張蕾，竇宏恩，王天智，王洪亮，彭翼，張繼風(fēng)，劉宗尚，米蘭，蔣麗維

（1.中國(guó)石油勘探開(kāi)發(fā)研究院，北京 100083；2.大慶油田勘探開(kāi)發(fā)研究院，黑龍江大慶 163000）

0 引言

油井產(chǎn)量是油田開(kāi)發(fā)的首要指標(biāo)，預(yù)測(cè)產(chǎn)量變化是油田開(kāi)發(fā)動(dòng)態(tài)分析的關(guān)鍵環(huán)節(jié)。單井產(chǎn)量變化受儲(chǔ)集層性質(zhì)、措施等諸多因素影響，合理考慮各因素影響規(guī)律、準(zhǔn)確把握產(chǎn)量變化特點(diǎn)是實(shí)現(xiàn)單井產(chǎn)量準(zhǔn)確預(yù)測(cè)的關(guān)鍵。相較遞減曲線、油藏?cái)?shù)值模擬等傳統(tǒng)產(chǎn)量預(yù)測(cè)方法，機(jī)器學(xué)習(xí)方法具有強(qiáng)大的非線性擬合能力和高效率，在產(chǎn)量預(yù)測(cè)方面具有極大的應(yīng)用潛力。

近20年來(lái)，國(guó)內(nèi)外基于機(jī)器學(xué)習(xí)對(duì)產(chǎn)量預(yù)測(cè)問(wèn)題開(kāi)展了廣泛的研究[1-3]，常見(jiàn)方法如隨機(jī)森林（RF）[4]、支持向量機(jī)（SVM）[5-6]、模糊綜合評(píng)價(jià)（FE）[7]、人工神經(jīng)網(wǎng)絡(luò)（ANN）[8]等，它們通過(guò)回歸產(chǎn)量及其影響因素之間的關(guān)系完成預(yù)測(cè)，但缺乏對(duì)產(chǎn)量時(shí)序變化規(guī)律的考慮。2015年以來(lái)，以長(zhǎng)短時(shí)記憶（LSTM）、門(mén)控遞歸單元（GRU）為代表的循環(huán)神經(jīng)網(wǎng)絡(luò)（RNN）成為產(chǎn)量預(yù)測(cè)領(lǐng)域的新熱點(diǎn)[9-10]，較SVM、RF等經(jīng)典算法，RNN著重考慮了產(chǎn)量序列的時(shí)序變化規(guī)律，雖然訓(xùn)練時(shí)長(zhǎng)有較大增加，但產(chǎn)量預(yù)測(cè)精度得到了進(jìn)一步的提高。

對(duì)于多影響因素、長(zhǎng)時(shí)間跨度、多序列并行的單井產(chǎn)量預(yù)測(cè)，前人僅使用少數(shù)幾個(gè)特征構(gòu)建模型。若要進(jìn)一步提高單井產(chǎn)量預(yù)測(cè)精度，需全面考慮動(dòng)靜態(tài)影響因素，構(gòu)建多特征的產(chǎn)量預(yù)測(cè)模型。當(dāng)特征數(shù)據(jù)增多時(shí)，RNN難以兼具對(duì)高維空間信息和時(shí)序信息的提取，模型預(yù)測(cè)精度受限，故有必要采用一種新算法實(shí)現(xiàn)對(duì)單井產(chǎn)量的準(zhǔn)確預(yù)測(cè)。時(shí)域卷積神經(jīng)網(wǎng)絡(luò)（TCN）是一種可以處理時(shí)序信息的卷積神經(jīng)網(wǎng)絡(luò)（CNN），CNN的基礎(chǔ)結(jié)構(gòu)使它在擬合單井產(chǎn)量時(shí)序關(guān)聯(lián)的同時(shí)可以從諸多特征中提取出關(guān)鍵特征，實(shí)現(xiàn)精準(zhǔn)的單井產(chǎn)量預(yù)測(cè)。

基于此，本文提出使用TCN構(gòu)建模型進(jìn)行水驅(qū)油藏單井產(chǎn)量預(yù)測(cè)。首先綜合考慮儲(chǔ)集層、注水、措施等動(dòng)靜態(tài)因素構(gòu)建數(shù)據(jù)集，針對(duì)數(shù)據(jù)特點(diǎn)進(jìn)行數(shù)據(jù)空缺填充和數(shù)據(jù)異常校正。然后針對(duì)油井各階段生產(chǎn)規(guī)律復(fù)雜、難以捕捉的難點(diǎn)，依據(jù)油井含水率劃分生產(chǎn)階段分別建模，使用麻雀搜索算法（SSA）進(jìn)行模型超參數(shù)尋優(yōu)，最終將階段模型集成為全生命周期模型實(shí)現(xiàn)全井預(yù)測(cè)。

