(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 202111338932.3 (22)申请日 2021.11.12 (71)申请人 中法渤海地质服 务有限公司 地址 300450 天津市滨 海新区塘沽548信箱 (72)发明人 赵洪绪　于伟强　毛敏　杨毅　 赵洪涛　房鑫磊　 (74)专利代理 机构 济南竹森知识产权代理事务 所(普通合伙) 37270 代理人 吕利敏 (51)Int.Cl. G06F 30/27(2020.01) G06K 9/62(2022.01) G06N 3/00(2006.01) G06N 3/04(2006.01) G06F 111/10(2020.01) (54)发明名称 一种基于长短期记忆神经网络和粒子群优 化算法的分层注水优化方法 (57)摘要 一种基于长短期记忆神经网络和粒子群优 化算法的分层注水优化方法， 包括： 确定数据集 并将数据集划分为训练集和测试集； MDI方法分 析各个注水层段对油井产液量贡献的重要程度， 筛选出影 响油井产液量主要注水层段； 筛选出影 响油井产液量的主要注水层段后， 对 各个注水层 段的注水量进行归一化处理； LSTM模型的搭建、 训练与验证， 训练得到油井的LS TM模型； 采用PSO 算法优化各注水井 分层注水量。 本发 明利用长短 期记忆神经网络和粒子群优化算法克服传统的 基于油藏数值模拟的分层注水优化方法存在的 不足。 权利要求书3页 说明书11页 附图5页 CN 114357852 A 2022.04.15 CN 114357852 A 1.一种基于长短期记忆神经网络和粒子群优化算法的分层注水优化方法， 其特征在 于， 包括： 步骤一、 确定数据集并将数据集划分为训练集和 测试集； 步骤二、 MDI方法分析各个注水层段对油井产液量贡献的重要程度， 筛选出影响油井产 液量主要注水层段； 步骤三、 筛选出影响油井产液量的主要注水层段后， 对各个注水层段的注水量进行归 一化处理； 步骤四、 LSTM模型的搭建、 训练与验证， 训练得到油井的LSTM模型； 步骤五、 采用P SO算法优化各注水井分层注水量。 2.根据权利要求1所述的一种基于长短期记忆神经网络和粒子群优化算法的分层注水 优化方法， 其特征在于， 所述步骤一、 确定数据集并将数据集划分为训练集和测试集， 具体 方法如下： S1.1： 确定数据集 确定生产井组， 选择井组内油井某个时间段内的产 液量和含水率数据以及注水井对应 时间内的分层注水量数据作为数据集； 若所述数据集中在某个时间点或某个时间段内存在缺失数据， 则采用缺失数据附近数 据的平均值 填充所述 缺失数据； S1.2： 将数据集划分为训练集和 测试集 按照预设比例将数据集划分为训练集和 测试集； 优选的， 所述预设比例为8 :2。 3.根据权利要求2所述的一种基于长短期记忆神经网络和粒子群优化算法的分层注水 优化方法， 其特征在于， 所述步骤二、 MDI方法分析各个注水层段对油井产液量贡献的重要 程度， 筛选出影响油井产液量主 要注水层段， 具体方法如下： S2.1： 基于 MDI方法分析 各个注水层段对油井产液量贡献的重要程度 从sklearn库中导入随机森林分类器模块， 将各层注水量作为特征值、 产液量作 为观测 值训练RF模 型； 在RF模 型的生成过程中， 依次给RF模 型增加分层注水量特征节 点， 当选定并 添加某层注水量特征时， 得到其对于观测值的MDI值， 依次添加剩余分层注水量特征， 直至 遍历完所有特 征时， 停止决策树的生长， 同时得到其 余特征参数的MDI 值； S2.2： 筛选出影响油井产液量主 要注水层段 将各个分层注水量特征根据MDI值大小排序， 保留MDI值排名靠前的分层注水量特征， 确定影响油井产液量的主 要注水层段。 4.根据权利要求3所述的一种基于长短期记忆神经网络和粒子群优化算法的分层注水 优化方法， 其特征在于， 所述步骤三、 筛选出影响油井产液量的主要注水层段后， 对各个注 水层段的注水量进行归一 化处理， 具体方法如下： 采取最大最小归一化方法将各个注水层段的输入特征数据映射到区间[0， 1]上， 公式 如下： 其中， x表示某一层的注水量的数据， xmin表示该层注水量的最小值， xmax表示该层注水 量的最大值。权　利　要　求　书 1/3 页 2 CN 114357852 A 25.根据权利要求4所述的一种基于长短期记忆神经网络和粒子群优化算法的分层注水 优化方法， 其特征在于， 所述步骤四、 LSTM模型的搭建、 训练与验证， 以分层注水量作为输 入、 油井产液量和含水率作为输出， 训练得到油井的LSTM模型， 具体方法如下： S4.1： LSTM模型的搭建 从sklearn库中导入开源的人工神经网络算法工具模块搭建长短期记 忆神经网络： 在t时刻， LSTM单元处理输入状态xt、 短期隐藏状态ht‑1和长期隐藏状态ct‑1来生成输出 状态yt； 长期隐藏状态ct‑1包含t时刻之前的时间步的相关信息； 短期隐藏状态ht‑1包含上一个时间步的信息； 在LSTM单元内， 输入状态xt和短期隐藏状态ht‑1被全连接层FC处理， 其中gt、 ft、 it、 ot分 别为： 其中， f为非线性激活函数； σ 为激活函数； ft、 it、 ot由激活函数σ 决定， 分别控制遗忘门、 输入门和输出门， 取值范围为0到1； gt为由非线性激活函数f 决定， 与it一起控制输入门 的参 数， 取值范围为0到1； Wxg、 Wxf、 Wxi、 Wxo为处理输入xt的权重矩阵， Whg、 Whf、 Whi、 Who为处理短期隐 藏状态ht‑1的权重矩阵， bg、 bf、 bi、 bo为偏置项； 在遗忘门， LSTM单元决定t时刻ct‑1被遗忘的部分： ct‑1里的元素被0相乘则全部遗忘， 被 1相乘则全部保留； 在输入门， LSTM单元通过执行gt和it之间的数组元素相乘来决定在长期 隐藏状态中gt被保存的部分； 将遗忘门的处理信息 和输入门的处理信息 结 合起来更新时刻t的长期隐藏状态(ct)： 其中， 代表数组元 素依次相乘； 输出门处 理更新的长期隐藏状态ct和输出向量 ot来生成更新的短期隐藏状态ht： 采用均方误差 MSE(Mean Squared Error)评价 LSTM模型训练的好坏： 其中， N是 数据的个数， x ′是经过LSTM模型 学习后预测的数据， x是真实的数据；权　利　要　求　书 2/3 页 3 CN 114357852 A 3