(19)中华 人民共和国 国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202111567929.9 (22)申请日 2021.12.21 (71)申请人 中国石油大 学 （华东） 地址 266580 山东省青岛市黄岛区长江西 路66号 (72)发明人 董玉坤　张宇　刘富彬　 (51)Int.Cl. G06Q 10/04(2012.01) G06Q 50/02(2012.01) G06N 3/04(2006.01) G06N 3/08(2006.01) (54)发明名称 基于迁移学习的油田产油量预测方法 (57)摘要 本发明提供了一种基于迁移学习的油田产 油量预测方法， 本方法实现的功能是， 通过迁移 学习实现小样本井组的产油量预测。 本发明首先 对不同井组不同维度的数据进行处理， 采用维度 对齐统一数据维度， 然后构建一个堆叠LSTM神经 网络， 采用 样本量充足的源井组数据， 保存网络 参数， 训练出预训练模型。 在预测小样本的时候， 调用迁移参数， 在预训练模型的基础上， 使用目 标井组的小样本数据集进行训练， 得到适用于小 样本预测的模 型。 该基于迁移学习的油田产油量 预测方法能帮油田节省预测时间， 对井组部署和 油井工作制度的确定有重要意 义。 权利要求书1页 说明书2页 附图1页 CN 114254826 A 2022.03.29 CN 114254826 A 1.基于迁移学习的油田产油量预测方法， 其特征在于， 该基于迁移学习的油田产油量 预测方法包括： 步骤1， 对不同井组的油田数据进行维度对齐处 理， 使模型 可以迁移； 步骤2， 采用4层堆叠LSTM网络， 使用源井组的数据训练网络； 步骤3， 根据损失指标来保存训练中最佳的模型权 重参数； 步骤4， 加载已训练好的格 式模型， 训练目标井组的数据， 比较预测值和实际值， 优化预 测模型。 2.根据权利要求1所述的基于迁移学习的油田产油量预测方法， 其特征在于， 在步骤1 中， 不同的井组之间会存在数据维度差异， 利用维度对齐进 行数据预 处理， 将两个井组不同 维度的数据整合到同一维度， 使模型 可以迁移。 3.根据权利要求1所述的基于迁移学习的油田产油量预测方法， 其特征在于， 在步骤2 中， 设计网络结构与参数， 把源井组数据归一化后， 导入神经网络模 型中进行训练而得到预 训练模型， 为迁移 做准备。 4.根据权利要求1所述的基于迁移学习的油田产油量预测方法， 其特征在于， 在步骤3 中， 保存训练过程中的最佳模型权重， 即保存精度较高的模型， 预训练模型很准确的时候， 把参数保存， 迁移后也能获得较好的结果。 5.根据权利要求1所述的基于迁移学习的油田产油量预测方法， 其特征在于， 在步骤4 中， 对样本数据较少的新井组， 可以加载预训练模型， 在预训练模型 的基础上训练， 训练出 最终模型用于预测油田产油量。权　利　要　求　书 1/1 页 2 CN 114254826 A 2基于迁移 学习的油田产油量预测方 法 技术领域 [0001]本发明涉及注气油田分层 开采技术领域， 提供一种基于迁移学习的油田产油量预 测方法。 背景技术 [0002]随着大部分油田进入到开发的中后期阶段， 二次采油已成为各油田提高产量， 维 持产量的必然选择， 主要有注气、 注水等方法， 对注气注水后的产油量及产液量进行预测， 是油井配产及开发方案调整的重要内容， 为深层油藏高效开发提供理论支撑。 目前产量预 测的方法有很多， 如， LS ‑SVM算法和长短期记忆网络等， 应用在实际油田的预测中， 但这些 方法一般都需要大量的训练样本。 而实际中， 新井组样本量较少， 会对预测效果产生影响， 以预测某油田新井组产油量为例， 可能只有几年的数据， 在小样本的情况下， 模型精度不 高。 所以， 对新井组产油量进行预测时， 应该充分考虑样本量对预测结果的影响。 由于油田 产油量和注气量、 注水量之 间的关系不是线性的， 而 是一种非线性关系， 需要 大量数据训练 模型才能拟合这种非线性关系。 传统的产量预测方法， 它们只适用于历史数据较多的情况， 而油藏数值模拟方法， 存在工作量大、 投入多、 适用性受到限制等局限性。 [0003]因此， 我们 发明了一种新的基于迁移学习的油田产油量预测方法， 解决油田实际 项目中遇 到的技术问题。 发明内容 [0004]本发明提供一种基于迁移学习的油田产油量预测方法， 采用堆叠LSTM神经 网络对 小样本进行 预测。 [0005]本发明的目的可通过下述技术措施来实现： 基于迁移学习的油田产油量预测方 法， 该基于迁移学习的油田产油量预测方法包括： 步骤1， 对不同井组的油田数据进行维度 对齐处理， 使模 型可以迁移； 步骤2， 采用4层堆叠LSTM网络， 使用源井组的数据训练网络； 步 骤3， 根据损失指标来保存训练中最佳的模型权重参数； 步骤4， 加载已训练好的格式模型， 训练目标井组的数据， 比较预测值和实际值， 优化预测模型。 [0006]本发明可以通过如下技 术措施来实现： [0007]步骤1， 不 同井组数据的维度不同。 要想迁移模型， 最终进入模型的数据维度就必 须一致， 因此维度对齐使得源井组和目标井组数据维度是一 致的。 [0008]步骤2， 采用4层堆叠LSTM网络， 每层有50个神经元， 网络最后一层Dense层神经元 个数为1， 使用Keras搭建网络， 使用MSE损失函数， 选择Adam优化器， 用Dropout防止过拟合， Dropout比率选择0.2。 在每次训练的时候保存损失最小的模 型， 重复进 行多次实验， 结果求 平均值； 根据堆叠LSTM网络模型输出的预测值与真实值的准确率来衡量模型的性能， 得到 这组数据的准确率均值。 [0009]步骤3， 模型迁移就是将源井组已经训练好的模型拿过来， 作为新井组初始化参 数， 然后继续训练就可以。 因此， 在 多次迭代时， 保存最小损失函数对应的最优网络， 使用此说　明　书 1/2 页 3 CN 114254826 A 3