1 算法基本原理

1.1 時(shí)域卷積神經(jīng)網(wǎng)絡(luò)

TCN是以膨脹的因果卷積層為基礎(chǔ)結(jié)構(gòu)、以時(shí)間序列為輸入的卷積神經(jīng)網(wǎng)絡(luò)模型[11]。因果卷積指左填充的一維卷積神經(jīng)網(wǎng)絡(luò)，它賦予了TCN時(shí)間約束特性，使其適應(yīng)于時(shí)序問(wèn)題。膨脹卷積指依一定規(guī)律增加卷積層步幅后的卷積層，它可以顯著提高卷積神經(jīng)網(wǎng)絡(luò)感受野，使TCN可以抓取更長(zhǎng)的時(shí)序依賴(lài)關(guān)系，解決了傳統(tǒng)卷積神經(jīng)網(wǎng)絡(luò)對(duì)時(shí)序的建模長(zhǎng)度受限于卷積核大小的問(wèn)題。對(duì)于長(zhǎng)輸入的任務(wù)，在TCN中引入殘差連接可顯著降低覆蓋全部輸入所需的卷積層層數(shù)或卷積核大小。為防止因網(wǎng)絡(luò)層數(shù)過(guò)多而導(dǎo)致的梯度消失/爆炸問(wèn)題，可在每一層卷積網(wǎng)絡(luò)后添加權(quán)重歸一化。相較LSTM等循環(huán)神經(jīng)網(wǎng)絡(luò)，TCN的卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)使其具有可并行、收斂快、跨時(shí)域的特點(diǎn)。

1.2 麻雀搜索算法

使用適當(dāng)?shù)膬?yōu)化算法可以快速篩選出神經(jīng)網(wǎng)絡(luò)模型的最佳超參數(shù)，極大地提高模型構(gòu)建效率。

SSA是一種模擬自然規(guī)律的群體優(yōu)化方法[12]，從麻雀的群體智慧、覓食行為和反捕食行為出發(fā)，將潛在的超參數(shù)組合設(shè)定為麻雀的位置，不同位置的麻雀具有不同的適應(yīng)度（即該超參數(shù)組合下模型的預(yù)測(cè)精度）。依照一定規(guī)律將麻雀分為生產(chǎn)者、覓食者和發(fā)現(xiàn)者3類(lèi)，3類(lèi)麻雀會(huì)在每一次迭代中改變位置、交換身份。給定最大迭代次數(shù)、生產(chǎn)者數(shù)量、發(fā)現(xiàn)者數(shù)量、麻雀總數(shù)和安全閾值，經(jīng)過(guò)有限次位置迭代，適應(yīng)度最高的麻雀的位置將是最佳的超參數(shù)組合。

2 數(shù)據(jù)收集與處理

2.1 油田數(shù)據(jù)采集

大慶長(zhǎng)垣油田某水驅(qū)區(qū)塊具有 60多年的開(kāi)發(fā)歷史，為典型中高滲砂巖油藏，目前該區(qū)塊油井已普遍進(jìn)入高含水及特高含水階段，部分井含水率超過(guò)98%。自1960年采用基礎(chǔ)井網(wǎng)投入開(kāi)發(fā)以來(lái)，該區(qū)塊經(jīng)歷了井網(wǎng)調(diào)整、全面轉(zhuǎn)抽、三次加密、“二三結(jié)合”、壓裂酸化等多種增產(chǎn)措施，厚油層底部水洗程度高，注入水低效循環(huán)。由于開(kāi)發(fā)井網(wǎng)密集、注采關(guān)系復(fù)雜、增產(chǎn)措施頻繁，常規(guī)動(dòng)態(tài)分析方法誤差較大，數(shù)值模擬應(yīng)用困難、收斂較差。

選取油藏基礎(chǔ)數(shù)據(jù)、區(qū)塊基礎(chǔ)數(shù)據(jù)、520口油水井的單井儲(chǔ)集層數(shù)據(jù)和單井基礎(chǔ)數(shù)據(jù)、426口油井的月度生產(chǎn)數(shù)據(jù)、94口水井的月度注水?dāng)?shù)據(jù)、單井措施數(shù)據(jù)構(gòu)建數(shù)據(jù)集，其中油井月度生產(chǎn)數(shù)據(jù)平均時(shí)間跨度406個(gè)月，共計(jì)173 187條。

