一種頁巖氣產量預測方法、裝置、設備及存儲介質

2023-05-12 21:02:10

1.本發明涉及油氣田開發技術領域，特別涉及一種頁巖氣產量預測方法、裝置、設備及存儲介質。


背景技術：

2.我國頁巖氣資源豐富，大力開發和充分利用頁巖氣資源具有重要的意義。而在頁巖氣開發的過程中，產量預測可以檢驗勘探效果，有利於做好開發部署和規劃。現有技術中，往往採用產量遞減曲線法進行頁巖氣產量預測，其預測結果是線性的，是一條平滑的曲線，只能表徵產量隨時間變化的大致趨勢。而在實際生產過程中，生產方式的變化和人為操作的影響，導致產量曲線是隨時間的變化而波動的，因此產量與時間實際上是非線性的關係。由於產量遞減曲線法所構建的基本模型的限制，它無法預測實際產量曲線中存在的波動，這會導致產量預測結果出現偏差，進而對後續的開發部署和規劃產生影響。因此，如何更加精確地進行對頁巖氣井產量的預測是油氣田開發領域中有待解決的問題。


技術實現要素：

3.有鑑於此，本發明的目的在於提供一種頁巖氣產量預測方法、裝置、設備及存儲介質，通過構建產量遞減曲線與機器學習耦合模型，進行頁巖氣產量預測，通過二者的預測結果確定最終的產量預測結果，有利於提高頁巖氣產量預測的效果。其具體方案如下：第一方面，本技術提供了一種頁巖氣產量預測方法，包括：獲取待預測產量頁巖氣井的頁巖氣真實產量數據，並根據所述頁巖氣真實產量數據確定對所述待預測產量頁巖氣井進行產量預測的目標產量遞減曲線模型；設置對所述待預測產量頁巖氣井進行產量預測的時間步長，基於所述時間步長利用所述目標產量遞減曲線模型對所述待預測產量頁巖氣井進行產量預測，以得到所述待預測產量頁巖氣井對應的線性產量遞減曲線；根據所述線性產量遞減曲線和所述頁巖氣真實產量數據確定目標頁巖氣產量殘差，將所述目標頁巖氣產量殘差輸入長短時記憶神經網絡，並根據所述長短時記憶神經網絡和所述時間步長進行產量預測得到殘差預測結果；基於所述線性產量遞減曲線和所述殘差預測結果確定所述待預測產量頁巖氣井的目標產量預測結果，並利用所述待預測產量頁巖氣井對應的預設測試集驗證所述目標產量預測結果。
4.可選的，所述根據所述頁巖氣真實產量數據確定對所述待預測產量頁巖氣井進行產量預測的目標產量遞減曲線模型，包括：根據所述頁巖氣真實產量數據確定對所述待預測產量頁巖氣井進行產量預測的初始產量遞減曲線模型；所述初始產量遞減曲線模型的模型參數為預設的初始參數；基於所述初始產量遞減曲線模型的所述預設的初始參數利用所述初始產量遞減曲線模型對所述頁巖氣真實產量數據進行擬合，以便於根據擬合結果確定目標模型參數，
並確定所述目標模型參數對應的目標產量遞減曲線模型。
5.可選的，所述根據所述線性產量遞減曲線和所述頁巖氣真實產量數據確定目標頁巖氣產量殘差之前，還包括：基於所述初始產量遞減曲線模型和所述待預測產量頁巖氣井的頁巖氣真實產量數據確定頁巖氣真實產量曲線，以便於根據所述線性產量遞減曲線和所述頁巖氣真實產量曲線確定目標頁巖氣產量殘差。
6.可選的，所述將所述目標頁巖氣產量殘差輸入長短時記憶神經網絡，包括：將所述目標頁巖氣產量殘差進行標準化處理，輸入長短時記憶神經網絡；相應的，所述根據所述長短時記憶神經網絡和所述時間步長進行產量預測得到殘差預測結果，包括：根據所述長短時記憶神經網絡和所述時間步長進行產量預測得到初始預測結果，並對所述初始預測結果進行反標準化處理得到殘差預測結果。
7.可選的，所述將所述目標頁巖氣產量殘差輸入長短時記憶神經網絡之後，還包括：設置所述長短時記憶神經網絡的對應模型的隱藏單元數和訓練輪數初始值，以便於根據所述長短時記憶神經網絡的對應模型和所述時間步長進行產量預測得到殘差預測結果。
8.可選的，所述根據所述長短時記憶神經網絡和所述時間步長進行產量預測得到殘差預測結果，包括：根據所述長短時記憶神經網絡對所述目標頁巖氣產量殘差進行殘差擬合，根據殘差擬合結果調整所述長短時記憶神經網絡對應的神經網絡參數；基於調整後的神經網絡參數確定調整後的長短時記憶神經網絡，根據所述調整後的長短時記憶神經網絡和所述時間步長進行產量預測得到殘差預測結果。
