[發明專利]基于機器學習的射孔井產能預測方法及系統

在審

• 申請號: 202110241138.0
• 申請日: 2021-03-04
• 公開（公告）號: CN113011639A
• 公開（公告）日: 2021-06-22
• 發明（設計）人: 王海靜;馬玉文;劉振緯;袁慶江;段煜森;張國春
• 申請（專利權）人: 中國石油大學（華東）
• 主分類號: G06Q10/04
• 分類號: G06Q10/04;G06N20/00;G06N3/08;G06Q50/02
• 代理公司: 濟南圣達知識產權代理有限公司 37221
• 代理人: 閆圣娟

1.基于機器學習的射孔井產能預測方法，其特征是，包括如下步驟：

獲取射孔井產能影響參數數據；

將射孔井產能影響參數數據進行預處理；

將預處理后的射孔井產能影響參數數據輸入至訓練好的徑向基函數網絡，輸出射孔井產能預測結果。

2.如權利要求1所述的基于機器學習的射孔井產能預測方法，其特征是：徑向基函數網絡設置為三層的前向網絡：第一層為輸入層，節點個數等于輸入的維數；第二層為隱含層，節點個數視預測的復雜度確定；第三層為輸出層，節點個數等于輸出數據的維數；所述隱含層采用徑向基函數作為基函數，將輸入向量空間轉換到隱含層空間。

3.如權利要求1所述的基于機器學習的射孔井產能預測方法，其特征是：徑向基神經網絡的方法采用newrb函數創建。

4.如權利要求1所述的基于機器學習的射孔井產能預測方法，其特征是：還包括對徑向基神經網絡進行設置的步驟，所述徑向基神經網絡參數包括誤差容限、擴散因子以及最大神經元個數。

5.如權利要求1所述的基于機器學習的射孔井產能預測方法，其特征是：

射孔井產能影響參數數據為影響產能的因素數據，包括油田地質條件數據、原油物性數據、開發方式、孔深、孔徑、孔密度和孔眼相位；

或者，預處理的方法，包括對參數數據進行編碼，將數據進行向量化；

或者，預處理方法還包括采用二維插值對參數數據進行插值處理。

6.如權利要求1所述的基于機器學習的射孔井產能預測方法，其特征是：將獲取的射孔井產能影響參數數據輸入至訓練好的徑向基函數網絡，輸出射孔井產能預測結果的過程，徑向基函數網絡的識別過程如下：

輸入樣本向量與權值向量相乘；

將相乘后的結果輸入到隱層含節點中，計算樣本與節點中心的距離；

將獲得的距離值經過徑向基函數的映射后形成隱含層的輸出，再輸入到輸出層，各個隱含層節點的線性組合形成了最終的網絡輸出。

7.如權利要求1所述的基于機器學習的射孔井產能預測方法，其特征是，所述徑向基函數網絡的訓練方法，包括如下步驟:

獲取射孔井產能影響參數樣本數據以及實際產能數據，建立樣本集；

將射孔井產能影響參數樣本數據以及實際產能數據進行預處理；

將預處理后的射孔井產能影響參數數據作為輸入，將預處理后的實際產能數據輸入至構建好的徑向基函數網絡，進行訓練；

通過徑向基網絡調用徑向基函數，根據設定的最大神經元數量逐個增加神經元，使訓練誤差逐漸減小，直到誤差小于容限，確定徑向基函數網絡的最優參數，獲得訓練好的徑向基網絡。

8.基于機器學習的射孔井產能預測系統，其特征是，包括：

獲取模塊，被配置為用于獲取射孔井產能影響參數數據；

預處理模塊，被配置為用于將射孔井產能影響參數數據進行預處理；

預測模塊，被配置為用于將預處理后的射孔井產能影響參數數據輸入至訓練好的徑向基函數網絡，輸出射孔井產能預測結果。

9.一種電子設備，其特征是，包括存儲器和處理器以及存儲在存儲器上并在處理器上運行的計算機指令，所述計算機指令被處理器運行時，完成權利要求1-7任一項方法所述的步驟。

10.一種計算機可讀存儲介質，其特征是，用于存儲計算機指令，所述計算機指令被處理器執行時，完成權利要求1-7任一項方法所述的步驟。