2.2 數(shù)據(jù)處理

2.2.1 數(shù)據(jù)填充與降維

空缺填充和異常樣本校正是構(gòu)建高質(zhì)量數(shù)據(jù)集的關(guān)鍵環(huán)節(jié)，數(shù)據(jù)填補(bǔ)、校正質(zhì)量與模型預(yù)測(cè)精度直接相關(guān)。針對(duì)數(shù)據(jù)集中靜壓、流壓、動(dòng)液面 3項(xiàng)特征部分?jǐn)?shù)據(jù)缺失的問(wèn)題，提出基于隨機(jī)森林模型的空缺填充方法。首先計(jì)算預(yù)填充特征與其他特征的斯皮爾曼相關(guān)性系數(shù)，篩選相關(guān)性系數(shù)大于0.2或小于-0.2的特征；其次建立影響特征與預(yù)填充特征的隨機(jī)森林模型，使用已有數(shù)據(jù)進(jìn)行模型訓(xùn)練；最后輸入缺失數(shù)據(jù)的主控因素進(jìn)行模型預(yù)測(cè)，模型預(yù)測(cè)值即為填充值。

針對(duì)泵徑、泵深和油嘴 3項(xiàng)特征部分?jǐn)?shù)據(jù)存在異常零值的情況，采取向前/向后看齊的校正策略，即對(duì)于異常數(shù)據(jù)，在該井井史范圍內(nèi)從當(dāng)前時(shí)間步同時(shí)向前向后尋找非零正常數(shù)據(jù)，使用先找到的非零正常數(shù)據(jù)替代該時(shí)間步的異常零值。對(duì)于某項(xiàng)特征數(shù)據(jù)全缺失的井，使用與該井距離最近井的特征平均值填充。若有多個(gè)特征全缺失的井，酌情取舍。

為得到更準(zhǔn)確的模型預(yù)測(cè)結(jié)果，需適時(shí)進(jìn)行特征壓縮，以提高特征質(zhì)量、控制特征數(shù)量。數(shù)據(jù)集中靜態(tài)特征較多，包括類(lèi)別特征和數(shù)值特征，其中類(lèi)別特征經(jīng)獨(dú)熱編碼處理后表現(xiàn)為高維的稀疏0-1矩陣，為防止類(lèi)別特征淹沒(méi)在密集變化的數(shù)值特征中，分別以95%置信度使用主成分分析法（PCA）對(duì)類(lèi)別特征和數(shù)值特征進(jìn)行降維，最終形成33維的靜態(tài)壓縮特征。

2.2.2 數(shù)據(jù)整合

本文動(dòng)態(tài)數(shù)據(jù)主要包括油井生產(chǎn)序列、水井注水序列、小層措施序列3類(lèi)，為符合模型輸入數(shù)據(jù)格式，應(yīng)將描述注水和措施的序列整合至油井生產(chǎn)序列中。

為整合水井注水序列至油井生產(chǎn)序列，提出注水井影響半徑法，定義油井當(dāng)月受注水井影響程度It,i并將其作為特征增加到數(shù)據(jù)集中。注水井影響半徑由It,i與產(chǎn)油量之間的斯皮爾曼相關(guān)性系數(shù)確定，本文選取相關(guān)性系數(shù)最高的1 000 m作為影響半徑。以水井為圓心、以影響半徑為半徑劃出影響范圍，在影響范圍內(nèi)的油井即為受注井。

對(duì)小層措施數(shù)據(jù)進(jìn)行合并、數(shù)值化處理。在數(shù)據(jù)集中添加壓裂、堵水等 6項(xiàng)類(lèi)別特征和措施層厚度 1項(xiàng)數(shù)值特征。若油井的某小層進(jìn)行了某類(lèi)措施作業(yè)，則該月對(duì)應(yīng)類(lèi)別特征記錄為1，措施層厚度則記錄為作業(yè)小層厚度的和。

整合后最終數(shù)據(jù)集特征包括注水特征、措施特征、油井靜態(tài)特征和生產(chǎn)動(dòng)態(tài)特征 4部分。此外，對(duì)輸入序列進(jìn)行標(biāo)準(zhǔn)化處理、對(duì)產(chǎn)量序列進(jìn)行平滑處理，以增加模型平穩(wěn)度、降低擬合難度。