9.可選的，所述基於所述線性產量遞減曲線和所述殘差預測結果確定所述待預測產量頁巖氣井的目標產量預測結果，包括：對所述線性產量遞減曲線對應的線性預測結果和所述殘差預測結果對應的非線性預測結果進行求和，得到所述待預測產量頁巖氣井的目標產量預測結果。
10.第二方面，本技術提供了一種頁巖氣產量預測裝置，包括：模型確定模塊，用於獲取待預測產量頁巖氣井的頁巖氣真實產量數據，並根據所述頁巖氣真實產量數據確定對所述待預測產量頁巖氣井進行產量預測的目標產量遞減曲線模型；第一產量預測模塊，用於設置對所述待預測產量頁巖氣井進行產量預測的時間步長，基於所述時間步長利用所述目標產量遞減曲線模型對所述待預測產量頁巖氣井進行產量預測，以得到所述待預測產量頁巖氣井對應的線性產量遞減曲線；第二產量預測模塊，用於根據所述線性產量遞減曲線和所述頁巖氣真實產量數據確定目標頁巖氣產量殘差，將所述目標頁巖氣產量殘差輸入長短時記憶神經網絡，並根據所述長短時記憶神經網絡和所述時間步長進行產量預測得到殘差預測結果；預測結果確定模塊，用於基於所述線性產量遞減曲線和所述殘差預測結果確定所述待預測產量頁巖氣井的目標產量預測結果，並利用所述待預測產量頁巖氣井對應的預設測試集驗證所述目標產量預測結果。
11.第三方面，本技術提供了一種電子設備，所述電子設備包括處理器和存儲器；其中，所述存儲器用於存儲電腦程式，所述電腦程式由所述處理器加載並執行以實現前述的頁巖氣產量預測方法。
12.第四方面，本技術提供了一種計算機可讀存儲介質，用於保存電腦程式，所述電腦程式被處理器執行時實現前述的頁巖氣產量預測方法。
13.本技術中，首先獲取待預測產量頁巖氣井的頁巖氣真實產量數據，並根據所述頁巖氣真實產量數據確定對所述待預測產量頁巖氣井進行產量預測的目標產量遞減曲線模型；設置對所述待預測產量頁巖氣井進行產量預測的時間步長，基於所述時間步長利用所述目標產量遞減曲線模型對所述待預測產量頁巖氣井進行產量預測，以得到所述待預測產量頁巖氣井對應的線性產量遞減曲線；根據所述線性產量遞減曲線和所述頁巖氣真實產量數據確定目標頁巖氣產量殘差，將所述目標頁巖氣產量殘差輸入長短時記憶神經網絡，並根據所述長短時記憶神經網絡和所述時間步長進行產量預測得到殘差預測結果；最後基於所述線性產量遞減曲線和所述殘差預測結果確定所述待預測產量頁巖氣井的目標產量預測結果，並利用預設測試集進行目標產量預測結果驗證。由此可見，本技術中使用產量遞減曲線法預測產量的線性趨勢，計算出產量遞減曲線與真實數據之間的殘差，然後使用長短時記憶神經網絡（lstm，long short-term memory）對表徵非線性波動的殘差進行預測，通過建立產量遞減曲線和機器學習耦合模型實現頁巖氣產量預測，得到最終預測結果，有利於提高頁巖氣產量預測的效果。
附圖說明
14.為了更清楚地說明本發明實施例或現有技術中的技術方案，下面將對實施例或現有技術描述中所需要使用的附圖作簡單地介紹，顯而易見地，下面描述中的附圖僅僅是本發明的實施例，對於本領域普通技術人員來講，在不付出創造性勞動的前提下，還可以根據提供的附圖獲得其他的附圖。
15.圖1為本技術提供的一種頁巖氣產量預測方法流程圖；圖2為本技術提供的一種頁巖氣產量預測耦合模型結構圖；圖3為本技術提供的一種具體的頁巖氣產量預測方法流程圖；圖4為本技術提供的一種具體的頁巖氣產量預測方法流程圖；圖5為本技術提供的一種頁巖氣井原始產量數據圖；圖6為本技術提供的一種產量遞減曲線模型最佳擬合圖；圖7為本技術提供的一種產量遞減曲線測試集檢驗結果圖；圖8為本技術提供的一種產量遞減曲線5年預測結果圖；圖9為本技術提供的一種duong模型殘差預測結果圖；圖10為本技術提供的一種arps指數遞減模型殘差預測結果圖；圖11為本技術提供的一種arps雙曲遞減模型殘差預測結果圖；圖12為本技術提供的一種ple遞減模型殘差預測結果圖；圖13為本技術提供的一種耦合模型預測結果圖；圖14為本技術提供的一種耦合模型5年預測結果圖；圖15為本技術提供的一種頁巖氣產量預測裝置結構示意圖；
