产量预测初认识

详情请移步至产量预测建模这篇文章

本文仅对相关的知识进行了解后提出的一些问题，不具有参考性。

产量预测：

产量预测有助于系统监测、油井优化策略规划和储量估算。在油田开发过程中，随着注水和底层压力变化，产油会发生改变。使用传统油气藏模型，在一些井上产油和产液的变化趋势与与预测不一致。机器学习为该类问题提供了新的解决思路。

目前产量预测的方法：

传统技术： 这里简要提这一个，DCA（递减曲线）：利用以往生产数据监测和预测油气井动态的有效工具。很多文献中都提及到了这个方法，其中一篇提到如果操作约束是恒定的，比如调节流量的节流阀尺寸，那么递减曲线分析可以有效地工作，如果油井的生产被隔离以执行任何井作业，那么它将会导致错误。这就和之前师兄讨论的内容相贴近，当人为的一些因素对数据产生影响时如何去保证预测的准确性，在人工智能中又如何去避免或者应对这种情况呢？还是说将数据理想化？
前沿技术： 人工智能中使用的数据驱动算法（原因：首先可以降低成本，同时在油气作业中获得了大量的数据，有数据支撑）。这里主要看两种神经网络，分别是ANN和RNN，前者是油气行业中应用最广泛的机器学习方法之一，通过选择输入属性来优化具有多个隐藏层的目标函数。近年来，有研究者应用人工神经网络根据孔隙度、渗透率、饱和度等地质参数预测原油产量，但由于各参数之间关系复杂，预测过程耗时长、费用高。对于后者的理解，因为产量预测用到的是时间序列数据，前后的数据是相互影响的，因此用到RNN。

原始数据

1. 单井静态数据
2. 产油和产液动态数据
3. 压力随井层网格变化数据
4. 注水井与产油井间渗流数据
5. 地质勘探数据

问题：

1. 在这个过程有哪些数据会参与到模型建立中，根据和师兄的讨论，在这个过程中压力和相关的动态数据应该对预测有很大的影响，而静态数据的作用可能很小，那么是否需要考虑将一些无关紧要的数据属性给移除掉？
2. 如何去体现创新点，用成熟的网络去实现，创新性小，那么反过来指的是去创造一些新颖的网络还是其它的方法来体现创新性？
3. 如何确保数据的可靠性，与师兄讨论后得知，数据是很重要的一环，需要特别注意哪些突变的部分数据，这些可能就是因为人为的因素对产量产生了影响，而这些因素又是不稳定的，因此怎么在模型的建立过程中去处理这种问题？
4. 模型的泛化能力，同样也是根据讨论得知，每块油田的地质是不同的，如何将一块油田上建立的模型良好的应用到另一块上去，是重新建立模型，还是把地质相关的因素也纳入到数据中去？