2.3 特征參數(shù)分析

在本文數(shù)據(jù)集的70余項(xiàng)特征中，部分描述油藏構(gòu)造和區(qū)塊參數(shù)的特征對(duì)單井產(chǎn)量預(yù)測(cè)作用不大，故去除油藏類(lèi)型、沉積相等10余項(xiàng)特征，經(jīng)特征工程處理后形成65項(xiàng)最終特征。計(jì)算65項(xiàng)特征之間的斯皮爾曼相關(guān)性系數(shù)并繪制熱力圖，以顏色的深淺表示特征相關(guān)性的強(qiáng)弱，紅色為正相關(guān)、藍(lán)色為負(fù)相關(guān)（見(jiàn)圖1）。編號(hào)No.0—No.32的特征為降維處理后表示單井地質(zhì)、工程特點(diǎn)的抽象特征，由于其在時(shí)間上不變，整體呈弱相關(guān)性，如 A-1、A-2區(qū)域所示。B-1、B-2區(qū)域特征為壓裂、堵水、維護(hù)、補(bǔ)孔、酸化等措施特征，其在數(shù)值上表現(xiàn)為稀疏的0-1矩陣，故相比數(shù)值特征呈現(xiàn)出極弱的相關(guān)性。對(duì)于預(yù)測(cè)目標(biāo)月度產(chǎn)油量，與其相關(guān)性最強(qiáng)的特征依次為月度產(chǎn)氣量、日期、采收率、月度產(chǎn)液量、泵深、油嘴尺寸、含水率、泵徑、No.7、月度產(chǎn)水量等。

圖1 特征相關(guān)性分析（No.0—No.32為類(lèi)別特征和數(shù)值特征經(jīng)過(guò)PCA降維后的抽象特征）

2.4 油井生產(chǎn)歷程劃分

在油井長(zhǎng)達(dá)60年的生產(chǎn)歷史中，產(chǎn)量變化存在顯著的階段性，為準(zhǔn)確把握不同生產(chǎn)階段油井產(chǎn)量的變化特點(diǎn)，需要?jiǎng)澐蛛A段、分別建模。本文依據(jù)油井含水率變化規(guī)律編寫(xiě)算法自動(dòng)劃分單井生產(chǎn)歷程，fw＜30%，30%≤fw＜60%，60%≤fw≤80%，fw＞80%分別對(duì)應(yīng)低、中、高、特高含水階段（見(jiàn)圖2）。由于含水率數(shù)據(jù)存在不連續(xù)或突變，而生產(chǎn)階段相對(duì)連續(xù)，在對(duì)訓(xùn)練集進(jìn)行階段劃分前應(yīng)對(duì)含水率序列進(jìn)行階梯化處理。建立 4個(gè)階段預(yù)測(cè)模型然后集成，預(yù)測(cè)時(shí)給定輸入各月生產(chǎn)階段判斷權(quán)重，確定待預(yù)測(cè)月所處生產(chǎn)階段，然后由相應(yīng)階段模型進(jìn)行預(yù)測(cè)，最終的全生命周期預(yù)測(cè)結(jié)果由各階段預(yù)測(cè)結(jié)果拼接得到。

圖2 生產(chǎn)歷程劃分示意圖

不同生產(chǎn)階段月度產(chǎn)油量主控因素也會(huì)有差異，需要計(jì)算4個(gè)生產(chǎn)階段月產(chǎn)油量與其他特征的相關(guān)性系數(shù)，篩取相關(guān)性系數(shù)大于0.2或小于-0.2的特征分別構(gòu)建輸入數(shù)據(jù)集，各階段模型最終輸入特征如圖3所示。

圖3 各生產(chǎn)階段月度產(chǎn)油量與影響特征的相關(guān)性系數(shù)

2.5 時(shí)間滑窗與數(shù)據(jù)集劃分

以井為單元?jiǎng)澐謹(jǐn)?shù)據(jù)集：341口油井用于模型訓(xùn)練，43口油井構(gòu)成驗(yàn)證集用于進(jìn)行超參數(shù)的尋優(yōu)，42口油井構(gòu)成測(cè)試集用于模型測(cè)試。采用時(shí)間滑窗方法生成輸入數(shù)據(jù)，指定輸入步長(zhǎng)和輸出步長(zhǎng)，分別構(gòu)建適應(yīng)于各個(gè)模型的輸入和標(biāo)簽。

3 模型結(jié)構(gòu)及評(píng)價(jià)

3.1 模型結(jié)構(gòu)設(shè)計(jì)

針對(duì)單井產(chǎn)量預(yù)測(cè)特征數(shù)量多、時(shí)間步長(zhǎng)短、數(shù)據(jù)體量小等特點(diǎn)，對(duì)TCN模型做3個(gè)方面的改進(jìn)：①在時(shí)間卷積層前堆疊卷積核大小為 1的一維卷積層，提取特征；②不使用膨脹卷積和殘差連接，設(shè)置因果卷積層卷積核大小為輸入時(shí)間步長(zhǎng)，步幅為1；③使用因果卷積層輸出中最后一個(gè)時(shí)間步的值進(jìn)行最終預(yù)測(cè)。改進(jìn)后的TCN模型結(jié)構(gòu)見(jiàn)圖4。

圖4 改進(jìn)后的TCN模型結(jié)構(gòu)圖

3.2 麻雀優(yōu)化算法參數(shù)設(shè)計(jì)

