)，將這11項(xiàng)參數(shù)作為預(yù)測電泵井產(chǎn)量的主控參數(shù)。

圖5 電泵井特征參數(shù)相關(guān)性分析Fig. 5 Correlation of characteristic parameters of ESP well

3.2 主控因素分析的結(jié)果

為定量描述電泵井產(chǎn)量與生產(chǎn)參數(shù)之間的關(guān)系，計(jì)算日產(chǎn)氣量等11個(gè)主控參數(shù)的權(quán)重。主控因素分析樣本1 000個(gè)，每個(gè)樣本有14個(gè)變量，構(gòu)成一個(gè)1 000×14階的數(shù)據(jù)矩陣，基于主成分分析(PCA)特征選擇方法，分析各個(gè)特征參數(shù)對(duì)于電泵井日產(chǎn)液量的重要程度，計(jì)算結(jié)果如圖6所示。

圖6 PCA特征參數(shù)重要性柱狀圖Fig. 6 Importance histogram of PCA characteristic parameters

圖6 是基于PCA特征選擇后得到的原特征的權(quán)重系數(shù)?；谔卣鞯闹匾耘判蚪Y(jié)果，逐次排除特征參數(shù)，即剔除泵入口溫度、井口溫度和泵壓差等變量，直到模型預(yù)測精度開始變化為止，則此時(shí)模型的輸入為影響油井產(chǎn)量特征參數(shù)。最后確定有效特征參數(shù)共11個(gè)(日產(chǎn)氣量、泵頻率、油嘴開度、泵入口壓力、泵出口壓力、馬達(dá)溫度、油壓、泵電壓、泵電流、氣油比、流壓)，作為預(yù)測模型輸入變量。

3.3 樣本選取

選取某井區(qū)ESP-01電泵井作為研究對(duì)象，收集整理1 000 d的生產(chǎn)日?qǐng)?bào)數(shù)據(jù)，如表2所示。為了保證數(shù)據(jù)的隨機(jī)性，用Numpy庫中random.shuffle的方法將數(shù)據(jù)集進(jìn)行隨機(jī)打亂操作，以7∶2∶1的比例將電泵井日度數(shù)據(jù)劃分為訓(xùn)練集、驗(yàn)證集和測試集。

表2 電泵井ESP-01部分生產(chǎn)日?qǐng)?bào)數(shù)據(jù)Table 2 Partial daily production data of ESP well ESP-01

4 不同預(yù)測模型訓(xùn)練和調(diào)優(yōu)

根據(jù)前文確定的11個(gè)有效特征參數(shù)與電泵井日產(chǎn)液量構(gòu)成的模型數(shù)據(jù)集，基于Adam優(yōu)化算法，對(duì)BP預(yù)測模型和LSTM預(yù)測模型進(jìn)行訓(xùn)練，優(yōu)化預(yù)測模型的各個(gè)權(quán)重系數(shù)。

4.1 BP模型訓(xùn)練及調(diào)優(yōu)

BP神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)設(shè)計(jì)為只有1個(gè)隱藏層，有128個(gè)隱藏神經(jīng)元，加入drop_out層，drop_rate設(shè)為0.5，輸出層為1個(gè)輸出神經(jīng)元，再加入1個(gè)RELU層。使用Keras來實(shí)現(xiàn)BP神經(jīng)網(wǎng)絡(luò)算法，將初始學(xué)習(xí)率設(shè)置為10?3，使用Adam優(yōu)化器進(jìn)行優(yōu)化，發(fā)現(xiàn)此學(xué)習(xí)率難以收斂到較好的效果，將學(xué)習(xí)率降為10?5，也能很快收斂。

設(shè)定訓(xùn)練迭代20 000次，采取早停止策略。其中，patience和min_delta參數(shù)的設(shè)定對(duì)模型影響特別敏感，使用網(wǎng)格搜索算法最終確定patience設(shè)置為600，min_delta設(shè)置為10?3，最終迭代訓(xùn)練次數(shù)達(dá)2 000次后收斂到最佳。此時(shí)，訓(xùn)練集的均方誤差損失為0.273 2，驗(yàn)證集的均方誤差損失為0.005。訓(xùn)練過程中，模型損失函數(shù)隨訓(xùn)練次數(shù)的變化過程，如圖7所示。

圖7 BP模型損失函數(shù)變化過程Fig. 7 Variation process of loss function of BP model

4.2 LSTM模型訓(xùn)練及調(diào)優(yōu)

LSTM神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)設(shè)計(jì)時(shí)，首先初始化LSTM模型參數(shù)，其中LSTM層數(shù)1、神經(jīng)元個(gè)數(shù)64、時(shí)間序列步長3個(gè)月、批量大小16，迭代次數(shù)2 000；然后，使用訓(xùn)練集對(duì)模型訓(xùn)練，訓(xùn)練完成后利用網(wǎng)格搜索在驗(yàn)證集上調(diào)優(yōu)，得到最優(yōu)的LSTM模型結(jié)構(gòu)參數(shù)：迭代次數(shù)98，批量大小4，時(shí)間序列步長3，神經(jīng)元個(gè)數(shù)1 024。模型訓(xùn)練過程中訓(xùn)練集及驗(yàn)證集損失函數(shù)隨訓(xùn)練次數(shù)的變化過程如圖8所示。