圖16為本技術提供的一種電子設備結構圖。
具體實施方式
16.下面將結合本發明實施例中的附圖，對本發明實施例中的技術方案進行清楚、完整地描述，顯然，所描述的實施例僅僅是本發明一部分實施例，而不是全部的實施例。基於本發明中的實施例，本領域普通技術人員在沒有做出創造性勞動前提下所獲得的所有其他實施例，都屬於本發明保護的範圍。
17.在頁巖氣開發的過程中，進行產量預測可以檢驗勘探效果，有利於做好開發部署和規劃。現有技術中，往往採用產量遞減曲線法進行頁巖氣產量預測，無法預測實際產量曲線中存在的波動，這會導致產量預測結果出現偏差，進而對後續的開發部署和規劃產生影響。因此，本技術通過建立產量遞減曲線和機器學習耦合模型實現頁巖氣產量預測，有利於提高頁巖氣產量預測的效果。
18.參見圖1所示，本發明實施例公開了一種頁巖氣產量預測方法，包括：步驟s11、獲取待預測產量頁巖氣井的頁巖氣真實產量數據，並根據所述頁巖氣真實產量數據確定對所述待預測產量頁巖氣井進行產量預測的目標產量遞減曲線模型。
19.本實施例中，首先選取需要進行產量預測的待預測產量頁巖氣井，並確定待預測產量頁巖氣井對應的頁巖氣真實產量數據，確定出的頁巖氣真實產量數據包括但不限於待預測產量頁巖氣井若干年內每一年分別對應的頁巖氣產量。然後根據確定出的頁巖氣真實產量數據選取對應的對所述待預測產量頁巖氣井進行產量預測的目標產量遞減曲線模型，可以理解的是，本實施例中可以選擇多種遞減曲線模型同時對待預測產量頁巖氣井進行產量預測，例如選取duong遞減模型、arps指數遞減模型、arps雙曲遞減模型和ple遞減模型進行產量預測，通過同時利用多種遞減曲線模型進行預測，有利於在預測時確定出更加合適的曲線模型，以及根據多個預測結果判斷產量預測誤差，有利於提高頁巖氣產量預測的準確性。
20.步驟s12、設置對所述待預測產量頁巖氣井進行產量預測的時間步長，基於所述時間步長利用所述目標產量遞減曲線模型對所述待預測產量頁巖氣井進行產量預測，以得到所述待預測產量頁巖氣井對應的線性產量遞減曲線。
21.本實施例中，根據不同的實際需求設置產量預測的時間步長，並基於設置的時間步長對待預測產量頁巖氣井進行產量預測，得到待預測產量頁巖氣井對應產量的線性趨勢。例如，獲取待預測產量頁巖氣井五年內的頁巖氣年產量，並設置時間步長為十年進行年產量預測。通過上述步驟確定出的目標產量遞減曲線模型對待預測產量頁巖氣井進行產量預測，得到頁巖氣井的產量隨時間變化的趨勢，以便後續基於得到的線性產量遞減曲線利用長短時記憶網絡進行頁巖氣產量的非線性波動預測。
22.步驟s13、根據所述線性產量遞減曲線和所述頁巖氣真實產量數據確定目標頁巖氣產量殘差，將所述目標頁巖氣產量殘差輸入長短時記憶神經網絡，並根據所述長短時記憶神經網絡和所述時間步長進行產量預測得到殘差預測結果。
23.本實施例中，根據步驟s12中得到的線性產量遞減曲線計算出預測出的頁巖氣產量和頁巖氣真實產量數據的產量殘差，並輸入對應的長短時記憶神經網絡中，然後利用長短時記憶神經網絡基於前述步驟確定出的時間步長進行產量預測得到殘差預測結果。可以
理解的是，在機器學習方法中，長短時記憶神經網絡對非線性的數據有著極強的映射能力，通過使用lstm模型在線性產量遞減曲線的基礎上進行產量預測，其預測結果相較於僅使用遞減曲線模型進行產量預測更為準確，並且通過使用lstm模型可以預測出頁巖氣產量的非線性波動，提高了頁巖氣產量預測的準確性。
24.步驟s14、基於所述線性產量遞減曲線和所述殘差預測結果確定所述待預測產量頁巖氣井的目標產量預測結果，並利用所述待預測產量頁巖氣井對應的預設測試集驗證所述目標產量預測結果。
25.本實施例中，對所述線性產量遞減曲線對應的線性預測結果和所述殘差預測結果對應的非線性預測結果進行求和，以得到通過耦合模型確定的所述待預測產量頁巖氣井的目標產量預測結果。然後利用待預測產量頁巖氣井對應的預設測試集進行目標產量預測結果驗證，所述待預測產量頁巖氣井可以預先劃分為訓練集和測試集，以便利用對應訓練集的部分頁巖氣井進行長短時記憶神經網絡的訓練後，利用對應測試集的部分頁巖氣井進行預測結果驗證。