使用SSA進(jìn)行模型超參數(shù)尋優(yōu)，最大迭代次數(shù)為50、生產(chǎn)者數(shù)量為20、發(fā)現(xiàn)者數(shù)量為20、安全閾值為0.8，麻雀總數(shù)為100。以12個(gè)月輸入步長(zhǎng)預(yù)測(cè)模型為例，TCN模型各層參數(shù)見(jiàn)表1。

表1 改進(jìn)的TCN模型超參數(shù)SSA尋優(yōu)結(jié)果

3.3 對(duì)比模型設(shè)計(jì)

為全面評(píng)價(jià)本文改進(jìn)TCN模型在產(chǎn)量序列預(yù)測(cè)中的適應(yīng)性，基于當(dāng)前時(shí)序預(yù)測(cè)領(lǐng)域 5種代表性方法，構(gòu)建 11種產(chǎn)量預(yù)測(cè)模型進(jìn)行對(duì)比，包括：①CNN和LSTM[13]的組合模型 CNN-LSTM；②LSTM 模型；③基于編碼解碼機(jī)結(jié)構(gòu)[14]并在時(shí)間維度添加Luong注意力機(jī)制[15]的LSTM模型，即Attention-LSTM（T）；④添加Temporal Pattern Attention[16]機(jī)制實(shí)現(xiàn)對(duì)特征注意力的LSTM模型，即Attention-LSTM（F）；⑤結(jié)合Luong注意力機(jī)制和Temporal Pattern Attention機(jī)制同時(shí)實(shí)現(xiàn)對(duì)時(shí)間和特征注意力的LSTM模型，即Attention-LSTM（T&F）；⑥在特征維度添加注意力[17-19]的自注意力機(jī)制模型 Self Attention（F）；⑦在時(shí)間維度添加注意力的自注意力機(jī)制模型Self Attention（T）；⑧同時(shí)在時(shí)間維度和特征維度添加注意力的自注意力機(jī)制模型Self Attention（T&F）；⑨LSTM 和特征維度自注意力機(jī)制的結(jié)合模型Self Attention-LSTM（F）；⑩LSTM和時(shí)間維度自注意力機(jī)制的結(jié)合模型 Self Attention-LSTM（T）；LSTM和時(shí)間、特征維度自注意力機(jī)制的結(jié)合模型Self Attention-LSTM（T&F）。對(duì)比模型超參數(shù)同樣由SSA尋優(yōu)得到。

3.4 模型訓(xùn)練設(shè)計(jì)

基于編碼解碼機(jī)結(jié)構(gòu)的模型使用 Teacher Forcing策略進(jìn)行訓(xùn)練。為實(shí)現(xiàn)最佳的訓(xùn)練效果，文中模型優(yōu)化器選擇 Adagrad算法，初始學(xué)習(xí)率均設(shè)為 0.05，并使用ReduceLROnPlateau回調(diào)函數(shù)實(shí)現(xiàn)對(duì)學(xué)習(xí)率的控制。為防止過(guò)擬合，在模型中應(yīng)用層正則化，并使用EarlyStop回調(diào)函數(shù)控制訓(xùn)練進(jìn)程。為減少模型訓(xùn)練隨機(jī)性帶來(lái)的不確定性，模型準(zhǔn)確性評(píng)價(jià)結(jié)果來(lái)自相同參數(shù)設(shè)置下3次實(shí)驗(yàn)后的平均值。

3.5 模型評(píng)價(jià)

模型預(yù)測(cè)的準(zhǔn)確性采用平均絕對(duì)誤差（MAE）、平均絕對(duì)百分比誤差（MAPE）、復(fù)相關(guān)系數(shù)（R2）和均方根誤差（RMSE）來(lái)評(píng)價(jià)，如（3）—（6）式所示。

4 應(yīng)用與討論

4.1 算法對(duì)比

應(yīng)用上述12種模型預(yù)測(cè)42口采油井的產(chǎn)量，以輸入步長(zhǎng)為12個(gè)月、輸出步長(zhǎng)為3個(gè)月為例，統(tǒng)計(jì)了第13個(gè)月預(yù)測(cè)值的平均絕對(duì)誤差（見(jiàn)表2），其中集成模型表示由 4個(gè)階段模型集成的全生命周期模型，單一模型為使用全部數(shù)據(jù)籠統(tǒng)訓(xùn)練的全生命周期模型。由表2可知，改進(jìn)的TCN模型預(yù)測(cè)精度最高，集成模型的平均絕對(duì)誤差為 17.66 m3，較單一全生命周期模型預(yù)測(cè)誤差低3.05 m3。