圖8 LSTM模型損失函數(shù)變化過程Fig. 8 Variation process of loss function of LSTM model

對(duì)比分析圖7和圖8可知，LSTM預(yù)測模型的損失函數(shù)隨著迭代次數(shù)的增加而逐漸減小并趨于0，且訓(xùn)練集與驗(yàn)證集的損失函數(shù)非常接近，說明LSTM預(yù)測模型沒有出現(xiàn)過擬合或欠擬合的現(xiàn)象，模型具有較好的泛化能力，可用于電泵井產(chǎn)量預(yù)測。

5 模型預(yù)測實(shí)例

利用訓(xùn)練好的LSTM和BP神經(jīng)網(wǎng)絡(luò)產(chǎn)量預(yù)測模型，預(yù)測ESP-01電泵井3個(gè)月的日產(chǎn)量值，與實(shí)際產(chǎn)量數(shù)據(jù)對(duì)比，共217組數(shù)據(jù)，部分結(jié)果見表3。

表3 ESP-01部分產(chǎn)量預(yù)測值與實(shí)際值對(duì)比Table 3 Comparison between partial predicted production and actual value of Well ESP-01

由217組數(shù)據(jù)計(jì)算可得，BP神經(jīng)網(wǎng)絡(luò)預(yù)測模型平均相對(duì)誤差為14.89%，LSTM模型平均相對(duì)誤差為2.39%，LSTM模型預(yù)測精度明顯高于BP神經(jīng)網(wǎng)絡(luò)模型。BP神經(jīng)網(wǎng)絡(luò)模型和LSTM模型在整個(gè)測試集上的產(chǎn)量預(yù)測值與實(shí)際值的對(duì)比結(jié)果如圖9所示。

圖9 BP和LSTM兩個(gè)模型預(yù)測結(jié)果對(duì)比Fig. 9 Prediction result comparison between BP and LSTM

從圖9可以看出，LSTM預(yù)測模型的電泵井日產(chǎn)液量與真實(shí)日產(chǎn)液量的數(shù)值高度一致，結(jié)合表4中BP和LSTM產(chǎn)量預(yù)測效果評(píng)價(jià)指標(biāo)，其中LSTM預(yù)測模型的MAPE、MAD、RMSE、TIC和R2均優(yōu)于BP神經(jīng)網(wǎng)絡(luò)預(yù)測模型的預(yù)測效果。研究結(jié)果表明，基于LSTM的產(chǎn)量預(yù)測模型準(zhǔn)確掌握了日產(chǎn)液量的變化趨勢和前后關(guān)聯(lián)性，能夠準(zhǔn)確預(yù)測電泵井未來的日產(chǎn)液量變化情況。因此，LSTM產(chǎn)量預(yù)測模型可精確應(yīng)用于海上油田產(chǎn)量計(jì)算應(yīng)用。

表4 BP和LSTM產(chǎn)量預(yù)測效果對(duì)比Table 4 Production prediction effect comparison between BP and LSTM

6 結(jié)論

(1)基于皮爾遜相關(guān)系數(shù)分析方法和PCA特征選擇算法能夠有效篩選出影響電泵井產(chǎn)量的主要因素，確定了泵頻率、油嘴開度、泵入口壓力、泵出口壓力等11項(xiàng)影響電泵井產(chǎn)量的主控參數(shù)，有助于認(rèn)識(shí)電泵井產(chǎn)量與各特征參數(shù)之間的關(guān)聯(lián)程度，同時(shí)為降低模型復(fù)雜度、提高模型泛化能力奠定基礎(chǔ)。

(2)應(yīng)用LSTM深度學(xué)習(xí)算法，建立的電泵井產(chǎn)量預(yù)測模型能夠?qū)﹄姳镁a(chǎn)量的相關(guān)參數(shù)變化規(guī)律進(jìn)行量化表征。采用LSTM建立產(chǎn)量預(yù)測模型比BP模型更適合解決電泵井產(chǎn)量的時(shí)序預(yù)測問題。

(3)建立的電泵井產(chǎn)量預(yù)測LSTM模型利用現(xiàn)場簡便易得的生產(chǎn)動(dòng)態(tài)數(shù)據(jù)和舉升設(shè)備的工況數(shù)據(jù)，可進(jìn)行油井產(chǎn)量的快速準(zhǔn)確預(yù)測，實(shí)現(xiàn)了油井預(yù)測性管理，降低了生產(chǎn)成本，提高了油井生產(chǎn)效益。