26.如圖2所示，本實施例提供了一種頁巖氣產量預測耦合模型結構圖，獲取待預測產量頁巖氣井的原始數據，並進行數據預處理後，基於產量遞減曲線模型確定產量遞減曲線，得到線性預測結果；然後利用確定出的產量遞減曲線與頁巖氣井的實際產量計算出產量殘差，通過lstm模型確定殘差預測結果，也即非線性預測結果，將非線性預測結果和線性預測結果相加即可得到最終的預測結果。
27.由此可見，本實施例首先獲取待預測產量頁巖氣井的頁巖氣真實產量數據，並根據所述頁巖氣真實產量數據確定對所述待預測產量頁巖氣井進行產量預測的目標產量遞減曲線模型；設置對所述待預測產量頁巖氣井進行產量預測的時間步長，基於所述時間步長利用所述目標產量遞減曲線模型對所述待預測產量頁巖氣井進行產量預測，以得到所述待預測產量頁巖氣井對應的線性產量遞減曲線；根據所述線性產量遞減曲線和所述頁巖氣真實產量數據確定目標頁巖氣產量殘差，將所述目標頁巖氣產量殘差輸入長短時記憶神經網絡，並根據所述長短時記憶神經網絡和所述時間步長進行產量預測得到殘差預測結果；最後基於所述線性產量遞減曲線和所述殘差預測結果確定所述待預測產量頁巖氣井的目標產量預測結果。由此可見，本技術中使用產量遞減曲線法預測產量的線性趨勢，計算出產量遞減曲線與真實數據之間的殘差，然後使用長短時記憶神經網絡（lstm，long short-term memory）對表徵非線性波動的殘差進行預測，通過建立產量遞減曲線和機器學習耦合模型實現頁巖氣產量預測，得到最終預測結果，有利於提高頁巖氣產量預測的效果。
28.基於上一實施例可知，本技術可以通過構建產量遞減曲線與機器學習耦合模型，並確定最終的產量預測結果，接下來，本實施例中將對通過產量遞減曲線進行預測的過程進行詳細地闡述。參見圖3所示，本技術實施例公開了一種具體的頁巖氣產量預測方法，包括：步驟s21、獲取待預測產量頁巖氣井的頁巖氣真實產量數據，並根據所述頁巖氣真實產量數據確定對所述待預測產量頁巖氣井進行產量預測的初始產量遞減曲線模型。
29.本實施例中，取待預測產量頁巖氣井的頁巖氣真實產量數據後，首先根據獲取到的頁巖氣真實產量數據確定待使用的產量遞減曲線模型，並設置遞減曲線模型的模型初始參數，得到初始產量遞減曲線模型。
30.步驟s22、基於所述初始產量遞減曲線模型利用所述初始產量遞減曲線模型對所述頁巖氣真實產量數據進行擬合，以便於根據擬合結果確定目標模型參數，並確定所述目標模型參數對應的目標產量遞減曲線模型。
31.本實施例中，根據初始產量遞減曲線模型作出待預測產量頁巖氣井對應的產量隨時間變化的曲線，並基於作出的曲線對頁巖氣井的真實產量數據進行擬合，根據得到的數據擬合結果對初始產量遞減曲線模型中的預設參數進行調整，使得到的產量遞減曲線模型達到對數據的最佳擬合效果後停止調整，得到目標產量遞減曲線模型。通過數據擬合調整產量遞減曲線模型的參數，可以使產量預測的結果更加精確，提高產量預測的效果。
32.步驟s23、設置對所述待預測產量頁巖氣井進行產量預測的時間步長，基於所述時間步長利用所述目標產量遞減曲線模型對所述待預測產量頁巖氣井進行產量預測，以得到所述待預測產量頁巖氣井對應的線性產量遞減曲線。
33.步驟s24、根據所述線性產量遞減曲線和所述頁巖氣真實產量數據確定目標頁巖氣產量殘差，將所述目標頁巖氣產量殘差輸入長短時記憶神經網絡，並根據所述長短時記憶神經網絡和所述時間步長進行產量預測得到殘差預測結果。
34.本實施例中，基於所述初始產量遞減曲線模型和所述待預測產量頁巖氣井的頁巖氣真實產量數據確定頁巖氣真實產量曲線，根據線性產量遞減曲線和頁巖氣真實產量曲線得到頁巖氣產量殘差，進而得到殘差預測結果。
35.步驟s25、基於所述線性產量遞減曲線和所述殘差預測結果確定所述待預測產量頁巖氣井的目標產量預測結果。
36.其中，關於上述步驟s23、s25更加具體的處理過程可以參考前述實施例中公開的相應內容，在此不再進行贅述。