注意力機(jī)制在機(jī)器翻譯、語(yǔ)音識(shí)別等多個(gè)時(shí)間序列預(yù)測(cè)任務(wù)中都被證實(shí)對(duì)模型預(yù)測(cè)能力具有顯著的提升作用[20-23]，本文研究了9種添加注意力機(jī)制的模型，但均未取得較高的預(yù)測(cè)精度（見(jiàn)表2），這表明注意力機(jī)制對(duì)生產(chǎn)數(shù)據(jù)預(yù)測(cè)任務(wù)的適應(yīng)性不強(qiáng)。分析認(rèn)為：①對(duì)于本文產(chǎn)量預(yù)測(cè)任務(wù)而言，決定下一時(shí)刻產(chǎn)量的不是先前某幾個(gè)時(shí)刻的產(chǎn)量及其影響因素，而是一段時(shí)間內(nèi)生產(chǎn)動(dòng)態(tài)的整體變化趨勢(shì)。注意力機(jī)制的引入令模型賦予個(gè)別時(shí)間步較大的權(quán)重，干擾了產(chǎn)量及其影響因素在一段時(shí)間內(nèi)的整體變化趨勢(shì)，導(dǎo)致模型預(yù)測(cè)精度降低。②LSTM模型已有足夠能力分析12個(gè)月生產(chǎn)動(dòng)態(tài)數(shù)據(jù)，引入的注意力機(jī)制無(wú)法發(fā)揮出處理長(zhǎng)時(shí)間序列數(shù)據(jù)的優(yōu)勢(shì)，反而加大了模型的訓(xùn)練難度，最終降低了模型預(yù)測(cè)精度。③在特征維度上引入注意力機(jī)制會(huì)增加模型結(jié)構(gòu)的復(fù)雜性和待訓(xùn)練參數(shù)量，隨著模型擬合能力的增加，數(shù)據(jù)集中的弱噪聲會(huì)被模型誤學(xué)習(xí)而出現(xiàn)過(guò)擬合現(xiàn)象，降低模型的預(yù)測(cè)精度。

表2 不同模型第13個(gè)月預(yù)測(cè)值的平均絕對(duì)誤差對(duì)比表

對(duì)比 4個(gè)不同生產(chǎn)階段模型發(fā)現(xiàn)，所有算法下低含水階段模型的預(yù)測(cè)精度均為最低，原因是低含水階段在油井生產(chǎn)歷程中只占據(jù)很小的一部分，樣本數(shù)目不足，模型訓(xùn)練不充分。

4.2 數(shù)據(jù)填充校正方法對(duì)比

隨機(jī)篩選 8口動(dòng)態(tài)數(shù)據(jù)缺失較多的井進(jìn)行數(shù)據(jù)填充校正效果對(duì)比。表3列出了TCN模型分別采用本文方法、使用平均值填充且不進(jìn)行異常數(shù)據(jù)校正的方法、使用插值填充法填充并進(jìn)行異常值校正的方法、使用平均值填充且進(jìn)行異常數(shù)據(jù)校正的方法處理輸入樣本預(yù)測(cè)結(jié)果。4個(gè)評(píng)價(jià)指標(biāo)均證實(shí)本文數(shù)據(jù)填充校正處理的有效性，輸入樣本平均預(yù)測(cè)誤差最小、精確率最高。

表3 TCN模型采用不同填充校正方法處理的輸入樣本預(yù)測(cè)結(jié)果對(duì)比表

4.3 輸入步長(zhǎng)對(duì)比

以單一全生命周期模型為例，分別用TCN模型和LSTM 模型驗(yàn)證不同輸入步長(zhǎng)對(duì)模型預(yù)測(cè)精度的影響（見(jiàn)圖 5），在短輸入步長(zhǎng)時(shí) TCN模型預(yù)測(cè)效果較LSTM模型更好，在長(zhǎng)輸入步長(zhǎng)時(shí)LSTM模型預(yù)測(cè)效果更好。由于本文對(duì)油井生產(chǎn)歷程進(jìn)行了劃分，井的平均連續(xù)時(shí)間跨度由406個(gè)月降至103個(gè)月，若使用較長(zhǎng)的輸入步長(zhǎng)，樣本的數(shù)量會(huì)非常少，可預(yù)測(cè)的階段幾乎都集中于特高含水階段，應(yīng)用受限。圖 5顯示TCN模型在 12～50個(gè)月的時(shí)間步長(zhǎng)范圍內(nèi)預(yù)測(cè)精度相近，在保證模型預(yù)測(cè)精度的前提下，選擇12個(gè)月的時(shí)間步長(zhǎng)以實(shí)現(xiàn)樣本數(shù)量的最大化。

