(19)国家知识产权局 (12)发明 专利 (10)授权公告 号 (45)授权公告日 (21)申请 号 202111219923.2 (22)申请日 2021.10.20 (65)同一申请的已公布的文献号 申请公布号 CN 113962148 A (43)申请公布日 2022.01.21 (73)专利权人 中国石油大 学(北京) 地址 102249 北京市昌平区府学路18号 (72)发明人 薛亮　覃吉　刘月田　韩江峡　 (74)专利代理 机构 北京三友知识产权代理有限 公司 11127 专利代理师 谢层层　徐焕 (51)Int.Cl. G06F 30/27(2020.01) G06F 119/22(2020.01)(56)对比文件 CN 112761628 A,2021.0 5.07 CN 112228054 A,2021.01.15 谷建伟等.基 于数据挖掘的长短期记 忆网络 模型油井产量预测方法. 《特种油气藏》 .2019, (第02期), 审查员 慈丽雁 (54)发明名称 基于卷积编码动态序列网络的产量预测方 法、 装置及设备 (57)摘要 本说明书实施例提供了一种基于卷积编码 动态序列网络的产量预测方法、 装置及设备， 包 括： 获取各目标水平井对应的静态数据和动态数 据； 其中， 动态数据包括预设时间内各时间点对 应的产量数据； 基于预测时间点将各目标水平井 的动态数据划分为第一动态数据和第二动态数 据， 获得样 本数据集； 其中， 预测时间点在所述预 设时间内； 利用样本数据集训练卷积编码动态序 列神经网络， 获得目标水平井产量预测模型。 利 用本说明书实施例可以提高压裂水平井的产能 预测的准确度。 权利要求书2页 说明书11页 附图3页 CN 113962148 B 2022.09.13 CN 113962148 B 1.一种基于卷积编码动态序列网络的产量预测方法， 其特 征在于， 包括： 获取各目标水平井对应的静态数据和动态数据； 其中， 所述动态数据包括预设时间内 各时间点对应的产量数据； 基于预测时间点将各目标水平井的动态数据划分为第 一动态数据和第 二动态数据， 获 得样本数据集； 其中， 所述预测时间点在所述预设时间内； 利用所述样本数据集训练卷积编码动态序列神经网络， 获得目标水平井产量预测模 型； 其中， 所述获取 各目标水平井对应的静态数据和动态数据， 包括： 确定目标 水平井的各个静态参数的取值范围； 基于各个静态参数的取值范围， 利用拉丁超立方抽 样方法生成各目标水平井对应的静 态数据； 将各目标水平井的静态数据分别输入页岩气藏数值模拟软件中， 获得各目标水平井对 应的动态数据； 其中， 所述静态参数包括： 储层厚度、 初始地层压力、 基质渗透率、 基质孔隙度、 压裂改 造体积区域渗透率、 压裂改造体积区域孔隙度、 裂缝半长、 裂缝渗透率、 裂缝数量、 裂缝导流 能力； 其中， 所述利用所述样本数据集训练卷积编码动态序列神经网络， 获得目标水平井产 量预测模型， 包括： 将所述样本数据集划分为训练集和 测试集； 将所述训练集中的静态数据和第一动态数据作为输入、 第二动态数据作为输出， 对所 述卷积编码动态序列神经网络进行训练， 获得第一水平井产量预测模型； 将所述测试集中的静态数据和第 一动态数据输入所述第 一水平井产量预测模型， 获得 第一预测结果； 在所述第一预测结果与所述测试集中第 二动态数据满足预设条件的情况下， 将所述第 一水平井产量预测模型作为目标 水平井产量预测模型。 2.根据权利要求1所述的方法， 其特征在于， 所述卷积编码动态序列神经网络包括卷积 神经网络 部分、 信息融合层、 编码器部分、 解码器部分。 3.根据权利要求2所述的方法， 其特征在于， 将所述训练集中的静态数据和第 一动态数 据作为输入、 第二动态数据作为输出， 对所述卷积编码动态序列神经网络进行训练， 包括： 基于所述卷积神经网络部分对各目标水平井的静态数据进行特征提取， 获得各目标水 平井的静态特 征数据； 基于所述信 息融合层将各目标水平井的静态特征数据和第 一动态数据进行融合， 获得 各目标水平井对应的融合数据； 基于所述编码器部分对各目标 水平井对应的融合数据进行编码， 得到中间向量； 基于所述 解码器部分对中间向量进行解码， 获得输出 结果。 4.根据权利要求3所述的方法， 其特征在于， 通过下述方式将各目标水平井的静态特征 数据和第一动态数据进行融合： g＝σ(Wcxc+Wlxl+b) xcombined＝g·xc+(1‑g)·xl权　利　要　求　书 1/2 页 2 CN 113962148 B 2其中， g表示信息融合时的权重， σ 表示sigoid激活函数， xc表示静态 特征数据， xl表示第 一动态数据， Wc、 Wl分别表示网络层的权 重， b表示网络层的偏置， xcombined表示融合数据。 5.一种基于卷积编码动态序列网络的产量预测装置， 其特 征在于， 包括： 获取模块， 用于获取各目标水平井对应的静态数据和动态数据； 其中， 所述动态数据包 括预设时间内各时间点对应的产量数据； 划分模块， 用于基于预测时间点将各目标水平井的动态数据划分为第 一动态数据和第 二动态数据， 获得样本数据集； 其中， 所述预测时间点在所述预设时间内； 训练模块， 用于利用所述样本数据集训练卷积编码动态序列神经网络， 获得目标水平 井产量预测模型； 其中， 所述获取 各目标水平井对应的静态数据和动态数据， 包括： 确定目标 水平井的各个静态参数的取值范围； 基于各个静态参数的取值范围， 利用拉丁超立方抽 样方法生成各目标水平井对应的静 态数据； 将各目标水平井的静态数据分别输入页岩气藏数值模拟软件中， 获得各目标水平井对 应的动态数据； 其中， 所述静态参数包括： 储层厚度、 初始地层压力、 基质渗透率、 基质孔隙度、 压裂改 造体积区域渗透率、 压裂改造体积区域孔隙度、 裂缝半长、 裂缝渗透率、 裂缝数量、 裂缝导流 能力； 所述利用所述样本数据集训练卷积编码动态序列神经网络， 获得目标水平井产量预测 模型， 包括： 将所述样本数据集划分为训练集和 测试集； 将所述训练集中的静态数据和第一动态数据作为输入、 第二动态数据作为输出， 对所 述卷积编码动态序列神经网络进行训练， 获得第一水平井产量预测模型； 将所述测试集中的静态数据和第 一动态数据输入所述第 一水平井产量预测模型， 获得 第一预测结果； 在所述第一预测结果与所述测试集中第 二动态数据满足预设条件的情况下， 将所述第 一水平井产量预测模型作为目标 水平井产量预测模型。 6.一种基于卷积编码动态序列网络的产量预测设备， 其特征在于， 包括至少一个处理 器以及存储计算机可执行指令的存储器， 所述处理器执行所述指令时实现权利要求1 ‑4中 任意一项所述方法的步骤。 7.一种计算机可读存储介质， 其特征在于， 其上存储有计算机指令， 所述指令被执行时 实现权利要求1 ‑4中任一项所述方法的步骤。权　利　要　求　书 2/2 页 3 CN 113962148 B 3