37.由此可見，本實施例中，獲取待預測產量頁巖氣井的頁巖氣真實產量數據，並根據所述頁巖氣真實產量數據確定對所述待預測產量頁巖氣井進行產量預測的初始產量遞減曲線模型。基於所述初始產量遞減曲線模型利用所述初始產量遞減曲線模型對所述頁巖氣真實產量數據進行擬合，以便於根據擬合結果確定目標模型參數，並確定所述目標模型參數對應的目標產量遞減曲線模型；設置時間步長，基於所述時間步長得到所述待預測產量頁巖氣井對應的線性產量遞減曲線，並根據所述線性產量遞減曲線和所述頁巖氣真實產量數據，並進一步確定目標頁巖氣產量殘差，以便根據所述長短時記憶神經網絡進行產量預測得到殘差預測結果確定所述待預測產量頁巖氣井的目標產量預測結果。這樣一來，可以通過數據擬合調整產量遞減曲線模型的參數，可以使產量預測的結果更加精確，提高產量預測的效果。
38.基於前述實施例可知，本技術可以通過構建產量遞減曲線與機器學習耦合模型，並確定最終的產量預測結果，接下來，本實施例中將對通過長短時記憶網絡進行預測的過程進行詳細地闡述。參見圖4所示，本技術實施例公開了一種具體的頁巖氣產量預測方法，包括：步驟s31、獲取待預測產量頁巖氣井的頁巖氣真實產量數據，並根據所述頁巖氣真實產量數據確定對所述待預測產量頁巖氣井進行產量預測的目標產量遞減曲線模型。
39.步驟s32、設置對所述待預測產量頁巖氣井進行產量預測的時間步長，基於所述時間步長利用所述目標產量遞減曲線模型對所述待預測產量頁巖氣井進行產量預測，以得到
所述待預測產量頁巖氣井對應的線性產量遞減曲線。
40.步驟s33、根據所述線性產量遞減曲線和所述頁巖氣真實產量數據確定目標頁巖氣產量殘差，將所述目標頁巖氣產量殘差進行標準化處理，輸入長短時記憶神經網絡。
41.本實施例中，獲取目標頁巖氣產量殘差後，將目標頁巖氣產量殘差進行標準化處理再輸入長短時記憶神經網絡。可以理解的是，本實施例進行殘差數據標準化處理的方法包括但不限於min-max標準化、標準差標準化、非線性歸一化等處理方法。通過對殘差數據的標準化處理，可以通過平衡數據，加快處理速度，減小可能由極端數值引發的計算錯誤，進而提高預測效果。
42.步驟s34、設置所述長短時記憶神經網絡的對應模型的隱藏單元數和訓練輪數初始值，並根據所述長短時記憶神經網絡對所述目標頁巖氣產量殘差進行殘差擬合，根據殘差擬合結果調整所述長短時記憶神經網絡對應的神經網絡參數。
43.本實施例中，首先構建lstm網絡架構並指定訓練選項，可以理解的是，lstm網絡架構的構建包括以下四部分：序列輸入層、lstm層、全連接層和回歸層，lstm網絡架構設置如表1所示；lstm的訓練選項的類型以及參數設置如表2所示：表一
44.表二
45.基於所述參數設置構建lstm網絡後，設置長短時記憶神經網絡的對應模型的隱藏單元數和訓練輪數初始值，並根據長短時記憶神經網絡對目標頁巖氣產量殘差進行殘差擬合，根據殘差擬合結果調整長短時記憶神經網絡對應的神經網絡參數，使殘差擬合達到最佳效果。通過殘差擬合調整長短時記憶神經網絡的參數，可以使產量預測的結果更加精確，提高產量預測的效果。
46.步驟s35、基於調整後的神經網絡參數確定調整後的長短時記憶神經網絡，根據所述調整後的長短時記憶神經網絡和所述時間步長進行產量預測得到殘差預測結果。
47.本實施例中，設置時間步長後，基於調整後的長短時記憶神經網絡進行產量預測，並對預測結果進行反標準化處理，得到非線性波動的殘差預測結果。
48.步驟s36、基於所述線性產量遞減曲線和所述殘差預測結果確定所述待預測產量頁巖氣井的目標產量預測結果。
49.其中，關於上述步驟s31、s32以及s36更加具體的處理過程可以參考前述實施例中公開的相應內容，在此不再進行贅述。