在互聯(lián)網(wǎng)高度普及的情況下，眾多不良信息滲透到我國(guó)的高校校園當(dāng)中。這些信息的來(lái)源主要有幾個(gè)方面，首先是境外的反華勢(shì)力，常常對(duì)我國(guó)的內(nèi)部發(fā)展指手畫(huà)腳，部分西方偽專(zhuān)家針對(duì)我國(guó)的發(fā)展常常做出一些不負(fù)責(zé)任的批評(píng)，一些西方媒體，對(duì)于我國(guó)國(guó)有企業(yè)的發(fā)展十分忌憚，因此在網(wǎng)絡(luò)中時(shí)常出現(xiàn)攻擊我國(guó)核心價(jià)值觀的言論，這樣的言論將影響到大學(xué)生的思想建設(shè)。其次是部分反華勢(shì)力與分裂勢(shì)力不斷聯(lián)合，對(duì)一些具體事件不斷歪曲，利用部分人的獵奇心理破壞社會(huì)團(tuán)結(jié)。最后在我國(guó)經(jīng)濟(jì)的快速發(fā)展的過(guò)程中，出現(xiàn)了一些不和諧因素，這些因素的存在也使得網(wǎng)絡(luò)環(huán)境受到影響。

圖5 不同輸入步長(zhǎng)下TCN模型和LSTM模型的預(yù)測(cè)結(jié)果

4.4 模型結(jié)構(gòu)分析

4.4.1 堆疊一維卷積核層進(jìn)行特征提取的必要性

表4列出了添加和不添加特征提取層的TCN模型預(yù)測(cè)第13、14、15個(gè)月月產(chǎn)油量的誤差評(píng)價(jià)結(jié)果。結(jié)果顯示，4個(gè)模型評(píng)價(jià)指標(biāo)下，添加特征提取層的模型預(yù)測(cè)精度均更高，其中第 1個(gè)預(yù)測(cè)值的平均絕對(duì)誤差較不添加特征提取層下降了22.8%。對(duì)于多因素的時(shí)間序列問(wèn)題，模型預(yù)測(cè)的難點(diǎn)不僅在于捕捉時(shí)間序列的先后聯(lián)系，更在于構(gòu)建先前特征與后續(xù)表現(xiàn)之間的關(guān)系，由此特征的提取就較為必要。

表4 添加和不添加特征提取層的TCN模型3個(gè)預(yù)測(cè)值的定量評(píng)價(jià)結(jié)果

4.4.2 因果卷積層輸出的選擇

因果卷積層的輸出是長(zhǎng)度與輸入時(shí)間步長(zhǎng)相同的序列，使用全部輸出做最后的預(yù)測(cè)還是使用有限個(gè)步長(zhǎng)的輸出作為下一層的輸入對(duì)模型預(yù)測(cè)精度有較大影響。本文分別對(duì)比了使用全輸出、最后1個(gè)月的輸出、最后2個(gè)月的輸出、后6個(gè)月的輸出、后10個(gè)月的輸出5種情況下的預(yù)測(cè)結(jié)果。結(jié)果顯示，使用全輸出反而會(huì)降低模型預(yù)測(cè)精度（見(jiàn)表 5）。因?yàn)樽詈笠粋€(gè)時(shí)間步的輸出已經(jīng)涵蓋了所有前序時(shí)間步的信息，足以完成預(yù)測(cè)。

表5 因果卷積層不同輸出步長(zhǎng)對(duì)模型預(yù)測(cè)結(jié)果影響

4.4.3 激活函數(shù)的選擇

LIU等[23]提出在基本的TCN體系結(jié)構(gòu)上添加殘差連接、正則化和激活函數(shù)可以提高其性能。為實(shí)現(xiàn)模型非線性擬合能力，在模型的第 4層添加激活函數(shù)。不同激活函數(shù)下 TCN模型預(yù)測(cè)精度對(duì)比顯示，本文TCN模型中 softsign激活函數(shù)可取得更好的預(yù)測(cè)效果（見(jiàn)表6）。就本文數(shù)據(jù)集而言，由于覆蓋全部輸入所需因果卷積層數(shù)不多，模型不使用殘差連接，同時(shí)也無(wú)需進(jìn)行權(quán)重正則化來(lái)預(yù)防梯度消失的問(wèn)題。但為了預(yù)防過(guò)擬合，在第3層和第5層后應(yīng)用層正則化。

表6 不同激活函數(shù)下TCN模型預(yù)測(cè)結(jié)果對(duì)比

4.5 模型應(yīng)用結(jié)果討論

圖6 6口隨機(jī)挑選井的預(yù)測(cè)產(chǎn)量與真實(shí)產(chǎn)量對(duì)比圖（預(yù)測(cè)值（13）為模型用前12個(gè)月的歷史數(shù)據(jù)預(yù)測(cè)的第13個(gè)月的產(chǎn)量，預(yù)測(cè)值（14）為第14個(gè)月的預(yù)測(cè)產(chǎn)量，預(yù)測(cè)值（15）為第15個(gè)月的預(yù)測(cè)產(chǎn)量）

圖6a—圖6c對(duì)比了模型對(duì)第13個(gè)月、第14個(gè)月、第15個(gè)月的預(yù)測(cè)結(jié)果并繪制第13個(gè)月預(yù)測(cè)結(jié)果的平均絕對(duì)誤差分布。第13個(gè)月預(yù)測(cè)結(jié)果與真實(shí)產(chǎn)量曲線基本重疊，預(yù)測(cè)效果最好。隨著預(yù)測(cè)時(shí)間間隔的增加，預(yù)測(cè)曲線與真實(shí)曲線之間的差距明顯加大，且拐點(diǎn)的延滯現(xiàn)象逐漸加劇。誤差分布顯示，較大的誤差往往出現(xiàn)在曲線峰尖處。這是因?yàn)槟Ｐ陀?xùn)練的樣本是經(jīng)過(guò)平滑處理的產(chǎn)量序列，與未經(jīng)平滑處理的真實(shí)值對(duì)比，預(yù)測(cè)值變化趨勢(shì)較為平緩。

圖6d—圖6f對(duì)比了TCN、CNN-LSTM、Attention-LSTM（F）、Self Attention-LSTM（F）、遞減模型5種產(chǎn)量預(yù)測(cè)模型預(yù)測(cè)結(jié)果。4種機(jī)器學(xué)習(xí)模型的預(yù)測(cè)效果均好于遞減模型。TCN、CNN-LSTM模型預(yù)測(cè)效果最好，Attention-LSTM（F）模型預(yù)測(cè)效果次之，Self Attention-LSTM（F）模型預(yù)測(cè)效果最差。遞減模型雖可以對(duì)未來(lái)產(chǎn)量變化的趨勢(shì)作出較準(zhǔn)確的判斷，但對(duì)波動(dòng)性變化預(yù)測(cè)不足，只能給出平均的預(yù)測(cè)結(jié)果。

綜上所述，本文模型可以實(shí)現(xiàn)對(duì)油田單井月產(chǎn)量的高精度預(yù)測(cè)，預(yù)測(cè)精度較傳統(tǒng)遞減模型和LSTM等機(jī)器學(xué)習(xí)模型更高，更具應(yīng)用價(jià)值。

5 結(jié)論

提出了基于時(shí)域卷積神經(jīng)網(wǎng)絡(luò)模型的水驅(qū)油田單井產(chǎn)量預(yù)測(cè)方法，實(shí)現(xiàn)了高效、精確的單井產(chǎn)量預(yù)測(cè)。采用隨機(jī)森林及主成分分析等方法進(jìn)行數(shù)據(jù)空缺填充和降維，保證了數(shù)據(jù)集的真實(shí)性和完備性。使用麻雀搜索算法確定模型最佳超參數(shù)，在提高工作效率的同時(shí)得到更好的模型預(yù)測(cè)精度。將單井生產(chǎn)歷程依照含水率高低劃分為低含水、中含水、高含水和特高含水4個(gè)階段，分別建立階段預(yù)測(cè)模型然后集成并完成單井全生命周期產(chǎn)量預(yù)測(cè)。分析及實(shí)例應(yīng)用結(jié)果顯示，相比其他11種時(shí)間序列預(yù)測(cè)模型，改進(jìn)的TCN模型具有更好的預(yù)測(cè)性能。對(duì)于數(shù)據(jù)波動(dòng)大且具有較明顯階段特征的產(chǎn)量序列預(yù)測(cè)，劃分階段、分段建模的方法可有效降低模型擬合難度、提升模型預(yù)測(cè)精度。

符號(hào)注釋?zhuān)?/p>

Di,j——第i口油井和第j口注水井之間的距離，m；fw——含水率，%；i——油井編號(hào)；j——注水井編號(hào)；It,i——第i口油井在t時(shí)刻受注水井影響程度，m3/m；nw,i——影響第i口油井的注水井總數(shù)；N——樣本數(shù)量；k——月產(chǎn)量樣本編號(hào)；qk——月產(chǎn)量真實(shí)值，m3；——月產(chǎn)量預(yù)測(cè)值，m3；——月產(chǎn)量真實(shí)值平均值，m3；t——時(shí)間（年-月）；Wt,j——第j口注水井在t時(shí)刻的月注入量，m3；xo,i——第i口油井的x坐標(biāo)，m；xw,j——第j口注水井的x坐標(biāo)，m；yo,i——第i口油井的y坐標(biāo)，m；yw,j——第j口注水井的y坐標(biāo)，m。