50.由此可見，本實施例中，利用目標產量遞減曲線模型進行產量預測，得到待預測產量頁巖氣井對應的線性產量遞減曲線；根據線性產量遞減曲線確定目標頁巖氣產量殘差，將目標頁巖氣產量殘差進行標準化處理，輸入長短時記憶神經網絡；設置長短時記憶神經網絡的對應模型的隱藏單元數和訓練輪數初始值後，根據長短時記憶神經網絡對目標頁巖氣產量殘差進行殘差擬合，根據殘差擬合結果調整長短時記憶神經網絡對應的神經網絡參數；基於調整後的神經網絡參數確定調整後的長短時記憶神經網絡，根據所述調整後的長短時記憶神經網絡和所述時間步長進行產量預測得到殘差預測結果，進而確定待預測產量頁巖氣井的目標產量預測結果。通過對殘差數據的標準化處理，可以通過平衡數據，加快處理速度，並且通過殘差擬合調整長短時記憶神經網絡的參數，可以使產量預測的結果更加精確，提高產量預測的效果。
51.參見圖5至圖14所示，本技術結合下述具體實施例公開了一種基於產量遞減曲線和機器學習耦合模型的頁巖氣產量預測方法，包括：本實施例中，選取的頁巖氣井生產時間為590天，並將所選取的頁巖氣井按照9:1的比例劃分為訓練集和測試集，前90%為訓練集，後10%為測試集。
52.選取所要使用的產量遞減曲線模型，並預設該模型的初始參數。本實施例中，所選取的頁巖氣井，其產量曲線如圖5所示，分別選取duong遞減模型、arps指數遞減模型、arps雙曲遞減模型和ple遞減模型進行產量預測，四種模型產量隨時間變化的關係式分別如下所示。
53.duong遞減模型的關係式為：
54.上述公式中，為初始產量，單位為m3/d；為雙對數曲線截距，單位為d-1
；為雙對數曲線斜率。
55.arps指數遞減模型的關係式為：
56.上述公式中，為初始遞減率，單位為d-1
。
57.arps雙曲遞減模型的關係式為：
58.上述公式中，為初始遞減率，單位為d-1
；為遞減指數。
59.ple遞減模型的關係式為：
60.上述公式中，；為無窮大時間對應的遞減率，單位為d-1
；為第一個時間周期對應的arps行遞減率；n為時間指數。
61.根據所選取的模型產量隨時間變化的關係式，作出對應模型產量隨時間變化的曲線，使用該曲線對所選頁巖氣井的產量數據進行擬合，調整參數達到最佳的擬合效果，四種模型的最佳擬合參數如表3所示，最佳擬合結果如圖6所示。根據最佳擬合結果，得到每個模型確切的關係式，使用測試集進行檢驗，結果如圖7所示，使用產量遞減曲線進行預測得到的預測誤差如表4所示。
62.表3
63.表4
64.設置時間步長為5年，得到每個模型產量線性趨勢的預測結果，如圖8所示。
65.得到產量遞減曲線模型的預測結果後，構建lstm網絡架構並指定訓練選項。lstm模型的初始設置如表1和表2所示，其中初始參數設置如下：sequenceinputlayer=1，lstmlayer=100，fullyconnectedlayer=1，maxepochs=50。
66.根據產量遞減曲線模型的擬合數據，分別計算每個產量遞減曲線法所求得的擬合曲線與真實產量曲線之間的殘差，對該殘差進行標準化處理，將處理後的殘差作為lstm模型的輸入，設置lstm模型的隱藏單元數和訓練輪數的初始值，進行殘差擬合。調整參數達到最佳擬合效果，各lstm模型最佳參數如表5所示。
67.表5
68.根據最佳擬合結果所得到的參數，設置時間步長為5年，完成每種模型的殘差預測，其預測結果如圖9至圖12所示。將每種產量遞減曲線法所得到的預測結果和lstm模型得到的殘差預測結果進行相加，得到最終耦合模型的預測結果，使用測試集進行驗證，結果如
圖13所示，設置時間步長為5年完成預測，產量遞減曲線模型和長短時記憶網絡模型的耦合模型預測結果如圖14所示。所述耦合模型的預測誤差如表6所示。
69.表6
70.由此可見，本技術可以通過計算產量遞減曲線法所得到的擬合曲線與真實產量曲線之間的殘差，即產量曲線中的非線性波動，使用lstm模型來預測該殘差，解決產量遞減曲線法無法預測產量曲線非線性波動，導致預測結果存在偏差的問題，將產量遞減曲線預測結果與lstm模型的殘差預測結果相加得到最終預測結果，有利於提高頁巖氣井產量預測的準確性參見圖15所示，本技術實施例還公開了一種頁巖氣產量預測裝置，包括：模型確定模塊11，用於獲取待預測產量頁巖氣井的頁巖氣真實產量數據，並根據所述頁巖氣真實產量數據確定對所述待預測產量頁巖氣井進行產量預測的目標產量遞減曲線模型；第一產量預測模塊12，用於設置對所述待預測產量頁巖氣井進行產量預測的時間步長，基於所述時間步長利用所述目標產量遞減曲線模型對所述待預測產量頁巖氣井進行產量預測，以得到所述待預測產量頁巖氣井對應的線性產量遞減曲線；第二產量預測模塊13，用於根據所述線性產量遞減曲線和所述頁巖氣真實產量數據確定目標頁巖氣產量殘差，將所述目標頁巖氣產量殘差輸入長短時記憶神經網絡，並根據所述長短時記憶神經網絡和所述時間步長進行產量預測得到殘差預測結果；預測結果確定模塊14，用於基於所述線性產量遞減曲線和所述殘差預測結果確定所述待預測產量頁巖氣井的目標產量預測結果，並利用所述待預測產量頁巖氣井對應的預設測試集驗證所述目標產量預測結果。
71.本實施例中，首先獲取待預測產量頁巖氣井的頁巖氣真實產量數據，並根據所述頁巖氣真實產量數據確定對所述待預測產量頁巖氣井進行產量預測的目標產量遞減曲線模型；設置對所述待預測產量頁巖氣井進行產量預測的時間步長，基於所述時間步長利用所述目標產量遞減曲線模型對所述待預測產量頁巖氣井進行產量預測，以得到所述待預測產量頁巖氣井對應的線性產量遞減曲線；根據所述線性產量遞減曲線和所述頁巖氣真實產量數據確定目標頁巖氣產量殘差，將所述目標頁巖氣產量殘差輸入長短時記憶神經網絡，並根據所述長短時記憶神經網絡和所述時間步長進行產量預測得到殘差預測結果；最後基於所述線性產量遞減曲線和所述殘差預測結果確定所述待預測產量頁巖氣井的目標產量預測結果。由此可見，本實施例使用產量遞減曲線法預測產量的線性趨勢，計算出產量遞減曲線與真實數據之間的殘差，然後使用長短時記憶神經網絡對表徵非線性波動的殘差進行預測，通過建立產量遞減曲線和機器學習耦合模型實現頁巖氣產量預測，有利於提高頁巖氣產量預測的效果。
72.在一些具體的實施例中，所述模型確定模塊11，具體包括：
模型確定單元，用於根據所述頁巖氣真實產量數據確定對所述待預測產量頁巖氣井進行產量預測的初始產量遞減曲線模型；所述初始產量遞減曲線模型的模型參數為預設的初始參數；數據擬合單元，用於基於所述初始產量遞減曲線模型的所述預設的初始參數利用所述初始產量遞減曲線模型對所述頁巖氣真實產量數據進行擬合，以便於根據擬合結果確定目標模型參數，並確定所述目標模型參數對應的目標產量遞減曲線模型。
73.在一些具體的實施例中，所述第二產量預測模塊13，還包括：產量曲線確定單元，用於基於所述初始產量遞減曲線模型和所述待預測產量頁巖氣井的頁巖氣真實產量數據確定頁巖氣真實產量曲線，以便於根據所述線性產量遞減曲線和所述頁巖氣真實產量曲線確定目標頁巖氣產量殘差。
74.在一些具體的實施例中，所述第二產量預測模塊13，具體包括：殘差處理模塊，用於將所述目標頁巖氣產量殘差進行標準化處理，輸入長短時記憶神經網絡；第一產量預測單元，用於根據所述長短時記憶神經網絡和所述時間步長進行產量預測得到初始預測結果，並對所述初始預測結果進行反標準化處理得到殘差預測結果。
75.在一些具體的實施例中，所述第二產量預測模塊13，還包括：模型設置單元，用於設置所述長短時記憶神經網絡的對應模型的隱藏單元數和訓練輪數初始值，以便於根據所述長短時記憶神經網絡的對應模型和所述時間步長進行產量預測得到殘差預測結果。
76.在一些具體的實施例中，所述第二產量預測模塊13，具體包括：參數調整單元，用於根據所述長短時記憶神經網絡對所述目標頁巖氣產量殘差進行殘差擬合，根據殘差擬合結果調整所述長短時記憶神經網絡對應的神經網絡參數；第二產量預測單元，用於基於調整後的神經網絡參數確定調整後的長短時記憶神經網絡，根據所述調整後的長短時記憶神經網絡和所述時間步長進行產量預測得到殘差預測結果。
77.在一些具體的實施例中，所述預測結果確定模塊14，具體包括：預測結果求和單元，用於對所述線性產量遞減曲線對應的線性預測結果和所述殘差預測結果對應的非線性預測結果進行求和，得到所述待預測產量頁巖氣井的目標產量預測結果。
78.進一步的，本技術實施例還公開了一種電子設備，圖16是根據一示例性實施例示出的電子設備20結構圖，圖中的內容不能認為是對本技術的使用範圍的任何限制。
79.圖16為本技術實施例提供的一種電子設備20的結構示意圖。該電子設備 20，具體可以包括：至少一個處理器21、至少一個存儲器22、電源23、通信接口24、輸入輸出接口25和通信總線26。其中，所述存儲器22用於存儲電腦程式，所述電腦程式由所述處理器21加載並執行，以實現前述任一實施例公開的頁巖氣產量預測方法中的相關步驟。另外，本實施例中的電子設備20具體可以為電子計算機。
80.本實施例中，電源23用於為電子設備20上的各硬體設備提供工作電壓；通信接口24能夠為電子設備20創建與外界設備之間的數據傳輸通道，其所遵循的通信協議是能夠適用於本技術技術方案的任意通信協議，在此不對其進行具體限定；輸入輸出接口25，用於獲
取外界輸入數據或向外界輸出數據，其具體的接口類型可以根據具體應用需要進行選取，在此不進行具體限定。
81.另外，存儲器22作為資源存儲的載體，可以是只讀存儲器、隨機存儲器、磁碟或者光碟等，其上所存儲的資源可以包括作業系統221、電腦程式222 等，存儲方式可以是短暫存儲或者永久存儲。
82.其中，作業系統221用於管理與控制電子設備20上的各硬體設備以及電腦程式222，其可以是windows server、netware、unix、linux等。電腦程式222除了包括能夠用於完成前述任一實施例公開的由電子設備20執行的頁巖氣產量預測方法的電腦程式之外，還可以進一步包括能夠用於完成其他特定工作的電腦程式。
83.進一步的，本技術還公開了一種計算機可讀存儲介質，用於存儲電腦程式；其中，所述電腦程式被處理器執行時實現前述公開的頁巖氣產量預測方法。關於該方法的具體步驟可以參考前述實施例中公開的相應內容，在此不再進行贅述。
84.本說明書中各個實施例採用遞進的方式描述，每個實施例重點說明的都是與其它實施例的不同之處，各個實施例之間相同或相似部分互相參見即可。對於實施例公開的裝置而言，由於其與實施例公開的方法相對應，所以描述的比較簡單，相關之處參見方法部分說明即可。
85.專業人員還可以進一步意識到，結合本文中所公開的實施例描述的各示例的單元及算法步驟，能夠以電子硬體、計算機軟體或者二者的結合來實現，為了清楚地說明硬體和軟體的可互換性，在上述說明中已經按照功能一般性地描述了各示例的組成及步驟。這些功能究竟以硬體還是軟體方式來執行，取決於技術方案的特定應用和設計約束條件。專業技術人員可以對每個特定的應用來使用不同方法來實現所描述的功能，但是這種實現不應認為超出本技術的範圍。
86.結合本文中所公開的實施例描述的方法或算法的步驟可以直接用硬體、處理器執行的軟體模塊，或者二者的結合來實施。軟體模塊可以置於隨機存儲器（ram）、內存、只讀存儲器（rom）、電可編程rom、電可擦除可編程rom、寄存器、硬碟、可移動磁碟、cd-rom、或技術領域內所公知的任意其它形式的存儲介質中。
87.最後，還需要說明的是，在本文中，諸如第一和第二等之類的關係術語僅僅用來將一個實體或者操作與另一個實體或操作區分開來，而不一定要求或者暗示這些實體或操作之間存在任何這種實際的關係或者順序。而且，術語「包括」、「包含」或者其任何其他變體意在涵蓋非排他性的包含，從而使得包括一系列要素的過程、方法、物品或者設備不僅包括那些要素，而且還包括沒有明確列出的其他要素，或者是還包括為這種過程、方法、物品或者設備所固有的要素。在沒有更多限制的情況下，由語句「包括一個
……」
限定的要素，並不排除在包括所述要素的過程、方法、物品或者設備中還存在另外的相同要素。
88.以上對本技術所提供的技術方案進行了詳細介紹，本文中應用了具體個例對本技術的原理及實施方式進行了闡述，以上實施例的說明只是用於幫助理解本技術的方法及其核心思想；同時，對於本領域的一般技術人員，依據本技術的思想，在具體實施方式及應用範圍上均會有改變之處，綜上所述，本說明書內容不應理解為對本技術的限制。